시간을 어디에 투자해야 할까요?

‘먼저 베풀고, 자주 베풀며, 대가를 기대하지 말고 베풀라’는 훌륭한 격언이 있습니다. 이 말에는 전적으로 동의하지만, 과연 내가 올바른 일에 베풀고 있다는 확신을 어떻게 가질 수 있을지 고민이 많았습니다.

작년 말 무렵, 시간이 조금 느리게 흐르는 듯한 느낌이 들었고(사실은 아니었지만), 저는 이 사고 과정과 그것이 저를 어디로 이끌지에 대해 점점 더 깊이 생각하게 되었습니다.

결국 스스로에게 던지게 된 질문은, '그렇다면 나는 무엇을 위해 베풀어야 하는가?'였습니다. 

그 질문은 저를 흥미로운 여정으로 이끌었습니다. 저는 계속해서 몇 가지 질문으로 되돌아갔습니다:

1. 내가 믿고 있으며, 더욱 공고히 하고 싶은 것은 무엇인가?
2. 단순한 선언보다 더 의미 있는 방식으로 변화를 이끌어낼 수 있는 영향력은 무엇인가?
3. 내가 믿는 바를 굳건히 하고, 단순한 말 이상의 변화를 이끌어낼 수 있는 것들을 찾을 수 있다면, 나는 어떻게 기여할 수 있을까?
4. 아직 그 일들과 연결되어 있지 않다면, 어떻게 그런 것들을 찾을 수 있을까?

첫 번째 질문은 답하기 쉬웠습니다. 두 번째 질문은 자기 성찰의 과정이었습니다. 제가 참여하고 싶은 변화를 이끌어내는 것은 오히려 제가 연결되어 있지 않은 것들에서 비롯된다는 사실을 깨달았습니다. 세 번째 질문은 앞의 두 가지 질문에 대한 답을 찾자마자 명백해졌습니다. 네 번째 질문이 가장 흥미로웠습니다.

네 번째 질문에 답하기 위해, 저는 제 사회적 관계망 밖에 있는 것들과 그로 인한 파급 효과를 분석할 좋은 방법이 무엇인지 고민하기 시작해야 했습니다.

내가 알지 못하는 것들을 찾기 위해, 아이러니하게도 나는 내가 아는 사람들로 목록을 시작했고, 온라인에서 그들에 대해 찾을 수 있는 정보를 통해 그들의 네트워크를 매핑해 나갔다. 나의 주요 데이터 출처는 다음과 같았다:

• 기억
• 컨퍼런스 노트
• 링크드인
• 크런치베이스
• 엔젤리스트

결국 꽤 큰 규모의 모델을 얻게 되었습니다. 요소가 1만 개 정도를 넘어서자 속도가 현저히 느려져, 요소를 더 추가하는 것이 훨씬 더 어려워졌기 때문에 적극적으로 데이터를 추가하는 것을 중단했습니다.

3단계 이상의 연결 고리가 확보되자 개별 도시를 심층 분석하기 시작했습니다. 바로 이 지점에서 흥미로운 점이 드러났습니다. 미니애폴리스, 샌프란시스코, 디트로이트, 인디애나폴리스 등 수많은 도시 간의 연결성에 대해 온갖 사실을 알아가기 시작했습니다. 그중 한 가지 발견은 샌프란시스코, 볼더, 뉴욕의 스타트업 커뮤니티가 얼마나 밀집되어 있는지였습니다. 각 도시 내 생태계의 밀도는 디모인보다 훨씬 더 강했습니다. 이는 당연한 말처럼 들릴 수 있지만, 데이터에 반영되어 확인하는 것은 또 다른 문제입니다.

상장하는 기업들은 시드 단계부터 IPO에 이르기까지 자금을 주로 현지에서 시리즈 C 또는 그 이후 단계까지 조달하는 것으로 보입니다. 이는 큰 사건이 발생했을 때 수익의 상당 부분이 지역 사회에 남게 합니다. 또한 1회 이상의 대규모 엑시트를 경험한 창업자들은 떠나는 대신 같은 도시에서 다시 회사를 시작하는 경향이 있는 것으로 보입니다. 이는 볼더, 뉴욕, 베이 지역을 제외하고는 어디에서도 확실한 추세로 확인하기 어렵습니다. 다른 지역들은 비교적 숫자가 너무 적기 때문입니다.

도시별 차이에 대해 별도의 글을 쓸 수도 있겠지만, 저는 디모인에서의 제 기여에 초점을 맞추고 있었기에 이를 핵심 주제로 다시 다뤘습니다.

위의 자료들을 활용해, 변화를 주도할 영향력을 가진 주체에 집중함으로써 변화를 이끌어내는 요인이 무엇인지 파악할 수 있는 괜찮은 데이터 세트를 구성할 수 있었습니다. 다음 단계는 그 주체와 그들을 둘러싼 사람들을 파악하는 것이었습니다.

제가 우려했던 위험은, 실제로는 존재하지 않는 허위 상관관계를 제가 만들어낸 것일 수 있는 사안을 지원하기로 큰 결정을 내리는 것이었습니다. 직접적이거나 입증된 연결고리가 아닌, 추론된 연결고리에 기반해 결정을 내리는 것이죠.

또 다른 문제는 사람들에게 무엇을 지원해야 할지 묻기 시작했을 때, 답변들이 종종 그들만의 편향으로 가득 차 있었다는 점입니다. 제가 더 깊이 파고들수록, 그들의 편향은 무의식적이었고 개인적인 결정에 의해 주도된 것으로 보였습니다. 만약 제가 가장 가까운 네트워크 내의 피드백에만 집중했다면, 지금의 결과에 도달하지 못했을 것입니다.

그 자체로 나쁜 것은 아닙니다. 저도 똑같이 하니까요. 하지만 사물 간의 연결 방식에 대한 제3자의 질적 가정에 기반해 시간을 어디에 투자할지 결정하는 것에 대해 더욱 우려하게 되었습니다. 저는 그 구두 피드백 중 일부를, 공개적으로 확인할 수 없는 실제 상관관계를 만들어낼 때 제 모델에 포함시켰습니다. 이것이 바로 제가 이 게시물의 일부로 해당 모델을 공개하지 않는 이유이기도 합니다.

누군가가 느낀 변화가 실제로 일어난 과정에 대해 명확히 설명할 수 있는 내용과는 달리, 구글 검색으로는 찾을 수 없는 많은 사실들이 드러났습니다.

구글 검색으로는 답을 찾을 수 없는 질문에 대한 해답을 찾는 과정에서, 몇 년 전 친구 패디와 나눴던 대화가 떠올랐습니다. 그는 고유벡터 중심성(eigenvector centrality)에 대해 이야기하며, 그것이 자신의 조직 내 사고방식을 어떻게 주도하고 있는지 설명했었죠. 당시 저는 흥미를 느꼈지만, 실제로 이를 적용해 볼 만한 실질적인 이유는 없었습니다. 하지만 시도해 볼 만한 좋은 접근법처럼 보였습니다.

이를 통해 일련의 연결 지점들이 떠올랐고, 아이오와주 기술 커뮤니티 내의 연결성과 영향력의 중심을 파악하기 위해 패디의 접근 방식을 활용해 보기로 결심했다.

제 주된 관심사는 물리적으로나 재정적으로 제가 연결되어 있지 않은 지역 차원의 새로운 커뮤니티와 조직 내에서 연결성을 찾아내는 것이었습니다.

저는 제 자신의 네트워크부터 시작하여, 기억을 더듬어 제 연결 관계 중 일부를 매핑하기 시작했습니다. 가장 기본적인 수준에서, 제 1차 네트워크는 다음과 같습니다:

참고: 비록 저는 이후 Clay & Milk를 떠나 유능한 후임자에게 맡겼지만, 이 스크린샷을 찍었을 당시에는 그렇지 않았습니다. 또한, 시작할 당시에는 연결 관계가 아니었음에도 TAI를 연결 관계로 추가했습니다.

얼마 지나지 않아, 저는 데이터를 수집하고 이 출발점에서 파생된 연결 고리들을 추출하는 데 몇 시간 이상을 투자했고, 결국 전 세계를 아우르는 더 의미 있는 모델로 성장시켰습니다.

저는 초기 단계에서 사람들을 기업 및 조직과 연결하되, 결혼을 통해 연결된 경우가 아닌 한 사람들끼리 서로 연결하지 않기로 결정했습니다. 이 결정은 모델에 편향을 줄 수도 있었지만, 제 의도였던 기업과 조직에 우선순위를 두는 데 도움이 되었습니다.

저는 고유벡터 중심성(eigenvector centrality)을 활용하는 데 중점을 두었기에, 이를 설명하는 내용을 발췌해 소개합니다: