조직간 R&R이 명확하지 않다고? - 커뮤니케이션이 안될 때 부작용에 대해서

조직간 R&R이 명확하지 않다고? - 커뮤니케이션이 안될 때 부작용에 대해서
Photo by Pavan Trikutam / Unsplash
조직의 R&R에 대해서 조직장간 싱크가 되지 않는 경우가 발생할 수 있을까?

실제로 그럴 수 있다고 본다. 경영환경이 급변할 떄는 커뮤니케이션이 매우 중요할 수 있는데, 비대면일 경우 커뮤니케이션이 어려워질 수 있기 때문에, 이런 현상이 생길 가능성이 증폭될 수 있다. 특히 최근 IT의 발달로 사업과 프로덕트간 업무 스킬이 겹쳐지는 부분들이 점차 증가하고 이로 인해서 데이터 접근 등이 강화되는 상황에서는 업무 속도가 더 빨라질 수 있어, 이렇게 생각치 못하게 싱크가 되지 못하는 경우가 발생할 수 있다. 비공식적으로 팀 내에서 문제를 넓게 소화하는 경우가 발생할 수 있기 때문이다.

누구의 잘못이라기 보다는 시대가 그렇게 바뀌고 있고 이 상황에서 대응을 하지 못한 리더의 잘못이라고 생각할 수도 있지만, 정말 점차 사회가 빨라짐에 따라서 이런 문제들은 빈번하게 발생할 수 있다. 이는 구성원의 사기에도 부정적인 영향을 미칠 수 있다. 특히 시니어 입장에서는 이 경우 커리어에 상당한 불만감을 표시할 수도 있어, 전체 사기에도 악영향을 끼치게 된다.

이 상황은 더욱 악화될 가능성이 농후하다. 특히 상위조직장으로 갈 수록 고객의 관점에서 생각하려 노력하는데, 이 때 부서의 구분은 고객관점에서 중요하지 않기 때문에 이 문제를 안고 있는 실무부서만 커뮤니케이션 비용을 지속해서 지출하게 되어 결국 문제는 최악으로 치닫게 된다.

이 상황에서 필요한 사람이 바로, 이러한 문제를 눈치챌 수 있는 사람이다. 문제를 눈치채고 적극적으로 조직간의 커뮤니케이션 미싱링크를 찾아나설 사람이 등장하는 것이다. 이런 사람은 이 시점에서 중용되게 된다. 이러한 사람이 나오기 전까지는 다들 고통에서 벗어나기 어렵게 된다. 특히나 더 요즘처럼 OKR을 비롯하여 결과중심 문화로 가야 하는 불황상황에서는 상황이 더 악화일로를 걷게 될 수도 있다.

커뮤니케이션이 결국 그렇다. 다른 문제에 가려져서 종종 티가 안날 때가 있는데 골든타임을 놓치면 정말 책에서 볼 법한 영웅처럼 나타난 CEO가 있다든가, 그렇지 않으면 회사가 망가지고 나서야 뚜렷하게 보일 수가 있다. 정말 침묵의 문제라고 말할 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