롤모델이 필요한 이유, What Would Jesus(My Role Model) Do?

이전에 존잡생각에서 "회사에서 본인을 빠르게 성장시키는 방법"에 관한 글을 본 적이 있다. 구체적으로 내용이 기억나지는 않지만, 거기서 나오는 그래프는 기억이 난다.

스타트업 초기에 회사의 성장과 개인의 성장은 비례를 한다. 하지만 어느 시점부터 회사가 규모의 경제의 변곡점에 도달하면 개인의 성장과 회사의 성장의 기울기는 크게 벌어지기 시작한다. 개인은 정체하고 회사는 더욱 더 빠르게 성장한다. 이 시점이 되면 회사는 프로세스를 고도화하고 어느 구성원이 오더라도 대체가 될 수 있도록 정교해진다. 구성원으로서 능동적이지 않으면 이제 정말 하나의 Component로 남게 되는 순간이 이 순간이다.

기업이 커지게 되면 자연스럽게 겪는 과정인데, 이 시점에 가서 많은 구성원이 리더에게 개인의 커리어 관리 차원에서 어떻게 해야 하는지 묻는다. 하지만 리더라고 알 턱이 있는가? 중간관리자로서 위는 너무나도 멀고, 아래는 너무나도 가까운데 답을 갖고 있을 가능성이 많지 않다.

나도 그렇다. 그래서 종종 조언하는 것이  당장은 아니어도 중단기적으로 좇고 싶은 롤모델을 찾으라고 말한다. 그리고 롤모델이 성취한 결과물을 보기 전에 롤모델이 업무를 하는 방식을 파악하라고 한다. 한 때 개신교에서 WWJD(What Would Jesus Do?)라는 운동이 있던 적이 있다. 말그대로 어떻게 생각하고 어떻게 행동하는지를 관찰하라는 것이다.

산출물은 사후편향을 갖고 생각하기 쉽기 때문에 다소 정형적이고 상투적인 결론을 갖고 성공한 원인을 찾기가 쉽다. 따라서 항상 그들에게 롤모델을 찾되 롤모델이 어떻게 생각하고 문제를 접근했는지 보라고 하는 편이데 이 때 위에서 언급한 WWJD가 그 핵심을 잘 정리하는 문구라고 생각한다.

물론 롤모델이 한 명일 필요는 없다. 내가 만든 가상의 집합체로 구성할 수도 있다. 물론 그 롤모델이 가까이 있어야 한다. 그래야 관찰할 수 있기 때문이다. 따라서 리더는 롤모델을 팀내에 육성하고 팀 내에서 관찰할 수 있도록 관리를 해야할 책임을 가진다.

이런 롤모델은 리더의 부담을 줄여줄 수 있다. 리더가 모든 면에서 모범을 보이기는 어렵기 때문이다. 리더로서의 장점은 실무로서 매니저에 대한 커리어패스를 가지고 있다면 도움이 될 수 있지만 실무 관점에서는 다소 동떨어진 모습일 수 있기 때문에 리더는 롤모델을 팀내 육성하는 것이 필요하다.

크게 보면 하나의 커리어사이클을 가지고 롤모델을 지속해서 육성할 수 있을 때 팀내 각 구성원들은 롤모델이 생각하고 의사결정하는 방식을 관찰하고 이를 통해서 성장해 나갈 수 있다. 이 부분은 특히나 비대면이 일상화된 요즈음에서는 더욱 더 중요할 수 있다. 저기 멀리 떨어진 성과만을 바라보고 주니어들이 성장하기에는 그렇게 회사가 만만치 않기 때문이다.

그래서 롤모델이 중요하다. 그리고 롤모델이 생각하는 방식, 행동하는 방식을 이해하는 것이 중요하다. 이 때 우리는 함께 성장할 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