[데이터조직]구성원에게 칭찬 대신 해야할 것 - 상상이 이뤄질 때를 상상하게 하라

만약 당신에게 요술봉이 있다면 어떤 결정을 내리겠습니까?"
'기회'를 마련해줌으로써 직원들이 완성된 시나리오를 떠올리고, 이를 리더와 공유할 수 있는 환경을 조성하기 위함이다 - "실리콘밸리에선 어떻게 일하나요" 중

최근에 읽은 내용 중에 가장 인상 깊은 말이다. 구성원에게 해주면 좋은 질문으로 등장한 하나의 예시였다. 하지만 이게 왜 인상깊었는지 그 이유 자체는 크게 고민하지 않고 지나갔던 것 같다. 그러던 차에 "테니스 이너게임"을 읽으면서 무릎을 딱 친 말이 있었다. 바로 다음 구절이었다.

이 경험을 통해 나는 자아 1이 어떻게 작동하는지 볼 수 있게 되었다. 언제나 인정받기를 바라고, 거부당하는 것을 못 견디는 이 예민한 자아-정신은 칭찬을 잠재적 비판으로 간주한다. - "테니스 이너게임" 중

우리는 보통 격려 차원에서 팀원을 칭찬할 경우가 있는데, 이 칭찬이 마냥 주관적인 관점에서 받아들이는 사람의 입장에서 완전히 좋지 않을 수도 있다는 의미의 내용이었다. 개인적으로는 "감사합니다"라는 의례상으로 쓰이는 문구도 더 이상 진심을 전달할 수 없다고 생각한다. 그래서 구체적으로 격려하려고 말했는데, 이 말 자체도 여러번 쓰다보면 꽤나 상투적일 수 있겠다고 생각하던 차에 만났던 문구였다. "테니스 이너게임"의 저자인 티모시 겔웨이는 칭찬이 반드시 효과적일 수 없다는 말을 한다.

첫째, 구성원의 신뢰를 얻을 수 있다. 이 말은 "실리콘벨리에선 어떻게 일하나요?"의 저자인 크리스 채가 한 말과도 연결된다. 칭찬과 비판은 어떻게 보면 팀 리더의 주관적인 뷰에서 언급하는 부분이기 때문에 완전히 구성원의 입장과 일치할 수는 없다. 그래서 구성원의 입장에서 로드맵을 구체화할 수 있는 기회를 주고 자신이 그 길 위에 있도록 도와주는 것이 오히려 효과적일 수 있다는 뜻이다.

그렇게 자신이 하고 싶은 일을 하도록 도와줄 수 있다면, 티모시 겔웨이가 언급한 것처럼 구성원이 팀리더가 아닌 자신을 믿고 일하도록 유도할 수 있게 된다. 이는 무조건 적인 야근 대신 보다 창의적인 길목을 터줄 수도 있다. 즉 쓸데없는 노력을 최소화할 수도 있다. 학교 때 꼭 밤새 공부하는데 평균은 그리 높지 않았던 학우가 있지 않았던가, 회사에서도 그럴 수는 없다.

두 번째, 고성과 조직을 만들기 위한 기초를 만들 수 있다.  경쟁이 치열한 IT기업은 하드씽의 벤 호로위츠도 이야기했지만 내일이 더 힘들 수도 있기 때문에, 구성원이 하고 싶은 부분을 잡아줌으로써 신뢰를 역시 잡아줄 필요가 있다. 신뢰는 고성과 조직을 만들기 위한 중요한 사회적 자산으로 이는 코칭 관련 팀 퍼포먼스 모델(Team Performance Model)에서 응집력 강한 조직(Cohesive Unit)을 만들기 위한 기초로도 언급된 바 있다.

source: https://pmstudycircle.com/drexler-sibbet-team-performance-model/

고성과 조직이란 PMF(Product Market Fit)을 달성할 때 실현 가능해진다. 즉 고객의 불편한 점을 잘 이해하고 해결해나갈 수 있어야 한다. 일방적으로 끌려가는 목표 대비 자신의 이해관계를 바탕으로 로드맵을 세워본 구성원은 보다 고객 관점을 잘 이해할 수 있는 경험과 가능성을 가지게 된다. 좋은 질문을 통해서 본인이 주도적으로 그러한 경험을 직접 해보았기 때문이다.

주도적인 경험을 한 구성원에게 이제 이 질문을 던져보자.

당신이 목표로 하는 시장이 지금까지 개척된 것보다 몇배는 더 큰가? 시장의 일인자가 될 수 있을 것인가?

생각의 지평이 넓어진 구성원에게 이 질문은 이제 너무나도 거대한 상상을 시작하게 하는 질문이 될 것이다. 이제 무조건 칭찬은 하지말자 구성원이 상상할 수 있는 기반을 만들어주고 계속 상상하게 만들라. 그냥 하게 하지는 말자.

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=