[PA] #3. People Analytics의 핵심 원칙

1.3.1 데이터 중심 사고방식 확립 방법

People Analytics을 활용한다는 의미는 데이터를 분석하는 기술적 개념이 아닌 데이터 중심의 사고방식의 확립과 데이터 중심의 의사결정 구조로 변화하는 개념으로 이해해야 한다. 여기서 말하는 데이터 중심의 사고방식은 데이터를 수집하고 분석하는 차원을 넘어 일정한 패턴을 읽고 가설을 도출하거나 문제를 정의하며, 현업 부서와의 협의를 통해 실행가능한 전략을 도출하는 일련의 과정을 의미한다. 나아가 이 과정에서 인사이트를 발견해 실질적인 변화로 이어져야 한다. 데이터 중심 사고방식을 확립하기 위해 조직이 사전에 갖추어야 할 핵심 요인들을 살펴보자.

1. 데이터보다 중요한 것은 해석과 실행

인원현황, 근로시간, 급여, 평가결과, 입∙퇴사자 명부 등을 가지고 패턴을 파악하고 상관관계를 분석한다고 가정해보자. 퇴사에 영향을 미치는 변수를 파악하기 위해 퇴사율을 종속변수로 회사와 집과의 거리, 급여수준, 연장근로시간, 소속 팀원 수, 소속 팀장 근속년수를 독립변수로 놓고 변수별 인과관계를 분석해 결정계수(R²)를 도출하였을 때 결과는 아래와 같다.

[표1] 독립변수(퇴사율)와 종속변수간 설명 예시

위 표는 퇴사율(종속변수)에 영향을 미치는 다양한 요인(독립변수)과 그 관계를 나타낸 결정계수(R²) 값을 보여준다. 결정계수(R²)는 해당 독립변수가 퇴사율을 얼마나 설명할 수 있는지를 수치화한 값으로 1에 가까울수록 해당 변수와 퇴사율 간의 설명력이 높음을 의미한다.

인사 실무자가 위 내용을 바탕으로 보고를 하고자 하면 결정계수(R²)의 순서대로 퇴사에 영향을 미치는 변수는 “급여수준(0.78)>연장근로시간(0.76)>팀장 근속년수(0.66)>회사와 집과의 거리(0.35)>팀원 수(0.15)” 순서가 될 것인데, 급여수준과 연장근로시간 간의 0.02의 차이에 지나치게 집중하여 "급여수준이 퇴사율에 가장 큰 영향을 미치니 급여를 올리자" 라는 직관적인 결론을 내린다면 이는 데이터의 맹목적 수용에 불과하다. 보다 중요한 것은 데이터가 조직의 맥락에서 어떤 의미를 갖으며, 어떤 실행 방안으로 연결될 수 있는지에 대한 깊이 있는 해석이다.

2. 조직 내 이해관계자를 고려한 데이터 커뮤니케이션

데이터 중심 사고방식을 조직에 정착시키기 위해서는 다양한 이해관계자들과 효과적인 커뮤니케이션이 필수이다. 인사 실무자로서 아마 가장 많은 저항과 공격을 받을 부분도 이 부분일 것이다. 필자가 과거 기업 재직시절 데이터 보고 시 가장 힘들어했던 부분이기도 하다. 그리고 People Analytics의 활용은 인사부서 전용이 아니고 경영진과 이해관계자를 포함한 조직 전체의 의사결정 도구이므로 데이터 분석 뿐 아니라 이를 효과적으로 전달하고 활용하는 방법을 고민해야 한다.

앞서 살펴본 퇴사율 분석 사례로 예를 들면 "회귀분석 결과 퇴사율에 대한 각 변수의 결정계수(R²)는 급여수준이 0.78, 연장근로시간이 0.76, 팀장 근속년수가 0.66, 회사와 집과의 거리가 0.35, 팀원 수가 0.15로 나타났습니다. 따라서 급여수준이 퇴사에 가장 큰 영향을 미치는 것으로 확인되었습니다." 라고 보고를 하는 것과

"우리 회사의 퇴사에 영향을 미치는 원인을 분석한 결과 급여수준과 연장근로시간이 가장 중요한 요인으로 나타났습니다. 이 두 요소는 통계적으로 의미가 있다고 해석할 수 있습니다.“ 라고 보고를 하는 것은 분명한 차이가 있다.

우리가 People Analytics을 활용할 때 자주 빠질 수 있는 함정은 모든 이해관계자가 자신과 같은 수준의 데이터 이해도를 갖고 있다고 간주하는 것 이다. 결정계수, 상관관계, 회귀분석과 같은 익숙치 않은 용어를 주로 사용하거나 복잡한 분석 모델을 그대로 전달하면 오히려 청중의 이해도와 수용성이 떨어질 수 있다. People Analytics의 진정한 가치는 그것이 조직 내에서 실질적인 변화와 개선을 이끌어낼 수 있느냐에 달려 있다는 점을 명심해야 한다.

3. HR 데이터의 개념 정리와 일관된 기준 마련

데이터를 효과적으로 활용하기 위해서는 조직 내 일관된 개념과 해석 기준을 마련하는 것이 필수적이다. 같은 데이터라도 부서마다 해석이 다르면 분석 결과가 왜곡될 가능성이 크기 때문이다. 앞서 살펴본 퇴사율 분석 사례에서도 이러한 문제가 발생할 수 있다.

예를 들어 결정계수(R²) 분석 결과 급여수준(0.78)과이 퇴사율에 큰 영향을 미치는 것으로 나타났지만 이때 “급여수준”이 기본급만을 의미하는지 아니면 성과급과 복리후생을 포함하는지에 따라 결과 해석이 달라질 수 있다. 또한 팀장 근속년수(0.66)가 퇴사율에 영향을 미치는 것으로 나타났지만 "근속년수"가 현 직급에서의 근속기간을 의미하는지 아니면 회사 전체 근무 기간을 의미하는지에 따라 도출되는 인사이트가 달라질 수 있다.

따라서 데이터를 기반으로 의사결정을 내리기 전, 모든 이해관계자가 같은 기준으로 데이터를 해석할 수 있도록 조직 내에서 개념을 정리하고 표준화 하는 과정이 반드시 필요하다. 데이터 기반 의사결정의 첫 걸음은 모두가 동일한 언어로 데이터를 이해하고 소통하는 것에서 시작한다.

4. 데이터 기반 HR 도입 과정에서의 저항 극복

데이터 중심 사고방식으로 전환하는 과정은 기존 방식과의 충돌이 불가피하며 강한 저항이 발생할 수 있고, 일부 경영진과 이해관계자들은 데이터 기반 의사결정을 기존의 직관적 의사결정 방식과 비교하여 복잡하거나 불필요한 과정으로 치부할 수 있다. 또한 통계적 접근은 가정을 포함해야 할 때가 있는데 이 경우 데이터의 신뢰성에 대한 의심이 생길 수도 있다. 앞서 살펴본 퇴사율 분석 결과를 경영진에게 제시했을 때 다음과 같은 저항이 나타날 수 있다.

“급여수준이 낮으면 퇴사 가능성이 높은 건 당연한 거 아닐까? 굳이 통계 분석을 하는 이유가 뭐야?”

“분석한 데이터는 지난 3년을 기준으로 분석했는데, 이것 만으로 급여수준이 가장 중요한 이유라고 확신할 수 있니?, 그럼 급여가 낮은 직원들은 다 그만둔다는 소리인가?”

이러한 저항에 대응하기 위해서는 분석의 가치를 주장하는 것이 아니라 구체적인 사례와 성과를 통