管理实践-教练技术的应用

文章目录

  • 简介
  • 课程学习的工具总结
    • 深度倾听3R原则
        • 倾听地图:
    • 开放式提问
    • 层次提问和SMART提问框架
    • BIA积极性反馈
    • GROW模型

简介

最近在参加管理培训课程,学习《教练式指导》一课,现将内容总结分享一下。

课程学习的工具总结

深度倾听3R原则

工具使用场景:
适用于倾听他人谈话时,如何深入倾听对方诉求,理解对方的情绪、情感和需求。

注意点:
深度倾听注意的3R原则使用注意要点
1.Rreceive(接收):放下自己的想法和判断,一心一意的聆听别人,并观察对方表现出的信息。
2.Respond(反应):使用肢体和语言向对方传递你投入的聆听状态。3.Rephrase(确认):向对方表示你已经接收到对方的信息,并予以确认,产生共鸣。

倾听地图:

工具使用场景:
适用于倾听他人谈话时,通过倾听他人的谈话,我们需要了解对方说的哪些是事实、观点、情绪、和诉求。
注意点:
在倾听别人谈话时候需要带着倾听地图去了解以下几点:
1.事实:事实具体化。
2.观点:观点挖依据。
3.情绪:情绪先解决。
4.需求:需求要确认。

开放式提问

工具使用场景:
适用于交谈时,如果需要了解更多细节或者需要被指导者深入思考时开放式提问是个很好的工具。

注意点:
开放式提问分为以下四种类型需要注意要点:
1.如何型:提问时尽量含有“如何”、“怎样”等词汇可以用来替代“为什么”。
2.未来导向型:含“目标”、“未来”等提问,用来帮助对方思考未来期望。
3.目标导向型:含目标提前的提问,注重提问内容所基于的前提,帮助对方明确思考方向的提问。
4.破框型:当对方有思维定势时,利用提问打破思维定势进行提问。

层次提问和SMART提问框架

工具使用场景:
如何想从表面问题到深入问题,层次提问是个很好的工具,他能从表面信息和数据去了解详细信息、细节原因和动机经验和方案。

注意点:
层次提问工具,注意是从引导型开放式到深入型开放式,引导型注意问Who、Where、When等提问,在徐徐渐进问深入型开放式What、Why、How match、How、Felling、Point、Dmand等提问。并且结合SMART框架,注意目标是明确的、可量化的、可达到的、相关性的、有期限的。

BIA积极性反馈

工具使用场景:
用于激励下属对其工作给予认可和感谢

注意点:
积极性反馈需要体现出对方的工作表现、成果以及感谢,需要注意以下3点。
1.Behaviour(行为):在项目中所做的实际行动,如 态度认真,表现积极。
2.Impact(影响):体现在工作中影响,如帮助我们提前完成项目开发等。
3.Appreciation(感谢):表达感谢。

GROW模型

工具使用场景:
GROW是辅导的一个程序,你要向员工陈述你的谈话目的,不要让员工觉得云里雾里,其主旨在理清现状,减少其他事情干扰;目标是使得员工认识自己能做什么后者怎么去做。

注意点:
GROW的意思是成长,帮助员工成长,GROW包含四个含义,使用时候需要注意以下四点:

1.Goal(目标):确认员工业绩目标,需要注意目标是单一的、清晰明确的、可达成、可视化、被认可的。
2.Reality(现状):搞清楚目前的现状、客观事实是什么,需要注意深度倾听、关注情绪、筛选现状问题关键、不提解决方案。3.Options(探索方案):寻找解决方案,需要注意方案有逻辑层次、方案和目标强相关、方案是可实施的、确认先要行动的步骤。
4.Will(强化意愿):总结成果、积极肯定、引导承诺、设置激励。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/508786.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

spark整合MySQL

spark整合MySQL <dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>5.1.38</version></dependency>import java.sql.{Connection, DriverManager, PreparedStatement} import org…

DataFrame不同风格比较

DataFrame不同风格比较 一&#xff0c;DSL风格语法 //加载数据 val rdd1sc.textFile("/person.txt").map(x>x.split(" ")) //定义一个样例类 case class Person(id:String,name:String,age:Int) //把rdd与样例类进行关联 val personRDDrdd1.map(x>…

sparkSQL操作hiveSQL

sparkSQL操作hiveSQL <dependency><groupId>org.apache.spark</groupId><artifactId>spark-hive_2.11</artifactId><version>2.3.3</version></dependency>import org.apache.spark.sql.SparkSession//todo:利用sparksql操作h…

sparksql加载mysql表中的数据

sparksql加载mysql表中的数据 <dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>5.1.38</version> </dependency>import java.util.Propertiesimport org.apache.spark.SparkCon…

sparksql保存数据常见操作

sparksql保存数据操作 import org.apache.spark.SparkConf import org.apache.spark.sql.{DataFrame, SparkSession}//todo:sparksql可以把结果数据保存到不同的外部存储介质中 object SaveResult {def main(args: Array[String]): Unit {//1、创建SparkConf对象val sparkCon…

sparksql自定义函数

sparksql中自定义函数 import org.apache.spark.sql.api.java.UDF1 import org.apache.spark.sql.types.StringType import org.apache.spark.sql.{DataFrame, SparkSession}//TODO:自定义sparksql的UDF函数 一对一的关系 object SparkSQLFunction {def main(args: Array[S…

sparksql整合hive

sparksql整合hive 步骤 1、需要把hive安装目录下的配置文件hive-site.xml拷贝到每一个spark安装目录下对应的conf文件夹中2、需要一个连接mysql驱动的jar包拷贝到spark安装目录下对应的jars文件夹中3、可以使用spark-sql脚本 后期执行sql相关的任务 启动脚本 spark-sql \ --…

hive的一些常见内置函数

hive行转列 selectt1.base,concat_ws(|, collect_set(t1.name)) namefrom(selectname,concat(constellation, "," , blood_type) basefromperson_info) t1group byt1.base;hive列转行 select movie, category_name from movie_info lateral view explode(category)…

hive的一些调优参数

hive的一些调优参数 set hive.exec.dynamic.partition.modenonstrict; 使用动态分区 set hive.exec.max.dynamic.partitions100000;自动分区数最大值 set hive.exec.max.dynamic.partitions.pernode100000; set hive.hadoop.supports.splittable.combineinputformattrue;支持切…

hive的SerDe序列化

hive使用Serde进行行对象的序列与反序列化。最后实现把文件内容映射到 hive 表中的字段数据类型。 HDFS files –> InputFileFormat –> <key, value> –> Deserializer –> Row objectRow object –> Serializer –> <key, value> –> Outp…

窗口函数和hive优化简记

窗口函数&#xff1a; &#xff08;1&#xff09; OVER()&#xff1a;指定分析函数工作的数据窗口大小&#xff0c;这个数据窗口大小可能会随着行的变而变化。常用partition by 分区order by排序。 &#xff08;2&#xff09;CURRENT ROW&#xff1a;当前行 &#xff08;3&…

Kafka一些参数配置

Producer消息发送 producer.send(msg); // 用类似这样的方式去发送消息&#xff0c;就会把消息给你均匀的分布到各个分区上去 producer.send(key, msg); // 订单id&#xff0c;或者是用户id&#xff0c;他会根据这个key的hash值去分发到某个分区上去&#xff0c;他可以保证相同…

hive避免MR的情况

什么情况下Hive可以避免进行MapReduce hive 为了执行效率考虑&#xff0c;简单的查询&#xff0c;就是只是select&#xff0c;不带count,sum,group by这样的&#xff0c;都不走map/reduce&#xff0c;直接读取hdfs目录中的文件进行filter过滤。 sql select * from employee; …

flink常见算子的一些操作

常见Transformation操作 map和filter /*** 数据源&#xff1a;1 2 3 4 5.....源源不断过来* 通过map打印一下接受到数据* 通过filter过滤一下数据&#xff0c;我们只需要偶数*/ public class MapDemo {public static void main(String[] args) throws Exception {StreamExecut…

flink的watermark参考配置

需求描述&#xff1a;每隔5秒&#xff0c;计算最近10秒单词出现的次数。 TimeWindow实现 /*** 每隔5秒计算最近10秒单词出现的次数*/ public class TimeWindowWordCount {public static void main(String[] args) throws Exception{StreamExecutionEnvironment env StreamExe…

hbase常见处理方式

相关依赖 <dependencies><dependency><groupId>org.apache.hbase</groupId><artifactId>hbase-client</artifactId><version>1.2.1</version></dependency><dependency><groupId>org.apache.hbase</gro…

flink连接kafka整合hbase,scala

解析kafka当中的json格式的数据&#xff0c;入hbase import java.util.Propertiesimport com.alibaba.fastjson.{JSON, JSONObject} import org.apache.flink.api.common.serialization.SimpleStringSchema import org.apache.flink.contrib.streaming.state.RocksDBStateBack…

sparkStreaming连接kafka整合hbase和redis

sparkStreaming消费kafka数据&#xff0c;并将数据保存到redis和hbase当中去&#xff0c;实现实时 import org.apache.hadoop.hbase.client.{Admin, Connection} import org.apache.hadoop.hbase.{HColumnDescriptor, HTableDescriptor, TableName} import org.apache.kafka.c…

sparksql一些指标

统计指标 select substr(tb.begin_address_code , 1 ,4) as begin_address_code , count(distinct vehicle_license) as dayVehicleCount from (select begin_address_code , vehicle_license from order where date_format(create_time , yyyy-MM-dd) 2020-02-15 ) tb grou…

sparkConf常见参数设置

def getSparkConf():SparkConf {val sparkConf: SparkConf new SparkConf().set("spark.driver.cores","4") //设置driver的CPU核数.set("spark.driver.maxResultSize","2g") //设置driver端结果存放的最大容量&#xff0c;这里设置…