[책]럭키 드로우, 노력에는 나이가 중요하지 않다.

사실 크게 그렇게 기대하고 읽은 은 아니었다. 어떠한 컨텐츠로 그가 돈을 벌고 있는지도 모르고 있었고, 지속가능한 것인가에 대해서도 모르는 상황이었기 때문에 그다지 궁금하게 보지는 않았던 까닭이다. 그래서 궁금해서 이 책을 보게 된 것같다. 특히 직전에 읽은 책이 최인아님의 “내가 가진 것을 세상이 원하게 하라”였다보니 더욱 더 “드로앤드류”라는 채널의 비밀을 내가 궁금하게 만들었다. 약간의 간절함이라고 해야할까? 여튼 그러하였다.

책 내용 자체는 사실 가볍게 보면 하루만에 빠르게 훑어볼 수 있을 정도로 간단하다. 하지만 군데군데, ”이 사람에게도 배울 부분은 있구나”라는 포인트가 보였기에 그렇게 가볍게 읽을만한 책은 아니었었고, 그런 부분이 보일 때마다 잠시 책을 내려놓고 곱씹어 보았던 것같다.

지금 생각해 보면 그가 미국에 인턴십을 하러 가는 부분만 봐도 그러하였다. 간단하게 적었지만 “실행”을 주저하는 이에게는 이러한 부분부터 막혔을 법하다. 실행은 때론 거대해보일 수 있기 때문에 많은 사람들이 여기서 멈춘다. 그러한 차원에서 저자가 작은 것부터 접근하는 방법은, 다시 한 번 내가 접근하는 방식에 확신을 주었다. 그리고 그 실행에 집중해서 상대방을 설득하는 부분의 예시로 "로컬페어"를 활용하는 사례가 나오는데, 저자의 집요함이 보이는 부분이었다.

하지만 개인적으로 가장 인상깊은 부분은 "공부한 것을 오롯이 내 것으로 만드는 힘이었다." 캘리그라피도 그렇고, 회사 홍보를 위해 배웠던 인스타그램 마케팅과,  퍼스널 브랜딩을 통해 매출을 발생시킨 부분이었다. 그 간 공부를 하면서 그 것을 통해 돈을 벌어들일 생각은 안했던 것같다. 아무래도 수학적 엄밀함이 들어가야 하다보니 더더욱 보수적이었던 것같다. 이 차이가 분명 있겠지만, 그럼에도 공격적으로 배운 것을 자신의 것으로 만들고 이를 통해 자신의 자산을 더욱더 강하게 만드는 사이클을 만드는 모습은 꽤 인상깊었다.

뿐만 아니라 본인이 올린 영상에서 사람들의 잠재수요를 찾는 부분들 역시 내가 촉각을 곤두세워야 하는 부분은 어디일지를 돌아보게 했다. 앞 선 내용까지 파악하면 "내가 자신이 있는 영역의 지식을 선정하고 이 지식을 서비스로 판매한다고 할 때, 관련된 사람들의 피드백에 대해서는 민감할 필요가 있겠구나"를 놓치고 있었는데, 이 부분을 잘 하고 있던 것이다. 수학적 지식이 부담스럽다면 데이터 사이언티스트의 리더로서 일을 하는데 고려해야할 부분 등을 깊게 생각해봐야겠다는 생각이 들었다. 이 질문은 이 책에서 내가 얻어가고 적용해봐야할 질문이기도 하였다.

주말이 참 빨리 지나간다. 하지만 그 주말에 읽기에 충분한 책을 빠르게 볼 수 있어서 너무 좋았고, 어떻게 적용할 수 있을지는 계속 고민해보도록 해야겠다.

럭키 드로우, 다산북스, 드로우앤드류

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