모든일이 다 중요하고 급한것은 커리어에 좋지 않은 신호다.

모든일이 다 중요하고 급한것은 커리어에 좋지 않은 신호다.
Photo by Nong / Unsplash

갑자기 엄청나게 많은 업무 요청이 들이닥칠 때가 있습니다. 그래서 어느 업무부터 진행하면 좋을지 문의하면 종종 이렇게 답변하던 분이 있었습니다.

모두 다 중요하고 급합니다.

중요도와 긴급도는 정도에 따라 구별되는 것이고, 중요한 업무가 있다면, 반대로 중요하지 않은 업무가 있다는 것입니다.그런데 모든 업무가 중요하다니, 굉장히 이상한 말이었습니다. 이 말을 돌아서서 집에 오는 중에 커리어 관점에서 고민해보았습니다.

저는 커리어를 하나의 스토리라고 생각하는 편입니다. 회사도 하나의 스토리라고 볼 수 있습니다. 이 관점에서 보면 개인은 개인 고유의 스토리가 있고, 회사 역시  법인체의 스토리가 있는 상황에서 어떤 무대에서 함께 만나 서로의 스토리를 운영하는 것이라고 볼 수 있습니다.

대개 재미있다고 알려진 스토리는 기승전결이 있는 법이기에 우리는 지금 이 스토리를 위한 다양한 이야기들을 조율하고 있고 이를 업무라고 부릅니다. 그런데 모든 이야기가 경중이 동일하다는 것은 이야기가 매우 평이하다는 뜻과 같다고 생각합니다. 즉 이야기의 흥미가 떨어질 수 있으니, 이느 개인의 동기부여에도 굉장히 안좋은 상황이라고 볼 수 있습니다.

회사의 관점에서 본다고 해도, 우리는 중요하고 급한 일을 함으로써 이야기에서 클라이맥스를 끌고가기 마련인데, 모든 일이 다 클라이맥스와 같은 (중요하고 급한) 일이라면, 이는 그야말로 수단방법을 안가리고 다해보자라는 뉘앙스가 느껴져 회사의 위기가 보이기도 합니다. 장기적인 방향성을 고려할 여유도 없는 상황일 것입니다. 이 역시 우리의 커리어에는 좋지 않습니다. 결국 우리가 있는 무대가 전쟁터라는 것과 진배 없습니다.

그래서 저는 이렇게 모든 일이 다 중요하고 급하다고 이야기하는 상황은 커리어 관점에서 좋지 않다고 생각합니다. 그렇다면 우리는 어떻게 접근을 해야 하는 것일까요? 이를 이야기 관점에서 풀어본다면 다음과 같습니다.

다시 한 번 회사의 핵심미션과 비전의 관점에서 얽힌 이야기를 풀어나가야 한다고 생각합니다. 이야기의 핵심을 중심으로 다시 풀어보자는 것입니다. 학교 다닐 때 권선징악을 들어본 적이 있을것입니다. 과거에 가장 많이 쓰이는 이야기의 핵심이기 때문입니다. 비슷한 관점에서 미션과 비전을 중심으로 그간 해온 일들이 스토리에서 개연성있게 이어지는 우리는 합의해볼 필요가 있습니다. 그

렇지 않은 부분은 과감히 내려놓자는 것이죠. 이렇게 할 때 우리는 소비자에게 "그럴직하다"라는 이야기를 들을 수도 있을 것입니다. 구본형 선생님도 그러졌지만, 고객의 관점에서는 부서 등 조직구조는 그리 중요하지 않습니다. 이러한 과감함은 리더의 주요 덕목이기도 할 것입니다.

요약하면 다음과 같습니다. 회사는 다양한 스토리가 의도적으로 엮이는 하나의 무대입니다. 이 무대는 회사의 비전과 미션에 의해 만들어진 연극과도 같습니다. 여기서 이야기(업무)의 경중이 분배가 이뤄지지 않는다면 이는 회사를 이끄는 이야기에 문제가 생긴 것입니다. 이러한 회사에서 일하고 있다면 탑다운으로 이 이야기를 풀고자 하는 시도가 있는지 확인해봐야 합니다. 그렇지 않다면 이야기 블록이 무너지는 것이니 커리어의 위기로 연결될 수 있을 것입니다.

Read more

DataFrame은 Pandera로, 모델은 Pydantic으로 데이터를 검증한다.

DataFrame은 Pandera로, 모델은 Pydantic으로 데이터를 검증한다.

Pandera: 데이터프레임 검증에 최적화된 도구 주요 장점 * Pandas와 통합: Pandas 데이터프레임에 대해 스키마 기반 검증을 수행합니다. * 유연한 검증 조건: 열 데이터 타입, 값 범위, Null 여부 등 다양한 검증 조건을 정의할 수 있습니다. * 명확한 오류 메시지: 스키마 불일치에 대한 명확한 오류 메시지를 제공합니다. 단점 * 대용량 데이터 검증에서는 속도가 느릴 수

Tobit Regression은 Censored Data에 적합한 Regression이다.

Tobit Regression은 Censored Data에 적합한 Regression이다.

Tobit Regression * Tobit 회귀(Tobit Regression)는 종속 변수가 특정 값에서 절단(Censored)된 상황에서 데이터를 분석하기 위해 사용되는 통계 기법입니다. * James Tobin이 처음 제안한 이 모델은 경제학과 사회과학 분야에서 자주 사용되며, 일반 선형 회귀로는 설명할 수 없는 상황에서 효과적으로 적용할 수 있습니다. Tobit Regression 수식 1. 관측된 종속 변수