[서평] 거의 모든 것의 경제학 - 변화의 시대에도 변하지 않는 원리

-

이번 주에 리뷰하는 책은 트레이더 출신으로 지금은 벨로시티 인베스터라는 투자회사를 운영하고 계신 김동조라는 분이 쓰신 [거의 모든 것의 경제학]입니다.(관련 기사, 김동조님의 블로그) 거의 모든 사람이 인생을 살면서 마주치게 되는 굵직굵직한 선택의 순간에 어떻게 전략을 세우고 결정을 내리면 좋을지에 대해 저자가 경제학적 관점과 자신의 인생관(편견)을 잘 버무려서 다루고 있습니다.

책의 내용 전개 방식을 살펴보면, 대체로 아래와 같은 분석 패턴을 따르고 있습니다.
  1. 사람들의 동기 의식이 어떻게 시장에서 상호작용하는지를 분석
  2. 우리가 마주치는 사회 현상이 이러한 상호작용의 결과임을 밝힘. 설령 사회에서 부당하거나 일견 불합리하다고 여겨지는 많은 상황들도 마찬가지.
  3. 그러므로 앞으로 어떻게 해야 하는가에 대한 전략 제시
즉, 저자가 말하고자 하는 핵심은 '세상을 있는 그대로 바라보자'로 요약할 수 있습니다. 관습과 도덕과 같은 당위성을 걷어내고 실제 현상에 집중하자는 거지요. 경제학을 전공하셨거나 소위 투자자 마인드를 가지고 계신 분들이라면 어느 정도 공감하실 내용일 것 같습니다.

이런 경제학적 관점은 요즘같이 빠르게 변화하는 시대에도 사실을 직시할 수 있도록 도와준다는 점에서 가치가 있습니다. 저자도 책에서 언급을 하는 내용이지만, 시대가 달라져도 인류는 항상 평균적으로는 자신과 주변 사람들의 행복과 이윤을 추구해왔고, 그렇기 때문에 경제학에서 제시하는 수요-공급의 원리만큼 사람의 행동 원리를 꾸준히 잘 설명해주는 모델은 거의 없습니다. 도덕과 관습이란 것이 기술과 서비스의 변화에 의해 수년만에 뒤집히는 요즘같은 시대에, 그나마 믿을만한 몇 안되는 버팀목 중 하나라고 할 수 있지요.

하지만 경제학적 관점을 체화하는 건 말처럼 쉽지는 않은 것 같습니다. 저도 학부에서 경제학을 전공했지만, 막상 중요한 결정을 내릴 때 보면 전혀 (경제학적인 의미에서) 합리적이지 못한 동기로 결정을 내리는 경우가 많더라구요. 이 책은 저처럼 아직은 서투르지만 경제학적 사고를 체화하고 싶어하는 분들에게 일종의 예방주사가 될 거라고 생각합니다. 책에서 분석하는 주제들이 워낙 일상적인 이슈들이기 때문에 저희 중 대부분은 언젠가는 비슷한 상황에 직면할거고, 그 때 책을 읽으셨던 분들은 아마 저자의 관점을 떠올리실 수 있을 것입니다. 상황이 조금씩 다를테니 저자의 분석을 그대로 채용할 수는 없겠지만, 적어도 경제학의 프레임에서 한번 분석을 해봐야겠다는 마음을 먹게 하는데는 이 책이 굉장히 유용할 것 같네요.

Comments

Post a Comment

Popular posts from this blog

맥락 기반(Context-aware) 추천 시스템은 어떻게 만드는가?

-
Image
행렬 분해(Matrix Factorization)를 이용한 추천 시스템 추천시스템을 설계하는 방법은 세상에 존재하는 추천시스템의 숫자만큼이나 많습니다. 각 시스템마다 데이터 특성이 다르기 때문이죠. 하지만 모든 추천시스템에 반드시 필요한 작업을 하나만 꼽으라면, 상품 간에 순위(ranking)를 매기는 것이라고 할 수 있습니다. 유저의 상품 선호도를 점수화해서 1등부터 꼴등까지 쫙 뽑은 다음 랭킹을 매기고, 아래와 같이 랭킹이 높은 순으로 상품들을 보여주는 거죠. 유저의 상품 선호도 점수를 뽑아내는 방법은 여러가지가 있지만, Netflix Challenge 이래로는 Matrix Factorization 계열이 주류였다고 볼 수 있습니다. 최근에는 딥러닝 계열 방법들이 주목을 받고 있지만, 노이즈에 대한 강건성(robustness)이나 스피드 측면에서 Matrix Factorization 방법론들은 여전히 매력적입니다. [그림 1. 간단한 Matrix Factorization 모델] 그림 1은 가장 단순한 Matrix Factorization 모델을 추천에 사용한다고 했을 때 input-output 구조를 표현한 것입니다. 추천 대상이 되는 유저 U의 ID와 추천할 수 있는 상품 A의 ID를 모델에 집어넣으면, 유저 U가 상품 A를 얼마나 좋아할 것 같은지를 점수화해서 예측해줍니다. 이 점수는 상품에 대한 사용자들의 별점(rating)을 의미할 수도 있고, 아니면 추상적인 상품 선호도(item preference)가 될 수도 있습니다. 이러한 Matrix Factorization 모델에서 유저 u의 상품 i에 대한 선호도는 다음과 같이 많이 씁니다. 여기서 는 유저와 상품을 k차원 벡터로 표현한 것입니다. 필요한 경우 다음과 같이 유저별 bias같은 정보를 더 추가할 수도 있습니다. 특히 상품에 대한 별점을 예측하는 경우에는 유저마다 점수를 후하게/박하게 주는 정도가 다르기 때문에 bias는 거의 필...
Read more

유튜브 추천시스템 논문 리뷰 Part 2 - Deep Neural Networks for YouTube Recommendations (RecSys 2016)

-
Image
유튜브 추천시스템 논문 리뷰 Part 1 에서는 전통적인 데이터 마이닝을 기반으로 만들어진 2010년 버전의 유튜브 추천시스템을 소개했었습니다. 디버깅이 용이하고 알고리즘 구성도 간단해서 실무적으로 유용할 것 같은 시스템이었죠. 하지만 2010년대 들어서 딥러닝(Deep Learning)이 본격적으로 주목받게 되면서, 유튜브 추천시스템도 딥러닝 기반으로 전환하게 되었습니다. 오늘 리뷰할 논문은 2016년에 RecSys에 제출된 Deep Neural Networks for YouTube Recommendations 라는 논문인데, 구글에서 딥러닝을 사용해서 어떻게 유튜브 추천시스템을 구성했는지를 담고 있습니다. System Overview [그림 1] 유튜브 추천시스템의 전체적인 구성 이 논문에서 소개하는 딥러닝 기반 추천시스템도 기본 구조는 이전에 Part 1 에서 소개되었던 candidate generation -> ranking의 2단계 구조를 따릅니다. Part 1을 안보신 분들을 위해 간략하게 설명드리자면, candidate generation은 유저의 유튜브 활동 정보(이전에 시청했던 영상들의 ID, 검색 기록, 성별/연령/지역 등)를 collaborative filtering으로 분석해서 엄청나게 많은 유튜브 영상들 중에서 해당 유저가 좋아할 것 같은 영상들만  high-precision으로, 대략적으로만  선별해내는 작업을 말합니다. ranking 단계에서는 candidate generation 단계에서 대충 좁혀놓은 비디오들과 유저의 정보들을 좀 더  자세히 들여다보면서  유저의 선호도 점수를 추정하고 선호도 순으로 추천을 하게 되구요. candidate generation 단계를 따로 두는 이유는 ranking의 scalability를 개선하기 위해서입니다. ranking에 사용될 후보 영상들의 개수를 확 줄이지 않으면, 유튜브 정도로 추천 가능한 상품(영상)들이 많은 시...
Read more

python standard 라이브러리인 bisect로 이진탐색하기

-
Leetcode나 TopCoder같은 알고리즘 문제은행 사이트를 돌다보면, 간혹 이진 탐색을 필요로 하는 문제를 마주칠 때가 있습니다. 저는 주 언어로 Python을 사용하기 때문에 보통 python으로 문제를 푸는데요, python solution들을 보면 이진 탐색을 직접 구현해서 문제를 푸는 경우가 매우 많습니다. 그런데 사실, python에는 이미 standard library에 이미 bisect 라는 이진 탐색 라이브러리가 구현이 되어있어서 이진 탐색 알고리즘을 따로 짤 필요가 없습니다. 대부분의 문제은행 사이트들이 custom library 설치를 지원하지 않는다는 점을 고려하면, bisect 라이브러리의 존재는 단비같은 존재라고 할 수 있겠지요. 오늘은 이 bisect 모듈을 이용해서 어떻게 이진 탐색을 할 수 있는지를 한번 알아보도록 하겠습니다. bisect 라이브러리는 이미 정렬된 리스트 에 대해서 적용할 수 있는 이진 탐색 관련 함수들을 제공하는데요, 총 6가지 함수들이 있습니다. bisect. bisect_left (a, x, lo=0, hi=len(a)) 정렬된 리스트 a에서 x보다 크거나 같은 첫 원소의 index를 return합니다. 만일 a의 모든 원소가 x보다 작다면 len(a)를 return합니다. lo, hi 값은 a의 특정 부분만 잘라내기 위한 half-open interval을 지정하는 용도로 쓰입니다. bisect. bisect_right (a, x, lo=0, hi=len(a)) 정렬된 리스트 a에서 x보다 큰 첫 원소의 index를 return합니다. 만일 a의 모든 원소가 x보다 작거나 같다면 len(a)를 return합니다. bisect. bisect (a, x, lo=0, hi=len(a)) bisect.bisect_right의 alias bisect. insort_left (a, x, lo=0, hi=len(a)) a.insert(bisect_left(a, x, lo=0, h...
Read more