`
friend365
  • 浏览: 54522 次
  • 性别: Icon_minigender_2
  • 来自: 上海
最近访客 更多访客>>
社区版块
存档分类
最新评论

大学生求职七大昏招-故事三

阅读更多
1.3      故事三:肆无忌惮的夸大实力
最近,新潮公司准备对网站进行改版、增加新的内容,这需要一个内容编辑。职位刊登后不久,艾安雅因为工作经历很快被注意到。

(简历概要)

姓名:艾安雅 性别:女 出生日期:1983 毕业院校:江方学院 专业:旅游管理

工作经验

2005/08–至今北京丁一本商旅发展有限公司先后任网站编辑、网站运营总监

1.      网站的内容规划、栏目策划;

2.      网站内容的撰稿、编辑;

3.      “商旅在线”网站的总体发展规划;

4.      负责公司网站、论坛的线上推广工作

5.      负责线上渠道开拓、管理和维护,开展公司与相关网络及平面媒体的合作。

6.      制定宣传策略,带领团队提高网站访问量

7.      统筹制定网站的建设、运营方案,明晰定位、目标、发展战略

8.      根据公司业务发展目标,统筹制定网站运营整体规划并监控实施

第二天下午2点,艾安雅如约来到新潮公司面试。

高方玄:“您好像是今年的应届毕业,怎么会04年就开始工作了呢?”

艾安雅:“是在一家朋友的公司工作。开始做网络编辑,后来由于我做的比较好就转到网站运营了。”

高方玄:“公司网站是?”

“不记得了。”艾安雅说得很轻描淡写。

高方玄又轻轻皱起了眉头。“够少见的。”高方玄心想,“一个先做网站编辑后来又做同一家网站运营的人,会不记得这个网站的网址?!难道是太紧张了?”

为了稍微缓和一下气氛,高方玄说:“那就请告诉我一个关键词,我到网上搜索一下就可以了。丁一本商旅发展有限公司?您简历里写的是这家。”

“这公司倒了。”艾安雅显得有些着急,经过精心修饰后明亮动人的眼睛显得那么闪烁。她的眼睛刚看到高方玄就又转到了别处。

高方玄立刻觉得周遭的气氛很怪异。“行,只要有过网站都会有些痕迹,查丁一本可以吗?”高方玄继续发问。

“这公司网站没上过线。还没上线公司就倒了。”艾安雅边说边用手拢了拢脸侧的头发。

高方玄:“那您如何做的网站运营呢?”

沉默。

高方玄:“嗯,那算了。介绍一下您的工作内容吧。”

艾安雅:“主要是编辑一些投过来的稿件,放到网上。”

高方玄:“网站都没上线,怎么放呢?”

艾安雅:“是准备放在网站上。我有点乱,记不得了。”

高方玄:“那您的具体工作到底是什么?”高方玄真的有点不耐烦了。

艾安雅:“记不得了,我家里最近发生了很多事,我很多事都记不得了。”艾安雅的目光已经明显的开始游离。面对提出问题节奏越来越快的高方玄,她似乎有点力不从心,回答起问题来有点语无伦次。

根据艾安雅的说法,她以前的工作经历都没法考查了。如果不能考察,又怎么去判断艾安雅本人是否适合这个公司呢?对这个应聘者的所有情况都无法考查,怎么知道应聘者是否适合这个公司呢?

高方玄:“您后来做到运营总监是因为?”

艾安雅:“当时网站需要,名片上印的是运营专员,干的是总监的事。”

高方玄心想这个艾安雅严重夸大了职位,要是按照她的逻辑,那以后自己也可以说自己是人力资源副总裁。

高方玄:我看你简历上写的在这家公司工作至今?”

艾安雅:“去年5月份就离职了。我要答辩,所以不干了。”

看来又严重地延长了工作时间。

高方玄礼貌地问了几个问题把整个面试进行完毕。因为他实在不知道自己还能根据简历再问什么问题,也不期待听到任何他愿意相信的答案……

高方玄把艾安雅送出会议室时,艾安雅好像想起了什么,从包里拿出一张A4纸转身交给高方玄。

“这是我对公司网站的一点建议,请收下。”

“好的,谢谢!我一定仔细看,然后转交公司相关部门。”

回到电脑前,高方玄认真仔细地看了一下艾安雅提供的资料——主要是针对网站建设的一些想法,写的比较泛泛,好像是网上抄的。惟有最后一句记得很清楚。“我对贵公司非常欣赏和认可。”

1.3.1            技巧——如何适当的描述自己的实力
如果说孙秀秀粉饰自己的简历空白点显得“笨”,李子平自作聪明暴露缺点显得“愚昧”,那么这个艾安雅就应该是“浑不吝”的典型了。用大家都明白的话来说,就是肆无忌惮毫无节制的夸大自己的实力。

面试时不能说出任何实质性的工作内容、夸大职位、工作时间作假、前言不搭后语,这样来面试的人要么是毫无面试经验,以为虚夸的简历就可以唬住招聘经理,要么就是在脑袋发热的情况下写的简历之后又想抓住这个天上掉下来的馅饼。

在求职写简历或者面试的过程中,不是不允许丝毫的夸张。比如说,你曾经负责公司华北五省的销售工作,虽然公司没有明确的任命,但你也可以介绍自己曾“负责华北地区销售管理工作”,只要你的实际工作和能力与事实相符。如果你只负责过河北地区,就说自己负责过“华北”地区,那就属于非常过分的夸张了。

世界非常小,任何的谎言都很容易在一个偶然的机会被戳穿。因此,对自己实力的描述,不仅要和能够查询到的资料相符合,更要和自己将来需要负责的工作项符合。否则,即使你得到了这份工作,又如何有效继续下去呢?

另外,想在面试结束后利用自己从网上收集来的一些资料证明自己的实力,从而赢得面试官的青睐,得到工作机会的可能应该是非常小的。如果面试之前以邮件形式提交对网站建议可以为候选人加分以争取面试机会,那么面试中表现很差之后再提交相关的建议或者文字只能导致自己直接被干掉——真有好建议、好想法为什么面试时说不出呢?

分享到:
评论

相关推荐

    大学生 求职七大昏招

    大学生求职七大昏招 大学生求职七大昏招 大学生求职七大昏招

    Java毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zip

    Java毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zip本资源中的源码都是经过本地编译过可运行的,评审分达到95分以上。资源项目的难度比较适中,内容都是经过助教老师审定过的能够满足学习、使用需求,如果有需要的话可以放心下载使用。 Java毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zip

    Music-app-master.zip

    Music-app-master

    基于springboot的权限管理系统.zip

    基于springboot的java毕业&课程设计

    外东洪路中段.m4a

    外东洪路中段.m4a

    基于matlab+Simulink模拟的微电网系统包括包括电源、电力电子设备等+源码+开发文档(毕业设计&课程设计&项目开发)

    基于matlab+Simulink模拟的微电网系统包括包括电源、电力电子设备等+源码+开发文档,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用~ 项目简介: 这是一个完整的微电网模型,包括电源、电力电子设备、使用MatLab和Simulink的负载和电源模型。该模型基于费萨尔·穆罕默德的硕士论文《微网格建模与仿真》。 什么是微电网 模拟的微电网使用一组电源和负载在与任何集中式电网(宏电网)断开连接的情况下工作,并自主运行,为其局部区域提供电力。该仿真对微电网在稳态下进行建模,以分析其对输入变化的瞬态响应。 此模拟的目的 对系统进行全年模拟,测量负载、产量、电压和频率。 给出简化规划和资源评估阶段的方法。

    MySQL8.4.0 LTS(mysql-server-8.4.0-1debian12-amd64.deb-bundle)

    MySQL8.4.0 LTS(mysql-server_8.4.0-1debian12_amd64.deb-bundle.tar)适用于Debian 12 Linux (x86, 64-bit)

    改进混沌游戏优化(ICgo)matlab代码.zip

    1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    基于SpringBoot,SpringCloud的微服务大型在线学习平台实现.zip

    基于springboot的java毕业&课程设计

    圣经投屏软件(5种语言版本)

    圣经投屏软件(5种语言版本)

    基于SpringBoot,Spring Security实现的前后端分离权限管理简易系统.zip

    基于springboot的java毕业&课程设计

    jSP在线教学质量评价系统的设计与实现(源代码)

    在线教学质量评价系统可以方便和全面地收集教师教学工作的数据,提供师生网上评教的评分结果,快速集中收集各方面的评教信息,使教务管理部门能够及时了解教学动态和师资情况,为教务老师提供相关决策支持,为职称评聘提供教学工作质量的科学依据,同时减轻了教务老师的工作量。

    测障测角小车程序+仿真电路DSN文件+设计报告doc.zip

    包含作品的设计论文doc文档+测障测角小车程序+仿真电路DSN文件,可直接修改,适合于电赛备赛、课程设计、毕设参考等。 设计制作了一款具有智能判断功能的小车,功能强大。小车具有以下几个功能:自动避障功能;寻迹功能(按路面的黑色轨道行驶);趋光功能(寻找前方的点光源并行驶到位);检测路面所放置的铁片的个数的功能;计算并显示所走的路程和行走的时间,并可发声发光。作品可以作为大学生学习嵌入式控制的强有力的应用实例。     作品以两电动机为主驱动,通过各类传感器件来采集各类信息,送入主控单元AT89S52单片机,处理数据后完成相应动作,以达到自身控制。电机驱动电路采用高电压,高电流,四通道驱动集成芯片L293D。其中避障采用红外线收发来完成;铁片检测部分采用电感式接近开关LJ18A3-8-Z/BX检测;黑带检测采用红外线接收二极管完成;趋光部分通过3路光敏二极管对光源信号的采集,再经过ADC0809转化为数字信号送单片机处理判别方向。由控制单元处理数据后完成相应动作,实现了无人控制即可完成一系列动作,相当于简易机器人。 关键字:智能控制   蔽障  红外线收发  寻迹行驶  趋光行驶

    基于Python卷积神经网络人脸识别驾驶员疲劳检测与预警系统设计

    1412基于Python卷积神经网络人脸识别驾驶员疲劳检测与预警系统设计毕业源码案例设计 卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。

    基于Vue + SpringBoot实现的前后端分离的仿小米商城项目.zip

    基于springboot的java毕业&课程设计

    QKD 协议密钥率的数值评估matlab代码.zip

    1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    基于springboot校园社团管理.zip

    基于springboot的java毕业&课程设计

    基于卷积神经网络的城市感知评估.zip

    卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Po

    课设毕设基于SpringBoot+Vue的医院急诊系统 LW+PPT+源码可运行.zip

    课设毕设基于SpringBoot+Vue的医院急诊系统 LW+PPT+源码可运行.zip

    无人驾驶实战-无人驾驶高精地图

    无人驾驶高精地图,学习无人驾驶高精地图

Global site tag (gtag.js) - Google Analytics