「公關公司」這名稱很常出現,似乎也很難讓人分辨公司所從事的業務?
說到「公關」這個名稱有相當浮濫的現象,即是目前在求職欄打上公關中可以看到公司名稱相當多樣,甚至連八大行業都喜歡在職稱上用上「公關」這兩個字,公關行銷、活動規劃、企業服務、整合行銷、媒體創意、策略顧問…各種詞跟「公關」的排列組合在所多有,是在一般公司從事公關的工作?還是如同我上面形容是在公關公司內替福委會辦理活動? 公關公司的進到各家官網內容寫的包山包海,從活動-廣告-記者會-展場布置…都做?
因此,請看每間公司的「實績」介紹,才能夠真正了解這家公司究竟是主要做哪方面的業務。
3樓
[+] 1 回應 •
請問企業金融業務專員有責任要寫徵信報告嗎? 還是由審查人員來寫?
關於徵信報告這東西 首先,若客戶是新客戶,通常都是由承辦案件的業務員來寫徵信報告,針 對客戶做基本介紹並說明務必承做的原因。 在案子送到審查端後,審查員還會再寫一份自己的審查報告或授信報告,找出客戶的問題點並逐一釐清。 因為職務立場及與客戶的熟悉度不同,兩方報告的角度與內容都會不同,都具有價值。
若客戶是舊客戶前來增貸,不同銀行作法不盡相同 。有些銀行同樣有兩方報告; 有些則由一位業務員寫徵信報告,另一位業務員寫審查報告,然後把報告往上呈審查,審查看過同意就可,審查人員自己不出報告。 事實上,誰寫報告或是怎麼寫,各銀行的作法不一。
4樓
[+] 2 回應 •
海外團購商品以名牌化妝品與保養品為主,成案的關鍵主要在於商品的優惠條件;海外代購商品則以名牌皮革包件為主,由於某些包款可能沒有引進台灣,或是必須等候較久時間才會在台灣上架,代購業者可委託歐洲買手團隊直接在海外專櫃購買,可以滿足台灣消費者以最快速度買到想要的最新款商品。
2樓
[+] 回應 •
Q4. 如果繼續擔任主機板的「硬體研發工程師」,後續的職涯地圖與職場風景將是如何?
研發工程師的職涯地圖除了職等會隨著年資與表現晉升之外,後續大致會分為管理職或技術職。個性不喜歡管理的資深工程師通常會負責難度更高的案子,同時擔任資歷較淺的工程師的mentor。適合擔任管理職的資深工程師,可能會擔任team leader,帶領幾位工程師負責複雜度較高的案子。表現好的話,或許有機會擔任研發部門主管。
研發工程師的職場風景,除了多了一些會議之外,基本上與研究生的生活相當類似,大部分的時間多在實驗室裡度過。
Q5. 基於什麼原因,讓您決定跳脫這份職務? 而您的下一份職務是什麼工作?
主機板研發工程師做了兩年後,開始思考未來自己的人生規劃問題。基於下列幾個原因,決定離開這份工作:
1) 職場生活類似大學研究所生活的延伸,後來覺得有些一陳不變。
2) 雖然時常要與不同部門甚至上游廠商開會或meeting,但接觸的人大多是老面孔,人際網路相對封閉。
3) 主機板研發工程師的工作聽起來好像很厲害,但實際內容只是將上游IC廠商的IC產品整合成一個板子,IC廠大多會提供範例線路。同事們私底下聊天,大多覺得並不需要經過研究所的訓練就可以完成相關工作。
離職後, 一開始並沒有思考接下來要到哪個領域工作。因為當時流行考證照,剛好有空擋就去參加了證券營業員等考試。原本想說去投信或證券公司擔任產業研究員,因緣際會通過了一家創投的面試,成為了創投公司的產業分析師。
Q6. 相較於您的第一份工作,下一份工作有沒有比較符合您的需求?
我擔任主機板研發工程師兩年,後來在創投業八年。第一份工作強調專精,全新產品順利誕生時會很有成就感,但工作環境相對封閉;第二份工作強調廣博與人脈,可以從上而下對創業環境與世界趨勢有通盤的學習與交流,投資有回報時雖然很高興,但畢竟真正成功的還是被投資的創業者,創投只是輔助者或直白的說,就只是配角。兩份工作屬性差異極大,其實也都並不討厭。雖然第二份工作的期間遠大於第一份工作,並不代表我比較喜歡第二份工作,只能說創投工作的視野廣,相較之下比較不容易產時職業倦怠的原因吧!
Q7. 綜觀您的職涯地圖,如果再回到校園,您會強化哪些領域或科目?
在大學電機電子科系就學時,有上過必修的電子學、電路學以及實驗等科目,大致上可以升任主機板研發工程師的工作。至於創投工作,學校裡能學到的多以會計學、投資學等財務課程,這些知識在評估投資標的時只能算是基礎的基本功,公司產品種類繁多,各領域專業知識很難在短短的評估時間裡精通,如何抓重點、學中做,並透過個人的人脈存摺多角度驗證,更是能否在創投領域表現傑出的關鍵。
如果回顧自己的校園修課,我會多花些時間在軟體程式設計以及財務相關的修課。財務報表的解讀與軟體程式設計的觀念,未來在許多公司或職務執行的重要性將會越來越重要。
2樓
[+] 回應 •
當AI演算法的模型訓練或試驗時發生準確度問題時,除了調整參數外,還有其他改善方法嗎?
有時需要重新轉換數值的型態、或是針對數值(Raw Data)進行加工處理或預處理,再進行模型的訓練。例如可針對數值的一些雜訊先進行特定的過濾與清除,再進行訓練,甚至需要採取不同演算法進行或搭配多種的演算法結合來進行模型的訓練以提升準確度。但在調整準確度時,一方面雖然要讓準確度能夠提升,但另一方面也要注意不可造成over fitting。
3樓
[+] 1 回應 •