현상만 해결하려고 하면 문제의 수는 많아지고 해결은 안된다.

현상만 해결하려고 하면 문제의 수는 많아지고 해결은 안된다.
Photo by Jeremy Bishop / Unsplash

회사의 규모가 커지게 되면 부서가 많아진다. 전문화라는 측면에서 부서가 많아지는 이유가 설득이 된다. 하지만 부서가 많아지면 얻게 되는 문제도 있다. 바로 고객과의 커뮤니케이션이 파편화될 수 있다는 것이다.

그리고 각 부서는 각 부서의 목표를 챙기는 상황이 되면서 파편화된 커뮤니케이션으로부터 문제를 분석해서 지표상에서 어떠한 변화를 주려고 시도한다. 분명 어떤 근본적인 원인으로 인해서 파생된 하나의 경우일수 있음에도 적절히 눈을 감고 무시하기도 한다. 부서이기주의가 생기는 것이다.

그렇게 되면 회사의 리소스는 효율적으로 쓰이지 못하고 여기저기 나눠서 쓰이면서 문제의 해결기간은 길어지고 근본적인 문제는 해결되지 않는다. 이런 문제에 집중한 후발주자는 그 문제만을 해결하며 브랜딩을 가지게 되고 선발주자의 아성이 조금씩 흔들리기 시작한다.

하지만 각 부서는 회사 전체에 걸쳐 퍼진 문제를 적극적으로 파헤치려고 하지 않는다. 회사의 주인이 아니기 때문이다. 회사의 대리인에서 벗어나지 못한 부서는 그렇게 현상만 해결하려고 하면서 문제를 더욱더 쪼개게 된다.
심한 경우 특정 부서의 문제로 몰아기기도 한다.

그래서 중앙부로서 회사 전반의 구조를 살피는 조직이 대기업에는 존재한다. 컨트롤 타워로 문제의 뿌리를 찾는 것이다. 공대생이라면 누구나 배우는 선형대수도 사실 특정문제를 위한 최적기저벡터탐색에 집중하면 모든 문제를 해결할 수 있다. 하지만 이를 인지하려면 선형대수 전체에 걸쳐 구조를 이해하는 것이 중요하다.

그리고 회사의 대표는 전체를 이끄는 리더로서 이런 문제가 잘 해결될 수 있는 환경 조성이 필요하다. 인사부터 마케팅, 그리고 개발 등의 조직이 대표가 만들고자 하는 문제 해결에 최적화된 환경의 세부적인 환경조성을 주요 미션삼아 지원해야 한다.

이렇게 회사 내부의 단결력과 문화는 회사의 자본과도 같다. 이런 자본이 고갈되어 잠식되면 단기적으로는 문제 없지만 오래 방치하면 부실한 재무제표 탓에 금융기관의 대출 제한, 법인 신용평가등급 하락 등의 불이익이 생길 수 있다.

게임을 좋아해서인지 이런 회사의 자본은 HP(Health Point)와도 같다. 채우지 않으면 고갈된다. MP(Mana Point)등 다른 자본을 이용해 잠시 고갈되는 시간을 연장할 수 있지만 근본적인 문제는 해결되지 않는다.

이런 부분을 감안시, 회사를 볼 때는 이제 그 회사가 어떤 부분을 강화하는지 지켜볼 필요가 있다. 예를 들어 기술력을 강화하는 회사라면 수익성 등에 초점을 맞춘 금융자본이나 고객의 인식도에 초점을 맞춘 브랜드자본이 갖쳐줘 있는지 보라, 없다면 그 기술력은 지속가능하지 않을 수 있다.

이렇게 회사의 생명력은 현상만을 바라보고 문제를 만드는 문화에서 시작되어 지속가능여부가 결정된다.

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=