brunch

라이킷 13 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by HEARTCOUNT팀 Aug 25. 2021

HR데이터에 기반하여 성과 예측 &선발 기준 수립하기

하트카운트 도입 사례 #1 채용, 퇴직, 성과 지표를 한 번에 개선하기

안녕하세요, 하트카운트팀입니다.

하트카운트는 다양한 직종, 그리고 부서에서 비즈니스 상 데이터 분석 도구로 활용되어왔습니다.

이번엔 HR 부서에서 하트카운트를 활용하여 선발 기준, 퇴직 예측, 성과 평가 등 대부분의 HR 시스템을 재수립한 사례를 소개해드리겠습니다.

인사 데이터(HR Data) 분석 및 활용 사례

- 채용, 성과, 퇴직 데이터 통합 분석 및 Data-Driven HR 평가 기준 수립

HR 데이터는 사람을 분석하는 일인지라 데이터로 설명하지 못하는 많은 변수가 존재하는 데다 그 양은 또 얼마나 방대한가요. ㅜㅜ 그래서 그런 것인지 데이터는 많은데 뭘 어떻게 해야 할지 모르겠고 이렇다할 인사이트가 없다고 느끼셨던 HR 담당자분들도 많이 계실 거라고 생각합니다.

저는 하트카운트가 없는 인사이트를 만들어드릴 수는 없지만, 더 빠르게 찾는 지름길은 알려드릴 수 있을 것이라고 확신합니다. 또한, 오늘도 엑셀 또는 다른 툴로 반복 작업을 하느라 야근을 하시는 담당자분들에게 더 빠르고 더 그럴듯해보이는 그래프 및 분석 결과를 제공해드릴 수 있을 겁니다. 그저 주마다 또는 분기마다 보고하기 위해 단순한 분석 작업에 힘빼지 마시고, 하트카운트가 제공하는 분석 결과로 내가 우리 회사의 HR 문화를 어떻게 바꿀 수 있을지 고민하는데 써보셨으면 합니다.

아래부터는 구체적으로 하트카운트의 어떤 기능을 활용했으며 어떤 방법으로 HR 지표를 개선할 수 있었는지 실제 기업의 사례를 바탕으로 작성하였습니다.

국내 1위 모바일 플랫폼 OO사의 HR 부서는..

채용, 육성, 성과, 퇴직 등 모든 HR 지표의 요인을 찾아 Data-Driven HR 문화와 시스템을 수립하고자 했습니다.

HEARTCOUNT를 도입한 후..

• 채용, 성과, 퇴직 데이터를 결합하여 다차원으로 데이터를 바라볼 수 있게 되었습니다.

• 새로운 패턴 발견은 물론 사람을 평가하는 과학적 기준을 세울 수 있었습니다.

A. HR 지표에 영향을 끼치는 요인이 무엇인지 분석 하기

앞선 슬라이드에서 OO사의 HR부서는 주요 지표의 요인을 알아내고 싶어한다고 말씀드렸는데요.

하트카운트 도입 후, 요인 분석, 익스플레이너 기능을 통해 주요 지표의 요인을 통계학적으로 분석한 결과를 확인할 수 있었습니다. 하트카운트는 회귀분석을 통한 통계적 상관계수(r스퀘어드)로 각 변수 간의 관계성을 설명합니다.

ex. '성과'에 영향을 가장 많이 끼치는 변수를 내림차순으로 확인

'퇴직'에 영향을 가장 많이 끼치는 변수를 내림차순으로 확인 (1가지 또는 동시에 2가지로 확인할 수 있음.)

요인 분석 예시 이미지

+) '이 변수는 영향을 많이 끼칠 수가 없는데?' 혹은 '이 변수는 의미없는/잘못 수집된 변수인데..' 싶은 변수는필터 기능을 통해 제외하여 분석할 수 있습니다.

성과 분석을 통해 고성과 요인을 발견할 수 있었습니다.

해당 결과를 바탕으로 중/저성과자의 교육 및 육성에 활용했습니다.

B. 직원 성과 점수를 최적화할 수 있는 규칙 찾아내기

채용 과정에서부터 입사하면 고성과를 낼 우리 회사에 찰떡인 지원자만 골라서 채용시킬 수 있다면 얼마나 좋을까요? 그렇게만 된다면 쓸데없는 시간과 비용, 담당자들의 노력을 줄이고 더 과학적이고 체계적으로 인재를 영입할 수 있을텐데 말이죠.

OO사의 HR부서는 하트카운트의 '마이크로세그먼트' 기능을 통해 고성과점수와 가장 관계성이 짙은 규칙을 찾아낼 수 있었습니다. 아래는 필터링을 통해 채용 당시 데이터만을 대상으로 성과 점수 최적화 규칙을 분석한 결과입니다.

성과 점수의 상위 20%는 채용 전에 위와 같은 특징을 가지고 있었다는 것을 내림차순으로 확인할 수 있습니다. 이러한 데이터를 쌓아 "아, 우리 회사에는 이러한 특징을 가진 지원자들이 입사하고 나서도 좋은 성과를 내는 구나." 혹은 "이런 특징을 가진 지원자들은 우리 회사에 입사해서 안 좋은 성과를 낼 확률이 높구나."

와 같이 패턴을 발견할 수 있게 되며 이는 다음 채용 과정에서 매우 중요한 재료로 활용 될 수 있습니다.

우리가 소위 말하는 스펙으로 지원자를 가리는 것보다, 우리 회사의 데이터를 활용하여 말그대로 우리 회사에 잘 맞으며 함께 성장할 수 있는 인재를 찾을 수 있는 것이죠. 보다 공정하게요.

C. 퇴사율을 최소화하고 재직기간을 최적화하는 규칙 찾기

이렇게 힘들게 좋은 인재를 뽑으면 뭐해요, 자꾸 퇴사하는데..

퇴사율을 줄이는 것은 HR 담당자들에게 또 하나의 큰 숙제일텐데요. 퇴사의 이유를 정확히 말하는 경우도 드물고, 개개인의 상황을 모두 예측할 수는 없으니까요. 이 경우 주기적으로 실행하는 직원 만족도 서베이를 함께 이용하면 보다 완성도 있는 분석 결과를 만들 수 있습니다.

성과 최적화에서 이용한 마이크로세그먼트를 근속기간 최적화에 적용해보겠습니다.

이번에는 가장 근속기간이 짧은 하위 20%의 경우를 보았는데요. 나이가 35세 미만이며 매니저가 아닐 경우 퇴사할 확률이 높다는 것을 알 수 있습니다. 해당 세그먼트에 대한 육성 프로그램 및 직원 처우, 복지 등을 개선할 필요성이 있겠죠.

스몰 멀티플즈 예시 화면

하트카운트의 스몰 멀티플즈는 한 변수에 나머지 변수가 어떻게 영향을 끼치는지 한 눈에 확인할 수 있는 기능입니다. 근속기간의 경우 나이, 연봉, 매니저_비전, 채용 당시 인지능력, 학점 등의 순서로 영향을 끼친다는 것을 확인할 수 있습니다.

스마트 랭킹 예시 화면 1

스마트 랭킹 예시 화면 2

스마트 랭킹은 보시는 대로 범주형 변수를 순위 매긴다고 이해하시면 편할 것 같습니다. 스몰 멀티플즈와 마찬가지로 빠른 시간에 패턴을 확인하고 싶을 때 직관적으로 이해하시기에 좋습니다.

위 예시의 경우, 근속기간을 채용 경로로 순위 매겼을 때는 산학, 공채, 해외, 인턴의 순서로 근속기간이 긴 것을 확인할 수 있습니다. 인턴의 경우 당연하다고 여길 수 있지만, 공채 채용보다는 산학 채용의 경우 근속기간이 더 길다는 것은 괄목할 만한 결과로 보이네요.

또한, 직군으로 근속기간 순위를 매겼을 때는 유독 경영지원팀의 근속기간이 짧다는 것을 확인할 수 있습니다. 이 경우 데이터를 더 자세히 분석해보고 어떤 이슈가 있었는지도 확인해 볼 필요가 있겠죠.

D. 양극단에 있는 집단의 통계적 차이 비교 분석하기

고성과자 vs 저성과자, 근속기간 상위 20% vs 근속기간 하위 20% 혹은 직원만족도 상위 20% vs 하위 20% 등 다양한 방법으로 집단을 비교할 수 있습니다. 이용자가 직접 상위 20%와 같은 변수를 만드실 필요는 없습니다. 하트카운트는 자동으로 변수를 가공해 하트카운트 분석에 최적화될 수 있게 세팅해드립니다.

위와 같은 분석 결과는 수치적으로 잘 나타날 뿐만 아니라(참고로, 변수이름 칼럼의 숫자는 두 비교집단이 얼마나 다른지를 수치적으로 나타낸 것입니다. ex. 고성과 집단과 저성과 집단은 성과 점수가 정반대이니 당연히 100%로 뜨는 것) 시각적으로 쉽게 확인되기 때문에 상부 보고에도 유용하실 겁니다.

그럼 이번 포스팅은 여기까지 하고, 다음엔 프랜차이즈 운영부서와 세일즈 부서의 사례를 가지고 오겠습니다.

하트카운트는 모든 HR 담당자분들을 응원합니다.