분석할 데이터가 없다?
HR Analytics & Data Management
HR Analytics와 관련해 다양한 분들을 만나 말씀을 나눠보면, Data의 중요성에 대해서 많은 공감을 해주십니다. 그와 동시에, 다양한 시도를 시도함에 있어 가장 큰 난맥은 Data가 없다는 말씀으로 귀결됩니다.
HR Analyst로서 저 역시도 늘 봉착하게 되는 막다른 골목 혹은 절벽임은 분명한 것 같습니다.
"아... 여기까지인가?".
HR Analytics 직무를 수행하고 있지 않은 분 들에게는 일변 변명처럼 여겨질 수도 있을 것 같습니다.
"우리가 그동안 모아 놓은 데이터가 얼마나 많은데......"
쌓여 있는 데이터 (Legacy data)의 양과 그것이 오랫동안 모여져 왔기 때문에 "무엇인가 할 수 있지 않을까?"라는 기대감은 종종 처참하게 깨져 버릴 때가 많습니다.
다양한 이유가 있겠지만 제가 바라보는 가장 큰 두 가지의 원인은 다음과 같습니다.
첫 번째, '구조화하지 않고 파편적으로 데이터를 쌓기만 해 온 결과'에서 기인할 경우가 많습니다.
'구조화'는 '무엇을 분석하고 싶은가? 혹은 Human capital의 생산성을 높이기 위해 무엇이 필요한가?'와 같은 명확한 목적성과 치열한 논의의 결과로 조직 내 통용되는 공고한 '정의'에 기반해야 합니다. '성과를 내는 구성원의 특성을 알아보고 싶다'라고 할 때, '성과'의 정의와 '특정 특성이 Unique 하게 성과와 직결되어 성과의 높낮이를 설명할 수 있는지' 설명할 수 있어야 합니다.
문제는, 이와 같은 공고한 문제의 정의에서 출발하지 않은 채, 각각의 HR Practice가 각 기능 별로 데이터를 생산하고, 각자의 방식으로 관리하며, 일관되지 않은 방식으로 해석되기에 많은 문제들이 발생합니다.
두 번째, 데이터를 축적해 오는 과정 (HR의 경우 HR Practice가 수행되는 과정 혹은 수행의 결과물)에서
해당 과정이 '무결함'을 전제하거나, 우리의 Practice가 '옳다고' 전제하는 경우에서 기인한 '데이터 품질 절벽'이 올 때도 있습니다.
데이터 축적 과정에서 HR Practice가 제대로 작동하고 있는지, 그래서 그 결과물로 축적되는 Data는 신뢰할 수 있고, 타당한 지에 관한 점검도 지속되어야 한다. '성과'를 측정하는 장면에 치명적인 오류가 있다면, 해당 '성과'의 데이터를 분석하는 것이 큰 왜곡을 가지고 올 수 있습니다.
많은 보정 알고리즘이 개발되고, 개선되고 있다고 하더라도 HR Analytics와 HR Practice가 AI를 활용하고자 할 때 봉착하는 큰 Challenge는 'AI의 편향성'이 될 수 있는데, 안타깝게도 AI에게 제공된 Data는 현재의 HR Practice의 '편향된' 민낯을 그대로 반영한 것일 수도 있기 때문입니다.
예를 들어, 다양한 채용 도구를 활용하기 때문에 공정성과 객관성이 담보되고 있을 것이라고 막연하게 생각하는 것보다, 또 평가자들이 항상 신뢰롭게 평가할 것이라고 막연하게 그들의 평가를 신뢰하는 것보다 정기적으로 Review 해 볼 필요가 있습니다.
HR Practice 전반에 걸쳐 생성되는 Data들을 조감하고, 각 데이터 간의 관계를 점검하여 추가할 것이 있는지, 잘 못 측정되고 있는 것은 없는지, 불필요하게 측정되는 것은 없는지 점검할 수 있어야 합니다. 진정한 의미의 HR Analytics는 이와 같은 공고한 HR data management에서 출발할 수 있어야 합니다.
이는 물리적으로 Data가 어떠한 경로를 거쳐 어디에 저장되는 System 관련된 이야기 만이 아니라, 어쩌면 더 중요하게 HR이 생산하는 Data는 신뢰롭고 타당한가에 관한 끊임없는 점검을 통해 가능해질 수 있다고 생각합니다.
어렵고 복잡한 HR Analytics가 HRIS나 HR Dash Board를 통해 구현되면 자연스럽게 '자동화'될 것이라고 예측하는 경우도 많습니다만, HRIS나 HR Dash Board가 이 모든 것을 한 번에 해결해 주지는 못 할 것 같습니다. 오히려, HRIS와 HR Dash Board의 성공적 구현을 위해서 Data Management는 더욱 더 엄격하고 정교해 질 필요성이 있습니다.
