邵珠庆の博客 生命只有一次,你可以用它来做些更多伟大的事情–Make the world a little better and easier

85月/120

Facebook的十大经验分享

 


1 、坚持你的远景,但要对细节灵活
2 、只和最好的人合作
3 、树立高期望并且衡量之
4、重视数据而不盲从数据
5、避免无谓的时间浪费
6、增进亲密感是减少紧张关系的有效方式
7 、习惯委托, 但不要盲目, 请谨慎
8、 意见反馈应该一个持续性的, 而不是一年一次或两次的活动
9 、你可以比你想象的做得刚好
10 、不要过多设计或者过早优化

1、坚持你的远景,但要对细节灵活

作 为一个领导者,你需要依赖你自己的远景(至少在你负责的业务领域内)而那些和你一起或为你工作的人将依赖你的远见。什么是远景?就是对最终状态的一种描 述。是你需要你的团队着陆的地方。是生效之后的新生活。它是北极星,和方向。这里有一个例子,当我启动支付风险团队的时候,我们只有规则引擎。规则是人写 的。一条规则只是一个拥有非常有限变量的简单逻辑,例如“如果注册日期少于30天并且支出大于100美元并且是首次支付并且用户来自印度尼西亚,则拒绝交 易”

人类难以有效的处理10个以上的变量。我们需要更加的可测量化。我们想要使很多机器比人更擅长的事情自动化。从而我们树立了一个远 景,将我们主要的规则置换为机器学习模型。这一远景驱使我们增加了一位机器学习领域的博士和另一位在加入facebook以前有类似实操经验的工程师。赌 注巨大,但是未来需要这个。

但你需要对细节灵活,因为条条大路通罗马。你需要给你的团队以足够的余地空间(wiggle room),只要你的团队是朝着正确的方向以合适的速度前进。另一个故事:一度我对决策树的兴趣比回归要大。但是实验算法的工程师告诉我在选择算法的时候 他们只有可以忽略的区别。我可以坚持己见(这确实是当时我真实的想法)但我信任他并让他放手去选合适的算法。同设计者合作的过程中也有趣事发生,他们对于 字体,颜色,行距及其他都有着吹毛求疵的偏好。我通常让他们由着性子只要对最终结果有益就行。我们想要选择正确的战场开战,这样的战场必须关乎全局,而不 是纠缠于局部战斗。

2、只和最好的人合作

牛 人只想和牛人一起工作。他们聚在一起就更牛逼。一流的人通常无法容忍二流货色。什么决定了“最好的人”?我的理解是那些能够快速尽其所知,学其所不能,从 而完成事情并远超期望。他们的本能是超越期望,甚至他们自己的期望。对他们来说,足够好本身从来都不够好。 只拥有最好的人在团队中有很多好处。

⑴ 这让你更加愿意托付。救我的经验来看,牛人不会信任不熟悉的人。在接受你的帮助之前,他们需要知道你同他们一样出色甚至比他们自己还强。否则,他们宁愿尽 其所能的独立完成。但如果你业已得到证明,他们将会非常信任你并乐于托付给你。一个有着有效托付的牛逼团队几乎无所不能。

⑵他们相互为榜样,并且籍此提升工作表现。这是很好的关注压力。如果使用得当,可以形成团队的良性循环。

⑶ 牛人们相互挑战。我记得一位工程师主管曾就我们能否在规定时限之前完成网站翻译所需的代码修改来打赌,他将把头发染成蓝色。这样的挑战往往是的“枯燥”的 工作变成了游戏。成为游戏的一部分将非常有趣。当然往往会有更严肃的挑战,而且牛人喜欢挑战(不管是挑战别人还是接受挑战)

⑷牛人们相互 学到很多。如果不是因为这里有这么多可以学习的话我不会在facebook呆4年。对缺乏经验的人来说,这显得越发正确。我们雇佣非常聪明的毕业生,这些 人被激发来证明他们的牛逼之处。他们不愿来到一个舒适并且没有挑战性生活的公司。他们想学很多来丰富他们的经验,完成不可完成的任务并提升他们的职业路 径。他们想要证明“是的,他们可以”。他们想和牛人一起来实现这些。

你不想要二流货色但如何远离他们?首先,慢点招人。在给offer的 时候固执一点。我曾无数次的在招聘决策会议上发现那些有着光辉履历的人无法得到雇佣只是因为某个面试官觉得这人无法给他以深刻印象。在其他例子当中,那些 获得一致通过的候选人仍然无法获得雇佣机会因为每个人都只是觉得他将将符合要求而已。在雇佣问题上,绝大多数情形下,你要风险规避。(顺便提一下我们也会 雇用那些没有全票通过的候选人,只要有一两票强烈推荐﹣你将乐于在信任你员工的问题上冒险)其次,炒鱿鱼要快。让二流货色存在就像服用慢性毒药。一天一 点,逐渐但终究你会为此挂掉。你要紧你所能的把二流货色踢到鱿鱼轨道上(在某些情况下,法律不让你这么做)我见过一些慢吞吞的鱿鱼,那对团队造成的负面作 用可不是闹着玩的。

3、树立高期望并且衡量之

作 为领导者,你需要设定高但现实的期望。足够高使得你的团队不会感到无聊。现实使得他们不至于油尽灯枯。你要给他们创造一段经验使得旅程结束回顾时,他们会 说:**,我都没想到我居然做了这个。这个屌爆了。Facebook,象其他硅谷高技术公司一样,期望同回报相结合,因此树立明确的期望本身就至关重 要。 并且你需要找到一个不容争辩的途径来衡量期望。我花了大量时间来和团队一起描绘我们在下季度里最重要的3-5个目标。目标被分别委派给单个或一组分工不同 的攻城狮,或者被他们抢走。在这一情况下,我们不仅有一个由3到5个衡量指标组成的名单,使得我们可以籍此快速地说出来我们在干嘛,同时也知道每个具体目 标后面是谁。团队的成功同个体表现息息相关。例如,我当年团队最大的贡献是在一年时间里,通过每季度不同的指标,最终降低了信用卡支付争议率75%。

有 一点要强调的是﹣你还是要现实。在你只有10%的市场份额的时候却幻想10几倍的收入增长无疑不现实。史蒂夫乔老爷非常善于推动他的团队超越潜能但同时也 榨干他们(尽管如此他们是这样为他们所做的而自豪)99.9%的领导不是乔老爷,当然他们也不需要是。但你仍然可以通过驱动一个可持续性的团队来取得成功 同认识到他们的极限并无矛盾。

4、重视数据而不盲从数据

决 定产品方向时, 要的是想象力, **和胆量, 而不是数据. 数据能让你的团队沿着正确的方向前进而不出轨, 也有助于产品从“一开始是什么样”到“最后应该是什么样”的逐渐优化成型. 但数据不能帮你决定方向. 举个例子, 当我们在人工智能(机器学习)上压上我们团队所有的资源的时候, 我们忐忑不安. 但是我们坚信一点, 现有的基于人工规则引擎的防欺诈系统会很快成为死胡同, 因为它太死板而且不易规模化以处理大数据。所以, 就像在电影指环王中Frodo明知通向Mordor的道路很黑很冷很危险, 但那是一条他必须要选择去走的路; 我们选择了在机器学习上压上所有的宝。失败, 整个团队会很难看; 但我们决定走艰难但我们认为是正确的路. 这种思路同样应用在如何设计用于用户报告(外部工具)和案例审查(内部工具)的工具来应对潜在的欺骗行为。 我们最后决定的方向是"进行自动处理"和"建立反馈机制"。直接抛给人工来处理总是很容易被选的一条路, 因为只要建立一个人多人傻的客户支持团队即可. Lame! 我们希望通过自动处理来解决大部分的欺诈案例,而把精力则放在那些确实需要单独处理的特殊案例上, 同时把从业务支持团队(即客户支持部门)的处理意见自动采集并集成到下一轮的机器学习中去。由此, 我们的机器判断会越加精确和聪明且与时俱进.

但 你不能忽视数据。没有数据的支撑而一味靠直觉走黑路, 很容易走岔道, 甚至大错特错。有一段时间我们认为爬行工具(通过分析关联的cookie,信用卡)可能可以找到很多欺诈的同伙。通过实验结果却发现, 这种预期是否成立很大程度上取决于当前流行的欺诈行为的特点. 比如, 当失窃或贩卖信用卡的案例非常普遍的时候,关联分析是一种有效的方法。但如主要情况是帐户被黑或小宝们冒用妈**信用卡去网游消费时,关联分析就作用不 大。直觉在现实前面碰了一脸的灰。 不过幸运的是我们很快意识到这点且把这个项目叫停了,