[데이터조직] 상대방 팀이 성공해야 우리 팀도 성공한다.

[데이터조직] 상대방 팀이 성공해야 우리 팀도 성공한다.
Photo by Razvan Chisu / Unsplash

당연한 이야기이지만, 상대방 팀이 성공해야 우리 팀도 성공한다. 종종 팀의 리더로 일을 하다 보면, 상대방 팀을 업신여기거나, 상대방 팀을 이겨야 하거나, 업무를 모두 그 쪽으로 몰아버리는 것에 만족하는 사람들을 종종 본다.R&R에 기준해서 일을 잘 정리하는 방식일 수도 있지만, 나는 상대방 팀을 포함해서 우리 모두가 함께 성공하는 것이 중요하다고 생각하는 사람이다.

특히 회사가 커지면서 프로덕트와 서비스, 그리고 사업이 나눠지고, 이러한 관계는 굳어져서 서비스나 사업에서 프로덕트를 SI 바라보듯 하는 경우도 생기고, 반대로 프로덕트는 서비스, 사업을 보면서 실제 방향성은 없고 입만 살았다고 하는 경우를 많이 보는데 이는 모두 회사가 커짐에 따라서 커뮤니케이션이 약해지면서 생기는 현상이다.

하지만 고객 입장에서는 이런 싸움이 다 의미 없다. 고객 입장에서는 회사를 하나의 추상화된 인상과 더불어 제품/서비스로부터 물질적인 경험을 함께 하는 상황에서 조직은 그리 유의미한 것이 아니기 때문이다. 구직자의 입장에서나 유의미 할 뿐이다. 이는 구본형 선생님이 저서 "익숙한 것과의 결별"에서도 이야기하신 부분이기도 하다. 곰곰히 생각해봐라, 우리가 오늘 사용한 어떤 물건을 보면서 조직구조를 고민하였던가?

조직은 고객에게 서비스를 제공하기 위해서 만들어진 것이 아니라 내부적 질서를 유지하기 위해 만들어진 것이다. 고객의 입장에서 볼 때, 내부 조직은 아무런 의미가 없을 뿐 아니라 종종 원활한 고객 서비스의 장벽으로 작용한다. 조직 구성도는 수직적으로 그려져 있지만 고객에게 서비스를 제공하는 것은 수평적인 범부서적 노력이다.

특히나 점차 고객경험이 중요시여기면서 고객의 여정 측면에서 모든 경험을 총체적으로 정리되기 떄문에 회사의 특정 조직이 안되고, 우리 조직은 잘 된다는 것이 회사 입장에서는 절대 지속가능하지 않다.

특히나 미션에 기반해서 회사의 전략이 세워지고 미션을 통해서 고객의 니즈를 경쟁사보다 잘 채워줘야 하는 회사의 모습과 이러한 노력을 조금 더 뾰족하게 결집시키려는 모습 속에 우리 모든 조직이 함께 성공하는 것은 너무나도 중요하다.

최근에 잠시 휴직을 결정하면서도 스스로에 대한 모습을 돌이켜보고, 내가 책임져야 하는 부분들을 회고해보면서 모두의 성공이 얼마나 중요한지 다시 한 번 짚어본 것같다. 제럴드 M 와인버그의 저서 "테크니컬 리더"에서 등장한 심리학자 사티어는 성숙한 사람을 다음과 같이 정의하였다.

성숙한 사람이란, 자기와 타인, 그리고 현재 자신이 놓여 있는 상황을 정확하게 인식하여 선택과 결정을 할 수있고, 그러한 선택이 온전히 자신의 것이라고 인정하며, 그결과에 대한 책임을받아 들이는사람을말한다

회사라는 거대한 스토리을 꾸려나가는 스토리 텔러의 집합체이다. 거대한 이야기의 맥락에서 때론 액션이, 때론 로멘스가 필요하여 관련된 환경이 셋팅되어야 하는 것처럼, 때론 프로덕트가, 때론 서비스가 그 스토리의 핵심을 담당하는 것이기 때문에 우리는 이러한 모습을 염두해 두면서 우리 모두의 성공에 대해서 조금 더 진지하게 고민할 필요가 있다.

Read more

DataFrame은 Pandera로, 모델은 Pydantic으로 데이터를 검증한다.

DataFrame은 Pandera로, 모델은 Pydantic으로 데이터를 검증한다.

Pandera: 데이터프레임 검증에 최적화된 도구 주요 장점 * Pandas와 통합: Pandas 데이터프레임에 대해 스키마 기반 검증을 수행합니다. * 유연한 검증 조건: 열 데이터 타입, 값 범위, Null 여부 등 다양한 검증 조건을 정의할 수 있습니다. * 명확한 오류 메시지: 스키마 불일치에 대한 명확한 오류 메시지를 제공합니다. 단점 * 대용량 데이터 검증에서는 속도가 느릴 수

Tobit Regression은 Censored Data에 적합한 Regression이다.

Tobit Regression은 Censored Data에 적합한 Regression이다.

Tobit Regression * Tobit 회귀(Tobit Regression)는 종속 변수가 특정 값에서 절단(Censored)된 상황에서 데이터를 분석하기 위해 사용되는 통계 기법입니다. * James Tobin이 처음 제안한 이 모델은 경제학과 사회과학 분야에서 자주 사용되며, 일반 선형 회귀로는 설명할 수 없는 상황에서 효과적으로 적용할 수 있습니다. Tobit Regression 수식 1. 관측된 종속 변수