‘먼저 베풀고, 자주 베풀며, 대가를 기대하지 말고 베풀라’는 훌륭한 격언이 있습니다. 저는 이 모든 말에 동의하지만, 과연 제가 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 던진 질문은, ‘그렇다면 나는 무엇을 위해 베풀어야 하는가?’였습니다.
그 질문은 저를 흥미로운 여정으로 이끌었습니다. 저는 계속해서 다음과 같은 여러 가지 질문으로 되돌아갔습니다.
내가 믿고 있으며, 더욱 공고히 하고 싶은 것은 무엇인가?
단순한 선언보다 더 의미 있는 방식으로 변화를 이끌어낼 수 있는 영향력은 무엇일까?
내가 믿는 바를 강화하고, 단순한 말 이상의 변화를 이끌어낼 수 있는 것들을 찾을 수 있다면, 어떻게 기여할 수 있을까?
아직 그 일들과 연결되어 있지 않다면, 어떻게 그런 것들을 찾을 수 있을까?
첫 번째 질문은 답하기 쉬웠습니다. 두 번째 질문은 자기 성찰의 계기가 되었습니다. 제가 함께하고 싶은 변화를 이끌어내는 것은 오히려 제가 아직 연결되어 있지 않은 것들에서 비롯된다는 사실을 깨달았습니다. 세 번째 질문은 앞의 두 가지 질문에 대한 답을 찾은 후에는 자명해졌습니다. 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 사람들을 목록의 첫머리에 올렸고, 온라인에서 그들에 대해 찾을 수 있는 정보를 통해 그들의 네트워크를 파악해 나갔다. 나의 주요 데이터 출처는 다음과 같았다:
기억
컨퍼런스 노트
링크드인
크런치베이스
Angel List
결국 꽤 큰 규모의 모델을 얻게 되었습니다. 요소 수가 약 1만 개를 넘어서자 속도가 현저히 느려지기 시작했고, 이로 인해 요소를 더 추가하는 것이 몇 배나 더 어려워졌기 때문에 적극적으로 기여하는 것을 중단했습니다.
3단계 이상의 연결 관계를 확보한 후에는 개별 도시별로 심층 분석을 시작했습니다. 이때부터 정말 흥미로워졌습니다. 미니애폴리스, 샌프란시스코, 디트로이트, 인디애나폴리스 등 수많은 도시 간의 연결성에 대해 온갖 사실을 알아가기 시작했죠. 그중 한 가지 발견은 샌프란시스코, 볼더, 뉴욕의 스타트업 커뮤니티가 얼마나 밀집되어 있는지였습니다. 각 도시 내 생태계의 밀도는 디모인보다 훨씬 더 높았습니다. 이는 당연한 말처럼 들릴 수 있지만, 데이터에 그대로 반영된 것을 직접 확인하는 것은 또 다른 문제입니다.
상장하는 기업들의 경우, 시드 단계부터 IPO에 이르기까지 필요한 자금의 상당 부분이 시리즈 C 또는 그 이후 단계에서 현지에서 조달되는 것으로 보입니다. 이로 인해 큰 성과가 있을 때 수익의 상당 부분이 지역 사회에 남게 됩니다. 또한, 1회 이상의 대규모 엑시트를 경험한 창업자들은 다른 곳으로 떠나기보다는 같은 도시에서 다시 회사를 창업하는 경향이 있는 것으로 보입니다. 다만 이 현상은 볼더, 뉴욕, 베이 지역을 제외하고는 다른 곳에서 확실한 추세로 확인하기 어렵습니다. 다른 지역들의 수치는 비교적 매우 적기 때문입니다.
도시별 차이에 대해 별도의 글을 쓸 수도 있겠지만, 저는 디모인에서의 제 기여에 초점을 맞추고 있었기 때문에 이를 핵심 주제로 다시 다뤘습니다.
위의 출처를 활용하여, 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 채로 무언가를 지원하겠다는 중대한 결정을 내리는 것이었습니다. 즉, 직접적이거나 입증된 연관성이 아닌, 추론된 연관성을 바탕으로 결정을 내리는 것이었죠.
또 다른 문제는 사람들에게 무엇을 지원해야 할지 물어보기 시작했을 때, 답변에 종종 그들만의 편향이 가득 담겨 있었다는 점입니다. 제가 더 깊이 파고들수록, 그들의 편향은 무의식적이었으며 개인적인 결정에 기인한 것임이 드러났습니다. 만약 제가 가장 가까운 네트워크에서 나온 피드백에만 집중했다면, 지금의 결론에 도달하지 못했을 것입니다.
그 자체로 나쁜 것은 아닙니다. 저도 똑같이 하니까요. 하지만 사물 간의 연결 방식에 대한 제3자의 정성적 가정을 바탕으로 시간을 어디에 투자해야 할지에 대한 특정 권고를 받아들이는 것에 대해 더욱 우려하게 되었습니다. 저는 그 구두 피드백 중 일부를, 공개적으로 확인할 수 없는 실질적인 상관관계를 만들어낼 때 제 모델에 반영했습니다. 이것이 바로 제가 이 게시물의 일부로 해당 모델을 공개하지 않는 이유이기도 합니다.
누군가가 느낀 변화가 실제로 일어난 변화와, 그 변화가 어떻게 일어났는지에 대해 누군가가 명확히 설명할 수 있었던 것 사이에는 ‘구글로 검색할 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 소속 조직의 사고방식에 어떤 영향을 미치고 있는지 설명했었죠. 당시에는 흥미를 느꼈지만, 실제로 이를 적용해 볼 만한 실질적인 이유는 없었습니다. 그래도 시도해 볼 만한 좋은 접근법처럼 보였습니다.
이를 통해 일련의 연결 지점들이 떠올랐고, 아이오와주 기술 커뮤니티 내의 연결성과 영향력의 중심을 이해하기 위해 패디의 접근 방식을 활용해 보기로 결심했습니다.
제 주된 관심사는 물리적으로나 재정적으로 제가 연결되어 있지 않은 지역 차원의 새로운 커뮤니티와 조직 내에서 연결성을 찾아내는 것이었습니다.
저는 제 자신의 네트워크부터 시작해, 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 업무를 넘겼지만, 이 스크린샷을 찍었을 당시에는 그렇지 않았습니다. 또한, 시작할 당시에는 연결 관계가 아니었음에도 TAI를 연결 관계로 추가했습니다.
얼마 지나지 않아, 저는 데이터를 수집하고 이 시작점에서 파생된 연결 관계를 추출하는 데 몇 시간 이상을 투자했고, 그 결과 전 세계를 아우르는 더 의미 있는 모델로 발전시켰습니다.
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 의도대로 기업과 조직에 우선순위를 두는 데 도움이 되었습니다.
저는 고유벡터 중심성을 활용하는 데 중점을 두었기 때문에, 이를 설명하는 내용을 발췌해 소개합니다:
… 특정 요소가 다른 잘 연결된 요소들과 얼마나 잘 연결되어 있는지를 측정합니다. 일반적으로 고유벡터 중심성이 높은 요소들은 네트워크의 리더 역할을 하지만, 반드시 지역적으로 가장 강력한 영향력을 행사하는 것은 아닙니다.
다행히 제가 사용하던 도구인 Kumu 덕분에 이 과정이 간단해졌습니다. 요소, 속성, 연결 유형을 결정하여 모델을 구축하면, 나머지 작업은 소프트웨어가 자동으로 처리해 줍니다. 제가 주로 살펴본 두 가지 관점은 다음과 같습니다:
다른 곳에서는 연결성이 높은데, 아직 제가 직접 연결되어 있지 않은 요소는 무엇인가?
아직 연결되어 있지 않지만, 기여하게 된다면 흥미로울 만한 것은 무엇인가?
저는 이미 첫 번째 항목에 기여하고 있습니다. 목록에서 두 번째로 나온 조직은 아이오와 기술 협회(Technology Association of Iowa)였습니다. 세 번째는 제가 아직 이사회에 합류하기 위해 노력 중인 또 다른 조직이었습니다.
그래서 누군가 “왜 TAI 이사회에 합류했나요?”라고 묻는다면, 저는 다음과 같이 솔직하게 대답할 수 있습니다:
저는 주 내 기술 혁신을 주도하는 정책을 수립하고 체계를 마련하는 TAI의 기업 및 관련 단체 네트워크와 유감스럽게도 전혀 연결되어 있지 않았습니다.
이곳에는 제가 믿는 핵심 원칙들이 있습니다:
인재 육성 및 유치
다양성 및 포용성
공공 정책
또한 그곳의 사람들도 마음에 듭니다. 자신이 믿는 일을 위해 헌신하는 훌륭한 사람들을 만나고, 그곳에서 제가 기여할 수 있는 자리를 찾는 것은 드문 일이며 정말 즐거운 경험입니다.
패디가 말하듯이, 수학을 활용해 커뮤니티 내에서의 제 기여도를 분석해 본 것은 이번이 처음입니다.
이사회에 합류하라는 결론이 많은 분들에게는 지루하게 들릴지 모르겠지만, 저는 커뮤니티에 어떻게 더 많은 투자를 할 수 있을지 고민하는 과정 자체가 즐거웠습니다.