[데이터조직] 구성원 중 레버리지할 수 있는 사람을 찾아라

팀이 일정이상 커지기 전까지는 디테일하게 팀원 개개인을 챙길 수 있다. 하지만 팀의 규모가 점차 커지게 되면 이게 생각보다 어렵다. 리더는 생각할 수 있는 시간과 정신에 대한 룸(Room)을 어느정도 유지하면서 팀원들의 요구에 대응할 필요가 있는데, 팀의 규모가 커지고 나서도 계속 본인이 직접 챙기려고 하면 밑도 끝도 없다.

특히 실무를 하던 사람이 팀장이 되었을 때 초기에 업무를 놓지 못해서 업무의 수렁에 빠져 헤어나오지 못하는 경우가 꽤 많다. 이 때 보통 선배들이 조언해주는 것이 일에 대한 위임이다. 업무에 대한 방향성은 리더로서 수립하되, 업무의 디테일을 챙겨줄 수 있는 사람에 위임을 해야 한다.

이 부분은 팀이 셋업된 초기부터 찾아볼 필요가 있다. TL, PL부터 시작해서 이미 어느정도는 확고한 직군으로 분류된 업무셋을 파악하고 이를 바탕으로 초기부터 이를 담당해줄 사람을 찾아서 그 사람을 최대한 레버리지를 함으로써 리더로서 업무에 보다 집중할 수 있다.

업무뿐만 아니라, 팀에 대한 분위기를 조성하는 부분에 있어서도 더더욱 그렇다. 곰곰히 생각해보면 팀장 이전에 실무로서 업무를 잘한다고 평가받던 시절에 리더가 본인을 레버리지 사용하고 있었을지도 모른다.

리더는 Facilitator이면서 지휘자라고 생각한다. 거대한 플레이그라운드를 제공해서 자생적으로 구성원간에 상호의존성을 발휘하며 같은 방향을 향해 전진하도록 돕는 사람으로서 그 역할을 보다 더 적극적으로 해주는 팀원이 있다면 그렇게 기분이 좋을 수 없다.

Read more

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=

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P- Value * Bayesian P-Value는 **모델의 적합도(goodness-of-fit)**를 평가하는 데 사용됩니다. * 사후 분포(posterior distribution)를 이용하여 실제 데이터와 모델이 생성한 예상 데이터를 비교함으로써, 관측된 데이터가 모델에 의해 얼마나 잘 설명되는지를 평가합니다. * 빈도주의 p-값은 "관찰된 데이터보다 극단적인 데이터가 나올 확률"을 계산하지만, Bayesian P-Value는 "모델이 실제

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non Identifiability * Non-Identifiability는 주어진 데이터와 모델에 대해 특정 파라미터를 고유하게 식별할 수 없는 상황을 의미합니다. 즉, 여러 파라미터 값들이 동일한 데이터를 생성할 수 있으며, 이로 인해 특정 파라미터 값을 확정적으로 추정하기 어렵게 됩니다. * 베이지안 추론에서 Non-Identifiability는 사후 분포가 특정 파라미터 값에 대해 명확하게 수렴하지 않고, 여러 값들에 대해 비슷한 확률을

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram * 히스토그램의 변형으로 데이터가 비정규적이거나 큰 분산을 가지는 경우, 정확한 분포를 파악하기 위해 사용됩니다. * 일반적으로 히스토그램은 데이터의 빈도를 직접적으로 나타내기 때문에, 큰 값이 빈번하게 발생하는 경우 상대적으로 작은 값을 잘 드러내지 못하는 경향이 있습니다. 반면, Rootgram은 빈도를 제곱근 형태로 변환하여, 데이터 분포의 차이를 더 잘 시각화할 수 있도록 돕습니다 * 여기서