라인플러스의 직원 경험 데이터 분석 여정: 숫자 너머의 진짜 직원 경험 읽는 법

라인플러스 People Synergy 박관욱

직원 경험 설문이 끝나면 HR 담당자 눈앞에는 수십 개의 차트와 데이터가 펼쳐집니다. 지난 분기 대비 특정 문항의 점수가 0.28점 하락했습니다. 그런데 이 숫자가 정말 조직에 발생한 의미 있는 변화일까요, 아니면 수많은 데이터 속에서 나타날 수 있는 그저 통계적 우연에 불과할까요?

'이 차이는 우연일까, 실제일까?'

많은 HR 실무자가 마주하는 이 고민은 라인플러스 People Synergy 박관우 님의 데이터 분석 여정이 시작된 출발점이었습니다. 이번 세션에서는 라인플러스의 직원 경험(EX) 데이터 분석 사례를 통해 HR 실무자가 데이터 기반의 의사결정 역량을 강화하는 과정에서 마주한 고민과 해결 방안을 공유합니다.

라인플러스의 직원 경험(EX) 측정 방법

라인플러스는 퀄트릭스(Qualtrics) 솔루션을 활용해 직원의 입사부터 퇴사까지 전 과정에서 발생하는 모든 경험을 '직원 경험'으로 정의하고 이를 측정합니다. 설문은 분기별로 진행되고 있다.

박관욱 님은 급여 및 인사 운영 업무를 담당하며 데이터 분석을 수행해 온 HR 실무자였습니다. 직원 경험 측정 업무를 맡았을 때 그의 목표는 직원들이 응답한 결과를 잘 가공해 단 한 명의 HR 동료나 조직장이라도 더 결과를 보게 하는 것이었습니다. 이런 목표에서 출발한 라인플러스의 직원 경험 데이터 분석 여정은 조직의 가장 중요한 자산인 직원 경험을 체계적으로 측정하고 이해하는 핵심 전략 과제로 발전했습니다.

초기에는 태블로를 활용한 데이터 시각화에 집중했습니다. 조직별 응답률 변화, 문항별 긍정/부정 인식률 추이, 히트맵(Heatmap) 차트 등을 통해 설문 결과를 보다 쉽게 전달하고자 했죠. 하지만 몇 차례 조사가 반복되면서 데이터의 신뢰성에 대한 근본적인 질문에 봉착하게 되었습니다.

분석의 전환점: 단순 시각화를 넘어 통계적 검증으로

데이터 시각화는 추세를 파악하고 정보를 효과적으로 전달하는 데 효과적이지만, 한계가 명확합니다. 차트상에 나타난 점수 변화나 조직 간의 차이가 통계적으로 유의미한 변화인지, 아니면 단순히 표본 오차나 우연에 의한 변화인지 답해주지 못하기 때문입니다.

이 지점에서 데이터 분석의 신뢰도에 대한 근본적인 의문이 제기되었습니다. 바로 "이 차이가 우연인가, 실제인가?"라는 질문이었죠. 평균 응답률 60%로 얻어진 설문 결과가 과연 전체 직원 100%의 의견을 대표한다고 확신할 수 있을까요? 단순한 학문적 호기심이 아닌, 데이터 기반 HR의 신뢰성과 직결되는 질문이었습니다.

이 질문에 확신을 가지고 답하기 위해서는 단순한 시각화를 넘어 통계적 검증의 영역으로 나아가야 했습니다. 먼저 직원 경험 데이터가 가진 고유한 특성을 파악하는 작업부터 시작했습니다.

직원 경험 데이터의 특성

“자신의 시력에 맞는 렌즈를 선택해야 세상이 선명하게 보이듯, 데이터의 고유한 특성에 가장 적합한 통계 모델을 선택해야 정확하고 명료한 인사이트를 얻을 수 있습니다.”

직원 경험 데이터는 일반적인 연구 데이터와 다른 고유한 특성을 지니고 있어, 전통적인 통계 기법을 적용하기 어려운 경우가 많습니다.

핵심 특성 1) 지속적인 집단 구성원 변동

시계열 변화를 분석하는 ‘반복측정 분산분석(repeated measures ANOVA)’과 같은 모델은 동일한 분석 대상이 모든 시점에 일관되게 존재한다는 가정을 전제로 합니다. 하지만 실제 조직에서는 신규 입사, 퇴사, 휴직, 부서 이동 등이 끊임없이 발생해 분석 대상 집단의 구성원이 매 분기 바뀝니다. 따라서 이러한 모델의 기본 가정이 충족되기 어렵습니다.

핵심 특성 2) 데이터의 상호 의존성

대부분의 표준 통계 모델은 각 응답이 서로 독립적이라고 가정합니다. 하지만 직원 경험 데이터는 두 가지 차원에서 이 가정에 어긋납니다.

• 조직적 의존성: 같은 팀에 속한 직원들은 조직장, 동료, 업무 환경 등 공통적인 요인에 영향을 받습니다. 따라서 이들의 응답은 서로 독립적이지 않고 상호 의존적인 경향을 보입니다.

• 개인적 의존성: 개인의 현재 응답은 과거의 경험과 이전 설문 응답에 영향을 받습니다. 특히 분기별로 조사가 진행될 경우, 시간적 종속성이 커집니다.

핵심 특성 3) 리커트 척도 데이터의 성격

리커트 5점 척도 데이터를 어떻게 분석할 것인지 또한 중요한 결정 사항입니다. 데이터를 ‘연속형 변수’로 간주해 평균을 계산하는 방식과, ‘서열형 변수’로 간주해 순위와 패턴을 분석하는 방식이 있습니다.

라인플러스의 해법: 상황에 맞는 모델 활용하기

이러한 데이터의 특성을 고려해, 라인플러스는 상황에 따라 최적의 분석 모델을 전략적으로 선택하는 이원화된 접근법을 선택했습니다.

✅ 다층 모형 도입

우선 앞서 언급한 직원 경험 데이터의 특성을 고려해 개인-팀-시간이라는 여러 층위의 데이터를 동시에 다루는 ‘다층 모형(Multilevel Model)’을 핵심 분석 모델로 채택했습니다. 이를 통해 데이터의 상호 의존성 문제를 효과적으로 처리하고, 응답자 수가 변동되어도 문제없이 데이터를 처리할 수 있었죠.

✅ 리커트 척도 데이터의 유연한 분석

분석 목적과 효율성을 고려해 연속형 분석과 서열형 분석을 병행했습니다.

• 연속형 분석: 초기 진단이나 일상 보고 등 전체 문항에 대한 전반적인 추세를 빠르게 파악해야 할 때 주로 활용합니다.

• 서열형 분석: 특정 이슈에 대한 심층적인 원인 분석이 필요할 때 사용합니다. 예를 들어, 직원 경험 데이터와 조직장의 다면평가 점수를 연계해 리더십이 직원 경험에 미치는 영향을 정교하게 분석하는 경우에 서열형 분석을 적용합니다.

물론 이와 같은 모델 선택은 라인플러스의 데이터 특성에 따라 내린 판단일 뿐, 절대적인 정답이라고는 할 수 없습니다. 여러분이 가진 데이터의 특성을 면밀히 파악하고, 그에 가장 적합한 통계 분석 방법을 주체적으로 선택하는 것이 중요합니다.

HR 실무자를 위한 데이터 분석 실행 가이드

1)    HR 담당자의 최우선 과제: 데이터 품질 확보

정교한 통계 모델을 사용하는 것보다 더 중요한 것은 분석의 기반이 되는 데이터의 품질을 확보하는 것입니다. 데이터 품질이 낮으면 어떤 분석도 의미를 잃게 되니까요.

직원들이 설문에 성실히 참여하고 솔직하게 응답할 수 있는 환경을 조성하는 것이 HR 담당자의 가장 중요한 책임입니다. 만약 회사가 설문 결과에 대해 피드백을 제공하지 않거나 리더가 응답을 강요하는 경우, 직원들은 실망감에 무성의하게 응답하거나 응답 자체를 포기할 수 있습니다. 이 경우 데이터 품질의 급격히 떨어져 결국 전체 설문 프로그램이 실패하게 됩니다.

2)    분석 시간 효율적으로 활용하기

대부분의 HR 담당자는 데이터 분석 외에도 여러 업무를 동시에 수행하므로, 분석에 투입할 수 있는 시간은 매우 제한적입니다. 따라서 분석 환경을 효율적으로 구축하는 것이 중요합니다.

• 데이터 전처리 자동화: 주기적으로 생성되는 직원 경험 데이터는 자동화에 매우 적합합니다. 코드 기반의 도구가 부담스럽다면, Excel ‘파워 쿼리(Power Query)’를 활용해 보세요. 파워 쿼리는 버튼 기반의 직관적인 UI를 제공해 진입 장벽이 낮고, 데이터 정제 및 가공 과정을 자동화해 시각화나 통계 분석에 투입할 시간을 확보해 줍니다.

• 통계 분석 자동화: 통계 분석에 익숙해진 후에는 R 또는 파이썬을 활용해 분석 과정 자체를 자동화해 보세요. 예전에는 52개 문항을 하나씩 수동으로 분석했다면, R 코드를 통해 모든 문항에 대한 분석을 한 번에 실행하고 결과를 엑셀 파일로 자동 출력해 분석 시간을 크게 단축할 수 있었습니다.

3)    현장 중심의 분석으로 효용성 높이기

데이터 분석의 가치는 비즈니스 현장에서 활용될 때 비로소 완성됩니다. 두 가지 전략을 통해 분석 결과를 조직의 실질적인 변화로 연결할 수 있습니다.

• 결과물 변환하기: 통계 용어를 모르는 조직장이나 동료들도 쉽게 이해하고 실행에 옮길 수 있도록, 분석 결과를 직관적이고 단순한 언어로 변환해 전달해야 합니다.

• 현업의 질문에 귀 기울이기: 현장의 리더와 직원들이 실제로 궁금해하고 어려움을 겪는 문제에 귀를 기울이고, 그들의 질문을 분석의 가설로 삼아 검증해 보세요.

4)    사내 데이터와 연계해 인사이트 확장하기

직원 경험 데이터만으로는 얻기 어려운 깊이 있는 인사이트는 다른 사내 데이터와의 연계를 통해 발견할 수 있습니다. 따라서 사내에 어떤 데이터가 존재하는지 지속적인 관심을 가지는 것이 좋습니다. 연계 분석을 통해 단일 데이터로는 파악할 수 없는 새로운 패턴과 관계를 발견하고, 더 정교한 HR 전략을 수립할 수 있습니다.

데이터는 정답이 아닌 '대화의 시작'이다

라인플러스의 여정은 단순한 데이터 리포팅에서 출발해, 통계적 검증을 거쳐 실용적인 분석 역량을 내재화하는 과정이었습니다. 이는 데이터 기반의 소통 문화를 구축하는 새로운 과정의 시작이기도 했죠.

복잡한 통계 분석에 대한 부담감 때문에 데이터 분석 시도 자체를 망설일 필요는 없습니다. 간단한 기술 통계나 주관식 응답을 분석하는 것만으로도 의미 있는 인사이트를 발견할 수 있습니다. 실제로 현장의 임원이나 리더들과 대화할 때 단순한 시각화 차트나 데이터 비교를 통해 발견한 명확한 사실이 가장 큰 영향력을 발휘하기도 했습니다. 중요한 것은 완벽한 분석이 아니라, 지금 바로 분석을 시작하고 데이터를 통해 대화를 시도하는 용기입니다.

데이터 분석가의 임무는 정답이 담긴 보고서를 전달하는 것이 아니라, 데이터를 기반으로 설득력 있는 ‘질문’을 만드는 것입니다. 데이터를 지렛대 삼아 현장의 리더들과 “이 숫자는 왜 이렇게 나왔을까요?”라는 질문을 던져 보세요. 현상 이면에 숨겨진 진짜 이야기를 함께 파헤쳐 나가는 의미 있는 대화를 시작할 수 있을 겁니다.