피플 애널리틱스
People Analytics
피플 애널리틱스란?
- 인사·조직 데이터로 사람 관련 의사결정
- 교육 효과·이직 징후·몰입을 증거로 확인
- 개인정보·윤리가 필수 전제
피플 애널리틱스가 들어오면 가장 먼저 바뀌는 것은 회의실의 입증 책임 방향입니다. 그전까지는 '교육 예산을 왜 이만큼 써야 하느냐'는 질문에 HRD가 정성적으로 변명해야 했다면, 이제는 이직률·성과 분포·몰입 점수라는 공통 언어 위에서 현업 임원과 같은 테이블에 앉게 됩니다. 중요한 건 분석 도구가 아니라 답이 나오면 무언가를 바꾸겠다는 질문을 먼저 세우는 일입니다. 질문 없이 모은 데이터는 대시보드 화면만 늘립니다.
실무에서는 세 층으로 나눠 보면 정리가 됩니다. 무슨 일이 있었는지 세는 기술 분석(이직률, 교육 이수율), 왜 그런지 따지는 진단 분석(이직자와 잔류자의 조건 차이), 앞으로 어떻게 될지 보는 예측 분석입니다. 국내 기업 대부분은 첫 번째 층에 머물러 있는데, 현황 집계와 애널리틱스는 다릅니다. 전자는 숫자를 보여 주고 후자는 가설을 검증합니다. 또 분석 단위가 작아질수록 결론이 위태로워집니다. 전사 1,000명 데이터로 나온 경향을 12명짜리 팀에 그대로 적용하면 통계가 아니라 인상비평이 됩니다.
교육 효과를 볼 때는 함정이 하나 더 있습니다. 자발적으로 교육을 신청한 사람은 원래 의욕과 성과가 높은 경우가 많아, 이수자 성과가 좋다는 결과는 교육의 힘이 아니라 선발 효과일 수 있습니다. 그래서 이수 그룹과 조건이 비슷한 비이수 그룹을 짝지어 비교하거나, 같은 사람의 교육 전후 지표 변화를 추적하는 설계가 필요합니다. 상관을 인과로 바꾸는 건 데이터가 아니라 설계입니다.
현장이 어긋나는 지점은 대개 두 가지입니다. 첫째, 솔루션부터 도입하는 경우입니다. 평가 등급이 B에 80% 몰려 있고 직무기술서가 5년째 그대로인 회사에서는 아무리 좋은 분석 툴도 쓰레기를 정교하게 요약할 뿐입니다. 둘째, 이직 위험 점수를 팀장에게 그대로 내려보내는 일입니다. '이탈 확률 68%'라는 숫자가 붙는 순간 그 직원은 나갈 사람으로 취급받고, 중요한 일에서 빠지고, 예측은 저절로 맞아떨어집니다. 사내 시스템의 데이터를 결합할 때 수집 목적과 동의 범위를 확인하지 않으면 법적 문제로도 번집니다. 분석 결과는 사람에게 붙이는 꼬리표가 아니라 제도를 고치는 단서로 써야 합니다.
HR에 데이터 분석을 접목하려는 흐름에서 2010년대에 확산됐고, 구글 등 기업의 '데이터로 인사하기' 사례가 알려지며 대중화됐습니다.
가상의 사례로 살펴보겠습니다. 국내 중견 화학소재 기업 A사는 임직원 1,400명, 연 매출 4,200억 원 규모입니다. 3년 연속 영업직 신입 이직률이 34%까지 올라 채용과 온보딩에 쓴 비용이 연 6억 원 넘게 새고 있었습니다. 경영진은 '온보딩 교육을 더 늘리자'고 했지만, HRD팀은 원인이 정말 교육에 있는지조차 확신하지 못했습니다.
- HRD팀장이 '교육을 늘리기 전에 무엇이 이직을 가르는지부터 보자'고 제안해, 최근 3년 입사자 412명의 기록을 하나로 모으는 작업부터 시작했습니다.
- 인사팀과 IT팀이 두 달간 붙어 입사 경로, 온보딩 이수율, 첫 배치 부서, 6개월 차 면담 횟수, 직속 상사 근속 등 11개 항목을 익명 ID로 묶었습니다.
- 분석해 보니 온보딩 이수율은 이직과 별 차이가 없었고, 대신 입사 6개월 내 상사 면담이 3회 미만인 집단의 이직률이 2.4배 높게 나왔습니다.
- 인사 담당 임원이 '그럼 면담만 시키면 되겠네'라고 하자, 담당 과장은 '바쁜 팀일수록 면담이 적습니다. 업무량도 같이 봐야 합니다'라며 부서별 인당 수주 건수를 추가로 넣었습니다.
- A사는 온보딩 집합교육을 16시간 줄이는 대신, 신입 6개월간 면담 3회를 팀장 필수 체크리스트에 넣고 팀장 62명에게 1on1 코칭 실습을 돌렸습니다.
- 1년 뒤 영업직 신입 이직률은 34%에서 21%로 떨어졌고 재공고·재교육 비용 2억 3천만 원을 아꼈습니다. 경영회의 안건이 '교육을 늘리자'에서 '면담을 설계하자'로 바뀐 것이 가장 큰 변화였습니다.