每天需求烦乱，工作很多，职场新人如何快速做出主次判断？

普通人物怨

刚工作的师妹跟我聚餐，倾诉的就是职场上的烦恼。

她最无法理解的是，为什么一天可以接到那么多的需求，而且每个人都说自己的需求很紧急，都让她尽快完成，她完全搞不懂到底哪个才需要先开始了。

这跟在学校里有老师划重点的感觉完全不一样，师妹感觉每天都一头乱麻。

我很理解她这个困扰，从学校到职场时，最容易遇到的就是这个重点不明的问题。

在学校里，我们通过一次次的考试，分清了到底什么是阶段性的考察重点。虽然考试很折磨，但对大多数学生来说意味着成长。遗憾的是，职场中没有阶段性的考试，只有一次次的比拼和竞争。

那在工作中，到底哪些是阶段性的重点，哪些是项目中最先需要完成的内容，新人往往会困惑。而如何从竞争中脱颖而出，就看你能不能分清主次，发现重点，这正是PCA算法可以教会你的东西。所以，我给师妹的答案就是，不如先看看PCA算法。



PCA算法是什么？

首先，我们需要知道PCA算法是什么？PCA算法，说到底就是一种降维算法。计算特征值和特征向量，然后根据优化目标对特征向量进行选择。

1、PCA算法的内涵

PCA（principal components analysis）即主成分分析技术，又称主分量分析。主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。就是在多指标的情况下，能够将所有指标放在一起对比，最终得到最关键的指标。

在统计学中，主成分分析PCA[1]是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。

简单来说，PCA算法就是将所有特征计算后，投到同一个坐标轴进行对比，根据优化目标（降到多少维）来不断迭代计算，最终得到降维后的向量，通过向量还原，就是最终的数据关键特征，能够减少无用特征，保留数据特性。



PCA算法

2、为什么引入PCA算法

为什么我会教师妹一个统计学的算法呢？原因是将所有的工作量化，对刚进入职场的新人来说极为重要。因为只有量化，所有的需求才能真正清晰。

举个例子，考试过程中，会有一个先浏览试卷的检查过程，因为你要看试卷是否完备，大致预估这个卷子难度和所需时间，然后再开始答题。

那么，职场也是一样的，在我们所做工作中，每个提需求折包括项目合作者，都会认为自己所需要的内容是极为重要的。其实，对你来说未必如此。如果不将所有需求罗列量化，像是一张考卷一样清清楚楚，真的无法预判这件事对自己是否重要。

这也正是师妹目前极为困扰的地方，工作中需求太多，来一个需求就处理一个的话，时间完全被打乱，而且天天就像赶工，也不敢说能学到什么。

因此，先给自己一个浏览试卷的时间，也就是先将所有工作量化，再进行处理，真的很重要。

数据量化，优化目标，综合判断，正是PCA主成分分析降维的精髓。因而我引入一个统计学的算法，来解答师妹的疑问，就再合适不过了。



职场上分清主次为什么重要？

那为什么在职场上我们需要分清主次？因为职场上，关键的是规划。

美国哈佛商学院MBA生涯发展中心主任詹姆士 . 华得普博士说："对于职场新人，虽然少有人可以幸运地一步登天，但的确有些人走了捷径，关键就看你是瞎打乱撞，还是有选择的策划每一段人生。"[2]

我非常认同这个观点，对于职场新人来说，有选择的策划很有价值。偏偏对于刚毕业的新人来说，自我规划是一件难事。刚进入职场的时候，时常会觉得缺少指引，缺少目标。这种无人画重点的情况，跟学校里非常不同，就会有一种落差。

因为这场考试完全是无形的，很容易让人迷茫。因此越发需要将数据和目标量化，真正去发现自己工作中关键内容到底是什么。

而PCA算法是为了找出关键的特征，抛去无关的特征。那么在工作中也是如此，在面对繁杂的工作需求时，时间有限，分清阶段性的重点，抛开暂时无用的需求，集中力量去解决关键的模块，是一个合格的职场人每天需要做的工作。



有了职场需要规划的思路，那么我们就可以开始使用PCA算法这个工具。

新人如何利用PCA算法分清主次

如何利用好这个工具，能够分清阶段性重点，就是PCA算法中精髓的三步，分别是数据量化，优化目标，综合判断。以下我们逐一解析。

一、数据量化

首先，PCA算法中最重要的一件事是数据量化，将所有数据进行特征计算，然后将特征向量投在同一个坐标空间中。

那么，职场中也需要如此。对职场新人来说的工作，是安排到个人的需求，而不是整个公司的需求，所以从个体层面来说，我们需要将自己手头的所有工作，进行计算，然后将计算后的值，投到同一个对比维度中。

数据量化的好处很多，光是清晰直观就足矣。但数据真正的作用，其实是在繁杂的工作中，抽取你真正需要的东西。

实际举例：我今天有6项工作，我需要将工作的每个维度进行写出，例如工作需要开始时间，工作难易程度，工作最晚截止时间……这些数据量化的维度，取决于你自己。基本是根据你个人的能力来判断的，因为这场考试，你才是真正的考官。

然后，将我的6项工作，按照不同维度进行评价，这就是整个数据量化的过程，而这些数据，是在同一张图中，也就是同一个对比空间中。数据量化的好处不仅仅是清晰直观，而且便于我们后续的计算，一旦数据量化这一步得以完成，你就会发现，工作一下子清晰了很多。（下图是我借用思维导图给出的具体效果。）



我今日6项工作安排

二、优化目标

当然在数据量化后，如果没有具体目标，那么对数据评价依然没有任何意义。但这个目标绝不是随便定的，而是根据自身情况，不断迭代后得到的最优解。就像是一场考试，我说我天天要考满分，这件事可能性不大吧，这种不切实际的目标反而会影响你的判断。目标需要细化，也需要优化。

那为什么要说不断迭代，目标也需要优化呢？因为对于职场新人来说，对自己的评价有可能不那么中肯，需要反复评测和调整，最终才能得到适合自己的目标。但目标，恰恰是工作评价中最需要的东西，一旦没有目标，数据量化后你依然无法得到结果。

俄国作家有句话说得好：

没有目标，哪来的劲头？——尼古拉·加夫里诺维奇·车尔尼雪夫斯基

而在PCA算法中也是如此，例如最开始需要填的参数是降维到几维，然后会通过这个降到几维的目标，最终得到结果。这个填写目标降低维数，实际上在我们职场中，就是对自己目标的判断了，你一天到底能做几件事？

假如能做3件事一天，那么你就可以在分清主次中，认为自己能完成三件重要工作，所以可以从自己当天要完成的工作中，按照各个维度选出3件。前期的目标有可能会比较迷惑，可以先选择简单指定，然后在一步步的实施过程中，这个目标会越来越清晰。

这样看起来，在分清主次的过程中，利用PCA算法这个工具，是不是变得越来越容易？



三、综合判断

在数据量化，优化目标后，就是PCA算法中的最终一步，也就是综合判断。在PCA算法中，综合判断会根据各个维度数据的方差协方差这些统计学的指标。而在我们职场中，综合判断是基于你自己给出的评价指标。这个综合判断，就是决策过程。

在《巨人的脚步:365天自我提升训练课》这本书中，安东尼罗宾斯曾经写到：

真正起作用的不是偶尔的行动，而是持之以恒的行动。所有行动的源头又是什么呢？是什么决定了我们未来会成为怎样的人，取得怎样的成就呢？是我们的决策。我们的命运就是在这些决策中塑造出来的。我最最相信的是：决定我们命运的是自己的决策——而不是生活现状。

决策真的非常重要，但一个良好和正确的决策，却离不开前面两步。第一步是数据量化，第二步是优化目标。所以这整个PCA算法是环环相扣的过程，而我们职场中的分清主次，也正是这样一步步完成的效果。

当然，对于职场新人来说，决策这个过程是最困难的，所以在综合判断这个过程中，我建议可以参考身边同事的意见，尤其是自己领导和导师。在我刚开始工作的过程中，遇到难以判断的问题，也会请求自己领导的帮助。

这样带着思考后的问题，在最终判断时请求领导帮助，领导一般不会觉得你麻烦，而会觉得你尊重他。我在前期成长过程中，领导也多次表示我敢想敢做。

不过你要明白的是，任何人的观点都只有借鉴作用，你可以吸收采纳，但不能完全照搬。但多一些参考意见，会对你的决策更有帮助的。所以在综合判断这一步，是真正要出结果的时候，我们需要是前面的铺垫，也就是数据量化和优化目标，也需要同事或领导的参考意见，而最后，取决于你内心的决定，真正做出一个综合判断。



最后

职场新人对于分清主次有困扰，面对这个情况，本文引入了PCA算法，巧妙地将职场中的难题，通过统计学算法来解释。从统计学PCA算法中的精髓里，提取到了如何分清主次的关键3步，分别是数据量化、优化目标和综合决策，期待能够给人有所启示。

当然，言语都是空白的，关键是行动，希望职场新人现在就开始做。

愿大家能在职场这个无形考试中，交上满意的答卷。

引用文献：

[1] 李玉珍, 王宜怀. 主成分分析及算法[J]. 苏州大学学报(自然科学版), 2005(01):34-38.

[2] 王志成. 职场新人的理智规划[J]. 中国大学生就业（综合版）, 2017(3).

玛丽苏A病患

看到真的很羡慕

zcj193

说的跟真的一样

wkt6013

看到真的很羡慕

我是正太控88

看到真的很羡慕