关于性别歧视(大多是女性处于劣势),不仅仅是男性的原因,长久的社会因素下,女性也会不自主地把自己“低人一等”。
比如,日常生活中还是可以看到女性择偶时会考虑选择比自己收入高的男性来作为婚姻伴侣。
当然,女性没必要为了婚姻而降低自己的生活品质,但要求对方比自己收入高而不是不在意对方收入,这应该是性别歧视的潜意识表现。
关于性别歧视(大多是女性处于劣势),不仅仅是男性的原因,长久的社会因素下,女性也会不自主地把自己“低人一等”。
比如,日常生活中还是可以看到女性择偶时会考虑选择比自己收入高的男性来作为婚姻伴侣。
当然,女性没必要为了婚姻而降低自己的生活品质,但要求对方比自己收入高而不是不在意对方收入,这应该是性别歧视的潜意识表现。
添加注释的一般原则是,在需要让代码变得更清晰时添加注释:
事件处理的实践规则:
规则 1 把应用逻辑和时间处理代码中拆分开来,这样应用逻辑可被不同事件或非事件重用,测试时也能直接触发而不必通过模拟事件来触发。
规则 2 是指事件处理器中处理 event 对象,然后把需要的数据传给应用逻辑,而不是把 event 对象传送下去,应用逻辑依赖具体的数据而不是事件对象。
事件处理程序应当在进入应用逻辑之前针对 event 对象执行任何必要的操作,包括组织默认事件和阻止事件冒泡,都应当直接包含在事件处理程序中。
如果所有的失败(错误)都是悄无声息的,首要的问题是那必将消耗你大量的时间才能发现它,更不要说单独隔离并修复它了。
我们的目的不是防止错误,而是在错误发生时能更加容易地调试。(阅注:在处理接口数据时,有的时候需要编写防御性代码来让业务继续工作而不是直接跑错误终止逻辑。)
《数据之美:一本书学会可视化设计(Data Points: Visualization That Means Something)》
由于数据代表了一定的人物、地点和事物,所以除了真实的数字之外,还有重要的背景信息。数据是关于谁的?它从哪里来以及是什么时候收集的?虽然是计算机生成并输出数据,但我们也需要对这些由人处理的部分负责。
花一些时间去了解数据以及它们所代表的东西,能加倍提升可视化的效果。
无论哪一种可视化类型都有其规则可循。这些规则并不取决于设计或统计数字,而受人类感知的支配。它们确保读者能准确解读编码数据。
规则是应该时时遵循的,而建议则要具体分析,视情况而决定是否采纳。
谁知道明天和意外,哪一个先来。
前些时候,上年双十一京东买的一款耳机出了点问题,一边声音有点小,使用起来非常难受,于是申请了售后。印象中是在提交了当天还是第二天后,来电说除了可以按照标准的三包政策外,考虑到我在京东的消费也算有一点,信用也不错,所以可以由京东在收到退货后直接换新的而不用等待返厂检测维修后再寄回来。
这个服务,有点超出我的预期,或许也我和几乎不申请售后有关,所以对售后服务积累的样本不多,没法判断这是中位数还是 top 之类。
但,如果作为服务提供商,在消费者是信用比较良好的消费者的大概率的情况下,这样的服务态度是会为自己加分的。
在网商这个场景下,京东这个偏自营的模式更容易做到这种服务方式,淘宝这种平台模式的看起来会比较难,因为商家是否支持方式要看商家服务规则,要看商家对消费者的信用的了解和信任,还要看商家对其运营的放权以及防腐的能力。
除了狭义的服务业,任何工作理论上都是向别人提供服务,除了按照服务规章来提供专业服务,我们也应该用一种比较友好的更能吸引新用户和提高留存率的态度来提供服务,或者叫换位思考。
当年的广告用语依然可用于激励自己:
今时今日,噉嘅服务态度系唔够嘎
就偷懒了两天,结果重了快 2 斤,心碎
连五分钟的慢跑都扛不下了,中学年代能跑三千米的我连幻影都看不到了,我这个渣渣!