作者：张建鑫
我对GROW的学习心得笔记
G=GOAL，目标清晰量化！
R=Reality，现状！理性和精准！
O=Options，可选方案！多样切实！
W=Will，意愿和计划！执着和有效！
G是刘邦和刘备的口头禅问题，如之奈何，计将安出？
R就是曹操官渡之战前问询郭嘉得到的 十胜十不胜。
O是刘备取益州时，问询庞统得到的上中下三策，
W是孙权赤壁之战时，向鲁肃和诸葛亮回答了系列问题
我觉的GROW方法多半更适合创新和创意类型的工作。在这种情况下，做什么以及怎么做多半具有探索性质，不好说谁一定对的，谁一定错，目标的量化比较难。 我结合工作情况讲一下应用GROW的体验， 虽然不是步步为营得精确套用这个方法，但大致上步骤是用到了。
先说Bad Case
一位9A同事。我始终在问他下面的几个问题
•你方向想做什么？
•如果你知道答案的话，那是什么？
•具体的目标是什么？
•什么时候实现？
我只给团队下了一个定义，不管是什么算法方向，如果和新东方业务有直接关系，90%为及格，95%为优秀， 如果跟新东方业务没有直接关系，则95%准确率为及格， 99%准确率为优秀。
结果这位9A同事总是说，您让我做什么， 我就做什么， 您说怎么做就怎么做。他找了几个方向， 我问他能否达到准确率指标，他始终都说很难达到，对于 这种情况，我想就不要浪费彼此时间，和新东方的钱了。在这里我觉的Will很重要， 而且我觉得will首先是个人对目标认同后，先具有做事情的意愿了，然后才能去问以下这些问题
下一步是什么？
可能遇到的障碍是什么？
你需要什么支持？
再说两个Good Case
1、人工智能文字识别与自动批改。
优能填空题OCR批改的准确率一开始只有可怜的35%，而且智能视觉团队有接近30人，OCR批改项目也已经做了一年多了，还花费了200万人民币从中科院自动化所购买了算法和源代码，结果却是一塌糊涂。 这件事情的目标已经不用讨论了，我首先广泛地OneOne找到最有强烈意愿解决这个问题的马志国博士，我作为一个外行，也只能问他你知道答案吗？ 什么时候实现， 准确率能达到什么程度？ 当时，他没有足够自信达到我说的95%的门槛，只是说有信心超过80%，再高不好讲。给他配备了足够的人力
通过大量代码review，架构review来找到很多现状问题后（具体不说了）在各个子方向上并行展开研究，寻找解决办法，他们选择出了多种方案，都做了尝试，最后完全废除了中科院的算法，完全通过自研，通过挖掘新东方特有数据的价值，达到并超过了95%的准确率， 并产生了多项专利创新。
2、人脸识别与身份检测
这边还没人做过人脸身份检测，我提出校区们学生自动人脸打卡的目标后， 立即遭到几个技术经理反对，都认为很难做，认为准确率达不到我要求的标准。 于是找到一位有很强意愿的5级员工，让他尝试一下。过程中讨论了若干预案，但都是由这位工程师来判断执行。最终仅用3周实现技术突破，在公场景下的员工人脸身份识别准确率100%， 于是立刻采取下一步行动，联系信管教务团队，联合开发赋能，讨论从办公室场景到校区场景中可能出现的小孩子人脸识别不准确的问题。周边小伙伴的积极性也都被调动起来，纷纷自愿参与进这个项目里，进行下一步的迭代优化。