‘People Analytics’ 뭐냐고 물으신다면
국내 IT 기업은 한국을 넘어 세계를 무대로 할 정도로 뛰어난 기술과 아이디어를 자랑합니다. 이들은 기업 블로그를 통해 이러한 정보를 공개하고 있습니다. 요즘IT는 각 기업의 특색 있고 유익한 콘텐츠를 소개하는 시리즈를 준비했습니다. 이들은 어떻게 사고하고, 어떤 방식으로 일하고 있을까요?
이번 글은 데이터 분석 도구 하트카운트(HEARTCOUT)를 개발하는 하트카운트 팀이 ‘People Analytics’라는 개념을 소개하는 글입니다.
데이터를 통해 사람(직원)의 바람직한 (또는 그렇지 않은) 행위를 이해하고 예측할 수 있는가? People Analytics는 HR 문제를 해결하기 위해 존재하지 않는다. Business 문제를 해결하기 위해 사람과 관련하여 더 좋은 의사결정을 내리고, 사람과 관련된 정책/제도/시스템을 최적화하기 위한 도구이자 방편이다.
People Analytics란?
People Analytics는 “인적자원관리에 수학/과학을 적용한 것이다”라고 (정 없게) 정의할 수 있다.
좀 더 풀어서 정의한다면 People Analytics는 “행동과학, 통계학, 기계학습, 데이터 시각화 기술을 인적자원 데이터에 적용하여 직원과 관련한 주요 문제들에 대해 확률과 객관에 기반한 의사결정을 내리도록 하여 궁극적으로 더 좋은 사업 성과를 성취할 수 있도록 하는 방법이자 도구이다.” (그렇다. 모든 좋은 정의는 그 정교함과 엄정함 때문에 보는 이를 화나게 한다.)
확률적 판단은 결국 내가 내린 결정이 맞는 날도 있고 그렇지 않은 날도 있다는 뜻이다. 하지만 장기적인 관점에서 보면 과거(무원칙)와 비교하여 더 옳고 더 나은 결정을 더 자주 하게 될 것이다.
People Analytics를 하는 이유는(목적) 내 비즈니스 성공에 실질적인 기여를 하는 사람들의 속성(재능/태도/경험/행위)의 차이를 발견하고, 차이를 새롭게 만들어 내고, 또 그 차이를 지켜가는 것이다.
People Analytics는 HR 문제를 해결하기 위해 존재하지 않는다. Business 문제를 해결하기 위해 사람과 관련하여 더 좋은 의사결정을 내리고, 사람과 관련된 정책/제도/시스템을 최적화하기 위한 도구이자 방편이다. People Data에서 발견한 의미있고 뻔하지 않은 패턴에 기대어 사람(직원)들을 기존의 “무원칙(직감/감)”이나 “결정론적” 틀이 아닌 “과학적(객관/증거)”이고 “확률적” 틀로 바라보고 관리하자는 것이다.
직관 또는 경험에서 얻은 지식(Heuristics)에 기댄 결정이 반드시 객관과 확률에 의한 판단보다 열등한 것은 아니다. 소방관, 군인, 조종사들의 경우 경험에서 얻은 지식/직관에 기대어 주어진 업무에서 높은 성과를 낼 수 있다. (일반화하면 학습의 기회를 제공하는 예측가능한 상황에서는 직관이 잘 먹힌다.)
workforce analytics, talent analytics, HR analytics이라는 용어도 화자가 어떤 맥락에서 어떤 의도를 갖고 사용하느냐의 차이이지 - 유행에 좀 뒤처져 보이는 걸 감수한다면 - 본질적으로 people analytics와 동일한 개념이다.
People Analytics 근본 가정
그런데, 사람의 행위가 예측가능한가? 좀 더 구체적으로는 데이터를 통해 사람(직원)의 바람직한 (또는 그렇지 않은) 행위를 이해하고 예측할 수 있는가?
우선 과거의 데이터에서 반복되는 뻔하지 않은 패턴(Signal)을 찾을 수 있다면 해당 패턴을 언어로 기술하여 패턴을 이해하고 또 발견한 패턴으로 모형을 만들어 미래를 예측할 수 있을 것이다. 즉, 데이터에서 유의미한 패턴을 찾을 수 있다면 사람의 행위에 대해 (확률적으로) 이해하고 예측할 수 있다.
여기서 이해한다는 것은 인과관계를 이해한다는 것은 아니고 데이터들 간의 관련성을 이해한다는 것이다.
다시, 사람의 행위가 예측가능한가? 개인(사람)의 행위는 예측하기 힘들다. 개인의 행위를 예측하려면 제인 구달이 침팬지를 연구한 것처럼 한 사람을 오래 자세히 들여다보아서 (thick data 분석) 그 사람의 본질을 이해해야 한다.
반면, 개인이 아니라 개인들의 집합인 사람들의 경우는 - 개개인들의 자유의지에도 불구하고 비슷한 환경 속에서 비슷한 동기를 가지고 비슷한 행위(=일)를 수행하는 경우 - 그 사람들의 데이터를 보면(big data 분석) 예측가능한 패턴이 존재할 것이다. 물론, 패턴의 정확도와 가치는 분석 대상이 되는 People Data의 종류, 양, 질, 그리고 데이터가 생성, 수집된 환경에 따라 다를 것이다.
만약 패턴이 존재하지 않는다면 해당 사람(직원)들이 모인 집단은 참으로 혼돈스러운 무작위의 공간일 것이다.
People Data
People Data는 그것이 객관적이냐 주관적이냐, 또 이해하려고 하는 행위/상태냐 그 행위/상태와 관련된 요인들이냐에 따라 아래 그림과 같이 나눌 수 있다. (학력/자격사항, 성격처럼 쉽게 변하지 않는 정적인 데이터, 잔업시간, 평가결과처럼 정기/비정기적으로 event가 발생하는 데이터로 나눌 수도 있다.)
People Analytics에서는 People Data의 많고 적음, 변화의 속도, 종류의 다양성이 중요한 것이 아니다. 결국, 데이터는 현실의 샘플링이고 추상화이다. 양보다는 우리가 이해하고 예측하고자 하는 현실/행위와의 관련성이 중요하겠다. People Data는 비즈니스 성공을 위해 사람과 관련한 중요한 질문들에 응답할 수 있어야 한다.
People Analytics Technique
데이터 분석 기술에는 대략 아래와 같이 6가지 종류가 있는데 데이터를 통해 이해하고자 하는 것 - 데이터에 묻고 싶은 질문의 종류 -에 따라 데이터 분석 방법을 잘 정해야 한다.
- 묘사/기술 분석: 인구조사와 같이 데이터에 대한 요약이 필요한 경우
- 탐험적 분석: 가설 수립, 패턴 발견 등을 목적으로 데이터 모양, 변수 간의 관계 등을 요모조모 살펴보고자 하는 경우
- 추론 분석: 관찰된 패턴/관계를 정량적 분석을 통해 모집단 수준에서 일반화하고자 하는 경우 (공기오염과 수명 간의 관계)
- 예측 분석: 변수/속성들의 부분집합(feature)을 사용해 (모집단이 아니라) 구체적인 개인의 특정 변수/속성값을 예측하고자 하는 경우
- 인과 분석: 변수들 간의 인과관계를 파악하고자 하는 경우 (흡연과 폐암 간의 관계)
- 기계(론)적 분석: A라는 변화가 항상 그리고 배타적으로 B라는 변화를 가져오는 결정론적 관계를 분석하고자 하는 경우 (사람에 대한 분석의 경우 거의 해당사항 없음)
아래 그림에 나와 있는 것처럼 이들 여섯 가지 분석 기법 중 People Analytics 맥락에서는 - 기술분석, 탐험분석, 예측분석 - 이렇게 세 가지가 의미가 있다고 생각한다.
- 묘사/기술 분석: 현재 대부분 기업들의 분석 수준으로 “인력수/인건비 등에 대한 단순 집계/보고”를 하는 일종의 위생요인(안 하면 안 되지만 너무 잘해도 별 의미가 없음)으로 생각할 수 있다.
- 탐험적 분석: 패턴/시사점 발견을 위해 최근 시각화 도구 등을 사용하고 있으나 뻔한 패턴(Obvious Pattern)을 발견하는 데 그치고 있다. 이는 기존의 exploratory/discovery 분석 도구들이 HR 영역에 특화되어 있지 않은 범용적 도구들인 탓에 People Data의 특성과 문제에 걸맞은 패턴을 발견하고 시각화하는 데 적합하지 않기 때문이다.
- 예측 분석: 콜센터/서비스 직종 등 업무에 따라 직원들 행위(퇴사/고성과)를 안정적으로 예측할 수 있는 패턴이 존재하고 실제 해외에서 의미있는 사례들이 많이 나오고 있다. 사례가 서비스, 콜센터, 병원, 영업직 등 동질적 업무를 수행하고 성과를 객관적으로 측정할 수 있는 업종(Volume Jobs)에 국한되어 있는 것은 현재 Predictive People Analytics의 한계로 보인다. 제한된 성공 사례의 원인에는 복잡한 업무의 특성상 예측의 정확도를 담보할 수 없는 경우, 그리고 기계의 예측 결과를 실제 업무에 활용하는 데 대한 의사결정권자들의 저항(algorithm avoidance) 두 가지 측면이 있다.
- 추론 분석: 인사 데이터는 그 자체가 바로 모집단이므로 샘플에 대한 분석 결과를 모집단에 일반화하기 위한 목적으로 추론 분석을 수행하기보다는 데이터에서 발견한 집단 간의 통계적인 차이나 변수 간의 관계가 우연의 결과가 아닌 통계적으로 유의미한 차이/관계인지를 확인하는데 가치가 있다고 생각한다.
- 인과 분석: 사람에 대한 데이터는 Causal Density 문제(원인과 결과가 복잡하게 얽혀있음)로 인과관계 파악이 현실적으로 힘들다. 인과관계는 일단 포기하자.
- 기계(론)적 분석: 당구대 위의 당구공처럼 사람이 물리법칙에 의해 움직이는 것이 아니므로 사람에 대한 분석의 경우 해당사항 없다.
People Analytics 현재와 미래
현대 기업들의 발전 역사를 되짚어 보면 accounting function이 생긴 한참 후 finance function이 도입되면서 비즈니스 패러다임을 바꾸었고 sales function 한참 뒤에 marketing function이 생기면서 sales를 변혁시켰다.
결국, 어떤 부서가 전략적이라는 것은 과거에 일어난 일에 대해 보고하는 것이 아니라 과학적 방법으로 데이터를 분석해서 미래에 대해 이야기하는 것이다.
이제 people analytics라는 도구를 가지고 HR function이 새로운 비즈니스 패러다임의 변화를 주도할 시기라고 생각한다.
앞으로도 상당 기간 동안 최종 결정은 사람들이 자신의 주관/환상/편견/감을 가지고 내릴 것이다. 변화하려면 객관과 과학으로 주관과 감에 치우쳐 있던 의사결정을 보완/보강(Augment) 해야 한다. marketing/finance의 best practice는 있어도 모든 기업에 적용되는 사람과 관련된 보편적인 best practice는 없다. People Analytics를 먼저 시작한 기업들은 그렇지 않은 기업들에 비해 사람에 대한 보다 정확하고 정교한 이해를 통해 경쟁우위를 누리게 될 것이다. 이번에는 남들이 먼저 하기를 기다려도 소용없다.
<원문>
©️요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.
