[PA] #7. 피플 애널리틱스 적용 예시_퇴사율
피플 애널리틱스 입문서
1. Intro
지난 여러 아티클에서 People analytics(PA)에 대한 개념, 유형, 운영모델, 적용 단계와 기술통계와 추론통계를 간략히 살펴보았습니다. 이번 아티클은 People analytics(PA)를 통해 HR의 전략을 강화할 수 있는 구체적인 방법론을 제시하고 데이터 기반의 의사결정 환경 조성을 지원하고자 합니다. 특히 퇴사율을 예로 들어 PA의 접근 방식을 단계별로 분석하고, 각 단계에서 필요한 데이터의 수집 및 분석 방법, 그리고 결과적으로 조직에 제공할 수 있는 부가가치를 설명하고자 합니다.
2. People analytics(PA) 적용
(1) 문제의 정의
'PA 주식회사'는 최근 몇년간 퇴사율이 점차 증가하여 직원들의 만족도 저하, 업무 연속성의 문제, 신규 인력 채용 및 교육에 따른 추가 비용 증가 등으로 이어지고 있습니다. 이에 경영진은 HR 부서에 퇴사율 증가의 근본 원인을 파악하고 이를 해결할 수 있는 효과적인 전략을 수립할 것을 요청하였습니다. HR 부서는 이 문제를 "PA 주식회사의 구성원들이 지속적으로 회사를 떠나는 원인 분석 및 대책 마련"으로 정의하였습니다. 이 정의는 문제의 본질을 명확하게 드러냅니다.
(2) 비즈니스 목표 및 성과와의 연계
그런 다음 이 문제를 비즈니스 목표와 성과와 연계시킬 수 있는 질문으로 전환합니다. 예를 들어 "어떻게 하면 인재의 유출을 막고 유지할 수 있을까요?"와 같은 질문이 있을 수 있습니다. 그리고 한걸음 더 나아가 경영진 및 이해관계자들을 만나 "퇴사율이 감소한다면 경영성과에 어떤 영향을 미칠까요?", "퇴사율이 감소되었을 때 회사의 주요 성과는 무엇일까요?" 라고 가능한 구체적으로 질문할 수 있습니다.
(3) 데이터 수집
가장 먼저 정리할 수 있는건 퇴사율을 도출해나가는 것 입니다. 백분율로 표시되는 이 지표는 "(특정기간 중의 퇴사자 수 / 특정 기간 중 인원 수) * 100 " 으로 정의하여 월별, 분기별, 연도별로 구분하여 시계열 데이터로 수집할 수 있습니다. 다만 경영진 및 이해관계자에게 동종업계의 퇴사율을 함께 보여줄 수 있다면 좋은 자료로 활용할 수 있으나 외부 데이터 수집이 현실적으로 어려운 바 내부 데이터를 기준으로 수집하고자 합니다.
그 다음으로 위 기간중 퇴사한 근로자 개별 근속년수, 성별, 직군, 직무, 직위, 상벌, 거주지, 임금수준, 근로시간(연장, 휴일 및 휴일연장근로), 평가결과, 부서 발령일 등 인구통계학적 데이터를 수집 할 수 있습니다. 이러한 데이터를 지속적으로 수집하고 정리하다보면 통계적인 분석을 실시하기도 전에 "거주지와 가까울 수록 퇴사율이 높은 추세를 나타낸다."라는 등 흔히 생각하는 관념과 동떨어진 결과가 나타나기도 합니다. 하지만 데이터 수집 단계에서는 어떠한 추론이나 추측을 하지 않고 데이터 모수를 늘리며 Fact에 기반을 둔 판단이 우선 되어야 합니다.
그리고 이 단계에서 정확성, 일관성, 유용성, 접근성, 적시성, 보안성 등을 고려하여 데이터가 적절하지 않거나 신뢰할 수 없는 경우(예를 들어 거주지 주소가 업데이트가 정확하지 않은 경우 등)에는 이 데이터는 분석에 사용하여서는 안됩니다.
나아가 단기적으로 이 문제를 접근하는 것이 아닌 HR 부서의 주요 과제로 이 이슈를 해결하고자 한다면 퇴사 인터뷰를 통한 정성적/정량적 데이터 수집도 고려할 수 있습니다. 퇴사 인터뷰를 마련한다고 가정할 경우 이직 배경, 직무 불만족, 조직문화, 업무환경, 회사 지원, 보유 기술, 이직 후 진로 등의 정성적 데이터와 5점 척도 등을 통해 정량화 할 수 있는 데이터를 도출 할 수 있는 설문조사도 고려할 수 있습니다.
(4) 데이터 분석
이제 퇴사율(시계열), 퇴사자별 인구통계학적 데이터, 퇴사 인터뷰 등 다양한 데이터를 분석하여 인사이트를 얻을 차례입니다. 각각의 데이터로 유의미한 결과를 도출하기 어려울 수 있지만 이를 종합해보면 특정 트랜드나 패턴을 파악할 수 있습니다. 이때 데이터 분석을 위해 SPSS, EXCEL과 같은 통계 소프트웨어나 Python, R과 같은 프로그램을 활용할 수 있습니다.
데이터 분석의 접근 방식은 ① 데이터를 요약하고 설명하는 기술적 분석(평균, 중앙값, 분산, 표준편차 등) ② 어떤 일이 발생한 이유를 찾는 진단적 분석(상관관계 분석, 회귀분석 등) ③ 데이터 분석 모델을 구현하여 퇴사율을 예측하는 예측적 분석 ④ 과거 및 현재 데이터를 활용하여 의사결정 시 전략수립의 방향을 제시하는 처방적 분석으로 정리할 수 있습니다.
아마 위와 같은 접근이 없었던 경우라면 기술적 분석만으로 업무가 종료될 수 있습니다. 머릿속으로 으레 알고 있던 관념들이 숫자로 나타나는 순간 경영진 및 이해관계자들에게 수준 높은 인사이트를 제공할 수 있기 때문입니다.
퇴직율에 영향을 미칠 수 있는 인구통계학적 데이터, 퇴사 인터뷰 등의 자료를 기반으로 기술통계(평균, 분산, 표준편차)와 각 변수간 관계를 분석하는 추론통계(상관관계 분석, 회귀분석, 통계적 가설검증 등)를 실시 하고 이후 통계적 유의미성을 밝히고 시각화(Dashboard)를 구현할 수 있습니다.
(5) 인사이트의 실현
분석 결과를 해석하고 결론을 내리는 것은 People analytics(PA)의 정점으로 볼 수 있습니다. 분석 과정 전반을 보고서로 정리하여 경영진 및 이해관계자에게 전달해야 합니다. 보고서에는 수집한 데이터, 가설적 검증 결과, 해결해야할 주요 과제 등을 명시해야 합니다.
전달 효과성을 강화하기 위하여 시각화가 고려되어야 합니다. 데이터를 그래프나 도표로 표현하면 이해관계자가 정보를 보다 확실하게 파악할 수 있습니다. 다이어그램, 그래프, 차트, 색상, 도형 등을 사용하면 비전문가도 숫자를 그림으로 표현하여 더 잘 보고 이해할 수 있습니다.
이 과정에서 가장 우선으로 고려해야할 부분은 듣는 사람의 입장을 충분히 고려해야 합니다. 통계적 기법에 대한 이해가 높지 않을 경우 분석 방법에 상당한 저항을 보여줄 수 있고 분석 결과가 그간의 관념과 배치될 경우 분석 결과를 신뢰하지 않을 수 있기 때문입니다. 따라서 최대한 쉬운 언어와 숫자 중심의 접근이 요구됩니다.
마지막으로 이해관계자와의 커뮤니케이션시 경영실적이나 성과와의 연계를 분명히 밝혀야 합니다. 높은 퇴사의 원인을 밝힘으로서 감소시킬 수 있는 모집/채용 비용, 경력직과의 인건비 차이, 교육 및 온보딩 비용 등 복리후생 비용의 감소 등 내부 운영현황을 고려하여 정량화 할 수 있는 부분을 충분히 고려해야 합니다.
(6) HR 전략적 기능의 강화
간략하게 글로 작성하였으나 위 과정을 실무에 적용시킬 경우 데이터 수집에 상당한 시간이 소요됩니다. 그리고 각 부서마다 산재되어 있는 데이터를 모아가다 보면 데이터 관리 체계를 잡아가게 될 것 입니다. 나아가 데이터를 수집하고 가설수립과 통계적 분석을 바탕으로 의사결정을 진행해 나아가면 증거기반의 의사결정 구조가 마련될 것이며 영업이익, 인건비, 복리후생비 등 경제적 성과와의 연계가 강화되고 중장기적인 관리와 전략도출이 가능해 질 수 있습니다.
3. 결론
본 아티클을 통해 People Analytics (PA)가 단순한 데이터 수집과 분석을 넘어 HR의 전략적 기능을 강화하고 증거기반의 의사결정 환경을 조성할 수 있는지 전반적인 흐름을 함께 살펴보았습니다. 무엇보다도, 이러한 변화를 이끌어내기 위해서는 조직 내 데이터 문화의 정착과 지속적인 데이터 기반 의사결정의 실행이 필수적입니다. 이는 경영진 및 이해관계자들이 데이터의 가치를 인식하고 전체 직원이 데이터를 의사결정에 활용할 수 있도록 장려하는 것에서 시작됩니다.
이를 위해 ① 실무자 대상 데이터 교육의 실시 및 훈련, ② 경영진과 HR간 정기적 데이터 리뷰와 전략 수립 및 조정 ③ 데이터 수집 및 관리를 위한 기술적 인프라 구축 노력이 필요합니다. 이러한 노력은 People Analytics(PA)가 단순한 도구를 넘어 조직 전체의 전략적 성과에 기여하는 중심적인 역할을 할 수 있도록 만들 것입니다.
E.O.D
