------------이하: 12/28자 업데이트-----------------
우선 제 원글에 댓글을 달아주신 여러분께 감사하다는 말씀을 전합니다. 댓글을 읽으며, 미쳐 생각이 미치지 못 하였던 부분까지도 생각을 해볼수 있는 값진 기회였어요. 또 헝클어져 있던 제 생각을 정리도 할 수 있었습니다. 하여, 사내 지원했었던 Data Scientist 포지션에의 변동 사항 공유해드리고자 합니다. Hiring manager에게서 연락을 받았습니다. 절 포지션에 채용하지는 않지만, 저와 협업을 했으면 한다는 제안을 해왔습니다. 이 제안을 제 매니저는 수락을 했습니다. 두 매니저로서는 윈윈 상황입니다. 데이터 사이언스 팀에서는 저의 domain knowledge가 필요하고, 현 부서에서는 데이터 사이언스 팀의 Deep Learning 기법을 적용해보고 싶어하니까요. 현 부서는 inline visual inspection machines를 담당합니다. 협업의 골자는 Computer vision, image classification, patterning 등입니다. Deep learning 기법을 적용하여, inspection program의 정확도를 높이고자 하는 의도입니다.
여기서 생각해봐야할 점이 있는데요. 데이터 사이언스 팀에는 제조, lean manufacturing, unit process의 domain knowledge를 조금이라도 이해하고 경험해본 사람이 없습니다. 새로 뽑은 사람도 그러할것으로 짐작합니다. 그렇기에 제게 domain knowledge를 공유해달라고 요청하는것이겠지요. 제 domain knowledge가 필요한 프로젝트는, 데이터 사이언스 팀에서 진행 중인 여러 프로젝트 중에서 하나인 프로젝트이며, 단중기 프로젝트입니다. 짧게는 6개월에서 길게는 1년 6개월 정도 걸릴 것으로 예상합니다. 문제는, 제가 데이터 사이언스 팀의 실무진 (심지어는 저대신 뽑은 새 직원)에게 domain knowledge를 전수해주는 불쏘시개 역할만 하게 되지 않을까 하는 우려입니다. 제 용도가 다 하면, 협업은 끝날 것으로 예상합니다. 차후 데이터 사이언스 팀에서 사람을 더 뽑는 날이 오더라도, hiring manager가 저를 뽑을 것 같지 않습니다. 한 번 No했던 사람을 다시 뽑는 경우는 없지 않습니까? 되려 새로운 인력 pool에서 사람을 찾겠지요.
데이터 사이언스 팀만 접근 가능한 데이터 베이스에의 접근을, 제게도 허용해줄것인지를 보면, 데이터 사이언스 팀에서 저를 동반자로 생각하는지, 아니면 필요한 부분만 빼먹고 손절할지를 쉽게 파악할 수 있을겁니다. 데이터 사이언스 팀에서 제게 data science, machine learning, deep learning 등에 관한 교육을 따로 시켜주지는 않을 것 같습니다. 상대방에게서 받는 건 괜찮은데, 상대방에게 주는 건 꺼리는 건, 인간의 본성이니까요. 다행히 상기 툴 자체에대한 진입 장벽이 생각보다 높지 않더군요. 기존에 혼자 공부를 하면서 다진 기초에 덧붙여서, 필요한 부분(협업을 통해 체득한)은 제 스스로 공부를 하면서 채울 계획입니다.
우선은 현 부서에 deep learning approach를 적용하여, 생산성을 향상시키는데에 주력을 하려고 합니다. Deep learning 기법을 도구로서 잘 활용하는, 엔지니어 이력을 다지는데에 촛점을 맞추고 협업을 진행해보고자 합니다. 제조에서의 데이터 사이언스가 허상인지, 엔지니어가 deep learning 기법을 배우는게 실효성이 더 큰지는, 제가 내공을 충분히 쌓게되면 공유해드리겠습니다. 다시금 토론에 참여해주신 여러분들께 감사하다는 말씀 전합니다.
------------이하: 12/12에 올린 원글-----------------
여행과 관련된 주제를 다루는 인터넷 공간이긴한데, 가끔은 진로 고민 상담 요청글도 올라기도 하는걸 봤어서, 용기를 내어 글을 하나 적어봅니다. 궁금한 점은, 제조 업체에서 데이터 사이언스를 접목해야할 타당성이 있는것인지, 아니면 제조업에서 도입한 데이터 사이언스라는 새 프레임은, 실은 엄밀한 의미에서의 데이터 사이언스가 아닌건지 궁금합니다.
실은, 전자 부품 제조 업체에서 공정 엔지니어로 일하는 와중에, domain knowledge를 바탕으로, Data Scientist로 경력을 쌓아볼까 하는 생각을 해오다가, 제조업에서의 Data Science가 허상 혹은 일시적인 거품인지, 아니면 제대로된 방향인지 의구심이 듭니다. 얼마전에 Data Scientist 포지션 사내 공고가 있어서 지원을 했었거든요. 기존에 현업에서 Data Mining/Data Visualization에 관한 경험을 쌓긴 했습니다. 머신 러닝 기법은, 준비가 미흡했습니다. 현업에서 적용해본적도 없고요. 현업에서 굳이 필요한지도 잘 모르겠습니다.
이번에 합격을 하진 못 했는데, 향후 비슷한 포지션이 또 생길걸 감안해서, 제가 역량을 집중하여 일과 외 시간에 따로 투자하여 공부/준비할 가치가 있을지.... 아니면 시간 낭비일지 감을 못 잡겠네요. 만약에 제조업에서 데이터 사이언티스트가 필요가 없다면, 데이터 사이언티스트가 필요한 업종(FAANG 혹은 금융권)으로 이직할 가능성과 의향은 전혀 없습니다. 학부/대학원 전공이 통계, CS, 물리, 수학이 아닙니다. 학위 후 현 회사에서 Data Mining/Data Visualization을 업무 중 경험을 하긴 했습니다. 파이썬 이용해서 데이터에 통계 모델을 적용, 결과값을 시각화하는 훈련은 얕게나마 혼자서 공부했고요.
1) 제가 링크한 아래의 글을 참고하면, 이분은 제조 업체에서는 데이터 사이언스가 도입되어야할 필요성을 모르겠다는 입장입니다.
https://blog.pabii.co.kr/big-data-manufacturer/
2) 반면, 아래 링크를 보시면, 한국에 제조/데이터 사이언스 관련 연구 단체나 부서가 최근에 여럿 생겨났습니다.
https://sites.google.com/site/dsfmanufacturing/yeonguhoesogae
https://news.skhynix.co.kr/2290
3) 흥미롭게도, 같은 포지션에 대하여, SK Hynix Korea에서는 Data Scientist라는 용어를, SK Hynix America에서는 Applied Scientist라는 용어를 사용하고 있습니다.
4) 아래 글을 보면, "빅 데이터 시대가 온게 아니라, 내 데이터가 빅 데이터라고 우기는 시대가 온 것 같다"라는 의견을 제시합니다.
https://blog.ab180.co/posts/data-science-with-r-2-data-visualization
기존에 해 오던 일인데도, '데이터 사이언스'라는 단어를 집어 넣으면, 연구비 수령이 쉬워지고 혹은 결재 보고서가 쉽게 통과가 되니까, 꼭 필요하지도 않은 업종에서도 데이터 사이언스라는 단어를 남용하고 있는것인지 궁금합니다. 또, 과연 제조 업계에서는 빅 데이터와 데이터 사이언스라는 두 단어의 정의를 정확히 이해하고 있는지 궁금하네요.
그리고, FAANG이나 금융권을 제외한 업종에서, 데이터 사이언티스트가 어떻게 육성되는지 궁금합니다. 데이터 사이언티스트가 꼭 필요한 경우에요. 크게는 아래의 두가지 경우가 있을것 같은데요.
A) Domain knowledge를 가진 내부 인력을 사내 채용하여, 데이터 사이언티스트로 키우는 방법
B) 데이터 사이언스 전공을 한 외부 인력을 채용하여, domain knowledge를 주입시키는 방법
여러분들의 의견 혹은 조언 부탁드립니다. 제가 계획을 세우는데에 도움이 많이 될 것 같습니다.
제조업에서도 분석할 데이터는 차고 넘치죠. 옛날부터 데이터 분석은 하고 있던 일인데 요즘 Data Science 가 핫하다 보니 기존의 데이터 분석 업무에 Data Science 를 갖다 붙이는 경향이 있어요. 회사마다 분위기는 좀 다르지만 내부 육성 + 외부 수혈 모두 흔합니다.제생각엔 Job Title보다는 실제 업무가 얼마나 고도의 데이터 분석을 요구하는지 잘 보시는게 좋습니다.
일단 위 2)의 첫 번째 연구기관의 자료실 논문들만 보더라도 데이터 사이언스라는 이름으로 응용분야와 예시를 들려고 노력했는데 사실 통계와 해석에 능한 하드웨어 엔지니어라면 이미 어느 정도 해오던 일 아닌가 싶기도 하네요. 2)의 두 번째 SK하이닉스, 그리고 3)은 같은 자료에요. 가우스랩이라고 산학협동식으로 SK하이닉스산하에서 운영되는 연구실로 알고 있습니다.
https://news.skhynix.com/sk-hynix-invests-in-ai-specialized-company-gauss-labs-inc-to-lead-sks-future-value-creation/
체리님 말씀대로 이미 제조업 분야에서도 필요한 곳은 데이터 분석 열심히 하고 있습니다. 그런데 제조업 관련 업체에서 데이터 사이언티스트라는 거창한 이름을 붙여가면서 채용하는 흐름은 없는것 같아요. 앞으로도 당장은 없지 않을까 싶습니다.
무슨 말뜻인지 잘 알겠습니다. 댓글 감사합니다!
레토릭상의 '빅데이터' 거품이 생기는 거랑 실제 data analytics의 필요가 늘어나는 거랑 또 좀 구분해봐야 할거 같아요. 저는 관련없지만 댓글이 기대되어 살짝 끌어올립니다^^
데이터 사이언스는 제조업에서도 많이 쓰이죠. 대표적인 예들은 아래 링크 참고해 보세요. 물론 이 외에도 더 많죠.
https://www.kdnuggets.com/2019/03/top-8-data-science-use-cases-manufacturing.html
본문에 있는 링크들은 주로 한국 업계/한국 기업에 대한 것인데 미국 취업을 원하신다면 미국 기업의 사례를 보시는게 더 좋을것 같네요.
댓글 감사합니다. Pivot points에 Sensor와 PLC (Programmable Logic Control) 그리고 SCADA의 도입을 통한 공정의 automation 및 통계적 관리는 기존에 해왔던 부분으로 알고 있습니다. Operations Research라는 학문은 가격 결정 및 자원의 적재 적소 배치 측면에서 이미 연구가 상당 부분되어 있는 것으로 알고 있습니다.
제조업 분야에서 Machine Learning 기법을 도입하여 성과를 볼만한/보고 있는 부분은, 반도체 회사에서 CD SEM(Critical Dimension Scanning Electron Microscope)으로 wafer의 region of interest에 존재하는 inspection points가 within acceptable range에 들어오느냐 하는 의사 결정을 인공 지능이 스스로 하는 image classification 혹은 patterning 부분이 아닐까하는 생각을 했었어요. KLA Tencor, ASML이나 Hitachi 같은 회사에서 이미 많은 연구 및 일을 했었을것입니다. inspection의 reference에 해당하는 golden sample을 기계가 스스로 업데이트해나가는 부분까지도요. 이 부분은 광학과 머신 러닝을 동시에 전공한 사람이 이미 일을 하고 있을줄 압니다. 영상 의학과에 인공 지능을 도입하여, 판별 정확도가 사람 의사보다 높아진지가 2년이 넘은걸로 기억하는데, 반도체의 자동 검출 작업과 괘를 같이하는 성격의 일이라고 이해하고 있습니다.
저 또한 제조업에서의 빅 데이터, 데이터 사이언스, 머신 러닝에대한 정의가 제대로 되어 있지 않다보니, 여러분들의 고견을 들으면서 개념을 정리해보려는 시도를 했습니다.^^
비슷한 상황에서 고민을 했었습니다. 저는 리테일쪽 근무했고 구매/물류 쪽에서 데이터쪽으로 진로를 고민하다 최종적으로 다른 직군으로 넘어오게 되었습니다. 우선 디지털로 다루어야 할 데이터량의 절대적인 증가로 인해 데이터 사이언스 분야가 성장성 있는 분야라는 점에선 이견이 없습니다만 저는 엔트리 레벨이 아닌 현재 커리어를 쌓고 계신 분들이 이쪽 분야로 '본격' 업무전환을 하는 데에 있어 본질적인 질문 몇가지를 스스로에게 해볼 필요가 있다고 생각합니다.
"데이터 사이언스가 왜 핫한가?"
-> 데이터 전문가 1명이 기존에 몇명(또는 수십명)이 하던 업무를 대체, 인건비 절감 및 업무의 효율화를 이루는 데에 큰 의의가 있다고 보는데, 무릉도원님께서 공유해주신 글들에서 아직 정확히 업무의 바운더리나 기준이 표준화되지 않았다는 점을 볼 때, 향 후 몇년간 job market 이 팽창하는 시기가 지나고 나면 예전 Finance, Tax 팀이 그랬던 것 처럼 outsourcing을 하게될 수도 있고 전체적으로 회사차원의 니즈가 평준화 될 수 있다고 생각합니다. 참고로 많은 기업들이 in-house tax department / finance department 를 아웃소싱하는 TFO(Tax and Finance Operate)를 통해 비용을 절감하고 있습니다.
"내 경쟁자는 누구인가?"
-> 회사 내의 Internal Transfer를 지원하셨던지라 상황이 조금 다를 순 있지만, 데이터 사이언스 전체를 놓고 볼때 매년 수만명의 CS/통계 백그라운드를 가진 20대 초반의 젊은 인력이 매년 새로 시장에 진입합니다. 경험이 쌓이고 연차가 쌓이면서 어느정도 누적된 기술과 노련함이 쌓이는 엔지니어를 비롯한 전통적인 직군과는 달리, 빠르게 변화하는 환경 (소프트웨어, 트렌드 등등)의 데이터 사이언스 분야에서 미래의 경쟁자들 대비 우위를 가질수 있는가 생각해봐야 합니다. 이것은 업종마다, 기업마다 어떻게 데이터 팀을 정의하는가에 따라 다를 수 있다고 봅니다. 가령 회사에서 정의하는 롤이 엔지니어 백그라운드를 강력히 필요로 한다거나, 업계경력을 준수하게 요구한다고 하면 무릉도원님께서는 독보적인 강점을 가지고 근 시일내에 팀을 이끄는 자리까지 갈 수 있겠지요.
"내 최종 커리어 골은 무엇인가?"
-> 단순히 요새 데이터쪽이 좋으니까.. 라는 생각으로 직무를 변경하는건 리스크가 크다고 생각합니다. 물론 자기가 100% 원하는 일을 하면서 사는 분들이 얼마나 되겠냐만은. 최종적으로 목표하시는 그림을 대충 그려보고 데이터 사이언스 경력이 플러스가 되는지 마이너스가 되는지, 그리고 만약 아예 데이터 쪽 커리어로 나가시려는 경우에는 어떤 골들이 가능한지, 매니저 이상의 포지션들이 충분한지 등 시장상황을 분석해봐야 한다고 생각합니다. 제가 만약 기업의 CEO라면 높은자리(데이터 사이언스 팀장 제외)에 데이터 전문가보다는 데이터를 잘 해석해서 적재적소에 활용해서 성과를 내는 엔지니어(또는 영업 등 일반직무)를 올릴것 같습니다(사견입니다).
글을 쓰다보니 이런 생각이 듭니다. 컴퓨터가 처음 도입되던 시기에는 아마 컴퓨터만을 전문적으로 다루는 부서가 따로 있지 않았을까요? 그리고 아날로그 자료를 디지털화하는 팀도 있지 않았을까요?
모든 사람이 지금 컴퓨터로 업무를 처리하는 것 처럼 10년후엔 우리 모두가 빅데이터를 어느정도 다루고 활용하게되지 않을까요? 개인적으로는 시각화, 표준화된 빅데이터 자료들을 이해하고 해석할 수 있는 정도로 공부하여 기존 업무에 활용하는게 기업 전체로 봤을때 더 효율적이라고 생각합니다만 여기 계신 각계의 전문가 분들께서는 또 어떻게 생각하고 계신지 궁금합니다!
제가 미쳐 생각해보지 못 했던 부분까지도 짚어주셔서, 넓은 시각으로 고민할 수 있게 만들어주셔서 감사드립니다. 님이 깊이 고민했던 부분들이 제 마음에 그대로 느껴지네요.
"데이터 사이언스가 왜 핫한가?"
-> 이미 거품이 많이 빠지고, 업계 연봉 평균도 하향세로 알고 있습니다. 20대 초반에 FAANG이나 Tier 1 금융권에 입사하는 사람들 제외하고요. 점점 더 구체적인 업무 영역과 성과를 요청받는걸로 알고 있습니다.
"내 경쟁자는 누구인가?"
-> 깊이 고민했던 부분입니다. 그렇기에 domain knowldege를 강점으로 내세울 생각을 했었고요.
"내 최종 커리어 골은 무엇인가?"
-> 데이터를 해석/보고 하는 사람보다, 거기에 덧붙여서 공학적인 성과를 내는 엔지니어가 선호받을것이라는 님의 의견에 이견이 없습니다.
예전에는 타자만 치던 서기가 있었는데, 지금은 누구나 이 메일도 하루에 수 십 통 작성하면서 주어진 업무를 처리해야하는 시대가 되었죠. 시사하는바가 크네요. 튼튼한 도메인 지식을 바탕으로 데이터도 활용하여 공학적인 성과를 내는 엔지니어 (데이터 사이언스를 툴로써 활용 가능한 사람) vs 데이터 사이언스 기술이 주인 인력.
저도 관심 있는 주제라서 어떤 답글이 올라올지 기대되네요. 개인적으로 예전부터 공대생/자연대생이면 누구나 해오던 걸 잘 포장해서 몇 년에 한번씩 바뀌는 유행으로 만들어 놓은게 아닐까라는 의심을 강하게 했습니다만, 이번에 몇몇 강의를 들어보니 definition 자체가 워낙 broad해서 오래갈 것 같기도 합니다.
제조업 중에도 정확하게 답을 찾기 어려워서 경험을 바탕으로 많은 결정을 해오는 분야가 아직 있다고 봅니다. 그런 분야에 데이터를 바탕으로 결정을 하는 시스템을 도입할 수 있다는 생각이 드시면 한번 해보실 만 하다고 봅니다.
첫번째 링크랑 마지막 링크는 글 쓴 사람이 같은 사람인 거 같네요.
현직입니다.
데이터 사이언스를 define 하기 어려운 이유는 너무나 많은 분야에서 이미 쓰이고 있었고, 같은 타이틀이라도 인더스트리/회사마다 요구하는게 너무나 다르기 때문인것 같습니다. 윗분들의 좋은 말씀들처럼 공대쪽이면 누구나 data driven thinking/decision making이 기본장착인데, 이것을 기존의 소위 "경험"에 의존했던 필드 (광고, scm 등)에 적용하면서 생기는 수요를 따라가기 위해 생긴거라고 생각하고요.
그로 인해 데이터 사이언스를 전공해서 데이터를 핸들링하는 스킬을 가진 신입들이 많이 유입되면서 신입들의 상향 평준화(?) 가 이루어지는 것 같습니다.
데이터 관련 스킬이 좋아도 적절한 도메인 지식이 없으면 절대 분석하지 못한다고 보는데, 이 신입들이 한 인더스트리에 오래 있으면서 도메인 지식이 쌓이고, 인재 풀의 상향평준화가 되는거죠.
데이터 사이언스의 용도는 무궁무진하지만, 각 인더스트리 안에서의 성장은 다르다고 봅니다.
현재 핫한 테크기업은 그만큼 펀딩도 있고 비지니스 안에서의 관심도도 많아 성장도 빠르지만 그만큼 새로운 성과를 내려면 어렵지만,
제조업이나 물류는 테크기업만큼의 진행이 되지 않았기 때문에 무릉도원님같이 도메인지식이 많으신 분이 진입하시면 그만큼 새로운 프로세스를 만들어내고 성과를 내기 좋다고 생각합니다만....
사실 경력/연차가 되시면 차라리 새로운 사람들을 고용해서 팀을 만들고, 생각하시는 부분을 만들어내는게 더 빠르고 편하실수도 있어요 ^^
다른 분들의 의견 기대합니다~
사실 경력/연차가 되시면 차라리 새로운 사람들을 고용해서 팀을 만들고, 생각하시는 부분을 만들어내는게 더 빠르고 편하실수도 있어요 ^^
--> 이번에 두 부서끼리 협업을 하게되면, 님이 하신 말씀이 무슨 뜻이었나 이해하게 될 수도 있을것 같습니다. 댓글 감사합니다~.
무릉도원님께서 그 쪽에 뜻이 있고 뜻한 바가 있으면 Data Scientist쪽으로 잘 되시리라 믿슴다. 만약에 안되더라도 Data Analysis Engineer 나 Yield Engineer처럼 공정지식을 가지고좀 더 많은 Data를 분석해서 하는 일도 하실 수 있지 않을까요? 그것도 아니면 Data Visulization이나 Automation 혹은 공장자동화쪽으로 빠질 수 있을 것 같구요.
저두 학위는 팹쪽으로 했다가 현업 시작을 Data Analysis Engineer를 하면서 SQL, JMP Scripting (Oracle SQL Developer로 한번씩 사수가 휴가시에 조그만 sub DB를 관리한 적도 조금 있었죠..)을 하면서 하루 죙일 컴터에 앉아서 데이터만 들여다 보는게 넘 지겹고 팹질이 그립더라구요. ㅠㅠ (그 때 계속 Data 쪽으로 팠었야 됐는데..ㅠㅠ). 그래서 다시 공정엔지니어쪽으로 돌아갔습니다만.. 잠시나마 Data Scientist쪽으로도 관심을 기울였지만 역시 제가 가진 배경으로는 DB architect 디자인하거나 관련 S/W (Tableu)같은 것을 배우거나 알아가기에는 넘 부족한 것 같더라구요. 사실 그런 쪽으로 시간투자를 할 여력도 없구요. 무릉도원님처럼 시간과 노력을 투자하면 언젠가는 좋은 결실을 맺으시리라 믿어 의심치 않습니다.
Data Analysis 쪽은 Technology 쪽 뿐만 아니라 위에 말씀하신 Retailer나 은행권에서도 필요하고 여러 군데 쓰일 때가 많은 것 같아요. 은행도 Data mining과 Data Visulization하는 사람이 필요해서 한번씩 Engineering 배경을 가지고 Data mining skill을 가지신 분을 뽑는다고 들었슴다.
팹질보다야 확실히 전망이 좋지 않겠슴까? ㅎㅎ
댓글 감사합니다. 저도 예전에 한국 반도체 회사에서 팹 생활을 해본적이 있습니다. 현재에는 micro meter scale의 전자 기판을 다루고 있지만요. 님께서 말씀하신대로, Data를 분석할 줄 아는 data analysis engineeer나 yield engineer 쪽도 한 방법일거라고 생각을 합니다. 엔지니어라는 정체성은 잊어버리지 않아야 제가 먹고 살 수 있다고 생각합니다.
DB architect design이라면, CS 전공자를 뽑아서 data engineering만 담당을 시켰어도 님이 덜 막막했었을것 같습니다. 업무 분담이 되면, 님의 강점에 더 집중을 할 수 있었을텐데요. Tableau의 모든 기능을 알기는 어려우니, 필요한 부분만 찾아서 공부를 하셨어도 되지 않았을까요?^^
컴퓨터 사이언스 전공한, 20대 초반의 머리 팽팽 돌아가는 젊은이들이 data analysis, data science 취업 시장에 매 년 몇 만 명씩 뛰어든다고 그네요. 전 제가 가진 domain knowledge로 먹고 살되, data science를 도구로서 활용도 할 줄 아는 사람이 되어보려고 합니다.ㅎ
제가 데이터 사이언스 팀의 실무진 (심지어는 저대신 뽑은 새 직원)에게 domain knowledge를 전수해주는 불쏘시개 역할만 하게 되지 않을까 하는 우려입니다 -> 이건 너무 처음부터 상황을 비관적으로 보고 상대방을 경계하시는것 같은데요? 원글님도 배울수 있는 부분이 많을것 같은데요. 그리고 이런식의 collaboration은 레주메에 넣기에도 좋은 내용이고요.
상대방을 "저팀은 나를 쓰고 버릴꺼야" 라고 생각하고 처음부터 경계하며 defensive한 자세로 가기보다는 (그러면 프로젝트 내내 계속 피곤해질 것 같아요) 서로간에 도움을 줄 수 있도록 지혜롭게 win-win을 추구하시는게 좋을것 같네요.
저도 이 생각이 들었는데요. 남에게 일회적으로 전수해버리고 나면 끝나는 지식= 다른 사람/경로를 통해 입수할 있는 지식이니 프로젝트에 집중해서 아낌없이 전수해주시는 게 좋지 않을까 싶어요.
분야와 직종도 많이 다르고 제 경험도 제한적이지만 설명하신 성격의 협업 자체는 익숙한데요. 뽑아먹어도 먹어도 계속 맛있는 걸 먹기 좋게 던져주는 사람은 다들 끊어낼래야 끊을(?) 수가 없고요. 반대 입장으로 툭툭 던져주면 귀신같이 알아듣고 만들어 오는 사람 역시도 어딜가나 귀하게 밸류해주는거 같아요. 데이터사이언스 팀에게는 전자같은 존재가 지금 계신 팀에서는 후자같은 존재가 될 수 있다면.. 원글님의 레쥬메도 자연스레 알차게 채워지지 않을까 생각이 들어요.
조언 감사합니다. 현명하게 처신하는데에 참고해보도록 하겠습니다.^^
댓글 [17]