성장은 연속적이기 때문에 면담의 주제도 연속적이어야 합니다.

성장은 연속적이기 때문에 면담의 주제도 연속적이어야 합니다.
Photo by Christina @ wocintechchat.com / Unsplash

최근 들어 1:1 면담에 대한 다양한 책을 읽어보고 있다. 그러면서 공통적으로 떠오른 질문이 있었다. "3년뒤의 나, 5년 뒤의 나"를 면접 때 물어보는데 이러한 질문을 도와줄 수 있는 리더가 되려면 어떻게 해야할 것인가였다.

회사의 업무에 치이다보면 이런 사이클은 생각하지도 못한 상황에서 반복된 운영업무로 치일 수도 있는 것이 회사생활이다 .자칫하면 나의 시간을 회사에게 적당한 가격에 후려쳐서 팔고 나에게는 남는 것이 없는 상황이 될 수도 있다. 그렇기에 경험에 대한 코칭을 신경써야 하는 것이 리더라고 생각한다.

그래서 이전에는 "실리콘밸리에선 어떻게 일하나요"를 보고 강점을 아래와 같이 다섯가지 요소로 나는 부분을 참고하여 5주에 걸쳐 1:1을 하였다.

  • 다음과 같은 요소들을 통합적으로 고려해야 한 사람의 강점을 제대로 이해하고 정의할 수 있다.
    • 기술: 어떤 소질과 능력을 갖고 있는가?
    • 문제 접근법: 남들과 다르게 보는 관점이 있는가
    • 행위: 어떤 일을 할 때 즐거움을 느끼는가
    • 관심분야나 가치관: 어떤 주제가 심장을 두근거리게 하는가
    • 업무스타일: 어떤 스타일로 일할 때 가장 효율이 높은가?
  • 이러한 요소들을 통합적으로 고려하면 이런 사람이 해야할 프로젝트나 업무가 대충 감이 잡힐 것이다

이후에는 일반적인 코칭 대화 프레임워크인 GROW 등을 이용해서 코칭 세션을 진행하듯이 1:1을 진행하기도 하였다. GROW는 Goal - Reality - Option - Will의 앞 글자를 딴 모델로 목표를 세우고(Goal), 현황을 살핀후(Reality), 대안을 탐색하고(Option), 실행의지(Will)를 일깨우는 형태의 대화형태를 띈다.

그런데 여기까지 작성하고 나니, 이를 1회 끝나고 나면 다음에는 무엇을 해야 할지 고민이 되었다. 지금 돌이켜보니 이 때 잘못 생각한 것이, 1:1을 이벤트의 개념으로 바라보고 있었다. 대화의 목표가 뚜렷하지 않았다. 물론 리더로서 팀원의 성장을 이끈다라는 측면이 있었지만 측정에 대해 고민하지 않았고 그냥 좋은 시간이 되자..라는 생각이 가득했던 것같다.

따라서 연속성을 크게 고려하지 않은 것같다. 물론 돌이켜보면 그렇다고 대화에서 연속성이 아예 제외되었던 것은 아닌 것 같지만, 명확하지 않았다. 이를 반복하지 않기 위해서는 어떻게 해야 고민하던 차에 회사의 비전과 미션에 대한 중요성을 종종 언급했던 모습이 생각났다.

위의 이미지에서 볼 수 있듯이, 비전과 미션으로 비롯되어 각 개인의 해야 할 업무와 일들이 구성되는 것이 일반적이다. 이는 회사의 생명주기와 함께 영속적인 요소이다. 여기에 GROW 모델을 결합하면 1:1이 연속적일 수 있겠다는 생각이 들었다. 지속해서 비전과 미션을 상기시면 문제를 바라보는 범위나 도메인 지식도 함께 성장할 수 있을 것이다.

덧붙여 최근에 읽은 "평가보다 피드백"을 포함해서 AAP(After Action Plan)이나, AAR(After Action Review)를 GROW의 W(Will) 단계에서 결합하면 보다 포트폴리오까지 자연스럽게 연결되어 구성원의 생산성이 더욱 향상되지 않을까 생각된다.

이렇게까지 적고 나면 질문의 양이 상당히 많아질 수 있기 때문에 적절한 취사선택이 필요한 것은 당연하겠지만, 중요한 것은 이러헥 할 경우 1:1의 사이클이 반복되는 것은 하나의 스토리 텔링 형태로 간주할 수 있을 것이기에 리더 입장에서도 1:1의 목표를 명확히 세울 수 있을 것이라곳 생각한다. 목표 달성기준과 회사 업무에 대한 성과로 보면 될 듯하고, 위 내용을 하나의 테이블로 만들면 1:1 성장 진척도 체크를 위한 템플릿도 만들 수 있을 법하다.

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