Top
검색버튼 메뉴버튼

McKinsey Quarterly

직관으로 알 수 없는 인사관리의 답, 빅데이터에 있었네

빌 셰닝어,브루스 페치얼-리펀스 | 219호 (2017년 2월 Issue 2)
Article at a Glance

HR 업무에서는 여전히 빅데이터 알고리즘 분석보다 사람, 즉 인사담당자의 직관이 더 중요하게 여겨질 때가 많다. 데이터 분석 결과와 직관이 상반될 때도 있다. 그러나 어떤 HR팀이라도 데이터 분석의 도움을 받을 수 있고 또 받아야 한다. 다음과 같은 영역에서 특히 유용하다.

1. 적합한 인재가 나올 가능성이 높은 채용 풀을 찾아낼 수 있다

2. 채용 과정에서 발생하는 노이즈와 인간의 편견을 없앨 수 있다

3. 직원 이탈의 원인을 파악하고 해결책도 찾아낼 수 있다



편집자주

이 글은 <맥킨지 쿼털리> 2016년 7월 호에 실린 ‘People analytics reveals three things HR may be getting wrong’을 전문 번역한 것입니다.



정교해진 빅데이터 분석은 최고의 인재를 발견하고, 채용하고, 보상하는 데 도움을 준다. 하지만 그 분석 결과는 우리의 통념과 다를 수 있다.

공장 경비원으로 일하다 야구 저술가이자 통계학자가 된 빌 제임스(Bill James)는 이런 말을 했다. “이 세상에는 항상 커브 앞에 있는 사람들도 있고 커브 뒤에 있는 사람들도 있을 겁니다. 하지만 지식은 그 커브를 움직이죠.”1 일부 회사들은 최신 데이터 분석 기법을 이용하면 커브의 올바른 쪽에 있는 사람들을 좀 더 많이 찾아내고, 활용하고, 발전시킬 수 있다는 사실을 알게 됐다. 비록 그 결과가 처음에는 직관에 반하는 것처럼 보일지라도 말이다.

지난 10년간 빅데이터 분석은 많은 기업들의 사업 방식에 혁명을 일으켜 왔다. 최고마케팅책임자는 고객 행동을 예측하고 관련 정보를 얻기 위해 고객들의 구체적인 쇼핑 패턴을 추적한다. 최고재무책임자는 기업의 다양한 사업 품목별 성과를 좀 더 잘 파악하기 위해 미래를 반영한 통합 분석 자료를 실시간으로 사용한다. 그리고 이제는 최고인사책임자도 예측형 인재 모델(predictive talent models)을 활용해 직무별 적임자를 좀 더 효과적으로, 빨리 발견하고, 채용하고, 계발하고, 보유하기 시작했다. 조직은 HR 데이터를 매핑함으로써 현재의 고충 사항들을 확인하고, 향후 투자가 필요한 분석 작업들에 대한 우선순위를 매길 수 있다(그림 1). 여기서 놀라운 점은 그 분석 결과가 늘 노련한 HR 임원들이 기대하는 방식으로 나오지는 않는다는 사실이다. 여기
3가지 사례가 있다.

098


1. 그물을 어디에 던질지 결정하기

한 아시아계 은행은 탄탄한 채용 계획을 갖고 있었다. 최상위 대학 출신의 똑똑한 최고 인재들을 뽑자는 것이었다. 이 채용 계획은 30개 지점에 8000명 이상의 종업원을 둔 해당 은행이 대규모 구조조정을 막 시작했을 때 진행한 여러 시험 프로젝트 중 하나였다. 은행은 이런 노력의 일환으로 가장 잠재력이 높은 직원들을 파악하고, 새로운 직무들을 매핑하고, 직원 고과를 제시할 수 있는 주요 지표들에 대한 통찰력을 얻기 위해 데이터 분석의 힘을 활용하기로 했다.

회사가 보유한 기존 데이터를 활용해 직원별로 인구통계적 특성, 지점 정보, 고과, 직무 경력, 재직 기간이라는 5가지 카테고리별 30개 데이터 포인트가 정리됐다. 그런 다음 고성과자들에게 나타나는 공통점을 확인하기 위한 분석 작업에 들어갔다(저성과자들에 대해서도 같은 분석을 실시했다). 이렇게 해서 나온 정보를 통해 특정 역할을 수행하는 데 가장 성공 확률이 높은 직원들의 프로필을 만들 수 있었다.

더 나아가 머신러닝2 에 기초한 분석으로 지점 구조와 팀 구조를 통해 재무성과를 꽤 정확하게 예측할 수 있다는 사실이 밝혀졌다. 해당 분석으로 몇 개의 주요 직무가 은행의 전체적 성공에 어떤 식으로 강한 영향력을 발휘하는지도 부각됐다. 그 결과 경영진은 주요 팀들과 인재 그룹 중심으로 새로운 조직 구조를 편성했다. 새로운 직무에 적합한 내부 직원들을 어떻게 찾아낼 수 있는지에 대한 사전 가설들은 대부분 뒤집혔다.

예를 들어 이 은행은 늘 최상위 대학 출신들이 최고 인재라는 믿음을 갖고 있었다. 하지만 고난도 분석을 해보니 업무 효과가 높은 직원들은 5개의 특정 대학과 3개의 전문 수료 과정을 포함한 다양한 교육기관 출신이라는 사실이 드러났다. 또한 ‘최고성과자’로 간주된 직원들과 특정 직무를 수행했던 직원들 사이에 뚜렷한 상관관계가 있었는데, 이는 특정 직무들이 향후 엘리트 직원을 배출하는 데 자양분 역할을 할 수 있다는 사실을 시사했다. 은행은 이 2가지 요인들을 모두 인력 채용과 고과 평가, 직무별 직원 배치 프로세스에 활용했다. 결과는 어땠을까? 지점 생산성(지점의 매출을 유지하는 데 필요한 정규직 직원 숫자로 측정)이 26% 상승했고 신규 채용자들의 입사 전환율도 새로운 채용 프로세스가 도입되기 전보다 80%나 더 높아졌다. 같은 기간 은행의 순이익도 14% 증가했다.



2. 채용 과정에서 발생하는 노이즈와 편견 없애기

조직은 숫자의 민주주의를 통해서도 무의식적인 선호와 편견을 근절할 수 있다. 채용 담당자들이 아무리 좋은 의도를 갖고 있을지라도 무의식적인 편견이 발생할 수 있다. 예를 들어 한 서비스 기업은 매년 지원하는 25만 명의 입사 지원자들로 업무가 거의 마비되는 지경에 이르렀다. 회사는 좀 더 진보된 자동화 방법을 도입함으로써 초기 이력서 검토 과정에 투입되는 비용을 절감하고 인재 선별 효과도 향상시키고자 했다. 한 가지 문제로 당시 회사는 여성 신입사원 비율을 높이자는 공격적인 목표를 갖고 있었는데 학력과 경력을 기준으로 정보를 처리하도록 설계된 자동 프로그램이 여성 채용에 악영향을 줄 수 있다는 우려가 있었다.

이것은 불필요한 걱정으로 확인됐다. 회사 인사팀이 조정한 프로그램의 알고리즘은 과거 지원자들의 이력서와 이전에 면접이나 채용 오퍼를 받았던 후보들의 경우에는 이를 수락했는지 여부 등 과거 채용 정보를 감안했기 때문이다. 분석 모델은 회사의 채용 목표와 연결했을 때에도 고용 가능성이 가장 높은 후보들을 성공적으로 선별했고 관련 정보는 채용 프로세스의 다음 단계로 자동으로 넘겨졌다. 채용 가능성이 가장 낮은 사람들은 자동으로 불합격 처리됐다. 채용 전문가들은 더 확실한 후보들을 대상으로 각 직무에 적합한 인재들을 찾는 데만 집중할 수 있었다. 이 단계에서만 이력서의 55% 이상을 자동화 처리함으로써 비용을 절감하고 500%의 투자수익률을 거뒀다. 더욱이 자동 선별 과정을 당당하게 통과한 여성의 수는 사람이 직접 후보들을 선별했을 때보다 15% 더 증가했다. 결국 채용 담당자가 직접 인력을 선별했을 때 남녀 비율을 더 효과적으로 맞출 수 있다는 기본 가설은 사실이 아닌 것으로 밝혀졌다.



3. 직원 이탈 문제를 효과적으로 관리하기

기업들은 인재 경쟁에서 이기기 위해 점점 더 많은 비용을 투입한다. 직원 이탈률이 상승한 미국의 한 대형 보험회사 사례를 살펴보자. 처음 이 회사는 조직에 남기로 한 관리자 및 직원들에게 보너스를 지급하는 전략을 썼지만 그다지 성공적이지 못했다. 그래서 회사는 좀 더 현명한 방법을 활용하기로 했다. 즉, 이탈 위험이 있는 직원들의 특징을 파악할 수 있는 데이터를 수집했다. 데이터에는 인구통계학적 특징부터 학력 및 경력, 인사고과, 연봉 수준 등 다양한 정보들이 포함됐다. 정교한 분석 기법으로 관련 데이터를 처리하자 주요 결과들이 도출됐다. 규모가 작은 팀에 속하거나 승진한 지 오래된 직원들, 또 역량이 떨어지는 관리자 밑에서 일하는 직원들의 퇴직 가능성이 높은 것으로 나타났다.

일단 고위험군 직원들이 판별되자 이제 회사는 관련 정보를 바탕으로 직원들이 회사에 남도록 설득하는 노력을 기울일 수 있었다. 주로 더 많은 자기계발 기회를 부여하거나 더 역량 있는 관리자로부터 업무를 지원받을 수 있는 방법들을 제안했다. 이에 반해 보너스는 효과가 거의 없는 것으로 나타났다. 그 결과 비효과적인 보너스 인상에 할당될 수도 있었던 예산이 직원들의 자기계발과 관리자의 교육 프로그램 개선에 투입됐다. 이렇게 해서 상당한 비용을 줄이면서 직원들의 성과와 보유율 모두 개선시킬 수 있었다. 이는 조직이 보유한 데이터를 분석함으로써 얻을 수 있는 가치를 다시 한번 증명했다. 제대로 수행되기만 한다면 데이터 분석은 사람의 직관에만 의존할 때보다 더 공정하고 더 큰 효과를 발휘하면서 궁극적으로는 더 많은 시간과 비용을 절감할 수 있다. 이런 분석 결과가 종종 직관에 반하는 것처럼 보인다 해도 결국은 모든 이들의 지식 곡선을 상향 평준화시켜줄 수 있을 것이다.



헨리 드 롬리 · 브루스 페치얼-리펀스 · 빌 셰닝어

헨리 드 롬리(Henri de Romreée)는 맥킨지 브뤼셀 사무소의 파트너이며, 브루스 페치얼-리펀스(Bruce Fecheyr-Lippens)는 같은 사무소의 부파트너다. 빌 셰닝어(Bill Schaninger)는 맥킨지 필라델피아 사무소의 시니어 파트너다.

필자들은 이 글을 작성하는 데 도움을 준 에밀리 카루소(Emily Caruso)에게 감사를 표한다.
관련기사