人生商业模式:如何过好这一生?

作者:刘润

来源:刘润(ID:runliu-pub)

人生商业模式:如何过好这一生?

图上这位,叫做达芬奇。

他是一名非常伟大的画家。

他最著名的画,你一定知道,叫做《蒙娜丽莎》。

但是你知道吗,他除了是一名伟大的画家,他同时还是:雕刻家,建筑师,音乐家,数学家,工程师,发明家,解剖学家,地质学家,制图师,植物学家,作家……

达芬奇的人生,简直像开了挂。

人生商业模式:如何过好这一生?

这一位,叫做赫伯特·西蒙。

他是决策理论之父,获得过1978年的诺贝尔经济学奖,是芝加哥大学的政治学博士。

同时,他还是凯斯工学院科学博士,耶鲁大学科学和法学博士,麦吉尔大学法学博士,瑞典隆德大学哲学博士,鹿特丹伊拉斯莫斯大学经济学博士,密歇根大学法学博士,匹兹堡大学法学博士……

赫伯特·西蒙的成就,单拿出来一项,都让普通人望尘莫及。

人生商业模式:如何过好这一生?

这一位,叫做鲍勃·迪伦。 

他是一位非常了不起的音乐家,曾获得过音乐界最著名的奖项——格莱美音乐奖。 

同时,他还获得了电影界的奥斯卡金像奖和金球奖,新闻界的普利策奖,以及诺贝尔文学奖。 

鲍勃·迪伦,也是一位跨领域的全才。 

这个世界上有一些人,一旦在某个领域获得成功之后,他几乎可以在每一个领域都获得成功。 

为什么会有这样的人存在呢?

这背后,其实也是有商业逻辑的。

人生,其实就是一种商业模式。

人生商业模式 = 能力 * 效率 * 杠杆。

有的人,用这三者换回了全世界。

而有的人,却一无所获。

今天的文章,我就来系统地跟你聊一聊:人生商业模式中的能力、效率和杠杆。

人生商业模式:如何过好这一生?

我们一个一个来说。

01

能力

在人生商业模式中,第一个重要的东西,叫做“能力”。 

首先,我想问你一个问题: 

你觉得,什么能力是一个人最有价值的能力? 

演讲能力?学习能力?沟通能力?还是赚钱能力? 

其实都不是。 

一个人最重要的能力,是获得能力的能力。 

这是一种超能力,就像你去找阿拉丁神灯,神灯问你有什么愿望,你说:我的愿望是再要三个愿望…… 

获得能力的能力,如果把这个能力具像化,其实就是: 

怎么只用2年时间,获得别人5年的能力? 

怎么做呢? 

我对这个问题做了非常深刻的思考和研究,甚至画了74个数学模型,经过严格的数学推演,终于,我找到了答案。 

这个答案就是: 

加班。 

别人一天工作8小时,我一天工作16个小时,我是不是就有可能用2年获得别人5年的能力呢? 

当然,加班这个词儿,显得特别不政治正确。 

我们给它换个名字,其实就是: 

勤奋。 

什么是勤奋? 

现在很多互联网公司都是996工作制——早9点到晚9点,一周工作6天。 

而我在微软工作的十几年,几乎天天都是996工作制,几乎从未在9点之前下过班。 

微软有一个制度,每天免费提供晚餐,只要晚上9点钟以后下班,就可以报销打车费。 

于是,到了晚上下班时间,很多员工都会想,吃个晚饭再走吧。 

吃了晚饭再一看表,已经快8点了,那就待到9点以后再走吧,反正可以报销。 

这个制度后来被很多公司学走,特别是今天的互联网公司,基本都这么干。 

甚至有一些创业公司,工作时间是711——早7点到晚11点,全年无休。 

我现在自己创业做咨询,我不要求我的员工996。

因为公司还小。

而且是否996,其实应该是员工个人的选择。

我也不要求我自己996。

因为我常年都是711,996对我来说等于放假。 

这就是勤奋。

但是,勤奋就够了吗? 

还远远不够。 

特斯拉的创始人埃隆·马斯克,被称为地球上最酷的人。 

你知道,马斯克一定特别聪明。 

但是你未必知道,马斯克同时还超级勤奋。 

有一次,他在一个大学做演讲,一个学生问他: 

您是怎么获得今天的成功的? 

马斯克给了这位学生一个非常重要的建议: 

Work Super Hard。 

可怕的勤奋。 

什么叫可怕的勤奋?

1999年到2001年,我在微软以工程师的身份做技术。

你可能知道微软是一家特别勤奋的公司。

但实际上,在微软工作,必须Work super hard,可怕的勤奋。

在微软上班,别说晚上9点了,干到凌晨都很平常。

但即使到那个点,你都不好意思走,因为整个办公室全是人…… 

怎么办?

接着干。

为了“帮助”你更加勤奋,微软办公楼的每一层都有两个房间,每个房间里有两张小床。

如果工作到很晚,你可以住在办公室。

但是你不要认为在办公室里放床,就是微软逼着员工加班。

其实真相是,每天早上,很多同事来公司的第一件事,就是拿着员工卡扔在一张床上,赶紧占位置…… 

他们抢床位不是为了午休,而是为了彻夜睡在办公室。

你早上稍微来晚一点,连床位都抢不到。

那没有抢到床位的人怎么办呢?

没关系。

在茶水间,有很多睡袋。

没有床,你可以睡地上啊!

我就常常拿一个睡袋,睡在会议室的地上。

第二天,搞清洁的阿姨一不小心踢到我,我就知道天亮了。

然后呢?

起床洗漱,继续工作。

微软里的每一位同事,包括我,都是这么过来的。

这就是可怕的勤奋。

所有的创业者,在用尽你的智慧之后,有一样工作是你永远都逃不掉的。

那就是可怕的勤奋。

但是,可怕的勤奋就够了吗?

还远远不够。

可怕的勤奋,它可能是一种低效的勤奋。

我们还得在它前面加上一个前缀,叫做:高效而可怕的勤奋。

什么叫高效而可怕的勤奋?

2016年,AlphaGo战胜了李世石,世界一片哗然。

2017年,AlphaGo战胜了柯洁,又一次震惊世人。

而这,其实都不算什么。

战胜柯洁后的同一年,AlphaGo的新版本AlphaGo Zero,以89:11的战绩打败了之前战胜柯洁的AlphaGo Master。

这一个版本的AlphaGo,才真的让人深深恐惧。

因为之前的版本,不管再厉害,它学习围棋的方法,都是在钻研人类给它的棋谱。

所以归根结底,它还是站在人类的肩膀之上,不会超出人类太多太多。

而这一次,AlphaGo Zero完全没有学过一盘棋谱,仅仅给它一个是输还是赢的反馈,它就能凭借自己跟自己对弈,找到人类从未想到过的棋路,达到前所未有的高度。

这让人类最顶尖的棋手们开始意识到,我们以前其实根本就不懂什么叫做围棋。

AlphaGo Zero的训练,就是在依靠一个高效的反馈机制。

这也是高效而可怕的勤奋中,最最重要的部分。

它可以告诉你,你的工作中哪些是有效的,哪些是无效的。

换一个你可能更熟悉的名字,这其实就是“刻意练习”。

刻意练习的关键,就是通过不断重复训练稍微困难的任务,从而获得最高效的进步。

安德斯·艾利克森有一本书就叫做《刻意练习》,你可以拿来参考。

这就是高效而可怕的勤奋。

总结一下。

想要拥有获得能力的能力,你要勤奋。

你不仅要勤奋,你还要可怕的勤奋。

你不仅要可怕的勤奋,你还要高效而可怕的勤奋。

当然,这一切是有前提的:

第一,你真的想要拥有获得能力的能力。

第二,确保所有的勤奋,都在你身体和家庭的承受范围之内。

02

效率

拥有了“能力”,你还要提高做事的“效率”。

如何才能提高效率呢?

怎么把一个小时,用出三个小时的效果来?

这其实也有系统的方法论——选择、方法、工具。

什么是选择?

真正能够提高你效率的方法,不是如何从17分钟里省出17秒,而是如何用17分钟省出17个小时。

什么意思?

就是你要在这17分钟里做出一个决定,接下来要花费17小时做的事情,到底值不值得做?

这就叫做选择。

哪些事情是你实现人生目标所必须要做的?

哪些事情是对你的人生目标帮助不大的?

哪些事情是你哪怕失去现有条件也一定要完成的? 

选择,是提高效率的第一要义。

有了高效而可怕的勤奋,有了自己的选择之后。

接下来的问题就是,如何真正提高做一件事情的效率?

这个时候,你就必须借助方法和工具。

我举个例子。

2017年6月,一位叫王俊哲的小朋友走失了,家长非常着急。

怎么办?

在家门口张贴寻人启事吗?

还是发朋友圈让亲朋好友转发呢?

王俊哲的父母没有这么做。

他们把走失信息发布在“公安部儿童失踪信息紧急发布平台“的微博上。

这个操作很正常,但唯一不正常的是,家长发微博时,用了一张王俊哲穿着比基尼的照片。

人生商业模式:如何过好这一生?

穿比基尼的小男生?

于是新浪微博炸开了锅。

网友们纷纷留言并转发,有的说:这样还怎么让我认真看图找孩子?!

有的说:孩子回来吧,回来就能把照片删掉了!

有的说:曾梦仗剑走天涯,因女装照被亲爹妈曝光而取消原计划……

有的说:如果这父母真的是为了让更多人转发我应该说这父母机智吗?

我不知道王俊哲的父母是不是故意的。

如果是故意的,这对父母确实很机智。

这条微博,很快就评论1万,转发3万。获得了大量的曝光和传播。

这就是效率更高的方法。

除了用更高效的方法,你还可以借助工具来提高效率。

比如,白板。

我最经常的工作状态,就是站在巨大的白板前,把想法像小石子一样,扔到知识储备的湖面上,迅速把激起的浪花、涟漪记录在白板上。

然后,我会退后半米,静静地看着这些想法舒展、连接、形成结构,感受创造带来的喜悦和成就感。

但除了喜悦和成就感,白板还解决了我思考过程中,三个非常实际的问题:

第一,相对于Word,Excel,PPT,它能把我从“结构化的思维”里解放出来,随心所欲地思考。

第二,相对于A4纸,它能把我从“有边界的思维”里解放出来,在广阔的空间里舒展、连接。

第三,相对于翻页纸(Flipboard),它能把我从“不能错的思维”里解放出来,想到就写,写错就擦,擦了再来。

你可以试试用白板装修你的办公室。

这是润米咨询办公室的白板照片:

人生商业模式:如何过好这一生?

这是微软的白板柱照片:

人生商业模式:如何过好这一生?

这是我家的“钢琴烤漆黑板”:

人生商业模式:如何过好这一生?

这是我在机场候机时,用“静电白板贴”在休息室思考的照片:

人生商业模式:如何过好这一生?

白板,能把我们从“结构化的思维,有边界的思维,不能错的思维”中解放出来,帮助我们随时随地,无边无际地思考。

好的工具,能让你事半功倍。

总结一下。

怎么才能提高做事情的效率?

第一要义,是选择做对你来说最最重要的事情。

然后再去使用更高效的方法,更趁手的工具。

03

杠杆

拥有了能力,获得了效率,就够了吗?

当然不够。

不管你在能力和效率上再怎么提升,你每天也只有24个小时,你能做的事情永远是有上限的。

你始终都无法超越你自己一个人的边界。

所以,如果你真的想要获得巨大的成功,你就必须借助一个神奇的东西——杠杆。

那具体来说,有哪些杠杆呢?

我给你介绍四种:团队杠杆、产品杠杆、资本杠杆、影响力杠杆。

第一种杠杆,叫做团队杠杆。

什么是团队杠杆?

我举个例子。

我创立的润米咨询,是从事咨询业的。

在咨询业中,有繁星一样多的小公司,但做得非常大的很少。

为什么?

因为咨询业,非常依赖咨询顾问的专业能力,而真正专业能力很强的顾问,是可遇而不可求的。

所以一旦做大,人才瓶颈就出现了,很难复制。

但是,就在这样一个很难复制、很难做大的行业中,有一家公司却做得非常成功,在全球不断复制自己。

这家公司就是:麦肯锡。

今天,麦肯锡全球的年收入规模大约100亿美金。

它是怎么做到的?

首先,麦肯锡找到了自己的支点,也就是它坚实可复制的能力内核。

在麦肯锡,所有曾经服务过的客户案例,都会进入一个知识库。

这家企业这么做,成功了;那家企业那么做,失败了;都写下来。

同时,麦肯锡还发明和设计了很多咨询的方法论,比如MECE法则,七步分析法等等。

“知识库+方法论”,就是麦肯锡从最有经验的咨询顾问体内,提取出来的“能力内核”,就是那个支点。

有了这个能力内核,麦肯锡开始寻找它的杠杆。

它每年从全球各个顶尖大学,比如哈佛、斯坦福、麻省理工,招来一大批刚从商学院毕业的年轻人。

这些顶尖聪明的年轻人,就是麦肯锡充沛而有效的“团队杠杆”。

今天,麦肯锡在全球已经有27000名员工了。

这群顶尖聪明的年轻人,用科学的方法论,和被验证的知识库,就可以给比他们年长20岁、30岁、甚至50岁的经验丰富的企业家们,提供战略咨询了。

用团队来复制做大,是最基础的杠杆,你必须娴熟使用。

第二种杠杆,叫做产品杠杆。

什么是产品杠杆?

我举个例子。

15世纪的欧洲,抄写圣经是个专门的职业,叫做“誊写师”。

一个誊写师,一年大约能抄一本圣经。

所以你可以想象,在15世纪,你看上去买的是一本书,但其实买的是一个誊写师一年的时间。

你买圣经的钱,实际上是誊写师一年的工资,而这一年的工资,不但要养活他,还要养活他的一家。

所以,在15世纪,只有富人才买得起一本圣经。

一本圣经,要一个人抄一年,那这样还怎么传播圣经呢?

欧洲教廷采取了“团队杠杆”的模式,雇佣了大约1万名誊写师,复制做大。

但即便这样,传播效率还是很低。

怎么办?

1450年,古腾堡开了一家活字印刷厂,开始用“产品杠杆”,印刷圣经。

活字印刷术的发明,使得复制圣经的价格大大降低,速度大大提高,数量大大增加。

当时的教皇,还非常生气地写了篇文章,说誊写师是这个世界上最美好的职业,都被印刷术给毁了。

结果讽刺的是,这篇文章通过印刷术传遍了全世界。

古腾堡,让复制圣经这件事,从严重依赖人类“边际交付时间”的“服务”,变成了更多依赖技术和工具,而较少占用人类时间的“产品”。

一旦脱离对人类时间的依赖,复制圣经这件事做大的可能性,就大大增加了。

为什么在世界500强里,做产品的公司,要远远多于做服务的公司?

因为只有尽量脱离对人类时间的依赖,公司才有可能具有不受限制的发展空间。

这就是产品杠杆的威力。

第三种杠杆,叫做资本杠杆。

什么是资本杠杆?

我举个例子。

咨询这件事情的能力内核,是“知识库+方法论”。

但是,常常有很多人质疑咨询业:

你们说得头头是道,那你为什么自己不干,只躲在后面给别人出主意,赚那其实并不多的咨询费呢?

一个叫做罗姆尼的人说,对啊,我们的建议那么值钱,收那么点钱,你们还说三道四。

于是,罗姆尼发明了一种复制放大咨询业能力核心的特殊方法论:贝恩模式。

首先,罗姆尼会关注并挑选一些,经营遇到问题的成熟型公司。

然后,他会派分析师团队,对这家公司进行好几个月的研究,看看还有救没救。

如果还有救,他会向这家公司提出收购邀约,收购的先决条件是,他要对这家公司拥有绝对控股权。

一旦收购成功,他会从内部派遣几十位咨询顾问,前往被收购公司,进行一切相关咨询服务。

最后公司价值大幅增加,罗姆尼出售公司获利。

一句话来总结这个“贝恩模式”,就是:都给我走开,这公司我买了,我亲自做给你们看,怎样才能做好一家公司。

因为贝恩模式,罗姆尼的贝恩资本,获得了“破产收割机”的外号。

在罗姆尼领导这家公司的14年间,该公司的年投资回报率为113%。

贝恩资本,是咨询业,或者说是咨询投资业的一个传奇。

它的本质,就是把“知识库+方法论”,这个咨询业的能力内核,通过资本杠杆的方式来复制放大,获得远超过咨询费的收益。

这就是资本杠杆的威力。

最后一种杠杆,叫做影响力杠杆。

影响力是一个非常有威力的杠杆。

你能接触到一些最有价值的产品吗?

你能找到一个最好的团队吗?

你能让别人真的相信你,并且给你投资吗?

这就叫做影响力。

可是怎么样才能获得更大的影响力呢?

你需要三种能力:演讲能力、写作能力、以及建立人脉的能力。

演讲和写作是两个大规模杀伤性武器,如果你想扩大自己的影响力,你就要持续训练。

那建立人脉的能力呢?

关于人脉,你需要记住一句话:人脉,不是那些能够帮到你的人,而是那些你能帮到的人。

杠杆能帮你获得巨大的成功,但是使用杠杆也是有前提的:

你必须先有强大的能力内核。

记住,所有的杠杆,不论是团队、产品、资本、还是影响力,它们的作用都是复制放大。

复制放大,不必然导致成功。

如果你的能力内核很强大,通过使用杠杆,你会更快地获得成功。

但是,如果你的能力内核很虚弱,杠杆,只会加速你的失败。

最后的话

人生,是一种商业模式。

想要获得成功,就看你能拥有多少能力,达到多高效率,以及使用哪些杠杆。

有的人,用它们换回了全世界。

而有的人,却一无所获。

我想,一无所获的人,也许就是因为没有带着杠杆,不去寻找支点,就想搬动全世界。

最可怕的能力是获得能力的能力。

最可怕的效率是伸缩时间的效率。

最可怕的杠杆是撬动人心的杠杆。

愿你拥有最可怕的能力,达到最可怕的效率,撬动最可怕的杠杆。

用它们,换回属于你的全世界。

 转自:https://mp.weixin.qq.com/s/hdjkrBKhAAJWbwVmb8Twww

navicat 连接不上服务器

navicat 连接不上服务器上的 postgresql 数据库,而pgadmin是可以的,奇怪吧

telnet 端口5432也是通的

网上查了一下,有人说是因为服务器关掉了ping导致的,

问了一下网管小哥,果然服务器的ping被关掉了

也许是因为navicat要先用ping测试一下服务器是否存在,如果没有反应就认为是unknown host

参考:https://blog.csdn.net/u011078141/article/details/88670096

一文详解 RNN 股票预测实战(Python代码)

循环神经网络(RNN)是基于序列数据(如语言、语音、时间序列)的递归性质而设计的,是一种反馈类型的神经网络,其结构包含环和自重复,因此被称为“循环”。它专门用于处理序列数据,如逐字生成文本或预测时间序列数据(例如股票价格)。

一文详解 RNN 股票预测实战(Python代码)

一、 RNN 网络类型

RNN以输入数m对应输出数n的不同,可以划分为5种基础结构类型:一文详解 RNN 股票预测实战(Python代码)

(1)one to one:其实和全连接神经网络并没有什么区别,这一类别算不上 RNN。

(2)one to many:输入不是序列,输出是序列。可用于按主题生成文章或音乐等。

(3)many to one:输入是序列,输出不是序列(为单个值)。常用于文本分类、回归预测。

(4)many to many:输入和输出都是不定长的序列。这也就是Encoder-Decoder结构,常用于机器翻译。

(5)many to many(m==n):输入和输出都是等长的序列数据。这是 RNN 中最经典的结构类型,常用于NLP的命名实体识别、序列预测。

二、RNN原理

关于RNN模型,我们还是从数据、模型、学习目标、优化算法这几个要素展开解析,使用过程需要重点关注的是其输入和输出的差异(本节以经典的m==n的RNN结构为例)。

2.1 数据层面

不像传统的机器学习模型假设输入是独立的,RNN的输入数据元素有顺序及相互依赖的,并按时间步逐一的串行输入模型的。上一步的输入对下一步的预测是有影响的(如文字预测的任务,以“猫吃鱼”这段序列文字,上一步的输入“猫”–x(0)会影响下一步的预测“吃”–x(1)的概率,也会继续影响下下步的预测“鱼”–x(2)的概率),我们通过RNN结构就可以将历史的(上下文)的信息反馈到下一步。

2.2 模型层面及前向传播

一文详解 RNN 股票预测实战(Python代码)

如上图,RNN模型(如左侧模型,实际上也只有这一个物理模型),按各个时间步展开后(如右侧模型),可以看作是按时间步(t)串联并共享(、、 )参数的多个全连接神经网络。展开后的立体图如下:一文详解 RNN 股票预测实战(Python代码)

RNN除了接受每一步的输入x(t),同时还会连接输入上一步的反馈信息——隐藏状态h(t-1),也就是当前时刻的隐藏状态 ℎ(t) 由当前时刻的输入 x(t)和上一时刻的隐藏状态h(t-1)共同决定。

另外的,RNN神经元在每个时间步上是共享权重参数矩阵的(不同于CNN是空间上的参数共享),时间维度上的参数共享可以充分利用数据之间的时域关联性,如果我们在每个时间点都有一个单独的参数,不但不能泛化到训练时没有见过序列长度,也不能在时间上共享不同序列长度和不同位置的统计强度。

如下各时间步的前向传播计算流程图,接下来我们会对计算流程逐步分解:一文详解 RNN 股票预测实战(Python代码)

上图展开了两个时间步t-1及t的计算过程;

t取值为0~m(序列的长度);

x(t)是t时间步的 输入向量;

U是 输入层到隐藏层的权重矩阵; 

h(t)是t时间步 隐藏层的输出状态向量,能表征历史输入(上下文)的反馈信息;

V是 隐藏层到输出层的权重矩阵;b是 偏置项;

o(t)是t时间步 输出层的输出向量;

2.2.1   t 时间步的输入过程

假设各时间步的状态h的维度为2,h初始值为[0,0],输入x和输出o维度为1。

将上一时刻的状态h(t-1),与当前时刻的输入x(t)拼接成一维向量作为全连接的隐藏层的输入,对应隐藏层的的输入维度为3 (如下图的输入部分)。一文详解 RNN 股票预测实战(Python代码)

2.2.2   t时间步输出h(t) 并反馈到下一步的过程

对应到计算流程图上,t-1时刻输出的状态h(t-1)为[0.537, 0.462],t时刻的输入为[2.0],拼接之后为[0.537, 0.462, 2.0]输入全连接的隐藏层,隐藏层的权重矩阵为[[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]],偏置项b1为[0.1, -0.1],经过隐藏层的矩阵运算为:h(t-1)拼接x(t) * 权重参数W 拼接 权重矩阵U + 偏置项(b1)再由tanh转换后输出为状态h(t)。接着h(t)与x(t+1)继续输入到下一步(t+1)的隐藏层。

# 隐藏层的矩阵运算的对应代码
np.tanh(np.dot(np.array([[0.5370.4622.0]]),np.array([[0.10.2], [0.30.4], [0.50.6]])) + np.array([0.1-0.1]))
# 输出h(t)为:array([[0.85972772, 0.88365397]])

2.2.3   t时间步h(t) 到输出o(t)的过程

隐藏层输出状态h(t)为[0.86, 0.884],输出层权重矩阵为[[1.0], [2.0]],偏置项b1为[0.1], h(t)经由输出层的矩阵运算为:h(t) * V +偏置项(b2)后,输出o(t)

# 输出层的矩阵运算的对应代码
np.dot(np.array([[0.859727720.88365397]]),np.array([[1.0], [2.0]])) + np.array([0.1])
# o(t) 输出: array([[2.72703566]])

上述过程从初始输入(t=0)遍历到序列结束(t=m),就是一个完整的前向传播过程,我们可以看出权重矩阵、、和偏置项在不同时刻都是同一组,这也说明RNN在不同时刻中是共享参数的。

可以将这RNN计算过程简要概述为两个公式:

状态h(t) = f( U * x(t) + W * h(t-1) + b1),  f为激活函数,上图隐藏层用的是tanh。隐藏层激活函数常用tanh、relu

输出o(t) = g( V * h(t) + b2),g为激活函数,上图输出层做回归预测,没有用非线性激活函数。当用于分类任务,输出层一般用softmax激活函数

2.3 学习目标

RNN模型将输入 x(t)序列映射到输出值 o(t)后, 同全连接神经网络一样,可以衡量每个 o(t) 与相应的训练目标 y 的误差(如交叉熵、均方误差)作为损失函数,以最小化损失函数L(U,W,V)作为学习目标(也可以称为优化策略)。一文详解 RNN 股票预测实战(Python代码)

2.4 优化算法

RNN的优化过程与全连接神经网络没有本质区别,通过误差反向传播,多次迭代梯度下降优化参数,得到合适的RNN模型参数 (此处忽略偏置项) 。

区别在于RNN是基于时间反向传播,所以RNN的反向传播有时也叫做BPTT(back-propagation through time),BPTT会对不同时间步的梯度求和,由于所有的参数在序列的各个位置是共享的,反向传播时我们更新的是相同的参数组。如下BPTT示意图及U,W,V求导(梯度)的过程。一文详解 RNN 股票预测实战(Python代码)

优化参数  相对简单,求参数  的偏导数,并对不同时间步的梯度求和:一文详解 RNN 股票预测实战(Python代码) 和  的偏导的求解由于需要涉及到历史数据,其偏导求起来相对复杂,假设只有三个时刻(t==3),那么在第三个时刻  对  的偏导数为:

一文详解 RNN 股票预测实战(Python代码)

相应的, 在第三个时刻对U的偏导数为:一文详解 RNN 股票预测实战(Python代码)

我们根据上面两个式子可以写出L在  时刻对  和  偏导数的通式一文详解 RNN 股票预测实战(Python代码)

  • RNN优化的难点

我们把激活函数(sigmoid、tanh)代入,分析上述通式的中间累乘的那部分:

一文详解 RNN 股票预测实战(Python代码)

sigmoid函数的导数范围是(0,0.25],tanh函数的导数范围是(0,1]。
累乘的过程中,如果取sigmoid函数作为激活函数的话,随着时间步越长,较小导数累乘就会导致该时间步梯度越来越小直到接近于0(历史时间步的信息距离当前时间步越长,反馈的梯度信号就会越弱),这也就是“梯度消失”。同理,也可能会导致“梯度爆炸”。

一文详解 RNN 股票预测实战(Python代码)

2.5 RNN的局限性

  • 上述展示的都是单向的 RNN,单向 RNN 有个缺点是在 t 时刻,无法使用 t+1 及之后时刻的序列信息,所以就有了双向循环神经网络(bidirectional RNN)。

  • 理论上RNN能够利用任意长序列的信息,但是实际中它能记忆的长度是有限的,经过一定的时间后将导致梯度爆炸或者梯度消失(如上节),即长期依赖(long-term dependencies)问题。一般的,使用传统RNN常需要对序列限定个最大长度、设定梯度截断以及引导信息流的正则化,或者使用门控RNN 如GRU、LSTM 以改善长期依赖问题(–后面专题讨论)。

三、 RNN预测股票

本项目通过创建单层隐藏层的RNN模型,输入前60个交易日(时间步)股票开盘价的时间序列数据,预测下一个(60+1)交易日的股票开盘价。一文详解 RNN 股票预测实战(Python代码)

导入股票数据,选取股票开盘价的时间序列数据

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

#(本公众号阅读原文访问数据集及源码)
dataset_train = pd.read_csv('./data/NSE-TATAGLOBAL.csv')
dataset_train = dataset_train.sort_values(by='Date').reset_index(drop=True)
training_set = dataset_train.iloc[:, 1:2].values
print(dataset_train.shape)
dataset_train.head()

对训练数据进行归一化,加速网络训练收敛。一文详解 RNN 股票预测实战(Python代码)

# 训练数据max-min归一化
from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler(feature_range = (01))
training_set_scaled = sc.fit_transform(training_set)

将数据整理为样本及标签:60 timesteps and 1 output

# 每条样本含60个时间步,对应下一时间步的标签值
X_train = []
y_train = []
for i in range(602035):
    X_train.append(training_set_scaled[i-60:i, 0])
    y_train.append(training_set_scaled[i, 0])
X_train, y_train = np.array(X_train), np.array(y_train)

print(X_train.shape)
print(y_train.shape)

# Reshaping
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
print(X_train.shape)

利用kera创建单隐藏层的RNN模型,并设定模型优化算法adam, 目标函数均方根MSE一文详解 RNN 股票预测实战(Python代码)

#  利用Keras创建RNN模型

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import SimpleRNN,LSTM
from keras.layers import Dropout


# 初始化顺序模型
regressor = Sequential()

# 定义输入层及带5个神经元的隐藏层
regressor.add(SimpleRNN(units = 5, input_shape = (X_train.shape[1], 1)))

# 定义线性的输出层
regressor.add(Dense(units = 1))

# 模型编译:定义优化算法adam, 目标函数均方根MSE
regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')

# 模型训练
history = regressor.fit(X_train, y_train, epochs = 100, batch_size = 100, validation_split=0.1)

regressor.summary()

展示模型拟合的情况:训练集、验证集均有较低的loss

一文详解 RNN 股票预测实战(Python代码)
plt.plot(history.history['loss'],c='blue')    # 蓝色线训练集损失
plt.plot(history.history['val_loss'],c='red'# 红色线验证集损失
plt.show()

评估模型:以新的时间段的股票交易系列数据作为测试集,评估模型测试集的表现。

# 测试数据
dataset_test = pd.read_csv('./data/tatatest.csv')
dataset_test = dataset_test.sort_values(by='Date').reset_index(drop=True)

real_stock_price = dataset_test.iloc[:, 1:2].values

dataset_total = pd.concat((dataset_train['Open'], dataset_test['Open']), axis = 0)
inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values
inputs = inputs.reshape(-1,1)
inputs = sc.transform(inputs)

# 提取测试集
X_test = []
for i in range(6076):
    X_test.append(inputs[i-60:i, 0])
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 模型预测
predicted_stock_price = regressor.predict(X_test)
# 逆归一化
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
# 模型评估
print('预测与实际差异MSE',sum(pow((predicted_stock_price - real_stock_price),2))/predicted_stock_price.shape[0])
print('预测与实际差异MAE',sum(abs(predicted_stock_price - real_stock_price))/predicted_stock_price.shape[0])

通过测试集评估,预测与实际差异MSE:53.03141531,预测与实际差异MAE :5.82196445。可视化预测值与实际值的差异情况,整体比较一致(注:本文仅从数据规律维度预测股价,仅供参考不构成任何投资建议,亏光了别找我一文详解 RNN 股票预测实战(Python代码))。一文详解 RNN 股票预测实战(Python代码)

# 预测与实际差异的可视化
plt.plot(real_stock_price, color = 'red', label = 'Real TATA Stock Price')
plt.plot(predicted_stock_price, color = 'blue', label = 'Predicted TAT Stock Price')
plt.title('TATA Stock Price Prediction')
plt.xlabel('samples')
plt.ylabel('TATA Stock Price')
plt.legend()
plt.show()

– EOF –

转自:https://mp.weixin.qq.com/s/7OdED-mwsBoypGBCvor8BA

灯光下的艰难:中国灯饰之都困局

两块钱的生意,卖一单亏七块。

作者:狄文强
编辑:张假假
来源:五环外(ID:wuhuanoutside)
 

全国70%的灯饰都来自这里。

台灯、家装灯、路灯、景观灯,只要有灯光的地方,就有一个地方的产品,这就是有着“中国灯饰之都”之称的广东中山市古镇。古镇位于中山、江门、佛山三市的交汇处,比邻港澳。其灯饰产业闻名海外,产品远销130多个国家和地区。

灯光下的艰难:中国灯饰之都困局

古镇地理位置

在经历30余年的发展后,形成了以古镇为中心,覆盖周边三市11镇区,年产值超千亿元的灯饰产业集群。

然而,古镇灯光照耀不到的地方淤积着大片黑暗。疫情袭来加剧了行业内卷,此前隐藏在诸多荣誉之下的问题开始暴露,小企业恶性竞争,打价格战、质量战的比比皆是。

如今的古镇渐显疲态,艰难度日是大多数如今古镇灯饰从业者真实的现状。

01
两块钱生意,做一单倒亏七块钱?

“你说,两块的生意是什么样的?”

“大概是倒亏三倍的那种。”

甄东是土生土长的本地人,家里在古镇也是做灯具生意的,有个不大不小的灯具厂,算是世代都在这行业里摸爬滚打。

作为行业老兵的甄东家族,也曾有过巅峰时刻。那会单子多得像漫天飞雪,全款的,带着现金上门的,只要你能提供现货,当场付款。厂里也是挑挑拣拣,量小的,价低的,没几个人愿意做。

甄东还记得,前几年签下第一个200万元大单当夜,拉着公司员工在KTV喝到凌晨4点多,一周兴奋得没睡好觉。

不过,那都是过去时了,今年的生意尤其难做,甄东给我算了一笔扎心账。

像筒灯这类走量的产品,成本组成很简单,包括外壳+光源+驱动+组装,如果外壳套件3寸以下的算5元一个,光源1W五毛,驱动1块钱,组装按五毛的人工费,那么一个5W筒灯大概成本要9元。

“但,网上价格你知道是多少么?”

“两块钱。不是说今年单子少,而是全是低价单,完全接不了。算算账,卖一单要亏七块钱。

灯光下的艰难:中国灯饰之都困局

线上的灯具价格

原先做国外的单子,甄东家的工厂还能赚不少钱,但现在外网价格也和国内一样,一米多的LED卧室灯降到只要几十块钱,算上材料、工艺、人工、运营的钱,基本都赚不了钱。

今年,因为成本问题,古镇半数工厂必不可免的遭到了冲击,甄氏家族的资金链也被绷紧。

现在甄东最头疼有两块,招工、销路。

灯光下的艰难:中国灯饰之都困局

灯具厂招工难

原先是公司挑员工,现在世道变了,换成员工挑老板。更何况,古镇背靠广州、深圳两个大城市,员工有非常多的选择机会,干的不开心立马走。

所以新时代的招工思路是,供着,哄着,顺便加钱留人。

然而甄东不想加钱。普工月薪在5000-8000元,包吃住,组装线主管是6000底薪+提成。销售的底薪也有3000多,行情不好时,这些都变成了不小的开支。

在他们厂,有几位十几年前跟着甄东父亲的老师傅,做的不开心、给钱不够,就敢当面骂,但他见面还得尊称一声叔、伯。因为这批人是现在工厂的顶梁柱,缺一个根,少一个都是大事。

就是这样一批人,这两年也在逐步退休。此时面临的是后继无人的局面。

如果说招工甄东还能发发牢骚,那么提到销路就只能叹气了,销路就是悬在古镇做灯人头上的一把达摩克里斯之剑,谁也躲不了,谁都挡不住。

灯光下的艰难:中国灯饰之都困局

古镇灯饰工厂对比

按他的话来讲,古镇做灯的要分层级。

高层次的,有稳定的国内外大客户,这其中厉害的给上市公司做代工厂,次点的也有稳定的经销商,旱涝保收、利润有保障。

剩余的也是绝大多数企业现状,这些作坊式企业利润又薄还找不到客户,房租、人工等压的很紧。前几年还能靠着外贸单,或者自来客户凑合过日子,现在一周都没一个客户,坚持一年多,资金链就全断了,几个大商业圈的门店都是成片成片的空。

灯光下的艰难:中国灯饰之都困局

中山古镇瑞丰灯配城

如何破局?甄东到现在也没想明白这个问题,大魄力地搞产业升级几百万,上千万的进口机械买上,是个好想法。可问题是,要是赌错了方向,几代人攒下的家业就断他手里了。

眼下看起来,甄东能做的就只有等。坚持下去,扛过这段艰难时期,等到同行寥寥无几,他家能赚不少。

02
降价、汇率、高成本,疫情时期的三响炮

甄东的经历,是古镇灯饰产业的一个缩影。此前,行业高速发展,这些问题还隐在阴影处。如今受疫情影响,古镇产业弊端全面暴露。从抖音上搜索古镇灯饰四个字,半数是惨淡、跳桥等。

灯光下的艰难:中国灯饰之都困局

抖音搜索灯饰的结果

但有意思的是,这两年理论上是行情很好的年份。

灯光下的艰难:中国灯饰之都困局

▲中国照明产品季度出口情况,图源,中国照明电器协会

古镇灯饰业2020年总产值140亿元,灯具、照明装置及类似品出口额115.79亿元,出口比重占产值80%以上。

可以说外贸是古镇灯饰的决定性因素。

而据中国照明业协会,2020年中国照明产品一季度在疫情影响下,生产和供应链遭受极大阻碍,但二季度、三季度海外疫情爆发,中国照明企业依靠生产和供给的优势,及时弥补了全球因疫情造成的供给缺口。出口额三连抬升生产,远超此前。

按理说,疫情带来了大批量的单子,古镇应该是赚得盆满钵满,现实为什么是这个情况?

问题在于同质化竞争。

甄东告诉我,灯具生产其实很简单,古镇灯饰的配套产业链很全,板材、电线、芯片等原材料都能在当地买到,只用再加工,一个成型的灯具产品就能做出来。然而,流程简单也就代表着缺少核心技术,产品同质化严重。

灯光下的艰难:中国灯饰之都困局

灯光下的艰难:中国灯饰之都困局

灯饰企业报价表

如上图所示,两家不同的企业吸顶灯报价,材质、颜色、瓦数等,差异化不大,唯一的区别是外观,图一企业专利号全为外观专利,无有核心技术方面的专利。

这就导致产品仿制简单。古镇的现状是,如果出现一个火热的品类,大量的企业蜂拥而至,直到利润下降,做烂这个品类为止。

灯光下的艰难:中国灯饰之都困局

灯饰厂同质化产品

而去年灯具外销增长的部分原因也是如此,同类产品降价抢市场。

灯光下的艰难:中国灯饰之都困局

LED替换类光源出口情况 图源:中国照明电器协会

以出口数量最大的LED为例,抢占市场的背后是大幅度降价销售的结果。去年出口量连续3季度上涨,单价就连续4个月倒挂,2020年8月至11月LED单价累计下跌达20%。

祸不单行,受疫情影响,全球经济形势不再稳固,从去年中旬开始至今,美元离岸人民币下跌约8%,汇率从7跌至6.4,这对于本就利润单薄的灯饰出口企业是毁灭性的。

然而,这还不算完,大宗商品及覆铜板、PCB、IC芯片、被动元件等原材料、元器件继续大幅涨价并伴随缺货,原材价格疯长。

降价、汇率、高成本,这是疫情时期的三响炮,导致国内灯具企业单薄的利润被进一步压缩,灯饰企业增收不增利。

因此,徒然有庞大的销售额,以外贸为主的古镇也难以盈利,仅少数规模化企业能够低成本运行,多数企业毫无利润可言。所以也是难得的出现倒挂景象,销量再大,古镇小工厂还是没客户。

受此影响,以灯饰企业为核心的古镇,GDP近两年持续低增长,中国千镇排名从2019年的第71位下滑至2021年的322位。

为何同质化企业如此之多?不采取有效措施制止?

这其实是个历史遗留问题。

据中山档案馆,80年代中期古镇海州有两位年轻人——袁达光和袁玉满,他们去中国香港探亲,彼时的中国香港繁华程度远超内陆,夜晚灯光照耀如同白昼,各类灯饰产品目不暇接。

年轻人总有一种探索精神,灯具仅需要一根电线、一根弯管、一个灯泡和灯座,他们想,何不自己做一盏?于是那一年,他们做出了古镇人自己的壁灯,随着时间的发展,壁灯的销量越来越好,不知不觉,形成了 “前店后厂”的独特格局,后来发展成为海洲第一家灯饰厂——裕华灯饰厂。

眼见裕华灯饰厂收益非常好,当地镇民纷纷效仿,以小作坊形式生产灯具。当地镇政府先以政府力量组织镇民在全国各地推销,随后,招商引资配套产业链,创造了良好的产业发展环境,随着行业高速发展,诸多隐患被压在阳光之下,未曾被察觉。

然而,奇迹是靠小公司堆起来的,古镇大量作坊式的企业,也随之传承下来。据中山年鉴,2020年底,古镇镇拥有灯饰及其配件工商企业2.8万家,全镇约20余万常住人口,平均7个人一家灯饰公司。

不管产业链配套多么齐全,30年间“前店后厂”格局始终没有改变。

技术壁垒、渠道壁垒、规模化运作,作坊式生产的企业,很难在上述方向建立护城河,缺少核心竞争力,处在低端制造位置,就只能打价格战。

如此背景下,古镇人如何破局而出?

03
打造龙头,日子就好过些

政府的规划是再次升级产业链。

当前,古镇计划立足“工业强镇、商贸强镇”,走“一专多能”之路,思路是将包括同益工业园、镇南工业园、灯都产业新城之内的逾万亩工业园区,再做高端一些,打造一个智能园区。通过补足高端产品的上下游产业链,来实现突围。

这样做的好处是,不管行业如何发展,只要补足技术高端产业链,照明产业就脱不开古镇,古镇还是那个“中国灯饰之都”。

然而,此举固然能稳住古镇产业中心地位,但中低端产业链还是非良性发展,缺少能从根上改变的诱因。小作坊还是缺少核心竞争力,跟风仿制,盯住一个方向就疯狂出货,直到做烂这个品类。

唯有结构升级,补齐中层企业,打造和培育一批有潜力、竞争力灯具细分行业龙头,吸收兼并小作坊式工厂,并以此降低底层企业数量,呈阶梯化发展,从而避免产业恶性竞争的情况再次出现。

不过,再难的日子也会有人尝到甜蜜时刻,再红海的市场都有新机会,恰逢行业低谷,企业兼并重组正逢其时。

甄东就认识一对夫妻,从定制化的角度切入需求,与家装设计公司签订灯饰外包合同。现在随着居民对定制化、特殊化产品要求越来越多,这对夫妻生意也越来越好了。

再难都要活下去,每个从业人都是这么想的,熬到最后,可能自己就是幸存的那一个。

转自:https://mp.weixin.qq.com/s/yCPhZ2ePhBcW4OCTRXBaXw

女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

国基金报   安曼

近日,一篇名为《卖了4套房,创业12年,如今负债1亿,无家可归》的文章在网上火了。

该文章作者王荣辉是一家托育连锁机构的创始人,2009年开始卖房创业,其品牌估值一度达5亿。但疫情引发停学、退费等导致其资金困难,如今负债1亿。

截至发稿,该话题不仅一度登上微博热搜,至今的阅读量已经达到2.4亿。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

随后,有前合伙人发文发文,直指王荣辉并没有她自己说的那么努力、单纯,曾用各种手段排挤、踢走包括她在内的一同创业的合伙人。

也有不少网友感慨创业不易,鼓励她东山再起。

到底发生了什么?基金君带大家一起来看一看……

男默女泪的10万+爆文

3月17日晚,一个平时的阅读量都在1万或2万左右的育儿公众号,发了一篇名为《卖了4套房,创业12年,如今负债1亿,无家可归》的文章。

经过一个晚上的发酵,3月18日早上,基金君看到的时候已经是10万+了。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

据作者自述,作者王荣辉是一家知名托育直营连锁品牌的创始人,曾经的她开了几十家保育园,公司估值达5个多亿,前来合作的风投络绎不绝;还被各大卫视邀请担任育儿节目嘉宾,被权威机构聘为特邀专家全国巡讲;甚至还参与了高职教材撰写,与高校共建托育专业进行职业培训,站在了世界儿科儿保大会上做专业演讲,现场一片掌声。

但因为一场疫情,她旗下的几十家直营的保育园陷入停业,员工支出、停课退费、物业租金等等超过7000万,为了应对,她把全家的积蓄拿出来,并且个人担保找银行贷款1000多万,再加上亲戚朋友的帮助,以私人名义,集资了上千万现金来保障公司运转。

但最后的结果是,园区被锁门、停水停电。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

有二房东为了霸占政府的拆迁商户安置补偿,直接把园区铲平。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

工资不能及时发放,员工老师分崩离析,罢工的罢工,离职的离职,投诉的投诉;被投资机构起诉、仲裁,股权被冻结,微信零钱被锁定。家长也开始唾骂、侮辱、诅咒,上门敲锣、拉横幅围堵,上门胁迫退款……

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

但在这个过程中,也有很多人给予理解和帮助,有的园区业主动降租,有的员工几个月没准时发放工资还坚持到岗,有的家长在负面舆论中依旧选择信任,照常送孩子入园,餐饮供应商也尽可能地宽容支付期限,有投资方的人想尽办法帮忙盘活,鼓励一定要坚持下去……

文章的最后,作者表示:我不会跑路,不会躲避。只要我活着,我就会承担起一切我该承担的责任,努力偿还一切我该偿还的债务。只要我活着。

在这篇文章的下方不少网友分享了疫情以来,创业的不易与艰辛。

有网友表示,疫情初期,她挺着大肚子从非洲回来待产,孩子他爸坚守着非洲的小本生意。是的,上有四老,下有两小,这是我们唯一的经济来源。只要有一丝丝可能,都没办法放手。当年6月生下二宝,再过几个月二宝就要过两周岁生日了。可是,她爸爸却还沒有抱过她。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

还有网友表示,疫情的三年,老公的公司运转不了,拖欠工资,借了朋友的钱,甚至连高利贷都借上了,本以为今年好了,可是青岛的疫情形势更加严峻了,一关一关的太难了!

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

两年融资上亿元

园区数量翻了十倍

据此前资料介绍,纽诺教育创立于2009年,面向珠三角地区的新中产家庭,提供针对1-3岁婴幼儿的看护服务和早期教育,早教课程包含运动、音乐、语言、数理逻辑等八个系列的课程,一整套服务的打包客单价在4500-6500/月,一般按季度收费。

根据天眼查显示,2017年3月到2019年4月期间,纽诺教育一共获得了4轮融资,融资额至少上亿元。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

2017年3月,纽诺教育获得广东文投创工场、毅聪资本上千万元的 Pre-A轮融资。拿到投资之后,王荣辉随即启动规模化扩张,通过开设直营店的方式,从广州拓展到深圳、佛山两地,由最初的3个园,发展到30个园。

2018年4月,纽诺教育完成A轮6500万元的融资,由安赐资本、广州创玺领投,广东文化产业投资基金跟投。2018年全年,纽诺在校生3000人,总营收近亿元。

2020年4月,纽诺教育发布了C轮融资信息,并表示在2020年还要开设30家新园区。不过, 该轮融资在没有了下文。

纽诺教育的官网上,在正式倒闭之前,纽诺教育有33家园区。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

前合伙人发文回应

在3月18日下午,疑似王荣辉前合伙人发文,直指王荣辉并没有她自己说的那么努力、单纯,曾用各种手段排挤、踢走包括她在内的一同创业的合伙人。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

该合伙人表示,2016年王荣辉早教中心发展困难时找他寻求帮助,随后一起孵化项目,定发展方向、拉投资,还把自己的人脉关系全都介绍给了王荣辉。

可是没想到,在拿到两家机构的第一笔天使投资后,王荣辉立刻变了,承诺的股份、合作条件等都以各种理由不兑现,还将者这位合伙人从项目中踢了出去。

文章中还提到了其他几位曾被王荣辉用手段排挤出局的合伙人。

据天眼查显示,王荣辉确实和“付X及徐SM”存在股权转让纠纷。

博文显示,“杜RR”在她借钱投入多年且低薪之后被王荣辉用同样的手段和方法扫地出门,双方后来走上司法诉讼。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

据天眼查资料显示,杜荣荣曾于2018年7月向广州市天河区人民法院主张将广州纽诺家投资合伙企业(有限合伙)持有的广州纽诺教育科技有限公司30万元股权过户至杜荣荣名下。据天眼查显示,杜荣荣也是广州纽诺家投资合伙企业股东,持股比例为10%。

另一位前合伙人徐SM,王荣辉从来不给她看财务报表,也没有分红,还篡改数据,双方最终走上法庭。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

 

据天眼查资料及诉讼的法律文书显示,徐诗敏的遭遇基本与博文描述的一致。

家长看法:明知要闭园、还怂恿家长续费

与微信文章下面的感恩、支持、同情不一样的是,在王荣辉的微博评论区,排名靠前的留言基本都是家长讨债的。

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

还有几位家长表示,纽诺2月份还在装修、大力招生,不少家长才交了2万多的学费,现在却突然说公司不行了,认为这就是诈骗。

上述家长表示某个园区30多个小朋友无处可去,涉及金额50万以上。

还有家长透露,纽诺甚至在3月初及前几天让缴费,现在突然闭园了。据悉有的家长交了4个月,有的交了6个月,有人是透支了信用卡交的费。突然闭园,根本没有给“双职工”家庭留出时间解决小孩托管的问题。

作者最新动态:

直播带货、赚钱退费

3月18日下午,作者再次发文表示,“没想到,我却收到了无数的鼓励和安慰。让我在至暗时刻,感受到人世间最大的温暖和善意。”

随后在文末表示,18日晚上8点将在直播间跟大家谈谈“孩子的财商教育”。

 

在直播间里,王荣辉的背景,是一个个奖杯的上方贴了一张“赚钱退费”的纸条,直播间里提供有多种课程,收费从50到399元不等。

 

冲上热搜!女子“卖4套房创业12年,如今负债1亿,无家可归”!却遭前合伙人发文质疑,最新回应:直播、赚钱退费!

图为王荣辉18日晚直播截图及其所带货的课程

这让基金君想起了靠直播带货,在两年时间里还了4个亿的罗永浩。据说他已经打算退出直播界了,但是他上演的“真还传”却激励了不少创业者投身于“直播带货”的红利浪潮中。

最后,祝愿每一个创业者能扛过冬天,也希望王老师能早日通过直播带货把1个亿还清!

转自:https://mp.weixin.qq.com/s/lC8UVvaYHqIQBjEGrjv9CA