조직행동, 의사결정·개인 차이와 조직적 제약은 무엇인가?

만약 리더들에게 '당신은 저무는 리더입니까 아니면 떠오르는 리더입니까' 라고 묻는다면 어떤 대답이 나올까?질문 자체가 우문이라 농으로 받아 넘기겠지만 그렇더라도 내심 자신을 ‘저무는 리더’라 말하고 싶은 리더는 아마 없을 것이다. 하지만 구성원들에게 묻는다면 좀 다른 대답이 나오지 않을까? Fast Follower 시대는 저물고 있고 First Mover 시대가 떠오르고 있다. 물론 모두 First Mover가 될 수는 없다. 말 그대로 가장 먼저 움직이는 자는 늘 하나니까. 하지만 이른바 ‘First Mover DNA 지향’ 만큼은 모두에게 요구되는 시대가 되었다. Fast Follower는 앞 서가는 Player들을 목표 삼아 빠르게 catch up하는 것이 관건이었다. 모방과 속도가 DNA였다. 그러다 보니 이를 위해 필요한 리더십은 통제와 관리였다. ‘리더 = (통제)관리자’란 등식이 통용되었다. 이에 반해 앞에 선 자는 바람을 제일 먼저 맞는다. 나아갈 바도 정해야 한다. 그렇기에 First Mover의 DNA는 탐색과 민첩함, 회복탄력이 된다. 따라서 이를 위해 필요한 리더십은 구성원에 대한 임파워먼트와 지원이다. 안개 낀 상황 속에서 민첩하게 탐색하고 실행하며 쉽사리 번아웃 되지 않는 주체가 리더뿐 아니라 구성원에게로 옮아갔기 때문이다. 이런 맥락에서 ‘저무는 리더’는 통제하고 관리하는 리더, ‘떠오르는 리더’는 위임하고 지원하는 리더라 할 수 있다.하지만 머리로는 ‘떠오르는 리더’의 모습을 그리되 행동은 여전히 ‘저무는 리더’인 경우를 어렵지 않게 볼 수 있다.이유가 무엇일까?많은 리더들이 성과를 내기 위해서 통제와 관리는 어쩔 수 없다라고 이야기 하지만, UC 버클리대 제니퍼 챗맨 교수는 이에 대해 정면으로 반박한다. 리더가 통제와 관리 중심의 리더십 발휘를 내려놓지 못하는 이유는 성과 때문이 아니라 리더 내면의 불안감과 상황을 통제하려는 욕구 때문이라는 것이다. 리더의 이런 불안감은 구성원들에게 그대로 전달된다. 리더가 통제와 관리 중심 리더십을 발휘 하면 구성원들은 리더가 자신을 믿지 못한다고 느끼고 점점 더 자신감을 잃게 된다. 또, 스스로 결정하고 일하는 것에 대해 두려움을 갖게 된다.그렇다면 ‘떠오르는 리더’로의 전이를 방해하는 이 내면의 불안감과 상황 통제 욕구를 어떻게 내려 놓을 수 있을까? Fast Follower 조직 리더와 First Mover 조직 리더가 보이는 구체적인 행동들을 check point 삼아 방책을 떠올려 보자.첫째, Fast Follower 조직 리더들은 구성원들이 일하는 과정 하나하나에 개입하고 통제한다. 사소한 일이라도 모두 자신이 알고 있어야 한다고 생각하고 구성원들에게 일의 진행상황을 자주 보고하도록 요구한다. 구성원들은 경험상 무슨 일이든 리더의 승인 없이 진행하면 질책 받는다는 것을 잘 알고 있다. 이 때문에 구성원들은 진행상황을 자주 보고하고 리더에게 의사결정을 받는, 가장 안전한 방법을 택하게 된다. 만약 구성원들이 너무 자주 보고를 하거나 세세한 것까지 리더의 의견을 물어본다면, ‘역시 우리 부서는 내가 없으면 돌아가지를 않아’ 라고 뿌듯해 할 것이 아니라 스스로 ‘저무는 리더’에 속한 것은 아닌지 돌아 볼 때다.둘째, Fast Follower 조직 리더는 자신이 원하는 방식과 스타일대로 일이 진행되기를 바란다. 자신의 방식이 정답이라고 생각하고 다른 것은 용납하지 않는다. 문서의 양식이라든지, 보고서를 작성하는 방식, 고객을 대하는 방법 등이 모두 여기에 해당된다. 리더의 스타일과 다른 것은 서툴거나 일을 잘 못하는 것으로 치부된다. 더 좋은 방식을 찾아 일하던 구성원들도 이런 벽에 몇 번 부딪치고 나면 그냥 리더의 방식에 맞춰 일하게 되는데, 결국 최선의 방법을 찾아 더 나은 아웃풋을 내는 데 초점을 맞추기보다 리더의 만족을 얻고 질책을 피하는 방향으로 일하게 된다.셋째, Fast Follower 조직 리더는 구성원의 강점을 인정하기보다 약점이나 실수를 지적하는 일에 중점을 둔다. 구성원의 잘못을 교정하고 가르쳐주는 것이 리더의 중요한 역할이라고 생각하기 때문이다. 그리고 아무리 지적을 해도 구성원들의 역량이 나아지지 않는다고 안타까워한다. 하지만 사실은 리더가 통제와 관리로 일관하기 때문에 구성원들이 성장할 기회를 갖지 못하는 것이다. 역량을 쌓기 위해서는 스스로 고민해서 방법을 찾고, 결정하며 이에 대해 책임을 질 수 있어야 하는데, 이럴 틈도 없이 리더가 하나하나 지적을 하게 되면 구성원들은 그 정해진 틀에 갇혀 성장할 기회를 잃게 된다.이렇게 Fast Follower 조직 리더는 구성원들의 일을 일일이 보고받고 지적하며 구성원들이 해야 하는 작은 결정들을 해주느라 바쁘다. 그래서 장기적인 전략을 고민한다든지 중요한 고객을 만나는 등 정작 리더가 해야 하는 일에는 많은 시간을 쏟지 못한다. 결국 과거 리더가 이끄는 조직에서는 리더와 구성원, 그 누구도 자신의 역할을 제대로 해낼 수 없다.그렇다면 First Mover 조직풍토를 만드는 리더들은 어떻게 다를까?가장 핵심적인 차이는 일의 주인이 리더가 아닌 구성원이 되도록 해주고 있다는 것이다. 업무를 부여할 때 조직은 물론 구성원 입장에서 업무의 의미를 공유하고 목표와 아웃풋 이미지를 공유하되 일을 진행하는 방법은 구성원이 선택할 수 있도록 시간과 권한을 준다. 조금 불안한 마음이 들더라도 큰 틀에서 목표를 벗어나지 않고 일정도 지켜지고 있다면 세세하게 간섭하기보다 한 발자국 뒤에서 지켜본다. 혹시 구성원이 선택한 방법이 큰 효과를 얻지 못하고 또 다른 길로 돌아간다 하더라도 구성원들이 시행착오를 통해 더 많은 것을 배울 수 있다는 확신을 놓지 않는다.둘째, 일하는 중간중간에 발생하는 작은 의사결정들은 구성원에게 맡긴다. 중요한 단계에서 리더가 의사결정을 해야 할 때에도 먼저 구성원의 생각을 물어보고 그 의견에 귀를 기울인다. 스스로 결정하거나 최소한 의사결정에 자신의 의견이 반영된다고 느낄 때 구성원들은 오너십과 책임감을 갖게 됨을 알기 때문이다.물론 First Mover 조직에서도 여전히 세세한 통제와 관리가 필요할 때가 있을 것이다. 이를 테면 신입사원이 처음 업무를 배울 때나 역량이 부족한 구성원에게 업무를 하나하나 가르쳐줘야 할 때가 그렇다. 하지만 꼭 기억해야 할 것은 이것이 리더십 철학이 되어서는 안 되고 어디까지나 일시적인 지원 활동의 일환이어야 한다는 것이다.글로벌 리서치 펌인 갤럽은,“통제와 관리 중심의 리더가 되기를 바라는 리더는 없지만, 많은 리더가 통제와 관리를 했을 때 뿌듯함을 느낀다”고지적한 바 있다. 통제권을 갖고 직원들에게 긍정적 영향력을 미쳤다고 생각하기 때문인데, 이것이 바로 통제와 관리 중심의 리더십, 즉 저무는 리더십임에도 불구하고 이를 지속하고 싶게 만드는 몹쓸 유혹이다.익숙한 자기만족, 저무는 리더십 관성Inertia에서 과감히 벗어나야 할 때다.

컴퓨터가 학습을 한다? 이제 더 이상 새롭지 않은 개념이죠. 데이터 분석 분야에서 컴퓨터가 학습하는 것을 머신러닝이라고 합니다. 컴퓨터가 그러면 학습을 어떻게 할까요? 우선 컴퓨터가 할 수 있는 것부터 살펴보시죠. 컴퓨터는 사실 큰 계산기에 불과합니다. 덧셈과 곱셈 등을 수행하죠. CPU는 빠르게 덧셈과 곱셈을 수행하고 Memory는 이를 저장하는 역할을 합니다. 그러면 우리가 쓰고, 보고, 듣는 정보들은 어떻게 컴퓨터에 입력되고 또한 출력되는 것일까요? 쉽게 말하면 컴퓨터가 이해할 수 있도록 문자, 음성, 사진 등을 숫자로 변환하는 과정이 필요하고 다시금 컴퓨터가 연산하고 저장한 것을 사람이 이해하기 위해서는 숫자를 문자 등으로 변환해야 합니다. 사람이 컴퓨터가 이해할 수 있도록 숫자로 입력하는 것을 모스 부호치듯이 넣지는 못하므로 보통 프로그래밍 언어를 쓰는데요 이를 컴파일러(compiler)라고 부릅니다.그러므로 컴퓨터에 학습을 시키기 위해서는 일단 소통할 수 있는 프로그래밍을 보통 활용해야 합니다. 여러 가지 프로그래밍 언어가 있지만 여기서는 Python을 통한 머신러닝 분석 사례를 말씀드려보겠습니다. 그렇다면 머신러닝을 통해서 해결 가능한 문제는 무엇이 있을까요? 즉, 어떤 질문을 답하기 위해서 머신이 학습을 하는가?에 대한 답변 입니다. 첫 번째 질문은 ‘이것은 A인가, B인가?”입니다. 이 질문에 답하는 알고리즘을 분류 알고리즘(Classification 알고리즘)이라고 합니다. 여러 무리(class) 중에서 무엇이 정답인지 찾아내는 절차를 가리킵니다. 가장 간단한 알고리즘은 사진 속 동물이 고양이인가 강아지인가 식입니다. 조금 더 복잡한 형태를 보면 신규 고객은 기존 회원 중 누구의 행동 패턴과 비슷한가?를 볼 수 있습니다.두번째 질문은 “이것이 일반적인가? 특별한가? 입니다. 이 질문에 답하는 알고리즘을 이상(Anomaly) 감지 알고리즘 입니다. 가장 대표적인 사례가 신용카드사의 변칙적 사용 모니터링입니다. 늘 집 근처 마트에서 20만원 가량만 쓰던 신용카드로 초호화 리조트에서 2,000만원을 결재하면 신용카드는 이상징후를 발견합니다. 이뿐만 아니라 지진 등 재해의 전조를 알아내거나 해킹 공격을 탐지할 때 등에 씁니다. 세번째 질문은 “이것은 몇 개인가? 또는 얼마나 많은가?” 입니다. 이 질문에 답하는 알고리즘이 “회귀“ 입니다. 여러 변수의 규모를 측정하고, 이 규모의 변동 규칙을 파악함으로써 같은 규칙이 적용된다면 변수의 크기가 어떻게 변할지 예측하는 것입니다. 내일 날씨가 몇 도일까? 태풍은 언제 도착할까? 다음 분기 매출은 얼마나 될까? 등 입니다.네번째 질문은 “이것이 어떻게 구성되어 있는가? 입니다. 이 질문에 답하는 알고리즘이 대표적으로 “군집화 알고리즘 (clustering 알고리즘)” 입니다. 분류화와 군집화는 비슷해보이지만 다릅니다. 분류가 미리 정해진 그룹에 각 개체를 하나씩 구별하는 연역적인 방법이라면, 군집화는 모든 개체를 비슷한 것끼리 묶어 그룹을 만들어내는 귀납적 방법입니다. 데이터 간의 관계 주고를 파악하거나 특정 그룹 안에서 중요하거나 영향력 잇는 노드(node)가 무엇인지 파악할 때 클러스트링이 위력을 발휘합니다. 사회 연결망 분석(social network analysis)나 유사한 자료 패턴을 바탕으로 유비추리하는 협업적 필터링(collaborative filtering) 시스템 등이 많이 쓰입니다.위와 같은 질문 네 가지를 답할 수 있는 머신러닝 종류를 보통 세 가지(지도학습, 비지도학습, 강화학습 등)를 분류하는데요, 이번 글에서는 지도학습과 비지도학습에 대해서 우선 알아보겠습니다. 지도학습(supervised learning)은 말 그래도 컴퓨터에서 분석 결과에 대해서 “지도”해주는 방법입니다. 결과치(Y) 혹은 목표변수를 컴퓨터에게 알려준다는 의밉니다. 가령, 우리가 1,3,7,10이란 숫자를 어린 아이에게 가르친다고 하면 처음에 아이는 “1”을 보고 “7”이라고 읽을 수 있습니다. 이때 선생님이 “그것은 7이 아니라 1이예요”라고 가르쳐 주는 것처럼, 컴퓨터에게 정답을 알려주고 학습시키는 것이 지도학습입니다. 분류(classification)와 추정(estimation)이 지도학습의 대표적인 알고리즘이며, 분류에서는 로지스틱 회귀(logistic regression), 랜덤포레스트(random forest) 등이 있으며, 추정에는 선형회귀(linear regression)와 회귀트리(regression tree) 등이 있습니다.<출처:https://busy.org/@urobotics/5bksow>지도학습이 정답을 알고 학습하는 것이라면 비지도학습(unsupervised learning)은 결과치(Y)와 목표변수를 모른체 학습을 시키는 것입니다. 가령, .원숭이, 토끼., .바나나 ,홍당무.처럼 동물과 과일끼리 묶인 데이터로 패턴을 주었다고 가정해보시죠. 비지도학습으로 이 문제를 푼다면 이에 대한 정답은 동물끼리 묶인 .원숭이, 토끼.로 구분될 수도 있고 아니면 .원숭이, 바나나. 등으로 나눌 수도 있습니다. 이렇듯 정답이 없는 문제를 학습하는 것이 비지도학습이며 서로 비슷한 데이터로 묶어주거나 특이한 데이터를 발견하는 등의 작업에 활용됩니다. 대표적으로 차원축소(dimension reduction), 군집화(clustering), 연관성 규칙 발견(association rule) 등이 있습니다. 차원축소에는 주성분 분석(pricipal component analysis), 요인분석(factor analysis) 등이 있고, 군집화에는 위계적 군집화(hierarchical clustering), K-means clustering 등이 있으며 연관성 규칙 발견에는 시퀀스 분석(sequence analysis) 등이 있습니다. 이와 같은 분석 방법을 알고리즘 혹은 모델이라고 표현할 수 있습니다.풀려는 문제 목적과 방법이 정해졌으면 컴퓨터에게 어떻게 학습을 시킬까요? 우선 데이터를 훈련용과 성과 대조용으로 구분합니다. 즉, 훈련용 데이터를 데이터 분석 모델에 적용하여 얻은 결과를 대조용 데이터와 비교해서 분석 모델의 성능을 평가하는 것입니다. 그렇게 때문에 있는 데이터를 7:3 혹은 8:2 비율로 구분해서 학습을 시키고, 나머지 데이터로 학습이 제대로 되었는지를 확인하는 것입니다. 이 과정이 바로 학습과 모델 평가 단계 입니다. 위 세가지 프로세스를 Python을 통해서 진행한다고 하면 아래의 그림과 같은 순서와 방법을 활용할 수 있습니다..데이터 전처리.에서는 데이터 클린징, 결측값 처리 및 이상치 등을 제고하고요, .데이터 세트 분리.에서는 머신러닝 패키지 중 하나인 사이키런(sklearn)을 활용해서 train.test.split()으로 학습/성과 대조용 데이터로 분리합니다. .모델 학습 및 검증. 단계에서는 알고리즘을 학습시키는데 fit()을 활용하고, .예측수행.에서는 predict()를 통해서 데이터를 예측해봅니다. 그리고 .평가.에서 성과 대조용 데이터로 모델의 정확도를 평가하는데 sklearn.metrics() 등을 쓸 수 있습니다. 이처럼 컴퓨터가 학습하는 것에도 다양한 방법이 있지만 People Analytics 수행을 위해 주로 쓰는 머신러닝 중에서도 지도학습에 대해서 알아봤습니다. 다음 시간에는 회귀 분석을 통해서 성과를 예측하는 방법에 대해서 구체적으로 알아보도록 하겠습니다.< 머신러닝 지도학습 프로세스: 출처 http://scimonitors.com/%EB%B9%85%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%8D%B0%EC%9D%B4%ED%84%B0%EC%82%AC%EC%9D%B4%EC%96%B8%EC%8A%A4-%ED%95%99%EC%8A%B5-%EA%B0%80%EC%9D%B4%EB%93%9C/>