4차 산업혁명 시대, 데이터의 적용 분야가 ‘사람’으로 확대됨에 따라 ‘HR 애널리틱스(Analytics)’의 중요성이 부각되고 있다. 구글은 이미 10년 전부터 직원 평가, 승진, 급여 등에 대한 데이터 분석을 통해 어떤 직원이 조만간 퇴사할지 예측하는 알고리즘을 개발했다. 이번 호에서는 HR 애널리틱스를 활용한 국내외 기업의 다양한 노력들을 통해 시사점을 살펴본다.

4차 산업혁명 시대는 데이터의 시대라 해도 과언은 아닐 것이다. 글로벌 컨설팅사인 PwC가 2016년 26개국 2000여 기업을 대상으로 4차 산업혁명 관련 이슈에 대해 조사한 결과, 회사의 주요 의사결정을 내릴 때 데이터 분석에 기반한다는 응답이 2016년 50%에서 2021년 83%로 높아질 것으로 예상했다.
HR도 예외일 수 없다. HR은 지금까지 경험과 직관이 자료와 분석보다 우선시되어 온 대표적인 분야이다. 그러나 환경의 변화로 HR의 패러다임도 아날로그에서 디지털로 변하고 있으며 그 핵심에 ‘HR 애널리틱스’가 있다.




디지털 HR은 HR 패러다임의 종착점

기업들은 디지털 HR을 실현하기 위해 텍스트 마이닝, SNS, 가상현실, 머신러닝, 게임화(Gamification) 등을 활용해 사내 의사소통 패턴, 고성과자·리더십·협업 등의 특성, 인재 탐색 및 배치 효과 등 조직 성과 개선을 위한 다양한 분석을 시도하고 있다.
로레알은 대화형 AI 채용 솔루션을 도입해 운영 중이다. 이력서 내용 확인뿐 아니라 지원자의 직무 역량, 재능을 챗봇이 사전에 확인한다. AI 채용 솔루션을 통해 기존의 인간 면접관이 저지르기 쉬운 지원자들과의 학연, 지연 등에 따른 평가의 관대화 등 편향 오류를 줄이고 있다.
유니레버는 채용 시 면접 배점을 축소해 게임화 점수로 대체했다. 지원자가 게임을 하듯이 프로그램이 요구하는 상황에 대해 답변을 제시하면 해당 지원자의 업무 수행 역량이 측정되고 그 결과가 최종 평가 점수에 반영된다.
기존의 스펙 위주 채용보다 돌발 상황 대처, 직무 역량 등 행동 반응을 바탕으로 한 객관적 평가에 강점이 있다. 유니레버는 이렇듯 채용 도구의 다양화를 통해 지원자의 경험을 다양한 차원에서 측정할 뿐만 아니라 인간 평가자의 오류를 최소화하는 데 노력하고 있다.
미국 나사(NASA)는 AI를 탑재한 업무 지원용 챗봇인 ‘조지 워싱턴’을 실무에 투입했다. 이 챗봇은 컴퓨터 문서 관리, 인사정보 검색 등 권한이 부여된 정형화된 업무를 담당할 뿐만 아니라 휴가 수당, 육아 휴직 등 단순 문의에 대해 365일 24시간 답변이 가능하며 직원에게 경력관리 등의 조언도 해 줄 수 있다.
많은 기업들이 디지털 HR을 정착하기 위해 노력하고 있다. 이러한 노력들은  ‘챗봇 등을 활용한 단순 반복적인 행정 업무 자동화’에서 ‘축적된 데이터를 모니터링, 분석, 예측하기 위한 HR 애널리틱스 도입 및 운영’으로 발전하고, 이는 다시 ‘빅데이터, AI 등을 활용한 HR 프로세스 고도화’ 단계로 진화하고 있다.
이러한 디지털 HR 실현의 핵심 이슈는 보유한 데이터를 어떻게 활용할 것인가이다. 이를 위해서는 분석 방법론이 중요한데 이를 HR 애널리틱스라고 한다.




디지털 HR의 구현 방법론, HR 애널리틱스

HR 애널리틱스는 피플 애널리틱스로도 불리는데, 일반적으로 ‘행동과학, 통계학, 기계학습, 데이터 시각화 기술 등을 HR 데이터에 적용해 구성원과 관련된 주요 문제들에 대해 사실과 확률에 기반한 의사결정을 내리도록 함으로써 궁극적으로 조직 성과를 향상하기 위한 방법이자 도구’로 정의된다.
이러한 HR 애널리틱스를 도입하는 가장 큰 이유는 그 동안 HR 분야에서 지속적인 논란이 되어 온 직관과 경험, 관행을 통한 의사결정을 지양하고 이로 인한 오류를 최소화하는 데 있다. HR 분야는 다른 분야와는 달리 사람, 조직, 문화, 제도 등 복잡한 현상을 해결해야 하기 때문에 정답이 없는 의사결정이 대부분을 차지한다. 따라서 데이터와 분석에 의한 의사결정이 중요함에도 불구하고 지금까지는 그러지 못한 것이 사실이다.
대표적인 것이 바로 채용 시 서류 전형 검토이다. 수백, 수천 명의 자기소개서를 한 사람이 주어진 일정에 맞추어 모두 검토하는 것은 불가능하므로 복수의 인력을 투입해 여러 날 동안 검토해 선별한다.
이 방법은 시간을 절약할 수는 있지만 각자의 암묵적 기준에 따라 평가하는 오류가 발생하게 되는 치명적인 단점이 있다. 그러나 HR 애널리틱스를 통해 사람이 아닌 프로그램이 진행하면 더 많은 시간 단축뿐 아니라 휴먼 에러도 없앨 수 있다.
영국의 데이터 분석 전문기업 로슬린 데이터 테크놀로지스가 전문가 300여 명을 대상으로 수행한 2017년 조사에 따르면 HR 애널리틱스가 적용되는 주된 영역은 인재 채용 및 유지(82%), 성과 관리(72%), 보상 및 복리후생 관리(62%), 인력 계획 실행(51%), 법규 준수(33%), 조직 효과성 분석(27%), 내부 네트워크 분석(8%)의 순으로 나타났다.
데이터로 HR 이슈 해결한 카카오·히타치제작소
카카오는 피플 애널리틱스 조직인 파이랩(PiLab)을 2015년부터 운영하고 있다. 구성원은 심리학, 사회학, 통계학 등 분야의 전문가 5명으로, 회사에서 발생하는 HR 관련 주요 이슈의 원인과 해결책 탐색을 목적으로 데이터 분석 및 시사점을 제공하고 있다. 파이랩은 크게 3가지 차원의 프로젝트를 진행한다.
먼저 전사 차원으로 진행하는 ‘옐로나이프(Yellowknife)’ 프로젝트는 문화, 제도 등의 요소들과 관련된 구성원 개인의 생각에 기반해 회사의 성장, 생산성, 긍정성을 높이는 요소와 그와 관련된 시사점을 도출한다. 최근 직원만족도, 조직 몰입도 등이 조직 건강성 지수로 측정되는 것처럼 ‘카카오 건강성’을 측정한다.
다음으로 팀 차원의 ‘아레스(Ares)’ 프로젝트는 팀의 특성과 프로세스 관련 효과, 즉 팀워크 기반의 생산성에 영향을 미치는 특징이나 요소들에 대해 분석하고 시사점을 도출한다.
이를 통해 파이랩은 카카오만이 가진 효과적 팀의 5가지 특성을 발견했는데 유연성, 헌신, 팀 지향, 보완 행동과 팀 리더십이 그것이다. 또한 팀워크 데이터를 분석해 카카오에서 하나의 팀은 최대 10명이 최적의 인원임을 도출해 향후 팀 구성을 위한 기준으로 제시했다.
마지막으로 개인 차원의 ‘마션(Martian)’ 프로젝트는 ▲개인의 고유 특성 ▲성격, 신호, 생체 시계등의 고유성 확인(Nature Trail) ▲학습된 특징 ▲문화에 대한 특성 및 태도(Nature Characteristic) 등에 기반한 긍정적인 업무 경험 등과 관련된 분석을 통해 시사점을 도출한다. 이를 위해 자체 개발한 챗봇을 활용해 개인별 업무 집중도, 감정 데이터 등을 수집해 분석한다.
한편 일본의 히타치제작소는 행복지수가 높을수록 생산성이 높아진다는 사실에 주목해 행복감을 높이는 요인에 관한 연구를 지속해 오고 있다. 적은 노동시간으로 성과를 내고 회사 정착률을 높이며 퇴직률을 낮춰 안정적인 노동력 확보가 가능하려면 구성원의 행복감을 높이는 방법이 가장 효과적이라는 가정에서다.
히타치제작소의 연구팀은 600여 명의 영업사원에게 센서를 지니게 해 데이터를 축적하고 HR 애널리틱스를 적용해 어떻게 하면 영업사원의 행복감이 높아지는지 분석했다. 그 결과 사람은 무의식 중에 행복한지 아닌지를 미묘한 몸의 움직임으로 표현하고 있음이 밝혀졌다.
또한 연구팀은 어떠한 조건이 되면 행복감이 높아지는가를 데이터를 통해 자동적으로 판단하는 AI를 만드는 데 성공했다. 즉 행복도가 높은 조직은 차별화된 특징이 존재하며 조직 전체의 분위기, 구성원의 커뮤니케이션 방식 등으로 추출해 낼 수 있음을 알아낸 것이다.
연구팀은 2015년부터 센서를 사용해 구성원의 행복감을 측정하고 행복감을 높이는 방안을 제공함으로써 생산성을 제고하는 방안도 제시하고 있다. 일례로 콜센터 직원들에게 센서를 부착해서 수집한 행복도 측정 데이터를 AI로 분석해 휴게시간 중의 활성도가 수주에 영향을 준다는 사실을 발견했다. 이에 따라 같은 연령층끼리 대화를 촉진할 수 있도록 휴게공간 레이아웃과 공간 디자인 등을 개선함으로써 수주 비율을 13% 올리는 데 성공했다.




데이터 기반 의사결정이 정착되는 HR 필요

과거에는 HR의 채용, 성과 관리, 평가·보상, 교육 등 많은 부분이 담당자 개인의 경험과 직감에 의존했다면 이제는 그 역할을 데이터 기반의 의사결정이 대신해야 한다. 그 역할의 핵심이 HR 애널리틱스에 있다.
이러한 역할을 성공적으로 수행하기 위해 HR 담당자들은 데이터 분석 전문 역량을 보유해야 한다. 데이터에 대한 식견과 활용능력을 바탕으로 이슈를 제기하고 이를 토대로 가설을 설정하며 데이터를 추출해 분석까지 할 수 있는 역량이 필요하다.
HR 부서 자체적으로 분석이 힘들면 외부 전문가를 활용한다. 그러나 HR 분야는 대외비 성격의 데이터가 많아 쉽게 외부인에게 분석을 의뢰하기가 쉽지 않다. 따라서 HR 애널리틱스 전문가를 내부적으로 육성하기 위한 방법에 대한 고민이 선행되어야 하며 육성이 여의치 않은 경우에는 외부 전문가 영입에 대해 생각해 볼 수 있다.
또한 HR 담당자들은 데이터의 분석 결과를 맹신해서는 안 된다. 분석에 투입되는 데이터가 쓰레기 같이 의미가 없는 것이면 그것을 분석해서 나온 결과도 동일하기 때문이다(Garbage in, Garbage out). 데이터의 분석 결과를 유용하게 활용하기 위해서는 최초에 투입되는 데이터가 의미 있는 자료들이어야 하며 이를 위해서는 양질의 데이터를 확보하는 것이 중요하다.
특히 종단적 분석을 위해 여러 해 동안 수집한 자료의 경우, 일관성 있는 기준이 적용되어야 한다. 예를 들어 직원만족도 데이터를 수집한다고 할 때 해마다 조사하는 설문 항목들이 매년 달라진다면 그 데이터를 종단적으로 분석하는 것은 의미가 없다. 동일 질문에 대한 응답이 기간에 따라 어떻게 달라지는가를 분석하는 것이 목적인데 질문이 매년 달라지면 분석 기간 동안의 변화 비교가 불가능하기 때문이다.
양질의 데이터 확보를 위해서는 데이터 관리도 잘해야 하며 데이터를 가능한 공개하고 공유해야 한다. 특히 HR 관련 데이터는 개인 자료 중심의 대외비 성격이라 채용 관련 자료는 채용 담당자만, 평가 관련 자료는 평가 담당자만 관리하는 경향이 아직도 많다.
자료의 종류별로 분산 관리되다 보니 관리 권한도 분산될 수밖에 없고, 통합적 활용도 어렵다. 따라서 이러한 통합적 관리, 자료의 공개 여부와 함께 데이터를 관리하는 통합 기준을 마련할 필요가 있다.
마지막으로 HR 부서와 구성원 간의 신뢰에 바탕을 둔 분석이 이루어져야 한다. 신뢰가 없으면 분석 결과에 대한 공감대 형성은 요원할 뿐이다. 이를 위해서는 HR 부서와 분석 대상인 구성원과의 상시 커뮤니케이션이 중요하다. 데이터를 분석하다 보면 자칫 HR 데이터를 숫자와 텍스트로만 받아들이게 된다. 그러나 분석을 통해 다루는 데이터는 실재하는 구성원 개개인이라는 점을 분석 담당자는 잊어서는 안 된다.
앞서 소개한 카카오의 파이랩은 데이터 수집 과정에서 ‘익명이 유지되나요’, ‘의도와 다르게 활용되는 건 아닌가요’, ‘피플 애널리틱스는 직원을 은밀하게 감시하는 것 아닌가요’라는 질문을 받았다. 오해를 없애기 위해 파이랩은 조사와 분석의 목적을 명확히 알리고 데이터를 투명하게 유지, 관리한다는 것을 확실히 알리는 다양한 노력을 기울였다.
이처럼 일련의 과정을 통해 데이터가 존중되는 문화를 만들어야 할 것이다. 이것이 곧 데이터 기반의 의사결정이 존중받는 문화로 이어질 것이다.

조성일 포스코경영연구원 수석연구원 sizif@posri.re.kr




- 출처 : 월간 CHIEF EXECUTIVE 2019년 9월호 -