[데이터조직]구성원의 상성을 고려한 커뮤니케이션이 필요하다.

어린 시절, 삼국지나 프린세스 메이커 등의 육성 게임을 많이들 해보았을 것이다. 우리가 어떻게 캐릭터들을 육성하는지에 따라 우리가 키우는 캐릭터들은 다른 성향을 지니게 되고 이는 직업으로 이어진다. 정치, 지혜, 매력, 무력 등으로 표현되기도 하고  체력, 근력, 기품 등 다양한 형태로 표현된다.

이러한 특성은 우리에게도 있다. 그리고 이런 특성들에 기반해서 학교를 다닐 때는 문과, 이과 등으로 나눠지기도 하였고, 대학교에 와서는 보다 세분화되어 전공으로 구분되기도 한다. 그리고 이런 능력을 이력서에서 어필하여 회사를 지원하기도 한다.

물론 이런 능력 구분이 고정되어서 수치로 표현되면 너무나도 좋겠지만 그렇지 않기 때문에 우리는 다양한 프로그램을 통해서 자신의 능력을 표현하기 위해 노력한다. MBTI나 애니어그램이 그렇다. 개인적으로 좋아하는 강점혁명도 그렇다.

리더 입장에서는 구성원의 능력치(?) 또는 특성을 알고 커뮤니케이션하는 것이 매우 중요하다. 하여 워크샵 때 이렇게 개인의 특성을 파악하기 위한 여러 프로그램을 진행하곤 한다.

왜 이런 특성을 알고 커뮤니케이션하는게 중요할까?

이전에 비폭력대화라는 책을 읽은 적이 있다. 그 책에서는 대화를 할 때 다음 구성(출처: Wikipedia)를 거쳐서 대화하도록 가이드를 한다.

  • 관찰 : 어떤 상황에서 있는 그대로 무엇이 일어나고 있는가를 관찰
  • 느낌 : 그 행동을 보았을 때의 느낌
  • 욕구 : 자신이 포착한 욕구와 연결되는지 표현
  • 부탁 : 내 삶을 더 풍요롭게 하기 위해서 다른 사람이 해 주기를 바라는 것

나는 여기서 욕구에 집중한다. 개인의 특성은 오랜시간에 걸쳐 욕구에 기반해서 발달되어 왔고 이에 따른 기대수준을 가지고 있다고 생각한다. 하여 그들의 특성을 무시하고 대화하는 습관은 욕구를 무시할 수 있고 이는 업무 불만족으로 이어질 수 있다고 생각하기 때문이다.

하여 업무를 요청할 때도, 특성간에 적절한 상성이 있는지, 아니면 시너지가 날법한지 고민을 해야 한다. 이는 사업, 개발 가릴 것없지만, 개발의 특성상 보다 구체적인 업무분야를 가지고 있어 지식의 전이(Transfer)를 하기 힘든 경우가 더 많기 때문에 꼭 고려해야 한다. 자칫하면 아예 업무에 있어 진행 자체가 되지 않는 경우도 허다하다.

이전에는 구성원의 약점을 어떻게 보완할 수 있도록 동기부여할지 신경을 써지만, 각자의 특성과 특성이 욕구에서 비롯되었다라는 것을 알게된 이후부터는 강점을 최대한 끌어올리고 구성원의 강점이 더 폭발할 수 있도록 약점을 팀리더로서 보완해주거나, 구성원간에 다른 강점을 통해서 시너지를 내는 것이 특정 시점 내 프로젝트를 마무리 해야 하는 팀의 입장에서도 그렇고, 회사가 사라져도 사람은 남기에 사람을 육성해야 하는 입장에서도 더 낫다는 생각이 들어 이렇게 특성을 체크해보기 시작하였다.

정리하면 다음과 같다.

개인의 특성은 개인의 욕구를 반영하고 이는 기대수준을 지표화한 것과 같다. 따라서 특성을 인지하고 대화할 때 구성원의 만족도를 이끌어낼 수 있고, 이는 팀의 목표를 달성하는 속도를 더욱 더 가속화할 수 있다.

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