모조리 기획해주마

1. 모바일로 이동을 해야하는 이유.

 보통PC 트래픽은 주말에 죽음의 골짜기를 그리는 반면 (주중대비 트래픽 30%대로 감소), 모바일은 변화가 크게 없다.

 주중 모바일 트래픽 비중이 30%인 반면 주말에는 5~60%까지 치솟는다. 모바일 환경은 주중 주말 구분없이 이용자가 매우 쉽게 접근할 수 있는 환경이다.

2. 오프라인 채널에 돈을 쓰지 말아야 하는 이유.

 비용 대비 효과 차이가 100배이상 났다. 대규모로 집약적이게, 매스하게 가지 않을 것이라면, 애매하게 때리는 오프라인채널은 쓸모가 없다. 차라리 소규모 자금을 타게팅 되는 온라인 채널이나 제품 개선에 힘쓰는 것이 낫다.

말레이시아와 인도네시아에선

고급호텔엔 그나라 사람이 없었고

온갖 고층 빌딩에서는 서양인과 중국계 아시아인들만 나오더라.

왜 당신들 나라의 대접받고 좋은 자리에 다른 나라 사람들만 있는지.

왜 발리의 좋은 경치를 즐기며 차를 마시는 자리엔 외국 사람이 있고

바로 그옆에서 7살난 꼬마애 까지 동원되어서 일하고 있는건지.

식민지배가 끝났다고들 말하곤 있지만 이래서야 똑같지 않나?

환율로 지배당하는 세계가 아닌가.

여행자로서의 마음가짐은 여행하는 지역사람들에 대한 존중이라고 배웠다.

하지만 돈을 내면서 땅에다가 던지는 중국인도 어제는 보았고..

그걸 보면서 불편하지 않았던건 아닌데, 나도 자꾸만 우리나라와의 환율을 비교하면서

무의식적으로 이들을 낮게보는 마음이 스멀스멀 올라왔던걸 인정해야겠다.

한편으로 다행이라고 안도하게되는건 우리나라에는 신라호텔에 한국사람이 있다.

몇성급 되는 호텔들에 아직도 자국민들이 일하는게 아니라 손님으로 간다.

경제적으로 지금처럼 살기 위해서 정치적으로, 외교적으로 포기해야했던 것도 많았고

지금도 많은 비판을 받고있고 비판받을건 받아야한다고 생각한다.

그렇더라도 지금의 동남아 국가들을 보면서, (아직까지도 환율식민지배 받고있는 것 처럼보이는)

우리가 넋놓고 그냥 살았더라면 놓치게되었을 주권들도 생각하게 된다.

Hubud 보러 가는 여정길에 본 것들 때문에.. -_-

항상 외국 나오면 자국과 계속 비교하게 된다.

 <데이터과학에 대해 제대로 배우는 방법>  How to actually learn data science

<원문>https://www.dataquest.io/blog/how-to-actually-learn-data-science/?utm_content=buffer5a5db&utm_medium=social&utm_source=facebook.com&utm_campaign=buffer

<헬로 데이터 과학> 에서 소개한 요약에 본문의 텍스트를 조금 추가하여 내용을 소개합니다. 의역이 있으니 본문을 읽어보시는 것을 권합니다.

How to actually learn data science.

지금은 데이터과학의 적기다. 이 분야는 새로우며 매우 빠르게 성장하고 있고, 데이터 과학자에 대한 수요는 아주 크다. 이러한 수요와 공급의 차이는 사람들이 데이터과학을 배워야할 이유가 된다. 데이터과학을 배우는 첫번째 단계로 사람들은 이러한 질문을 한다. "데이터 과학을 배우려면 어떻게 해야하죠" 라고. 이러한 질문은 상당히 많은 이수해야 할 여러가지 코스와 읽어야 할 도서목록으로 이어지며, 선형대수와 통계에 대해서도 배울 것을 권한다. 나는 이러한 것들을 혼자 익혔으며 프로그래밍에 대한 경험도 전혀 없었다. 단지 나는 내가 데이터와 함께 일하는 것을 좋아한다는 것을 알았다. 

어떤 맥락적 고려없이 그저 방대한 양의 배워야할 목록이 주어지는 것은 전혀 동기부여되지 않는 일이다. 어떤 사람들은 책으로부터 배우는 것이 최선일지 모른다. 하지만 나는 아니다. 나는 뭔가를 시도함으로서 배우는 것이 최선이었고, 내가 동기부여되었을 때, 그리고 내가 왜 이것을 익혀야 하는지 알고 있을 때야말로 제대로 배울 수 있었다. 당신이 데이터과학에 대해 배우고 싶다면 선형대수나 통계를 익히는 것이 첫걸음이 아니라 데이터를 좋아하고 그걸 위한 방법을 찾아내는 것이 우선이 되어야 한다.

1. Learn to love data

동기부여에 대해 이야기하는 사람은 아무도 없다. 데이터과학은 배우기가 매우 어려운 분야다. 그렇기 때문에 동기부여 없이는 정말로 고된 시간이 될 것이다. 밤을 새는것도 별거 아닐 정도로 강한 동기부여가 되어야 한다. 반드시 필요하다고 생각되는 어려운 것을 배워야 할 때도 동기부여는 매우 중요하다.

2. Learn by doing

뉴럴네트워크, 이미지인식, 커팅엣지테크닉 등은 매우 중요하지만 데이터과학을 행하는 대부분의 시간에서 이것들은 쓰이지 않을수도 있다. 당신의 작업중 무려 90%가 데이터를 정제하는 데 쓰인다. 몇몇 알고리듬에 대해 잘 알고 있는 것이 많은 알고리듬에 대해 얕게 아는 것보다 낫다. 가장 중요한 건 실제 프로젝트를 통해 배우는 것이다. 그것을 통해 실제로 필요하고 유용한 스킬을 익힐 수 있고 포트폴리오도 만들 수 있다. 실제의 경험을 통해 컨텍스트를 얻는 것이 매우 중요하다.

3. Learn to communicate insights

데이터과학자는 자신의 분석결과를 다른 사람에게 보여줘야 한다. 이걸 잘할 수 있느냐에 따라 단순한 데이터과학자와 위대한 데이터과학자가 구분된다. 인사이트를 커뮤니케이션하는 것은 우선 주제와 관련 이론을 잘 이해하고, 깔끔하게 결과를 구성하며, 분석결과를 명확하게 설명할 수 있어야 함을 의미한다. 복잡한 컨셉을 효과적으로 설명하는 건 매우 어렵지만, 아래의 몇가지를 통해 도움을 받을 수 있다.

   - 기술적 숙련도가 적은 이들이나 가족들에게 데이터과학의 컨셉에 대해 설명해보라

   - Quora, DataTau, mamachine learning subreddit 등의 커뮤니티에서 활동해보라

   - 블로그를 만들고, 데이터분석결과를 포스팅해라

   - 정기모임에서 발표해보라

   - github 를 활용하라

4. Learn from peers

다른 이와 일하면서 성장하는 건 매우 환상적인 일이다. 데이터과학의 잡세팅에서 팀웍은 매우 중요하다. 이걸 도울 수 있는 몇가지 아이디어를 소개한다.

   - 데이터과학 블로그를 함께 공동운영할 수 있는 사람들에게 메세지를 보내보라

   - 동료를 찾을 수 있다면, 케글이나 머신러닝 컴피티션에 도전해보라

   - 밋업에서 함께 일할 사람들을 찾아보라

   - 오픈소스 커뮤니티에 기여해보라

5. Constantly increase the degree of difficulty

데이터과학을 하는 건 가파른 산을 오르는 것과 같다. 등반을 멈춘다면 다시는 아무것도 할 수 없다. 지금 하고 있는 프로젝트가 익숙해졌거나 새로운 컨셉을 도출한 것이 오래되었다면, 이제 좀 더 난이도를 높여야할 시기다. 이를 도울 수 있는 몇가지 아이디어다.

   - 알고리듬의 다중프로세서에서도 작동하려면 어떻게 해야 하는가. 그걸 해낼 수 있는가

   - 더 큰 데이터세트로 작업해보라. 그리고 스파크를 배워라

   - 기존의 알고리듬을 더 빠르게 만들 수 있는지 확인해보라

   - 지금 하고 있는 일을 초보자에게 가르쳐보라

결론

여기 제시된 것은 데이터과학을 배우기위해 따라야할 대략적인 가이드의 일부분이다. 이걸 잘해낼 수 있다면 자연스럽게 데이터과학에서의 전문성을 잘 개발하고 있는 자신을 보게 될 것이다. 난 방대한 리스트를 주는 방식을 좋아하지 않는다. 그건 배움의 다음 단계로 진입하는 것을 어렵게 만든다. 많은 사람들이 교과서의 무크의 방대한 양에 질려 배우기를 포기한다 나는 올바른 마음으로 접근한다면 누구든지 데이터과학을 배울 수 있다고 생각한다.

아래는 데이터과학을 공부하는 데 도움이 될만한 리스트업.

• Khan Academy – good basic statistics and linear algebra content.
• Introduction to Linear Algebra, 4th Edition – Great linear algebra book by Gilbert Strang.
• Calculus Online Textbook – also by Gilbert Strang, great calculus book.
• Elements of statistical learning – good machine learning book.
• Andrew Ng’s Machine Learning Class – the original coursera machine learning class. Mostly video-based.
• OpenIntro Statistics – Good basic stats book.
• Google Scholar – A paper can be a great way to learn about a topic. For example, here’s Breiman’s original random forest paper.
• Statsoft statistics textbook – Good for looking up statistics concepts.

언어는 정의로부터 작동한다.

A를 똑같은 두 사람에게 보여주었을 때 

한 사람은 치킨을 한 사람은 피자를 떠올린다면

그건 A라는 개념에 대한 약속이 제대로 이루어지지 않고 있다는 뜻이다.

올바른 커뮤니케이션을 위해서는 정의가 필요하고 그것을 공유하는 일이 필요하다.

작년 이맘때 쯤 우연히 카카오의 Adrian님 앞에서 발표를 할 기회가 있었는데

시종일관 모든 피드백이 모두 단어의 정의에 대한 것들이었다.

법조인이셨던 과거가 한 몫했던 탓일까, 무엇보다 언어의 정밀성에 엄격하셨다.

어떤 피피티 장표에선 카카오게임, 어떤 장표에선 카카오게임하기, 어디서는 카카오톡

그런 식으로 다르게 불렀지만 결국 그 단어들 모두는 한 개념을 지칭하고 있었다.

역시, 언어는 정의로부터 작동한다.

거시기가 거시기가? 하면서도 모든 뜻이 다 통해버리는

우리네 시골과는 다르게 처음 보는 사람들끼리는 어색함만을 유발할 뿐이다.

어떤 한 개념은, 사회 구성원들의 정의를 통해 그 의미를 가지게 되고.

그것이 모두가 공유하게 되면, 언어안에서 그 개념을 불러가며 대화하는 사람들의

머리 속에 똑같은 이미지를 그리게 되는 것이다.

그라운드 룰도 그래서 중요하다.

카카오 Adrian님이 친구들과 창업할 때 꼭 만들고 지켜야할 룰을 만들라고 하셨다.

20년 넘게 다른 상황에서 자란 사람들 끼리 같은 단어에 대해 어떻게 똑같은 이미지와 심상을 떠올리겠나 

규율을 정하며 "이런 것 까지 규율을 정해야해?" 라는 생각이 드는 항목이 바로 그라운드 룰의 항목에 적합하다. 구성원 모두가 같은 행동과 말에 대해 같은 기대치와 이미지를 가질 수 있게 해주는 좋은 규칙이다.

이제서야 본 영화!!

왜 다들 그렇게 난리였나 했는데

다양한 앵글이 만들어내는 영상미만으로도 최고인데

거기에다가 정말 달콤한 음악들이 만들어내는 장면의 시너지는

가히 최고라고 할 수 있었다.

당분간 ost에 빠져 살듯 하다.

"데이터란 현실의 그림자다."

문석현 쿠팡 PO님이 했던 말인데, 요즘 들어 더 와 닿는 말이다.

자꾸 숫자로만 현상을 바라보다 보니, 이용자 한명 한명의 의미를 잃고 있었다.

숫자는 이용자들을 모두 "하나"라는 수치로 일원화 시킨다.

그들 한명 한명이 가지고 있는 의미를 모두 무시한채로.

반면, 옆 방 CS팀에서는 그 한명 한명이 전화하는 내용을 다 듣고 있고,

그들 한명 한명의 생각을 알고 있다. 다 소중한 이용자들이다.

데이터를 보는 이유는 현상을 파악하기 위함이다. 

그림자를 분석하는 목적은 그림자가 아니라 그림자를 만들어내는 사람들에게 있다.

과연 그 지표에 해당하는 "1"이 실제로 의미하는 것이 무엇인지

깊은 고민이 필요할 터 이다.

데이터를 앞으로 보아나갈 기회를 계속해서 잡을 요량이라면

그 숫자가 정말 의미하는게 무엇인지 깊이 생각하고 접근하고 다루어야겠다.