2018 11-12월(합본호) HR 의사결정의 객관성 김성남

Commentary on Feature

HR 의사결정의 객관성

김성남

 

Commentary on Feature 보기 전 읽어야 할 아티클        > PEOPLE 애널리틱스 업그레이드하기

 

세계적인 경영컨설턴트 램 차란(Ram Charan) “HR부서를 없애라라는 자극적인 주장을 한 바 있다.[1] CEO 입장에서 볼 때 HR 최고책임자들이 비즈니스에 도움이 되는 전략적인 이슈를 찾아서 해결하기보다 급여, 복지, 노무관리 등 통상적인 운영에만 매몰돼 있는다는 점을 비판한 것이다. 흔히인사가 만사’ ‘사람이 최고의 자산이라고 하지만, 대개 HR은 기업 내에서 비용 부서로 간주되고 마케팅, 재무, 생산 부서들만큼 인정을 받지 못한다.

 

그래서일까? 같은 C레벨 임원 중에서도 인사담당 임원의 급여수준이 가장 낮다는 조사도 있다. 2016년 미국 내 1300개 민간기업의 C레벨 임원들의 보상수준 조사에 따르면, 최고인사담당임원(CHRO)은 최고재무담당임원(CFO) 대비 30% 정도 적은 급여를 받고 있는 것으로 나타났다.[2]

 

이런 현실에는 다양한 이유가 있겠지만, HR 관련 의사결정이 다른 분야 대비 상대적으로 객관성이 떨어진다는 점을 무시할 수 없다. 사람을 뽑고, 업무에 배치하고, 업적을 평가하고, 보상을 결정하는 등에 쓰이는 기준과 원칙들이 상당 부분 관행과 직관에 의존해 온 것이 사실이다. 다른 기능조직들과 비교 시 인사부서의 결정은 유독 주관적이라는 비난을 피하지 못했다. 반면 재무, 생산, 마케팅 등 다른 분야는 더 이상 주관적 판단이 설 자리가 없다고 할 정도로 의사결정이 정량화, 과학화돼 있다.

 

HR, 애널리틱스 장착해야

 

4차산업혁명 시대는 데이터의 시대다. 데이터에서 비즈니스 기회가 만들어지고, 경영의 방향이 결정된다. 글로벌 회계 및 컨설팅 전문기업 PWC 26개국 2000여 개의 기업을 대상으로 4차산업혁명 관련 이슈와 전략을 조사했는데, 회사의 주요 의사결정을 내릴 때 주로 데이터 분석에 의존한다고 한 응답 비중이 2016년 기준 50% 정도였으나, 5년 후에는 평균 83% 수준으로 높아질 것으로 예상됐다.[3]

 

기존 관행, 경영진의 직관, 외부 벤치마킹 등에만 의존해 HR 운영을 하는 방식은 4차산업혁명 시대에는 점차 설 자리가 없어질 것이다. 그리고 이런 변화의 최전선에 서 있는 것이 HR애널리틱스다. 금번 아티클은 HR애널리틱스 분야에서도 가장 최신 관점을 다루고 있다.

 

물론, HR애널리틱스 분야 자체가 그렇게 새롭다고 할 수 없다. 이미 2009 <       월스트리트저널       > 기고문에는 구글이 직원 평가, 승진, 급여 등에 대한 데이터 분석을 통해 어떤 직원들이 조만간 퇴사할지를 예측하는 알고리즘을 개발했다는 내용이 실렸을 정도이기 때문이다.[4] 국내에서도 삼성, SK, 롯데 등 대기업들이 인공지능 기술을 적용하여 신입사원 선발을 혁신했다는 등의 사례가 알려지고 있다.

 

 

속성 위주의 애널리틱스 한계를 극복하는 대안

 

빅데이터라는 말을 흔하게 듣게 된 지도 벌써 5년이 넘었다. 세계경제포럼(WEF) 2012년에떠오르는 10대 기술을 선정할 때 빅데이터를 포함했고, 우리 지식경제부도 뒤질세라 같은 해 ‘IT 10대 핵심기술가운데 하나로 빅데이터를 선정했다. 그런데, 개별 기업에서 활용하는 HR 데이터는 빅데이터 분석을 적용하기에는 여전히 초라한 규모다. 왜 그럴까? 그것은 빅데이터 생성의 조건을 살펴보면 알 수 있다.

 

우선, 빅데이터가 되려면 데이터 생성의 주체가 많아야 한다. 예를 들어 직원 100명인 회사보다는 10만 명인 회사가 빅데이터를 만들기 쉽다. 데이터를 축적한 기간도 중요하다. 1년치 데이터보다는 5년간 쌓인 데이터가 있다면 더 효과적인 빅데이터 분석이 가능해진다. 그리고 데이터의 종류가 다양해야 한다. 아래 표의 예시에서 보듯이 유형별로 다양한 데이터를 잘 엮을 수 있다면 데이터의 양이 비약적으로 커질 수 있다.

 

유형별 HR 데이터

유형

데이터종류

인구통계학

나이, 성별, 학력, 학점, 구사 가능 언어 등

직무 히스토리

근속연수, 이전 직무, 이전 경력, 승진 내역, 연봉 히스토리 등

성과

성과 등급, 영업/서비스 실적, 프로젝트 내역, 수상 내역,

전문 영역 등

스킬과 역량

수료 내역, 교육 이수 내역, 인성/적성 시험 결과, 자기 평가,

외부 교육, 수료 내역, 리더십 프로그램 이수 여부 등

보상

보상 히스토리, 성과급, 보상 종류, 투자 성향 등

Engagement

임직원 설문 결과 등

 출처: LG경제연구원

 

하지만, 데이터분석 때문에 직원 수를 늘릴 수는 없는 일이고, 과거에 쌓아두지 못한 데이터를 소급해서 만들 수도 없으며, 일부러 직원 설문을 더 자주한다는 것도 직원들에게 스트레스를 주는 일이다. 따라서 HR 애널리틱스에서 빅데이터 활용도를 높이기 위해서는 기존에 고려하지 않았던 거래형(transactional) 데이터를 적극적으로 활용하는 것이 돌파구가 될 수 있다. 레오나르디와 콘트랙터의 아티클에서 제시된 관계분석(relational analytics)이 바로 그것이다.

 

필자들은 관계분석에 쓰이는 데이터를디지털 발자취(배출물·exhaust)’라고 표현하고 있다. 직원들이 업무와 관련한 디지털 방식의 소통을 하면서 자연스럽게 생성되는 데이터를 의미한다. 여기에는 두 가지 중요한 의미가 있다. 첫째, 데이터를 얻기 위한 목적으로 일부러 입력하거나 생성한 것이 아니라는 점이다. 따라서, 사람의 추가적 노력을 요구하지 않는다. 둘째, 이런 데이터는 의도적 왜곡이나 포장으로부터 자유롭다. 데이터가 수집된다는 사실을 대상자가 의식하지 않기 때문에 평소 습관과 행동이 그대로 데이터에 반영될 수 있다.

 

 

교류분석과의 유사성과 차이점

 

필자들이 아티클에서 소개하는 관계분석을 보면서 떠오른 것이 교류분석(transaction analysis)이다. 이 방법론은 1957년 미국 정신과의사 에릭 번(Eric Bern)이 창안한 인간의 상호작용에 관한 이론체계이자 이에 기반한 심리치료요법으로 의료분야 외에 교육·훈련 등 산업현장에도 응용되고 있다. 관계분석과 교류분석은 모두 조직 내 사람 간 상호작용을 주된 연구대상으로 한다는 점이 같다. 그리고 둘 다 가설 기반의 연구방법보다는패턴위주의 연구방법이라는 점도 유사하다.

 

하지만 차이점도 많다. 교류분석은 심리학 이론에 기반하며 개인에 대해 초점을 맞춘다. 심리검사를 통해 개인의 성격유형(에고그램) 및 그것이 대인관계(교류)에 끼치는 영향을 여러 패턴으로 진단해 준다. 그리고 구성원 간 나타날 수 있는 관계의 시나리오를 예측하고, 대비할 수 있도록 조언한다. 직원 개개인이 자기 자신과 관계에 대한 인식을 높여 행동의 변화를 꾀하도록 하는 미시적 접근이라고 할 수 있다.

 

반면, 관계분석은 별도의 이론이나 가설에 의존하지 않고 소통에 대한 데이터를 정량적으로 분석하며, 그렇기 때문에 개인의 총합으로서의 집단에 초점을 맞춘다. 우선 조직 내에 축적된 방대한 디지털 배출물에 대해 빅데이터 분석을 통해 특이 패턴이 나타나는지를 관찰하고 그런 패턴이 나타나는 원인을 따져본다. 그리고 해당 패턴이 조직 성과에 장애요인이라고 판단될 때는 그 패턴을 해소할 수 있는 제도, 프로그램을 고안하여 적용하고, 변화를 관찰한다. 이런 방식은 조직 차원의 개입(intervention)을 통해 행동의 변화를 유도하는 거시적인 접근이라고 할 수 있다. 두 가지 방법론의 유사성과 차이점은 흥미롭지만, 어떤 방법론이 더 우월한지를 따질 필요는 없을 것 같다. 같은 목적을 추구하기 위해 다른 길을 통할 수 있다는 정도로 생각하면 될 듯하다.

 

 

패턴의 유용성과 착시현상

 

아티클 필자들은 관계데이터 분석에 대한 풍부한 경험을 바탕으로 6가지 조직행동 패턴을 제시하고 있다. 이런 패턴은 무수한 실제 활동 데이터에서 추출한 것으로 의미 있는 시사점을 준다고 볼 수 있다. 하지만 패턴은 수학공식 같은 것은 아니다. 해석과 의미 부여가 중요하다. 다행히 아티클에서 제시된 패턴들은 상식적으로 생각해도 충분히 공감되고 조직행동 분야에서 이미 연구돼온 주제들이다.

 

아이디에이션(Ideation)과 관련해, 직원들이 다양한 배경 출신이고 타 부서와도 폭넓게 소통하고 정보를 접할수록 새로운 아이디어를 내기 쉽다는 얘기는 상식적으로 쉽게 받아들여진다. 영향력(Influence) 관련 사례는 그냥 직관적으로 이해하기는 어렵고, 한 번 더 생각할 필요가 있는 내용이다. 효율성(Efficiency) 관련한 사례는 관계분석의 결과를 통찰력 있게 해석한 좋은 예라고 생각된다. 데이터의 패턴을 보고, 거기에내부 밀도(internal density)’ ‘외부 네트워크 범위(external range)’라는 이름을 붙였다는 것이 중요하다. 컴퓨터는 보여주지만, 거기에 적합한 명명을 하는 것은 (아직까지는) 사람만이 할 수 있기 때문이다.

 

 

하지만, 패턴은 가끔씩 사람을 속일 때가 있다. <       그림1       >은 사람들이 얼마나 쉽게 착시현상에 빠지는지 보여주는 목적으로 많이 사용된 그림들이다. 데이터가 주는 결론도 자칫하면 비슷한 착시현상을 줄 때가 있다. 예를 들어 보자. 1990년대 중반 하버드대 의과대학에서는 병원운영 효율성 프로젝트를 진행하면서 의료진 투약실수에 대한 조사를 한 적이 있다. 병동별로 병상 수 대비 투약실수 빈도와 의료진 조직내부 상호 신뢰 분위기를 측정해서 비교했는데, 예상과 달리 역의 상관관계가 나타났다. 의사와 간호사 간 관계가 긍정적이고 상호 신뢰가 높게 나타난 병동에서 오히려 평균보다 투약실수 빈도가 높게 나타난 것이다.

 

만약, 패턴만 가지고 결론을 본다면 얼토당토 않은 결론을 내릴 수도 있었다. 하지만, 연구진은 상식에 반하는 결론으로 논문을 쓸 수 없었다. 의사와 간호사들을 대상으로 심층 인터뷰를 통해서 그 이유를 파악했다. 알고 보니 투약실수에 대한 데이터 자체에 문제가 있었다. 의사와 간호사 간 신뢰가 쌓여 있는 병동에서는 간호사들이 실수를 솔직히 인정하고 개선하려는 분위기였던 반면 그렇지 않았던 병동은 불이익을 두려워해 이를 철저히 숨겨서 수치상으로는 투약 정확도가 높은 듯한 착시현상이 빚어진 것이다. 빅데이터와 관계분석이 분명 파워풀한 도구이고, 다른 분석방법으로 찾아내지 못하는 패턴을 보여줄 수는 있지만, 맹신할 필요도 없다.

 

 

인사 데이터의 민감성

 

데이터의 품질, 분석 및 활용 역량 등의 이슈가 해결되더라도 HR애널리틱스 업무 수행에 있어서 여전히 신경이 쓰이는 것이 바로 인사 데이터 자체의 민감성이다. 인사 데이터는 다양한 법규를 통해 보호받기 때문에 수집, 활용, 처리, 폐기에 신중을 기해야 하는 특성이 있다. 기본적으로 채용, 평가, 보상, 퇴직 등 인사 데이터는 모두 개인정보이기 때문에 <       개인정보보호법       >의 규제를 받는 바, 법규의 취지와 사례에 따른 철저한 관리가 필요하다. 일례로, 요즘은 면접 시 이력서에서 전형과 무관한 개인정보나 고유식별정보를 표시하지 못하도록 하고 있다.

 

그리고 이런 법적 규제는 미국이나 유럽 등 여러 나라들에서도 다양한 형태로 적용 중이다. 예를 들어, 노동조합이 잘 발달돼 있는 독일에서는 노조의 사전동의 없이 직원 의견조사를 하는 것도 문제가 된다. 유럽의 많은 나라의 경우 직원의 인사 데이터를 본국이 아닌 다른 나라 서버에 저장하는 것 자체가 불법이다. 다국적 기업들이 글로벌 차원의 HR애널리틱스 업무를 수행하는데 큰 장애요인으로 작용하는 부분이다. 미국의 경우는 인종, 성별, 연령 등 특정 직원그룹에 불리하게 작용할 수 있는 직원 데이터의 활용 또는 유출로 인한 소송 발생의 위험이 높다. 해외에서 비즈니스를 하고 있는 한국 기업이 참고해야 할 부분이다.

 

 

구슬이 서말이라도 꿰어야 보배

 

필자들이 권장하는 관계분석을 하기 위해서는 상당한 실력의 데이터 사이언티스트가 필요하다. 그런 사람이 없다면 외부기관 자문을 받거나 컨설팅 프로젝트를 해야 할 수도 있고, 그러자면 상당한 예산이 소요돼 부담스럽다. 그런데도 HR애널리틱스를 통해 기존보다 정교한 시사점을 얻고 싶다면 어떻게 해야 할까? 좋은 방법이 있다. 기존에 하고 있는 여러 가지 분석을 통합적으로 실시하는 것이다.

 

빅데이터까지는 아니더라도 HR 부서는 사실 여러 종류의 데이터를 가지고 있고, 나름대로 분석하고 있는 경우도 많다. 문제는 데이터들이 여기저기 쪼개져 있고, 관리 권한도 분산돼 있어 통합적인 활용이 어렵다는 점이다. 지원자 관련 정보는 채용 담당자들만, 급여 및 복리 관련 데이터는 보상 담당자, 평가 기록은 평가 담당자들에게만 접근 권한이 부여돼 있는 식이다. 시스템 DB, 엑셀 파일, 하드카피 등 온갖 형태로 따로 따로 보관돼 있는 현실에서 이를 통합적으로 분석한다는 것은 불가능에 가깝다.

 

만약 기업에서 통상적으로 매년 실시하는 직원 의견 조사와, 리더십 역량 진단, 팀 성과 분석을 따로 하지 않고 통합적으로 실시해 분석한다면 몇 배 풍부한 시사점을 얻을 수 있다. 직원들의 몰입도 수준이 어떻고, 거기에 영향을 끼치는 요소는 무엇이고, 이를 개선하기 위해서는 리더들의 역량 중 어떤 부분을 강화해야 하고, 해당 역량이 부족하면 팀 효과성에 어떤 영향을 끼칠지를 줄줄이 꿰어서 분석하는 것이다. 이 정도 분석은 빅데이터가 아니라도 충분히 해볼 수 있는 수준이라고 생각된다.

 

 

디지털 마인드를 가지고 읽기

 

마지막으로, 이 아티클을 잘 읽으려면 디지털 마인드도 필요하겠다는 생각도 들었다. 아티클 전반에서 컴퓨터공학의 용어와 은유가 쓰이고 있기 때문이다. 본문에 이런 대목이 나온다. “아르빈드가 없다면 패키징사업 부문의 네트워크는 견고함을 잃게 된다. 노드를 제거해도 연결이 유지될 때 네트워크가 견고하다고 할 수 있다. 이 경우, 아르빈드가 회사를 떠난다면 어떤 부서는 다른 부서나 공급사와 연결이 사라지게 된다.” 여기서 견고함(robustness), 노드(node), 네트워크(network) 등의 개념은 복잡한 컴퓨터 시스템이 특정 부분이 고장 나더라도 시스템 전체가 다운되지 않는다는 의미를 차용한 것이다.

 

또 필자들은 조직의 사일로 수준을 측정할 때 지표로서 모듈성(modularity)이라는 개념을 사용했다. 원문에서 모듈성은집단 내부 커뮤니케이션과 외부 커뮤케이션의 비율을 의미한다고 설명을 했는데, 일반인이 들으면 무슨 말인지 이해하기 어렵다. 컴퓨터공학 개념을 적용하면 이해가 쉽다. 컴퓨터공학에서모듈화는 프로그램의 기능을 독립된 여러 부분(모듈)으로 나누어 설계함으로써 어느 한 부분에 문제가 생기더라도 다른 부분에 영향을 끼치지 않도록 하는 기법을 말한다. 모듈화가 잘된 소프트웨어는 버그가 생기더라도 그 부분만 고치면 된다. 필자들은 다른 부서와 대화하지 않는 폐쇄적인 팀을 여기에 비유했던 것이다.

 

 

 

[1] It’s Time to Split HR. Ram Charan. <       Harvard Business Review       > 2014.7-8

[2] https://www.shrm.org/resourcesandtools/hr-topics/compensation/pages/chro-pay-trails.aspx

[3] <       Industry 4.0: Building the digital enterprise       > PwC 2016

[4] ‘Google Searches for Staffing Answers’. Scott Morrison. May 19, 2009 <       The Wall Street Journal       >

 

김성남은 인사 컨설턴트다. 듀폰코리아, 타워스왓슨, SK C&C 등 여러 기업에서 인재 및 조직 담당 임원으로 근무하고 현재 머서코리아 상무로 재직 중이다. 한국외국어대 통번역대학원과 버지니아주립대 경영대학원(MBA)을 졸업했다.

 

페이스북 트위터

2018 11-12월(합본호) 다른 아티클 보기

목록보기

무료 열람 가능 아티클 수 0/1 회원가입 | 서비스상품안내