05. HR 예측 분석의 시작
Mark the beginning of PHRA
01. Predictive HR Analytics
－ 추론 통계로 읽는 HR Data
A. HR의 변화: 감(感)에서 데이터로
《PREDICTIVE HR ANALYTICS-MASTERING THE HR METRIC》의 저자인 Martin R Edwards 등은 지난 10년 간 HR이 직관과 경험의 영역에서 데이터의 영역으로 빠르게 이동해 왔다고 평가합니다. Rousseau와 Barends(2011)는 "HR이 이제 다른 조직의 제도를 단순히 모방하는 수준을 넘어 데이터를 바탕으로 리더십의 실천과 자문 역할을 수행해야 한다."고 말합니다. 즉, 더 이상 '감'만으로 조직을 이해할 수 없습니다. 우리가 갖고 있는 데이터를 통해 무엇이 문제를 일으키고, 무엇이 성과를 이끄는 것인지 찾아내야 합니다.
이러한 흐름 속에서 등장한 개념이 바로 Predictive HR Analytics(PHRA, 인사 에측 분석)입니다. Ulrich 등(2024)은 "People Analytics는 과거보다 성숙해졌지만, 여전히 도전에 직면해 있다."고 말하면서도 "올바른 방법을 사용할 수 있다면 HR은 단순한 지원 부서가 아닌, 조직의 성과를 예측하고 이끄는 전략적인 파트너가 될 수 있다."고 말합니다.
B. PHRA란 무엇인가?
PHRA는 기존 HR 데이터를 기반으로 추론통계(Inferential Statistics)를 활용하여 특정한 현상이나 성과의 원인을 분석하고, 미래의 결과를 예측하는 체계적인 접근입니다. 마치 의학을 연구하는 사람들이 질병의 원인을 찾아내고 발병의 확률을 예측하는 데 쓰는 통계 방법을 조직의 HR 데이터에 적용하는 것입니다. 예를 들어, 직원의 성과 차이는 무엇 때문에 생기는 것인지, 이직률이 높아지는 부서는 어떠한 특성이 있는 것인지 PHRA는 그러한 질문에 '근거 있는 답'을 찾아내려는 시도이자 유용한 도구가 됩니다.
C. 기존의 HR 분석의 한계
여전히 많은 조직에서 HR 데이터는 '보고서에 넣는' 수준에 머물고 있습니다. 예를 들면, 연도별 인원 현황, 부서별 이직률, 연령대별 근속 연수 등과 같은 지표를 표로 정리하고 비교를 하는 정도입니다. 이러한 서술형 방식의 HR 보고서(Descriptive HR Reports)는 특정 시점의 상황을 스냅숏으로 보여줄 뿐, 왜 그러한 현상이 일어났는지에 대해서 말해주지 못합니다.
문제는 그 이후입니다. 이 보고서는 대부분 보고를 하는 것에 그칩니다. "데이터를 정리했다."는 행위 자체가 목적이 되어버리기 때문입니다. 하지만 PHRA는 그 다음 단계로 "이러한 현상이 왜 생겼는지"와 "앞으로 어떻게 될 것인가"를 다룹니다. 이러한 점이 HR 예측 분석이 기존의 분석과 다른 이유입니다.
02. PHRA의 핵심 구조
:: 세 단계로 보는 예측의 세계
1) Predictors (예측 변수)
특정한 HR 결과(성과, 이직률 등)에 영향을 주는 요인을 식별하는 단계입니다. 예를 들어 직원 몰입도나 리더십 신뢰도가 성과를 예측하는 요인이라면, 이 변수를 통계적으로 검증하여 인과 관계를 확인합니다.
2) Predictive Modelling (예측 모델링)
이렇게 찾은 요인들을 바탕으로 실제 예측 모델을 만듭니다. 모델은 "어떠한 요인을 바꾸면 결과가 얼마나 달라질까?"를 시뮬레이션합니다. 즉, HR 제도나 리더십 스타일을 조정했을 때, 성과가 어떻게 변할지를 가정하여 보는 것입니다.
3) Prediction (예측)
마지막 단계는 실제로 미래의 행동이나 결과를 예측하는 것입니다. 예를 들어, 특정한 조긴의 팀이 6개월 내에 이직률 20%의 상승 위험이 있다고 판단된다면, 이는 HR이 선제적으로 조치를 취할 수 있는 경고 신호로 활용될 수 있습니다.
03. PHRA 역량의 현실
HR 커뮤니티에서는 점점 People Analytics 교육이 늘고 있지만, 여전히 추론통계와 예측 모델링을 실제로 다루는 경우는 드뭅니다. 대학의 HR 관련한 전공 과정도 통계 과목을 필수로 포함하지 않는 경우가 많습니다. 그래서 HR을 '숫자를 피할 수 있는 안전지대(Safety haven)'로 여기는 인식도 있었습니다.
Minbaeva(2017)는 Deloitte의 조사 결과를 인용하면서, "인적자본에 대한 분석이 중요하다고 답한 기업이 75%였지만, 실제 강력한 분석 역랴을 가진 곳은 8% 뿐이었다."라고 지적했습니다. CIPD의 조사에서도 영국의 HR 담당자 중에서 고급 분석을 자신 있게 수행한다고 답한 비율은 21% 정도였으며, 정기적으로 이를 수행한다고 응답한 사람은 6%에 그쳤습니다.
이처럼 HR 직종 내에서 통계적인 역량 격차는 심각하다고 볼 수 있습니다. 하지만 역으로 말하면, 통계와 데이터 해석 능력을 가진 HR 전문가가 시장에서 가장 드문 인재라는 뜻이기도 합니다.
04. 설득력 있는 역할로의 성장을 기대하며
HR 전문가로 성장하기 위해서는 HR 예측 분석 방법론을 배우고 활용해야 합니다. 이는 누구든 극복해야 할 문제로 인식해야 합니다. 특히 HR에서 범용적인 Generalist든, 다국적 기업의 HR 관리자이든, 트렌드와 패턴을 식별하고, 편향과 직관을 배제해야 합니다. 데이터에 기반한 의사결정을 내리고, 조직 차원에서 HR Challenge를 예측할 수 있는 능력이 있다면, 신뢰 받는 고성과 HR 전문가로 발돋움하게 만들 것입니다. HR 직종이 조직의 성공에 효과적으로 기여하려면 이러한 문제는 해결해야 할 필요가 있습니다.
이를 위해서는 HR에 대한 계량적 소양(Quantitative literacy)을 높이는 것이 필요합니다. 많은 사람들이 통계 앞에서 자동적으로 스위치를 꺼버리는(Off switch) 현상에 부딪히게 될 겁니다. 하지만 시중에는 많은 통계 분석 교과서들이 있습니다. HR Metric을 반복적으로 학습하고, HR 예측 분석을 수행할 수 있는 능력을 키우는 것이 중요합니다. HR에서 통계를 배운다는 것은 단순히 숫자를 계산하는 법을 익히는 것이 아니라, 사람의 행동을 이해하고 미래를 예측할 수 있는 언어를 배우는 일이기 때문입니다.
