产品设计体会(4006)我们急需靠谱的会议

简介:
首先,这篇说的只是正式会议,意味着不是站立会议,或者23个人在座位边、过道上的讨论,而是需要像模像样的找一间会议室的那种。说到这里,你一定有很多苦水想倒了,没错,大家都很痛苦,听到“开会”这两个字头皮都发麻,那么我们来一起看看怎么减少痛苦吧。
首先,明确目的,最最重要,其实做一个会议和做一个产品也是一样的。不要试图在一个会议中解决所有的问题,就算你要连着召集两个参与人大部分相同的会议,我也建议你把它们分开,甚至,更好的做法,合理安排一个会议中的议题,可以让部分人早点走,或者晚点到。依据目的,类似的日常会议一般在15min23个小时不等。
会议前,做好准备工作,资源的确定是小:会议室、投影仪、白板、纸笔、网络等等(视情况而定);人员的确定是大:确认好“必选的和“可选的,不要漏人,也不要叫闲人,把握“大会决定小事,小会决定大事”的原则(“大/小”指的是参会人数,比如全公司的会议,是没法讨论事情的,只能传达信息)。识别出会议的KPKey Person,关键人物),通常是最大的一个或几个老板,提前当面或者电话知会一下,然后发出会议邀请,我们用outlook。而发送时间,我觉得日常会议提前2472小时比较合适,看情况。邀请中需要注明会议的时间、地点、议程,每一项议程的估计时长,并且附上需要讨论的文档初稿,要求大家会前阅读(虽然很少有人能做到,很现实的问题),而对于KP,争取提前与他讨论关键议题,达成一致,叫做“串供”,这会让会上省很多时间和精力。正所谓,要想让会议不流于形式,就要把会议本身变成走走形式
会议中,关键人物,在会前10min左右再次确认。关于迟到问题,其实没法避免,一般等个5min是 极限,如果能想出合适的惩罚规则,会比较好。会议要有明确的主持人和记录人,当然可以是同一个人,主持人主要掌握整体时间进度,控制个人发言时间,均衡发 言机会,保证议题不走偏;记录人要如实做好记录,特别是“会议决议”与“遗留问题”(详见下一节)。所有事情,尽量在会上达成一致,给出“会议决议”,实 在不行的可以作为“遗留问题”。最后,牢记很实用的“所有人提供意见,少数人讨论,一个人拍板”的民主集中原则。
会议后,会议记录最重要。尽量在24小时内邮件发出,收件人是所有参与者,抄送给所有参与者的老板,让老板们看到手下干的活,让大家知道老板们看得到他们干的活。然后给出“时间、地点、主持人、记录人、议程信息”,其实都不关键,关键是“会议决议”“遗留问题”。 会议决议就是传达,是会上大家确认过的,写明是谁最终拍板的,其实也是增加他反悔的成本,形成习惯以后,大家才能都清楚决议的严肃性,并且保证后续动作的 连贯;遗留问题要描述清楚是什么问题,谁负责解决(一定只能是一个人),这个人承诺解决的时间点。相应讨论过的文档有更新,也应该补充发出(不一定是做邮 件附件,我们通常给个wiki永久链接,自己去随时查看最新文档就好了)。
这一套跑下来还有个好处,因为难免会有人到不了会上,这样通过会议前和后的两个邮件,他也可以大概了解到主要情况。
最后还有兴趣的同学,可以看看我写过的几个目的各不相同的会议实例:13小时不等的 评审会 15min左右的 项目Kick Off ;半天时间,需要邀约产品用户,提前布置会场,有预算的 用户大会

 本文转自 iamsujie 51CTO博客,原文链接:http://blog.51cto.com/iamsujie/144014,如需转载请自行联系原作者

相关文章
|
存储 JavaScript Java
在线拍卖系统|基于Springboot的在线拍卖系统设计与实现(源码+数据库+文档)
在线拍卖系统|基于Springboot的在线拍卖系统设计与实现(源码+数据库+文档)
644 0
|
SQL Java 中间件
实时计算 Flink版产品使用合集之在进行全量拉取时,任务完成之后内存没有被完全释放如何解决
实时计算Flink版作为一种强大的流处理和批处理统一的计算框架,广泛应用于各种需要实时数据处理和分析的场景。实时计算Flink版通常结合SQL接口、DataStream API、以及与上下游数据源和存储系统的丰富连接器,提供了一套全面的解决方案,以应对各种实时计算需求。其低延迟、高吞吐、容错性强的特点,使其成为众多企业和组织实时数据处理首选的技术平台。以下是实时计算Flink版的一些典型使用合集。
160 1
|
存储 Linux Docker
Grafana:灵活的配置
Grafana:灵活的配置
Grafana:灵活的配置
|
并行计算 算法 测试技术
|
8天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
292 164