[PA] #4. 중소기업과 피플 애널리틱스

1.4.1 중소기업에 People Analytics가 친숙하지 않은 이유

중소기업 조직도를 보다 보면 인사팀의 명칭 보다 경영지원팀이나 경영관리팀이라고 작성된 모습을 자주 볼 수 있다. 반대로 대기업의 조직도를 보면 인사팀, 인사전략팀, 직원경험팀, 피플팀 등 인적자원관리(HRM)의 기능이 강조된 것을 확인할 수 있다. 이는 단순한 명칭의 차이가 아니라 인사기능의 역할 차이를 반영한다고 본다. 나아가 중소기업에서는 주로 한두명의 담당자가 인사, 총무, 재무, 구매 등 여러 업무를 동시에 수행하는 경우가 많고 급여지급, 4대보험 관리, 근태관리 등 행정적이고 정기적인 업무에 많은 시간을 할애하게 되어 데이터 기반의 의사결정에 집중하기 어려운 실정이다. 또한 중소기업은 대기업에 비해 전문인력 확보에도 어려움을 겪는다. 상대적으로 낮은 보수와 경력 개발 기회 부족으로 전문성을 갖춘 인재를 확보하고 유지하는데 한계가 있으며 경영진도 데이터의 전략적 활용 가치에 대한 인식이 부족한 경우가 많다.

그러나 이는 중소기업의 환경적 특성일 뿐 데이터 기반 의사결정이 불가능 하다는 뜻은 아니다. 오히려 의사결정 체계가 복잡하지 않고 실행속도가 상대적으로 빠른 중소기업은 신속하게 데이터에 기반한 의사결정을 하고 그 효과를 빠르게 체감할 수 있다. 또한 최근에는 효율적인 클라우드 기반 솔루션이 다양하게 제공되어 대규모 투자 없이도 기본적인 데이터 관리 체계를 구축할 수 있는 환경이 조성되고 있다. 아래에서 중소기업이 보완해야 할 주요 운영상의 과제를 살펴보고자 한다.

① 데이터 관리 체계가 갖춰지지 않았다.

몇몇 중소기업은 인력 현황, 근로시간, 임금 데이터 등을 일관된 기준으로 관리하는 체계가 미흡하다. 성별, 직급, 직위, 직책, 근속년수 등의 인원현황 데이터, 출퇴근 시간과 연장근로 데이터, 기본급과 각종 수당 등의 임금 데이터를 체계적으로 관리하지 못하는 경우도 있다. 이는 같은 데이터라 하더라도 중복되거나 다른 서식으로 관리하는 등 담당자별로 관리하는 데이터의 범위와 방식이 다르고 인사 담당자의 잦은 변경이나 업무 인수인계 과정에서 데이터 관리 방식이 바뀌거나 일부 데이터가 소실되는 경우가 존재하기 때문이다. 약간의 과장을 보탠다면 이번 달 기준 재직인원 현황을 파악하려 해도 월별 인원현황 조차 정리하기 어려울 수도 있다.

이처럼 기본적인 데이터 관리체계가 정비되지 않으면 데이터의 수집과 관리조차 어려워져 데이터 중심의 의사결정 체계로의 전환 시도조차 어려워 지고, 현황 파악을 위해 많은 시간을 소비하며 통일되지 않는 데이터로 인해 의사결정의 신뢰성이 저하되는 문제가 발생할 수 있다. 반면, 데이터 관리 체계가 정비되면 현황파악을 넘어 의미 있는 인사이트를 도출할 수 있는 기반이 마련된다. 예를 들어 체계적으로 관리된 인원 현황 데이터는 부서별, 직급별 인력구성 분석을 가능하게 하고 근태 데이터는 근로시간 패턴과 생산성 간의 관계를 파악하는 데 활용할 수 있고 데이터가 축적될수록 이직 예측 모델 등 복잡한 통계분석에도 활용할 수 있다.

② 지속적인 관리가 이뤄지지 않았다.

중소기업 컨설팅을 다니다 보면 대표님들의 단골 질문이 있다. “우리 회사 직원 규모가 많은 편인가요?, “우리 회사 임금수준은 다른데 비해 어떤 가요?” 등 인력규모와 임금수준의 적정성에 대한 관심이 매우 많으시다. 사실 적정인력 및 적정 임금수준의 판단은 매우 어렵고 어떤 기준을 활용하는지에 따라 결론이 다르다. 그럼에도 불구하고 동일한 데이터와 관리 기준을 가지고 정기적으로 이를 관리하다 보면 추세와 패턴을 확인할 수 있고 이 과정에서 중요한 인사이트를 찾아낼 수 있다.

담당 인원과 분석을 위한 충분한 역량이 갖춰지지 않았다면 체계적인 데이터 분석과 수집은 업무 과부하로 이어지게 되어 예를 들어 "전년대비 업무량이 많아졌으니 사람을 더 뽑아야 한다", "최근에 그만둔 친구들도 다 임금 얘기를 꺼냈고, 다른 회사들도 임금을 올린다고 하니 우리도 임금을 인상해야 한다" 와 같이 감각적인 판단으로 의사결정이 이뤄지게 되어 경영실적 변동에 효과적인 대응을 어렵게 만든다. 만일 재무제표와 인원현황 데이터를 정기적으로 관리를 해왔다면 매출액 대비 인건비 비율, 노동소득분배율, 인적자원투자수익률 등과 같은 인건비 활용의 효율성 지표를 분석하여 추세와 패턴을 파악할 수 있었을 것이다. 나아가 앞으로 예상되는 경영실적 결과를 대입하여 우리가 앞으로 활용할 수 있는 인건비의 수준을 파악한 뒤 그 범위 내에서 인력 채용과 인건비 인상을 결정하게 된다면 경영실적의 변화에 보다 유연하게 대응할 수 있을 것이다.

③ 데이터를 통한 인사이트를 얻기 어렵다.

컨설팅을 나가기 전 요청자료 리스트를 만들어서 전달하는데 한가지 눈에 띌만한 건 늘 최소 5년 이상 재무제표 데이터와 연 평균인원 현황을 요청한다. 이 리스트를 받아보는 실무자는 다소 귀찮은듯한 말투로 이게 필요한 이유를 되묻곤 한다. 이후 미팅 시 재무제표와 인원현황만으로 분석한 자료를 보여주고 경험에 바탕을 둔 추론을 덧붙이면 매우 흥미로운 표정으로 바라봐주신다. 재무제표와 인원현황을 요청하는 이유는 단순하다. 이 데이터가 없는 기업은 없기 때문이다. 그리고 산업 혹은 동종사와 객관적이 비교가 상대적으로 쉽다.

예를 들어 최근 5년간 추세에 비해 직전년도 인당 인건비와 평균 재직년수가 동시에 감소하였다면 이 회사는 작년 고 연봉자 혹은 장기근속자를 대상으로 희망퇴직이 실시되었을 가능성이 크다고 추론할 수 있고, 이 회사가 근로시간 이슈가 붉어져 이를 해결해달라는 컨설팅을 요청했을 경우 미팅 시에 나는 “장기근속자들의 이탈로 인한 인수인계가 명확히 이뤄지지 않았거나, 업무가 과거에 비해 증가하여 업무 로드가 늘어난 것이 주된 이유로 비춰집니다.” 라고 말할 수 있다. 재무제표와 평균 근속년수를 가지고 근로시간의 이슈의 원인을 꽤 객관적으로 찾아낼 수도 있다. 이처럼 우리는 관리하는 데이터가 없다고 하거나 이런 접근을 해본적이 없다고 하며 시도를 하지 않는 것 보다 쉽게 관리할 수 있는 몇가지의 데이터만을 가지고도 흥미로운 추론과 인사이트를 얻어갈 수 있다.

위 내용을 종합해보면 중소기업에서 People Analytics가 친숙하지 않은 이유는 구조적인 한계와 인식의 부재에 있다. 그러나 이러한 한계는 극복할 수 없는 장벽이 아니고 이미 보유하고 있는 기본적인 데이터를 활용하여 의미 있는 인사이트를 도출할 수 있으며 이를 통해 보다 객관적이고 전략적인 인사 의사결정이 가능하다.

1.4.2 중소기업이 People Analytics를 활용해야 하는 이유

앞서 중소기업이 People Analytics와 친숙하지 않은 이유를 살펴보았다. People Analytics는 복잡한 분석 도구가 아니라 인력을 효율적으로 운영하고 매출, 영업이익 등 조직의 성과를 높이기 위한 전략적인 접근법이다. 평상시에 흔히 다룰 수 있는 데이터만으로도 객관적인 인사 의사결정을 지원할 수 있으며, 제한된 자원을 효과적으로 활용하는 방안을 모색할 수 있다. 아래에서 중소기업에서 People Analytics가 필요한 이유를 살펴보자.

① 중소기업은 경쟁력 향상을 위해 효율적인 데이터 활용이 더욱 중요하다

대기업은 인적자원정보시스템(HRIS) 등 자체적인 HR 시스템을 갖추고 근태, 급여, 휴가, 휴직, 평가 및 피드백, 총무, 서류발급 등의 작업을 체계적으로 관리하고 있다. 반면 중소기업에서는 출퇴근 기록, 연차휴가 사용대장, 급여대장 등이 각각 엑셀파일로 담당자마다 관리하거나 수기로 정리하는 경우가 많다. 또한 한두 명의 담당자가 채용, 근태관리, 보상, 교육 등 다양한 업무를 담당하는 경우가 많아 데이터 관리를 별도로 신경 쓸 시간이 부족하다.

이러한 상황에서 오히려 People Analytics는 중소기업에 더욱 중요한 도구가 될 수 있다. 시스템을 통한 관리가 거의 이루어지지 않았기 때문에 근속년수, 인원, 성별, 급여, 근로시간 등의 데이터를 월별로 체계적으로 관리를 한다면 추세와 패턴을 파악하는 것만으로도 인사이트를 얻을 수 있다. 예를 들어 직급별, 부서별 인원 현황을 정기적으로 추적 및 관리하다 보면 어떤 부서의 이직률이 높은지, 연령별 인력구조가 어떻게 변화하는지를 파악할 수 있을 것이다. 또한 중소기업은 대기업에 비해 상대적으로 인적·물적 자원이 제한적이기 때문에 효율적인 자원의 활용이 더욱 요구된다. 제한된 자원으로 경쟁해야 하는 중소기업에게 People Analytics의 활용은 중요한 경쟁력이 될 수 있다

② 중소기업에서는 직관적 의사결정에 따른 기회비용이 크다.

중소기업에서는 채용, 평가, 보상, 퇴직 등 주요 인사결정에 걸쳐 경영진이나 관리자들의 직관과 경험을 바탕으로 이뤄지는 경우가 많은 편이다. 예를 들어 “다른 회사들이 올해 임금을 좀 올린 거 같으니 우리도 올리자”라는 명확한 기준 없이 임금인상률을 결정하면 향후 인건비가 영업이익에 부정적인 영향을 미칠 수 있고 “사람이 부족하다” 라는 의견이나 느낌만으로 채용을 진행하면 인력의 적절한 배치가 어려울 수 있다. 또한 퇴사자의 사유를 체계적으로 분석하지 않고 "우리 회사는 이직률이 높은 편이야" 라고 단순히 결론을 내리면 근본 원인을 해결하지 못하고 동일한 문제가 반복될 수 있다.

중소기업은 대기업에 비해 자원이 제한적이기 때문에 잘못된 의사결정에 따른 기회비용이 훨씬 크다. 특히 한번 올리면 다시 내리기 어려운 임금과 현행 노동관계법령 하에서 해고가 매우 까다로운 상황을 고려하면 인력 및 인건비 관리의 비효율성은 장기적으로 기업경영에 심각한 부담이 된다. 이러한 상황에서 People Analytics를 활용한 데이터 기반 의사결정은 중소기업에게 더욱 중요하다. 인건비 효율성 지표를 바탕으로 경영실적에 따른 인건비를 관리하고 적정 인력규모를 도출하여 제한된 자원을 최대한 효율적으로 활용할 수 있기 때문이다.

③ 생성형 AI와 저성장 시대에 중소기업 생존을 위한 People Analytic

Chat-GPT 를 선두로 한 생성형 AI의 빠른 발전과 장기 저성장 시대로 진입하면서 산업, 생활, 교육 등 사회 전반에 걸쳐 양극화 이슈가 더욱 붉어지고 있다. 특히 대기업 중심의 생성형 AI의 발전과 일하는 방식의 개편은 중소기업에게 경쟁력 강화와 생존을 위한 변화를 요구할 것이다. 이러한 양극화 상황에서 중소기업의 경쟁력 강화와 생존은 제한된 자원을 얼마나 효율적으로 활용하느냐에 달려있다.

장기 저성장 시대에서는 ‘효율성’이 기업 생존의 핵심이 되며 People Analytics를 활용한 인원, 인건비, 근로시간 등의 관리와 조직구조 개편, 인력 재배치, 직무역량 강화 등의 인적자원 관리가 경영 안정성의 기반이 될 것이고 생성형 AI 시대에 필요한 새로운 역량 개발과 조직기능과 구조의 개편은 데이터 분석 없이 효과적으로 이뤄질 수 없으며, 이는 중소기업의 경쟁력과 생존을 확보하는 핵심 요소가 될 것이다.

앞으로 기업의 데이터 활용 역량은 생존을 결정짓는 핵심 요소가 될 것이며, 중소기업에게 People Analytics는 급변하는 경영환경에서 지속가능한 경쟁력을 확보하기 위한 전략적 무기이자 양극화 시대를 헤쳐나갈 필수적인 생존 도구로 자리매김 할 것이다.

1.4.3 중소기업이 People Analytics를 적용하는 현실적인 방법

People Analytics라고 하면 복잡한 머신러닝을 활용하여 AI 알고리즘이나 빅데이터 시스템을 떠올리는 경우가 많지만 중소기업 실무에서는 그런 접근이 오히려 장벽이 될 수 있다. 우리에게 지금 필요한 것은 화려한 통계적 기법이 아니라 데이터 기반의 사고방식이다. 엑셀로 관리하고 있는 인원현황 데이터라도 정기적으로 관리하고 패턴을 찾아내려는 습관만으로 인사이트를 얻을 수 있다. 결국 중요한 것은 '직관'이 아닌 '데이터'로 의사결정을 내리는 문화를 만드는 것이다. 이런 변화를 어떻게 현실적으로 시작할 수 있을지 살펴보자.

① 복잡한 분석이 아니라 "기록"이 먼저

대부분의 중소기업에서는 담당자 마다 혹은 데이터 종류마다 산발적으로 관리하는 경우가 많고 체계적으로 데이터를 관리하지 않는다. 이런 환경에서 People Analytics를 활용하려면 화려한 분석 도구나 AI 시스템이 아닌 가장 기본적인 '데이터 기록' 부터 시작해야 한다. 참고로 컨설팅 과정 중 데이터 분석시에 가장 많은 시간이 할애되는 부분이 데이터 전처리 과정이다.

인원현황 및 퇴사자 명부만 관리해도 놀라운 인사이트를 얻을 수 있다. 예를 들어, 신규 직원들의 퇴사를 체계적으로 기록하지 않으면 "요즘 신입들이 자주 그만두는 것 같다"라는 정성적이고 감각적인 판단만 있을 뿐, 실제로 얼마나 많은 인원이, 어떤 시점에, 어떤 이유로 퇴사하는지 파악할 수 없다. People Analytics 활용의 핵심은 복잡한 알고리즘이 아니라 데이터를 일정한 기준으로 기록하고 누적해 패턴을 발견하는 것이다.

* 중소기업에서 가장 먼저 정리해야 할 HR 데이터 5가지

· 재무현황 : 연도별 재무제표 및 손익계산서, 연도별 평균인원

· 인력 구성현황: 인원현황(직위, 직군, 성별, 주소, 자격, 입사일 등) 부서별∙연령별 인력 분포, 직군별 인력 비율 등

· 근태기록: 출퇴근 시간, 연장, 야간 및 휴일근로 시간, 지각·조퇴 비율

· 급여 및 보상 데이터: 인당 인건비, 임금구성항목(기본급/고정수당/변동수당 등) 비율, 연도별 임금인상률 등

· 이직률: 연차별·부서별·직군별 퇴사율, 퇴사 사유, 퇴사면담 기록지 등

위에서 언급한 데이터만 체계적으로 관리해도 조직의 현재 상황과 예상되는 이슈가 명확하게 들어날 수 있다. 복잡한 분석보다 중요한 것은 데이터를 꾸준하고 일관된 기준으로 기록하는 것이며 데이터가 축적되면 자연스럽게 일정한 패턴이 보이기 시작하고 이는 감에 의존하던 의사결정을 객관적 근거를 바탕으로 개선할 수 있는 토대가 될 것이다.

② 직관적 의사결정에서 벗어나 "데이터를 참고하는 습관"을 만들자

중소기업 현장에서는 경영진의 의사결정이 매우 중요하다. 간혹 실무자에게 이 복리후생제도가 설계된 이유를 물어보면 “대표님이 원하셔서…”, 혹은 올해 임금인상률에 대해 물어보면 “아 이건 저도 잘..” 이라는 답변을 종종 들을 수 있다. People Analytics의 활용 핵심은 데이터와 직관을 대립시켜 한쪽의 방식을 배척하자는 것이 아니라 경영진의 풍부한 경험과 객관적 데이터를 결합하여 의사결정의 효과성을 높이는 데 있다. 즉, "요즘 이런 것 같아서"가 아니라 "이런 데이터를 보니까"라는 접근법을 문화에 자연스럽게 녹여내는 것이다.

예를 들어, "요즘 직원들이 급여수준 때문에 많이 그만두는 것 같다"라는 경영진의 판단이 있다면 이를 검증하기 위해 퇴사 면담을 실시하여 이를 정리해두거나 우리 회사 임금수준이 동종 혹은 경쟁업체 대비 실제 낮은 지 여부를 파악해보거나 근로시간을 분석하여 잦은 연장근로 때문인지, 팀장 근속년수와 팀원 수를 보고 팀 내 소통과 운영방식에 마찰이 있던 것은 아닌지, 인력구조를 살펴보고 승진적체가 원인은 않은지를 찾아내고 추론해 나갈 수 있다. 데이터를 확인하지 않고 임금을 인상해주는 대신, 실제 원인에 맞는 해결책을 마련한다면 제한된 자원을 더 효율적으로 사용할 수 있다. 결국 데이터는 경영진의 직관을 대체하는 것이 아니라 더 예리하고 정확하게 만드는 렌즈 역할을 한다.

③ HR 데이터를 실제 의사결정에 반영하는 프로세스 정립

People Analytics는 데이터를 수집하고 관리하는 것에 그치는 것이 아니라 실제 의사결정에 활용하는 것이 핵심이다. 다수의 기업에서 데이터를 수집하고 정리하지만 보고서 맨 뒷장에 [Appendix] 나 [참고] 로 남고 실제 의사결정에 큰 역할을 하지 않는 경우가 많다. 이러한 데이터 결과 보고서가 인사팀 서랍 속에 보관되는 보고서가 아니라 실제 조직 운영에 변화를 가져오는 도구가 되려면 다음 단계로 접근해야 한다:

(Step01) 데이터 분석이 아니라, 문제 정의에서 시작하라

데이터 활용의 출발은 ‘무엇을 분석할 것인가?’가 아니라 ‘어떤 문제를 해결할 것인가?’ 여야 한다. 예를 들어 "이직률을 줄여보자" 같은 추상적인 접근이 아니라 "영업부서 3년차 이상이 되면 이들의 이직률이 높아지는 이유가 뭔지 파악하고 해결해보자”와 같은 구체적인 정의가 선행되어야 한다. 데이터는 수단이지 목적이 아니다. 현재 우리 조직에서 가장 시급히 해결해야 할 이슈가 무엇인지 명확히 정의하는 것에서시작해야 한다. 이게 불분명하면 아무리 많은 데이터를 모아도 무용지물이다.

(Step02) HR 데이터는 ‘맥락(Context)’과 함께 해석해야 한다

데이터는 숫자로만 존재하는 것이 아니라 조직의 환경과 맥락을 반영해야 한다. 우리 회사 이직률 10%가 높은 건지 낮은 건지는 업계 평균과 비교해봐야 의미가 있다. 또한 전체 이직률보다는 어떤 부서에서, 어떤 직급에서, 어떤 시기에 이직이 집중되는지가 더 중요하다. "우리 회사 평균 근속 4.5년"이라는 정보보다 "입사 3년차에 팀장과의 갈등으로 퇴사율이 급증하는 패턴"이 훨씬 실용적인 인사이트다. 데이터는 항상 "그래서 어떻게 해야 하는가?"라는 질문으로 이어져야 한다.

(Step03) 경영진과 관리자들이 데이터를 ‘의사결정 도구’로 활용할 수 있도록 만들어라

아무리 좋은 데이터와 분석이 있어도 경영진과 이해관계자들이 데이터의 의미를 이해하지 못하면 의미가 없다. 25페이지짜리 통계 보고서보다 핵심 인사이트 1-2개를 담은 한 장짜리 요약이 훨씬 효과적이다. 이직률이 높습니다"보다는 "영업팀 3년차 직원들의 퇴사가 급증하는데, 주된 이유는 경력 성장 기회 부족과 업무 과중으로 나타납니다. 이를 해결하기 위해 ① 영업팀 내 멘토링 제도 도입, ② 업무 프로세스 개선이 필요합니다"와 같이 명확한 행동 지침까지 제시한다면 데이터 중심의 의사결정 구조가 더 빛을 바랄 것이다.

결국 People Analytics의 핵심은 복잡한 데이터가 아니라 단순하더라도 실행 가능한 인사이트를 도출하는 것이다. 데이터를 수집하고 관리하는 수준에서 벗어나 그 데이터가 실제 인사 의사결정에 어떻게 반영되는지가 훨씬 중요하다. 중소기업에서는 특히 "써먹을 수 있는", “경영진에게 먹힐 수 있는” 데이터 활용법에 집중해야 한다. 경영진의 책상 위에 올라가는 보고서가 아니라 실제 조직 운영 방식을 바꾸는 변화의 시작점이 되어야 한다.