[데이터 조직]팀의 목표는 회사의 비전으로부터 시작해야 한다.

지금 회사 입사 이후에 깨달은 사실 중 하나였고, 데이터 조직도 예외는 아닌 하나의 사실로 남은 교훈이 있는데, 바로 팀의 목표는 회사의 비전으로부터 시작해야 한다였다.

최근에는 OKR이 나오면서 과거 대비 익숙할지 모르겠지만, 이전에 기술조직은 사업의 마치 하청조직인 것마냥, 사업계획보다는 운영계획의 형태로 비용계획을 수립하고, 백오피스의 역할이 강했다. 하지만 과거와 달리 지금은 모든 구성원이 어느 정도는 비슷한 위치 선상에서 업무를 나누고 대화를 하게 됨에 따라서 자연스럽게 데이터 조직도 구성원의 일부로 팀의 목표를 스스로 세우게 되었다.

이 때 어디서 시작해야할지 고민이 되었는데 결론은 회사의 비전부터 시작하자는 것이었다. 개인적으로 회사를 설명할 때는 법인체로부터 이야기를 시작하는 편이다. 법인은 단어 그대로 법적인 인간이다. 그래서 인간의 관점에서 동일한 질문을 반드시 하게 된다. 바로 생존이다. 하지만 인간과 달리 법인은 반드시 생존해야 한다, 인권의 개념이 없기 때문에 본인이 살아야 하는 이유를 정리해야 하고 나는 이게 비전과 미션이라고 생각한다.

여기까지 보고 부서의 입장에서 보면 부서는 법인의 각각의 구성으로서 인간으로 치면, 신체와 장기 등에 해당할 것이다. 따라서 생존의 이유를 두뇌에서 세웠다면 이 목표를 실현하기 위한 방안을 수행하기 위해 각 부서에서는 준비를 해야할 필요가 있다. 이게 자아실현의 측면에서는 과감한 목표가 필요할 수도 있다. OKR을 수립할 때 보다 과감하게 도전적인 목표를 세우라는 관점에서 그렇다.

데이터 조직이 다루는 데이터는 회사의 전체를 관통하고 흐르고 있는 피와 같다고 생각한다. 그리고 여기서 나아가 쌓인 지식과도 같다고 생각한다. 이를 어떻게 하면 더 잘 활용해서 지혜가 되도록 할지를 고민할 때 데이터 조직이 성공할 수 있다고 생각한다.

그래서 나는 멘토링을 할 때도 그렇고 구성원에게도 회사의 비전을 이해하라고 한다. 이 부분이 그간 대기업들은 제조업으로부터 시작해서 금융사, 그리고 최근에는 바이오까지 대폭 확장하다 보니 비전이라는게 의미가 있나 싶을 정도여서 회사의 목표를 세울 때에 참고하기가 쉽지 않았지만 스타트업들은 이 비전이 상대적으로 명확하기 때문에 구성원에게 비전을 참고하라는 이야기를 더욱 쉽게 할 수 있었던 것같다.

가끔 개발자를 이해못하겠어요. 또는 반대로 사업과 기획을 이해못하겠어요 하는데, 나는 이런 문제들이 앞서 언급된 것처럼 회사의 비전을 이해하지 못하는 상황에서 개개인의 처한 상황이나 기술적 배경만을 놓고 이야기 하면서 발생한 괴리라고 생각한다.

물론 회사의 모든 구성원이 그런 상황이라면 경영진의 문제일 수도 있지만 말이다.

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