Izzivi motiviranja in nagrajevanja v izbranem majhnem podjetju
Notice bibliographique
Résumé
UVODDanes viri konkurenčne prednosti niso več samo kapital in nova tehnologija, temveč tudi motivirani zaposleni (Čertalič, 2009).Uspešna podjetja danes opisujemo kot tista podjetja, ki se zavedajo, da so za konkurenčno prednost ključni tudi zaposleni, le-te pa je potrebno motivirati in nagrajevati, saj samo takšni zaposleni izpolnjujejo svoje delovne naloge pošteno in vestno ter s tem pripomorejo podjetju (Bijek, 2019).Zaposleni v podjetju so bistvenega pomena za uspeh in rast podjetja.Tekom poslovanja se prav vsa podjetja srečujejo s številnimi izzivi.Nekatera se izzivom zoperstavijo uspešnejše kot druga.Izzivi se nanašajo na številna področja, tako konkurence, kakovosti dela in produktov, odnosa do okolja kot tudi tehnologije in trženja.Vsem tem izzivom je skupno to, da jih tako ustvarjajo kot tudi rešujejo ljudje.Največji izziv za podjetja je najprej, kako pridobiti, razviti in nenazadnje tudi motivirati, da bodo zaposleni pri svojem delu kar se da uspešni.Četudi ima podjetje na razpolago dovolj finančnih sredstev, da si lahko privošči investicije in novo tehnologijo, še vedno potrebujejo ljudi, ki bodo to usmerjali.Podjetja vedno iščejo ljudi z znanjem, ustvarjalnostjo, izkušnjami, zmožnostmi, saj zgolj denar, oprema in tehnologija niso dovolj za uspešno in produktivno podjetje (Mihalič, 2006).Podjetja oziroma njihove vodje se premalokrat zavedajo, da so motivirani zaposleni ključ do uspešnega poslovanja in visoke produktivnosti.Potrebe in želje zaposlenih se konstantno spreminjajo, zato je potrebno oblike motivacije prilagajati, saj le tako dosežemo zadovoljne in motivirane ljudi (Uhan, 2000).Motivacija je pravzaprav tisto, zaradi česar ljudje delajo in hodijo v službo.Motivacija za delo pomaga uresničevati želje tako zaposlenega kot tudi podjetja.Vodje uporabljajo motivacijo kot pomoč pri tem, da zaposlene usmerijo v želeno smer.Z usmeritvijo želijo doseči rezultate, ki so pomembni za podjetje (Lipičnik, 2002).Odlično je, če uživamo v delu, ki ga opravljamo.Vendar, če pri delu ni nobenih finančnih spodbud ali hvaležnosti za trud, ki ga vložimo v delo, se začnemo spraševati, ali je to, kar opravljamo, sploh vredno truda in časa, ki ga porabimo za to.Dejavnike, ki spodbudijo motivacijo, delimo na zunanje in notranje (Bruce, 2011).Pojma nagrajevanje in motivacija lahko med seboj povežemo.Motivacijo lahko povečamo z nagrajevanjem zaposlenih, vendar je potrebno paziti, saj lahko ob pretiranem ali napačnem nagrajevanju dosežemo tudi nasprotni učinek.Poznamo dve vrsti nagrajevanja, in sicer denarno ter nedenarno (Kaše & Zupan, 2021).Nagrade in motivacija se včasih uporabljajo zamenljivo, čeprav sta to dve različni stvari.Motivacija je občutek ali spodbuda, ki se pojavi pred in med dokončanjem naloge ali projekta, medtem ko so nagrade tisto, kar izhaja iz zaključka naloge ali projekta.Misel na prejem bonusa motivira zaposlenega, da doseže določen cilj, ko pa je cilj dosežen, prejme bonus, ki pa je nagrada (Glassdoor team, 2021).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,010 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».