[책]GTD(Get Things Done)의 고전, 끝도 없는 일 깔끔하게 해치우기,

워낙 유명한 책이다. Get Things Done, 줄여서 GTD라고 하는 업무관리방법론을 제안한 David Allen이 쓴 책이다. 스티븐 코비의 "성공하는 사람들의 7가지 습관"이라는 책을 읽고 하향식으로 가치를 세우고 업무계획을 세우다가, 도무지 이게 현실적으로 맞는가를 고민하고 대안을 찾다가 알게된 내용이다.

GTD는 Bottom Up 형태의 업무관리 방법론으로 크게 5가지 순서로 업무를 관리한다. 5가지 순서는  Capture → Clarify → Organize → Reflect → Engage로 구성된다. 저자는 이러한 형태의 관리를 통해서 두뇌를 오롯이 문제 해결에만 써야 한다고 주장한다.

사실 꽤나 오랜 시간 GTD 관련 최강 SW라고도 불리는, Omnifocus를 써오고 있지만 제대로 쓰고 있다는 자신감이 없었다. 그러다가 Devonthink - Obsidian - Omnifocus로 Workflow를 정리하게 되면서 이 책을 다시 한 번 읽어보게 된 것같다.

그리고 내가 확실히 잘못 알고 있는 부분을 알게 되었다. 앞서 언급된 바와 같에 David Allen은 Omnifocus가 커버할 수 있는 범위를 자료수집을 포함, 두뇌에서 해야 한다고 생각하는 모든 아이디어(Things)로 규정하고 있었다는 사실이었다. 나는 Devonthink로는 Reference를 관리하고 Obsidian의로 삶의 Vision을 관리하고 있었는데 이런 것까지 Omnifocus로 관리를 해야한다는 것이다. 그러면 위계상에서 Omnifocus가 Devonthink와 Obsidian의 상위로 올라가서 정말 모든 것을 관리해야 한다는 사실을 이제서야 깨달았다. 동시에 연결점을 찾기도 했고 말이다.

그리고 리뷰(Reflect)에 대한 부분도 이번에 깨달았다. 리뷰는 수집한 부분들을 정리하고 재검검하는 시간으로 기존에 매일 해야할 업무를 정리하는 시간이 이 시간에 해당하는데 역시나 Tool을 제대로 쓰지 못했다라는 것을 알게 되었다. 이 부분은 내일부터 바로 업무에 반영해봐야겠다.

References

Read more

OLS 기반 인과추론 시 오차항 관련 체크 필요 가정

OLS 기반 인과추론 시 오차항 관련 체크 필요 가정

배경 * 아래 글을 DANBI에서 보다가 더 알아보게 되었습니다. OLS를 떠받치는 몇 개의 기둥이 있는데 그중 실용적으로 가장 중요한 것이 일치성(consistency)다. 쉽게 말해서 OLS를 통해 도출된 추정량이 있을 때 샘플사이즈가 커지면서 이 값이 참 값으로 접근한다는 것이다. 일치성이 충족되면 우리는 적당하게 큰 표본에 대해서 추정치가 좋은 속성을 지니고 있다고

인공지능이 문제가 아니라 결국 사람이 문제가 될 것입니다.

인공지능이 문제가 아니라 결국 사람이 문제가 될 것입니다.

사람들이 AI가 필요하다고 생각하는 시점 저 판사를 얼른 AI로 교체해야 한다. 유튜브에서 뉴스를 보다 보면 정말 많이 보이는 덧글입니다. 이러한 내용의 덧글이 달릴 때마다, 정말 많은 사람들이 공감을 표하곤 합니다. 왜 이렇게 사람들은 이러한 주장에 공감을 표하는 것일까? AI는 시킨대로 하기 때문에 공정하다는 인식 여러 이유가 있겠지만, 사람들은 아마 AI가

BG/NBD 모델은 고객 생애가치를 추정하는데 사용되는 확률 모델입니다.

BG/NBD 모델은 고객 생애가치를 추정하는데 사용되는 확률 모델입니다.

1. BG/NBD 모델이란? * BG/NBD(Beta-Geometric/Negative Binomial Distribution) 모델은 **고객의 생애 가치(Customer Lifetime Value, CLV)**를 추정하는 데 사용되는 확률적 모델입니다. * 특히 고객이 반복 구매를 할지, 아니면 더 이상 활동하지 않을지를 추정하는 데 유용합니다. 이 모델은 고객의 구매 행태를 두 가지 중요한 개념으로 나눕니다: * 고객은 활성(active)

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=