HR 애널리틱스 실행 방법론
바쁘고 어렵고 결과가 의미 없다고요?
분석은 ‘설득의 과학’… 쉬운 것부터 먼저
Article at a Glance
HR 애널리틱스에서 데이터 분석이 의미 있으려면 ‘쓸모 있는 패턴’을 발견해 비즈니스 문제를 해결할 수 있어야 한다. 그러려면 우선 특정 행동이나 문제와 관련된 사람 또는 집단을 ‘타기팅’하고, 목표변수(Y)의 원인(X)을 찾아 문제를 해결해야 한다. HR 애널리틱스를 시작할 때 주의사항과 분석 결과를 활용하는 방법들을 살펴보고, 샘플 HR 데이터를 사용해 HR 애널리틱스를 구체적으로 어떻게 해야 하는지에 대해 설명한다.
HR 애널리틱스, 왜 어렵고 잘 안 될까
보통 HR 애널리틱스에 도전해본 인사 담당자들은 실패한 이유로 세 가지를 꼽는다.
첫 번째는 ‘쓸 만한 데이터가 없다’는 것이다. 사실 쓸 만한 데이터가 없다는 것은 그동안 실무에서 그만큼 데이터를 활용하지 않았다는 고백과 다름없다. 물론 경험이나 직관으로 업무를 진행할 수도 있다. 그러나 이 같은 방식으로는 본인의 업무처리가 잘됐는지, 잘못됐는지를 확인하기 어렵다. 특히 인사 업무가 그렇다. 본인의 업무에 대한 피드백을 측정하기 어려울 뿐만 아니라 시간도 오래 걸린다. 게다가 사람을 뽑거나 성과를 측정하는 일은 본인의 역량만으로 해결하기 어려운 과제다.
HR 업무의 정확성을 높이려면 그동안 쌓아놓은 데이터를 활용해야 한다. 채용 과정부터 업무 처리, 성과 평가 등 다양한 데이터가 사방에 있다. 설문을 통해 원하는 데이터를 얻을 수도 있다. 이를 활용하면 회사 내에서 발생하는 이슈들의 원인을 객관적 근거를 통해 설명할 수 있다. 데이터를 모으는 과정에서 기존 데이터 중 쓸 만한 것이 무엇인지, 더 확보해야 하는 데이터는 무엇인지도 확인할 수 있다.
두 번째는 ‘분석 결과가 의미 없다’는 것이다. 종종 인사 담당자로부터 “HR 데이터 분석 결과가 뻔해서 의미가 없는 것 같다”는 이야기를 들을 때가 있다. 분석 결과는 결국 질문(분석 주제)에 대한 답이다. 좋은 질문, 의문으로 시작했다면 설령 답을 찾지 못하더라도 분석 과정에서 회사의 다양한 문제에 대해 고민하는 계기가 될 수 있다. 좋지 못한 질문(정답을 염두에 둔 뻔한 질문)은 정답을 찾더라도 결국 제자리에서 한 걸음도 나아가지 못하게 된다. 질문하기 전에 분석 결과물을 활용할 방안을 미리 염두에 두고 구체적이고 실용적인 질문을 하는 것이 좋다.
물론 뻔하지만 좋은 질문도 얼마든지 있다. ‘좋은 매니저는 좋은 팀 성과를 가져온다’는 예측 가능한 질문이 있다고 가정해보자. 정량적으로 이를 검증했다면 이 질문을 정교화해보는 방법이 있다. ‘우리 조직에서 좋은 매니저는 어떤 자질을 보유하고 있나’로 확장하는 것이다. 이같이 뻔한 질문도 좋은 질문으로 연계할 수 있다. 데이터와 관련한 ‘좋은 질문을 하는 법’은 데이터 리터러시(Data Literacy) 강의 교재(18∼19p)를 참고해도 좋다. (참고: https://www.slideshare.net/sidneyyang0/data-literacy-103128481)
마지막으로 ‘바쁘고 어렵다’는 것이다. 현업 부서들에서는 데이터를 분석하는 일이 업무의 우선순위에서 밀리기 십상이다. 데이터 분석을 전담으로 하는 조직은 아직 국내에서는 손에 꼽을 수준이다. 이 때문에 HR 애널리틱스 같은 새로운 전략에 시간을 쏟기가 쉽지 않은 것이 현실이다. 일부 직원에게 데이터를 분석하는 일을 공식 업무로 할당하거나 분석 전담팀을 꾸리는 것을 해결책으로 제안하고 싶다. 기존 직원에게 분석 업무를 추가로 할당하는 방식은 실패할 확률이 높다. 기존에 하던 일 중 일부를 덜어주고 그 공백을 분석 관련 업무로 메우도록 해야 성과가 나올 수 있다.
[그림 1]은 HR 부서 내에서 인사데이터 분석을 수행하는 HR 애널리틱스팀을 새로 꾸린다고 가정했을 때, 해당 팀의 역할과 다른 팀과의 관계를 정리한 것이다. 처음에는 본인 리소스의 30∼50% 정도를 사용하는 1∼2명으로 구성해 운영하다가 잘되면 팀을 양적, 질적으로 성장시키면 된다.
이 팀의 주요 역할과 구조를 간단히 살펴보자.
● 데이터 액세스(Data Access): 부서 내 구성원들이 필요로 하는 신뢰할 수 있는 최신 데이터를 제공하는 역할이다. 이 역할은 세 가지 세부 역할로 나눌 수 있다. a) 데이터 딕셔너리(Data Dictionary): 부서 내에서 수집 및 관리하고 있는 데이터의 종류, 데이터의 원천(근태, 채용 등), 오너십(Ownership) 등을 관리하는 일
b) 데이터 퀄러티(Data Quality): 데이터의 품질을 개선, 유지하는 일 c) 데이터 거버넌스(Data Governance): 데이터의 민감도 및 중요도에 따라 접근 권한 및 활용에 대한 원칙을 수립하고 지켜내는 것으로 데이터 사용과 관련해 투명한 원칙을 수립하는 일을 의미한다.
● 데이터 리터러시(Data Literacy): 분석하는 사람과 분석 결과를 활용하는 사람이 유기적이어야 한다. 코어팀(Core Team)은 동료나 매니저들이 분석 결과를 실용적으로 활용할 수 있도록 데이터 활용에 대한 기본 교육을 담당한다. 직접 강의를 할 수 있고, 외부 콘텐츠를 큐레이션해 커리큘럼을 짤 수도 있다.
● 인사이트 셰어링(Insight Sharing): 분석 결과를 일선의 담당자와 의사결정권자들과 공유해 실용적으로 활용되도록 하는 일이다.
● 리포팅 스트럭처(Reporting Structure): 분석의 독립성을 위해 CEO 등에게 직접 보고하는 것이 바람직하다. 보고 라인이 길어지는 경우 최초의 데이터/사실 중심의 내용에 자의적인 해석이 더해질 수 있다. 이 같은 경우 보고 싶고, 듣고 싶은 것을 익숙하고 세련된 방식으로 보고하게 되는, 그래서 현실에서 한 걸음도 나아가지 못하는 일이 발생한다.
분석 결과가 쓸모 있으려면
데이터 분석이 의미 있으려면 실제로 발생하는 비지니스 문제를 해결할 수 있어야 한다. 이를 위해선 먼저 ‘타기팅’과 ‘최적화’ 두 가지를 할 수 있어야 한다. 타기팅은 특정 행동이나 특성을 보이는 사람 또는 집단을 찾는 일이다. [표 1]에서 일본에서 근무하고 있는 인사부 사람들의 퇴사율이 타 집단 대비 월등히 높은 것을 확인할 수 있다. 이를 통해 해당 집단을 타깃으로 적절한 조치를 취할 수 있다. 타기팅이 분석의 목표인 경우 ‘왜 퇴사했는지(Why)’는 중요하지 않다. 특정 행동이나 특성을 보인 사람이 밀집한 집단을 찾는 것이 목표다. 최적화는 목표 변수(Y)의 원인(X)을 찾아 X에 개입해 Y를 개선하는 일이다. 이 경우 X와 Y 사이의 인과성(Causality)이 반드시 필요하다. [표 1]의 경우 X(회의 시간)와 Y(퇴사율) 간에 패턴이 발견된 경우 X에 개입해 Y를 개선할 수 있다.
Why vs. Who & What
최근까지 통계나 데이터 분석을 하는 사람들 사이에서 금기시되는 단어가 있다. 바로 ‘인과성’이다. 이는 그동안 통계학에서 인과성을 과학적으로 보지 않고 상관관계를 더 중요시한 영향이 크다. 다른 한편으로 통계나 데이터 분석에서 인과관계를 표현할 보편적 언어(수학적 표기법)를 아직 개발하지 못한 탓도 있다.
바로 위에서 회의 시간과 퇴사율 간의 인과성에 대해 단정적으로 결론을 내렸는데 인과관계를 데이터 분석만으로 알 방법은 없다. 단순 데이터에는 데이터가 생성, 축적된 맥락과 개별 변수 및 변수 사이의 관계가 담겨 있지 않기 때문이다. 인과관계는 상관관계에 기반해 우리가 가지고 있는 보편적인 지식이나 믿음에 기반해도 괜찮다.
사실 회의 시간과 퇴사율 사이의 인과성을 증명하기 위해 인위적으로 직원들을 두 그룹으로 나눠 회의시간을 통제하고 그 효과를 관찰하는 일은 현실적이지도, 윤리적이지도 않다. 통제된 환경에서 생성된 실험 데이터가 아니라 그동안 축적한 데이터를 통해서도 얼마든지 회의 시간이 퇴사율의 원인이라고 주장할 수 있다.
물론 잦은 회의 때문이 아니라 (회의를 자주 하는) 나쁜 매니저 때문에 퇴사율이 높을 수도 있다. 통계학에서는 나쁜 매니저와 같이 원인(회의 시간)과 결과(퇴사)에 동시에 작용하는 변수를 교란변수(Confounder)라고 부른다. 이럴 때는 나쁜 매니저와 관련된 데이터만 따로 분리한(매니저의 리더십을 통제) 다음, 회의 시간과 퇴사율의 상관관계를 살펴보면 된다. 동질적 집단(매니저 리더십이 낮은 집단) 내에서도 동일한 효과가 관찰됐다면 “매니저의 리더십을 통제한 경우에도 높은 회의 시간과 높은 퇴사율 간 높은 상관관계가 관찰됐다. 회의 시간이 퇴사율에 영향을 준다”고 주장할 수 있다.
X와 Y 간에 인과성이 존재한다고 가정했을 때 X에 개입해 Y를 개선하기 위해서는 추가적으로 두 개의 조건이 더 필요하다.
● X에 개입(Intervention) 가능: 예를 들어, 인지점수(X1)가 높고 미사용 휴가일수(X2)가 적은 사람들이 영업성과(Y)가 좋다고 했을 때, X1에 대해서는 인위적으로 개입하기 힘들지만 X2는 의지만 있다면 개입할 수 있다.
● Y의 개선 측정(Monitoring) 가능: 영업직군을 대상으로 눈치 보지 않고 자유롭게 휴가를 사용하도록 해서(X2에 개입), 영업성과(Y: 매출, 신규 고객 유치 등)가 정말 좋아졌는지 여부를 모니터링할 수 있다. 만약 Y가 상대 평가한 성과 등급/점수였다면 개입에 의한 Y의 개선 정도를 측정하기 어렵다.
데이터 중심 의사결정 vs. 데이터 중심의 문제 해결
더 좋은 의사결정을 내리기 위해 데이터 분석을 하는 경우 궁극적 목표는 비즈니스 문제 해결일 것이다. 데이터 기반 의사결정은 데이터 기반 문제 해결의 수단이자 방법이지 그 자체가 목표는 아니다. 개선하고 최적화해야 하는 메트릭(Metric), KPI가 없는 조직은 없을 테니 분석할 데이터에서 Y를 찾기 힘든 경우는 드물다. 그리고 Why가 아닌 Who를 찾는 타기팅 분석의 경우 X(입력변수)를 조합해 타기팅 할 대상을 찾는 일도 아주 어렵지 않다.
하지만 내가 이미 가지고 있는 데이터에서 Y에 대한 원인이면서 동시에 개입할 수도 있는 X를 찾는 것은 대부분 어렵다. 특정 분석 프로젝트의 목표가 내가 개입할 수 있는 원인변수를 찾는 거라면 분석하기 전에 확보한 데이터 안에 그런 변수가 있는지 먼저 살펴볼 일이다. 만약 없다면 설문이나 실험을 통해 채워 넣으면 된다.
네 마음의 소리, 서베이
최소한의 노력과 비용으로 르완다 국가 전 지역의 소득 수준 분포를 촘촘히 확인하려면 어떻게 해야 할까? 2009년 조슈아 블루멘스톡 UC버클리대 조교수는 이 문제를 달랑 856명에게 전화를 돌려 해결했다. 내용을 요약하면, 르완다 1위 무선통신사업자가 보유한 150만여 명 가입자들의 CDR(Call Detail Records, 어디 사는 누가 어디 사는 누구와 얼마 동안 통화했는지를 기록한 로그) 데이터와 전화 설문을 통해 확인한 소득/경제 수준에 대한 데이터를 결합해 소득 수준을 예측하는 모형을 만든 것이다. 서베이를 통해 확인한 850여 명의 소득/경제수준(Y)과 이들의 모바일 전화통화 내역(X: CDR)을 기계학습 알고리즘을 사용해 학습한 후 예측 모형을 만들어 CDR 정보(X)만으로 소득/경제 수준(Y)을 예측했다. 이는 사회과학(Social Science) 진영의 대표적인 연구조사 방법인 서베이에 데이터과학(Data Science)을 결합해 낮은 비용을 들이면서도 빠르게 정보를 알아낸 훌륭한 사례다.
초파리를 연구하는 사람들은 초파리를 더 잘 이해하기 위해서 초파리의 행동을 관찰하는 수밖에 없다. 하지만 사람을 연구하는 사람들은 사람의 행동을 관찰하는 것에 추가해 사람에게 직접 궁금한 것을 물어볼 수 있다.
보통 설문 조사 결과에는 두 가지 오류가 있다고 알려져 있다. 하나는 대표성 오류(Representation Error)다. 설문에 참가한 사람들의 답변을 가지고 모집단에 대한 추론(일반화)을 하는 과정에서 발생하는 오류다. 전 직원을 대상으로 실시하는 서베이처럼 ‘sample=population’일 때는 설문에 응하지 않은 사람들이 어느 정도 고르게 분포된 경우 대표성 오류는 무시해도 된다고 생각한다.
다른 하나는 측정 오류(Measurement Error)다. 이는 말한 것으로부터 생각이나 행동을 추론하는 과정에서 발생하는 오류다. 동일한 질문이라도 질문의 구조(묻는 방식)에 따라 답변이 달라진다. 기업 내 서베이의 경우 익명성이나 서베이 효용에 대한 불신으로 직원들이 건성으로 두루두루 좋게 답변하는 경향이 존재한다.
이러한 설문 데이터의 한계에도 불구하고 행동 데이터를 통해서는 절대 알 수 없는 것들이 있다. 예를 들면, 사람의 행위를 예측하는 요인(driver; cause)들은 대개 감정, 인식, 지식, 의견 등 내면 상태와 관련된 것들인데 우리 머릿속에 감춰진 내면 상태를 알 수 있는 최선의, 현재로서 유일한 방법은 여전히 물어보는 것이다.
또한 기업 환경 내에서 측정 가능한 직원들의 행동 데이터(평균 e메일 발신 건수 등)는 많은 경우 우리가 이해/예측하고자 하는 행위(고성과)의 원인이기보다는 증상이기 쉽다. 예를 들면, 성과 점수와 e메일 발신 건수 사이에서 높은 상관관계가 발견됐을 때 e메일을 많이 보내서(원인) 고성과자라고 해석하기보다는 고성과자라서, 일을 많이 해서 결과적으로 메일을 많이 보냈다고 해석하는 것이 더 타당하다. 르완다 사례에서 확인했듯 설문 데이터를 행동 (빅)데이터와 결합하는 경우 행동 데이터만으로는 불가능했던 깊고 파급력 있는 분석이 가능해 지기도 한다.
함께 데이터 분석해보기
이제 샘플 HR 데이터를 가지고 함께 분석해보자. 별도로 준비할 것은 없다. 브라우저(구글 크롬 추천)를 통해 다음 주소(https://www.heartcount.io/play?lang=kr)에 접속한 후 [샘플 데이터를 사용해서 서비스 체험하기] 버튼을 누르면 된다.
예시는 특별한 분석 지식이나 경험이 없는 사람들도 화면 이미지를 보고 따라 한 후 스스로 해석할 수 있도록 쉽게 작성했다. 데이터 분석은 그 과정과 절차가 아무리 복잡해도 결국에는 분석한 결과물을 일상의 언어로 풀어내야 한다. 이를 의사결정권자에게 보고하고 다른 구성원들에게 공유하는 것이 중요하다. 그래서 분석은 ‘설득의 과학’이라고도 한다. 분석 과정이 복잡해질수록 그 결과를 타인에게 쉽게 설명하기 어려워져서 분석 결과가 활용되지 못하기 쉽다. 쉬운 분석과 간단한 시각적 표현만으로도 충분히 자신의 주장의 근거로 삼을 수 있다. 복잡하고 어려운 분석 기법만이 정답이 아니다.
[그림 3]은 직원만족도와 매니저의 소통 능력 간의 관계를 스캐터플롯(scatterplot) 형식으로 시각화한 것이다. 화면상의 개별 점들은 데이터세트(엑셀 등)를 구성하는 개별 레코드(직원)를 나타낸다. 스캐터플롯은 개별 레코드/관측값을 좌표상에 점으로 흩뿌려 표현하는 시각화 방식으로 산점도라고도 불린다. 예시에서 직원만족도와 매니저 소통 점수 사이의 상관계수는 0.85로 나왔다. 상관계수는 두 숫자형 변수(나이, 연봉, 교육시간 등) 사이의 연관성을 -1에서 1사이의 숫자로 계산한 값으로 0.85이면 매우 강한 양의 상관관계가 있다고 본다. 매니저의 소통 능력은 서베이를 통해 가상으로 측정(엑셀 화면 참고)한 것이다. (그림 4)
직접 따라 해보자. [그림 3] 상단의 Y축에 [직원만족도]를 선택하고, X축에 [매니저.소통]을 선택한다. 그리고 나서 상관계수 옆의 아이콘을 클릭하면 추세선이 추가된다.
이번에는 개별 점(직원)을 팀으로 구분해 살펴보자. 분석에 사용하는(동원되는) 변수를 차원(dimension)이라고 한다. 직원을 직원만족도×매니저.소통, 이렇게 두 개의 차원으로 보다가 팀이라는 새로운 차원을 추가해 살펴보려고 한다. [그림 5] 우측의 색상 메뉴에 [팀 구분]을 선택한다. [팀 구분] 선택 후 나타나는 개별 팀을 하나씩 클릭하면 상관계수가 바뀌는 것을 확인할 수 있다. (그림 5)
[그림 5]에서처럼 팀별로 직원만족도의 분포가 상이한 것을 확인했다. 이번에는 팀별 직원만족도 차이가 통계적 유의미한지를 확인해보자. 서로 다른 집단 간 평균값에 유의미한 차이가 있는지 판단하는 전통적인 방법 중 대표적인 것은 집단 내(개별 팀) 만족도 차이(분산)보다 집단 간(서로 다른 팀 간) 차이가 크게 나는지를 확인하는 것이다.
[그림 6]처럼 개별 팀으로 평균 만족도의 95%를 표시해 신뢰구간이 서로 겹치지 않는 경우 집단 간 통계적으로 유의미한 차이(우연이 아니라 실제 존재)가 있다고 판단할 수 있다. 기술팀이 다른 어떤 팀과 비교하더라도 통계적으로 유의미하게 낮은 만족도를 보이는 것을 확인할 수 있다.
95% 신뢰구간의 정확한 수학적 정의는 우리가 상식적으로 이해하고 있는 개념(모집단 전체의 평균값이 해당 신뢰구간 안에 존재할 확률이 95%이다)과는 차이가 있다. 실제 또는 상상의 모집단의 진짜 평균값(true mean)이 해당 구간에 존재할 확률이 매우 높다 정도로 이해하면 된다.
[그림 6]을 따라 하려면 화면 상단의 X축을 [팀 구분]으로 변경한 후 상단의 5개 아이콘(icon) 중 두 번째 아이콘을 클릭해 95% 신뢰구간을 표시한 후 기술팀의 신뢰구간을 선택해 평균 신뢰구간이 다른 팀들과 겹치는지를 확인하면 된다.
보통 사람은 95% 신뢰구간이나 p-value(유의확률) 같은 통계적 개념을 통해서가 아니라 타인의 주장이 개연성이 있고 그럴듯해 보일 때 설득당한다. 서로 다른 팀 간에 존재하는 직원만족도의 차이가 사업장 위치와 무관하게 나타나는 보편적 현상이라는 주장을 [그림 7]과 같이 시각화하면 그 주장이 더욱 설득력을 얻을 것이다. Y축을 [직원만족도], X축을 [사업장위치], 하위그룹을 [팀구분]으로 선택한다. 첫 번째 아이콘(bar chart)을 선택하고, 사업장 위치 옆의 아이콘(sorting icon)을 클릭해 내림차순으로 정렬한다.
[그림 7]을 통해 사업장 위치가 달라도 유사하게 팀별로 만족도 차이를 보이는 것을 확인할 수 있다. 다음에 할 일은 왜 이러한 차이가 발생하는가, 무엇을 바꿔 개선할 수 있는가에 대한 답을 찾는 것이다. 우리는 앞서 ‘매니저 소통 능력과 직원만족도의 양의 상관관계’를 확인한 바 있다. [그림 8]을 보면 각각의 팀을 떼어 놓고 봐도 소통점수(0∼100점)가 낮을수록 만족도가 일관되게 하락하는 것을 시각적으로 확인할 수 있다. 이제 직원만족도를 높이려면 매니저가 직원과 소통하는 방식에 개선이 필요하다는 주장을 데이터에 기반해 할 수 있게 됐다.
X축을 [팀구분], 하위그룹을 [매니저.소통]으로 변경하고 [팀구분] 옆 아이콘(sorting icon)을 눌러 내림차순으로 정렬하면 [그림 8]과 같은 결과를 얻을 수 있다. ‘매니저.소통’ 점수는 본래 숫자형 변수지만 0∼10점, 10∼20점, … 90∼ 100점과 같은 방식으로 구간으로 분할해 성별(남, 녀), 직군(개발, 생산, 영업) 등 범주형 변수로 변환할 수 있다. 실습용 툴에서는 해당 변수 변환이 자동으로 이뤄진다.
통제할 수 있는 것과 없는 것을 구분하고, 효과가 큰 요인에 집중하자
새로운 패러다임으로 바뀌려면 과거의 패러다임에서 쉽게 풀리지 않았던 문제를 해결할 수 있어야 한다. HR 애널리틱스에서는 성과나 생산성 등 사업 성과와 직접적 관련이 있는 문제에 실용적인 해결책을 제시하고, 그 효과를 증명할 수 있어야 한다. 그러기 위해서는 HR이 통제/개입할 수 있는 것과 없는 것을 우선 구분하고, 내가 개입할 수 있는 것들 중 그 개입의 효과가 큰 요인들을 발견하고 실천해야 한다.
사실 HR 애널리틱스의 실제 분석 결과를 보면 뻔한 결과들이 상당수다. ‘만족도 높은 조직이 퇴사율이 낮다’가 여기에 해당한다. 이를 보고받은 직장 상사나 결정권자는 대부분 ‘너무 뻔한 상식(common sense) 아니냐’는 반응을 보일 것이다. 실제 만족도를 높여서 퇴사율을 낮추려는 실천(common practice)은 아무도 하지 않는다는 것이다.
퇴사율을 개선하려면 만족도와 관련된 수많은 요인(회의문화, 팀 내 백업 수준, 상호 존중, 리더십 등등) 중 실제 개입했을 때 실제로 퇴사율을 낮출 수 있는, 효과가 큰 요인을 발견하는 것이 우선일 것이다. 이 효과를 정량적으로 증명(예시: 팀 내 백업이 잘되는 조직은 그렇지 않은 조직 대비 퇴사율 60% 수준)하고, 실제 팀 내 백업이 잘되도록 HR이 개입하면 아무리 ‘뻔한 결과’일 지라도 ‘뻔하지 않은 결과’로 이어질 수 있다.
해외의 좋은 HR 애널리틱스 사례를 보면 해당 기업들은 뻔한 결과를 결코 뻔하다고 폄하하지 않는다. 직접 데이터를 분석하고 결과에 개입해 지표를 개선하는 노력을 이어가고 있다. HR 애널리틱스는 어렵지만 해낼 만한 가치가 있는 일이고, 또 충분히 해낼 수 있는 일이라고 믿는다.
필자소개 양승준 아이디케이스퀘어드 대표 sidney.yang@idk2.co.kr
필자는 서강대에서 컴퓨터 공학을 전공하고 시티증권, 유비에스 증권, 야후코리아, 삼성SDS 등에서 근무했다. 현재 hr 데이터 분석 솔루션 회사인 아이디케이스퀘어드의 대표를 맡고 있다
HR 애널리틱스에서 데이터 분석이 의미 있으려면 ‘쓸모 있는 패턴’을 발견해 비즈니스 문제를 해결할 수 있어야 한다. 그러려면 우선 특정 행동이나 문제와 관련된 사람 또는 집단을 ‘타기팅’하고, 목표변수(Y)의 원인(X)을 찾아 문제를 해결해야 한다. HR 애널리틱스를 시작할 때 주의사항과 분석 결과를 활용하는 방법들을 살펴보고, 샘플 HR 데이터를 사용해 HR 애널리틱스를 구체적으로 어떻게 해야 하는지에 대해 설명한다.
HR 애널리틱스, 왜 어렵고 잘 안 될까
보통 HR 애널리틱스에 도전해본 인사 담당자들은 실패한 이유로 세 가지를 꼽는다.
첫 번째는 ‘쓸 만한 데이터가 없다’는 것이다. 사실 쓸 만한 데이터가 없다는 것은 그동안 실무에서 그만큼 데이터를 활용하지 않았다는 고백과 다름없다. 물론 경험이나 직관으로 업무를 진행할 수도 있다. 그러나 이 같은 방식으로는 본인의 업무처리가 잘됐는지, 잘못됐는지를 확인하기 어렵다. 특히 인사 업무가 그렇다. 본인의 업무에 대한 피드백을 측정하기 어려울 뿐만 아니라 시간도 오래 걸린다. 게다가 사람을 뽑거나 성과를 측정하는 일은 본인의 역량만으로 해결하기 어려운 과제다.
HR 업무의 정확성을 높이려면 그동안 쌓아놓은 데이터를 활용해야 한다. 채용 과정부터 업무 처리, 성과 평가 등 다양한 데이터가 사방에 있다. 설문을 통해 원하는 데이터를 얻을 수도 있다. 이를 활용하면 회사 내에서 발생하는 이슈들의 원인을 객관적 근거를 통해 설명할 수 있다. 데이터를 모으는 과정에서 기존 데이터 중 쓸 만한 것이 무엇인지, 더 확보해야 하는 데이터는 무엇인지도 확인할 수 있다.
두 번째는 ‘분석 결과가 의미 없다’는 것이다. 종종 인사 담당자로부터 “HR 데이터 분석 결과가 뻔해서 의미가 없는 것 같다”는 이야기를 들을 때가 있다. 분석 결과는 결국 질문(분석 주제)에 대한 답이다. 좋은 질문, 의문으로 시작했다면 설령 답을 찾지 못하더라도 분석 과정에서 회사의 다양한 문제에 대해 고민하는 계기가 될 수 있다. 좋지 못한 질문(정답을 염두에 둔 뻔한 질문)은 정답을 찾더라도 결국 제자리에서 한 걸음도 나아가지 못하게 된다. 질문하기 전에 분석 결과물을 활용할 방안을 미리 염두에 두고 구체적이고 실용적인 질문을 하는 것이 좋다.
물론 뻔하지만 좋은 질문도 얼마든지 있다. ‘좋은 매니저는 좋은 팀 성과를 가져온다’는 예측 가능한 질문이 있다고 가정해보자. 정량적으로 이를 검증했다면 이 질문을 정교화해보는 방법이 있다. ‘우리 조직에서 좋은 매니저는 어떤 자질을 보유하고 있나’로 확장하는 것이다. 이같이 뻔한 질문도 좋은 질문으로 연계할 수 있다. 데이터와 관련한 ‘좋은 질문을 하는 법’은 데이터 리터러시(Data Literacy) 강의 교재(18∼19p)를 참고해도 좋다. (참고: https://www.slideshare.net/sidneyyang0/data-literacy-103128481)
마지막으로 ‘바쁘고 어렵다’는 것이다. 현업 부서들에서는 데이터를 분석하는 일이 업무의 우선순위에서 밀리기 십상이다. 데이터 분석을 전담으로 하는 조직은 아직 국내에서는 손에 꼽을 수준이다. 이 때문에 HR 애널리틱스 같은 새로운 전략에 시간을 쏟기가 쉽지 않은 것이 현실이다. 일부 직원에게 데이터를 분석하는 일을 공식 업무로 할당하거나 분석 전담팀을 꾸리는 것을 해결책으로 제안하고 싶다. 기존 직원에게 분석 업무를 추가로 할당하는 방식은 실패할 확률이 높다. 기존에 하던 일 중 일부를 덜어주고 그 공백을 분석 관련 업무로 메우도록 해야 성과가 나올 수 있다.
[그림 1]은 HR 부서 내에서 인사데이터 분석을 수행하는 HR 애널리틱스팀을 새로 꾸린다고 가정했을 때, 해당 팀의 역할과 다른 팀과의 관계를 정리한 것이다. 처음에는 본인 리소스의 30∼50% 정도를 사용하는 1∼2명으로 구성해 운영하다가 잘되면 팀을 양적, 질적으로 성장시키면 된다.
이 팀의 주요 역할과 구조를 간단히 살펴보자.
● 데이터 액세스(Data Access): 부서 내 구성원들이 필요로 하는 신뢰할 수 있는 최신 데이터를 제공하는 역할이다. 이 역할은 세 가지 세부 역할로 나눌 수 있다. a) 데이터 딕셔너리(Data Dictionary): 부서 내에서 수집 및 관리하고 있는 데이터의 종류, 데이터의 원천(근태, 채용 등), 오너십(Ownership) 등을 관리하는 일
b) 데이터 퀄러티(Data Quality): 데이터의 품질을 개선, 유지하는 일 c) 데이터 거버넌스(Data Governance): 데이터의 민감도 및 중요도에 따라 접근 권한 및 활용에 대한 원칙을 수립하고 지켜내는 것으로 데이터 사용과 관련해 투명한 원칙을 수립하는 일을 의미한다.
● 데이터 리터러시(Data Literacy): 분석하는 사람과 분석 결과를 활용하는 사람이 유기적이어야 한다. 코어팀(Core Team)은 동료나 매니저들이 분석 결과를 실용적으로 활용할 수 있도록 데이터 활용에 대한 기본 교육을 담당한다. 직접 강의를 할 수 있고, 외부 콘텐츠를 큐레이션해 커리큘럼을 짤 수도 있다.
● 인사이트 셰어링(Insight Sharing): 분석 결과를 일선의 담당자와 의사결정권자들과 공유해 실용적으로 활용되도록 하는 일이다.
● 리포팅 스트럭처(Reporting Structure): 분석의 독립성을 위해 CEO 등에게 직접 보고하는 것이 바람직하다. 보고 라인이 길어지는 경우 최초의 데이터/사실 중심의 내용에 자의적인 해석이 더해질 수 있다. 이 같은 경우 보고 싶고, 듣고 싶은 것을 익숙하고 세련된 방식으로 보고하게 되는, 그래서 현실에서 한 걸음도 나아가지 못하는 일이 발생한다.
분석 결과가 쓸모 있으려면
데이터 분석이 의미 있으려면 실제로 발생하는 비지니스 문제를 해결할 수 있어야 한다. 이를 위해선 먼저 ‘타기팅’과 ‘최적화’ 두 가지를 할 수 있어야 한다. 타기팅은 특정 행동이나 특성을 보이는 사람 또는 집단을 찾는 일이다. [표 1]에서 일본에서 근무하고 있는 인사부 사람들의 퇴사율이 타 집단 대비 월등히 높은 것을 확인할 수 있다. 이를 통해 해당 집단을 타깃으로 적절한 조치를 취할 수 있다. 타기팅이 분석의 목표인 경우 ‘왜 퇴사했는지(Why)’는 중요하지 않다. 특정 행동이나 특성을 보인 사람이 밀집한 집단을 찾는 것이 목표다. 최적화는 목표 변수(Y)의 원인(X)을 찾아 X에 개입해 Y를 개선하는 일이다. 이 경우 X와 Y 사이의 인과성(Causality)이 반드시 필요하다. [표 1]의 경우 X(회의 시간)와 Y(퇴사율) 간에 패턴이 발견된 경우 X에 개입해 Y를 개선할 수 있다.
Why vs. Who & What
최근까지 통계나 데이터 분석을 하는 사람들 사이에서 금기시되는 단어가 있다. 바로 ‘인과성’이다. 이는 그동안 통계학에서 인과성을 과학적으로 보지 않고 상관관계를 더 중요시한 영향이 크다. 다른 한편으로 통계나 데이터 분석에서 인과관계를 표현할 보편적 언어(수학적 표기법)를 아직 개발하지 못한 탓도 있다.
바로 위에서 회의 시간과 퇴사율 간의 인과성에 대해 단정적으로 결론을 내렸는데 인과관계를 데이터 분석만으로 알 방법은 없다. 단순 데이터에는 데이터가 생성, 축적된 맥락과 개별 변수 및 변수 사이의 관계가 담겨 있지 않기 때문이다. 인과관계는 상관관계에 기반해 우리가 가지고 있는 보편적인 지식이나 믿음에 기반해도 괜찮다.
사실 회의 시간과 퇴사율 사이의 인과성을 증명하기 위해 인위적으로 직원들을 두 그룹으로 나눠 회의시간을 통제하고 그 효과를 관찰하는 일은 현실적이지도, 윤리적이지도 않다. 통제된 환경에서 생성된 실험 데이터가 아니라 그동안 축적한 데이터를 통해서도 얼마든지 회의 시간이 퇴사율의 원인이라고 주장할 수 있다.
물론 잦은 회의 때문이 아니라 (회의를 자주 하는) 나쁜 매니저 때문에 퇴사율이 높을 수도 있다. 통계학에서는 나쁜 매니저와 같이 원인(회의 시간)과 결과(퇴사)에 동시에 작용하는 변수를 교란변수(Confounder)라고 부른다. 이럴 때는 나쁜 매니저와 관련된 데이터만 따로 분리한(매니저의 리더십을 통제) 다음, 회의 시간과 퇴사율의 상관관계를 살펴보면 된다. 동질적 집단(매니저 리더십이 낮은 집단) 내에서도 동일한 효과가 관찰됐다면 “매니저의 리더십을 통제한 경우에도 높은 회의 시간과 높은 퇴사율 간 높은 상관관계가 관찰됐다. 회의 시간이 퇴사율에 영향을 준다”고 주장할 수 있다.
X와 Y 간에 인과성이 존재한다고 가정했을 때 X에 개입해 Y를 개선하기 위해서는 추가적으로 두 개의 조건이 더 필요하다.
● X에 개입(Intervention) 가능: 예를 들어, 인지점수(X1)가 높고 미사용 휴가일수(X2)가 적은 사람들이 영업성과(Y)가 좋다고 했을 때, X1에 대해서는 인위적으로 개입하기 힘들지만 X2는 의지만 있다면 개입할 수 있다.
● Y의 개선 측정(Monitoring) 가능: 영업직군을 대상으로 눈치 보지 않고 자유롭게 휴가를 사용하도록 해서(X2에 개입), 영업성과(Y: 매출, 신규 고객 유치 등)가 정말 좋아졌는지 여부를 모니터링할 수 있다. 만약 Y가 상대 평가한 성과 등급/점수였다면 개입에 의한 Y의 개선 정도를 측정하기 어렵다.
데이터 중심 의사결정 vs. 데이터 중심의 문제 해결
더 좋은 의사결정을 내리기 위해 데이터 분석을 하는 경우 궁극적 목표는 비즈니스 문제 해결일 것이다. 데이터 기반 의사결정은 데이터 기반 문제 해결의 수단이자 방법이지 그 자체가 목표는 아니다. 개선하고 최적화해야 하는 메트릭(Metric), KPI가 없는 조직은 없을 테니 분석할 데이터에서 Y를 찾기 힘든 경우는 드물다. 그리고 Why가 아닌 Who를 찾는 타기팅 분석의 경우 X(입력변수)를 조합해 타기팅 할 대상을 찾는 일도 아주 어렵지 않다.
하지만 내가 이미 가지고 있는 데이터에서 Y에 대한 원인이면서 동시에 개입할 수도 있는 X를 찾는 것은 대부분 어렵다. 특정 분석 프로젝트의 목표가 내가 개입할 수 있는 원인변수를 찾는 거라면 분석하기 전에 확보한 데이터 안에 그런 변수가 있는지 먼저 살펴볼 일이다. 만약 없다면 설문이나 실험을 통해 채워 넣으면 된다.
네 마음의 소리, 서베이
최소한의 노력과 비용으로 르완다 국가 전 지역의 소득 수준 분포를 촘촘히 확인하려면 어떻게 해야 할까? 2009년 조슈아 블루멘스톡 UC버클리대 조교수는 이 문제를 달랑 856명에게 전화를 돌려 해결했다. 내용을 요약하면, 르완다 1위 무선통신사업자가 보유한 150만여 명 가입자들의 CDR(Call Detail Records, 어디 사는 누가 어디 사는 누구와 얼마 동안 통화했는지를 기록한 로그) 데이터와 전화 설문을 통해 확인한 소득/경제 수준에 대한 데이터를 결합해 소득 수준을 예측하는 모형을 만든 것이다. 서베이를 통해 확인한 850여 명의 소득/경제수준(Y)과 이들의 모바일 전화통화 내역(X: CDR)을 기계학습 알고리즘을 사용해 학습한 후 예측 모형을 만들어 CDR 정보(X)만으로 소득/경제 수준(Y)을 예측했다. 이는 사회과학(Social Science) 진영의 대표적인 연구조사 방법인 서베이에 데이터과학(Data Science)을 결합해 낮은 비용을 들이면서도 빠르게 정보를 알아낸 훌륭한 사례다.
초파리를 연구하는 사람들은 초파리를 더 잘 이해하기 위해서 초파리의 행동을 관찰하는 수밖에 없다. 하지만 사람을 연구하는 사람들은 사람의 행동을 관찰하는 것에 추가해 사람에게 직접 궁금한 것을 물어볼 수 있다.
보통 설문 조사 결과에는 두 가지 오류가 있다고 알려져 있다. 하나는 대표성 오류(Representation Error)다. 설문에 참가한 사람들의 답변을 가지고 모집단에 대한 추론(일반화)을 하는 과정에서 발생하는 오류다. 전 직원을 대상으로 실시하는 서베이처럼 ‘sample=population’일 때는 설문에 응하지 않은 사람들이 어느 정도 고르게 분포된 경우 대표성 오류는 무시해도 된다고 생각한다.
다른 하나는 측정 오류(Measurement Error)다. 이는 말한 것으로부터 생각이나 행동을 추론하는 과정에서 발생하는 오류다. 동일한 질문이라도 질문의 구조(묻는 방식)에 따라 답변이 달라진다. 기업 내 서베이의 경우 익명성이나 서베이 효용에 대한 불신으로 직원들이 건성으로 두루두루 좋게 답변하는 경향이 존재한다.
이러한 설문 데이터의 한계에도 불구하고 행동 데이터를 통해서는 절대 알 수 없는 것들이 있다. 예를 들면, 사람의 행위를 예측하는 요인(driver; cause)들은 대개 감정, 인식, 지식, 의견 등 내면 상태와 관련된 것들인데 우리 머릿속에 감춰진 내면 상태를 알 수 있는 최선의, 현재로서 유일한 방법은 여전히 물어보는 것이다.
또한 기업 환경 내에서 측정 가능한 직원들의 행동 데이터(평균 e메일 발신 건수 등)는 많은 경우 우리가 이해/예측하고자 하는 행위(고성과)의 원인이기보다는 증상이기 쉽다. 예를 들면, 성과 점수와 e메일 발신 건수 사이에서 높은 상관관계가 발견됐을 때 e메일을 많이 보내서(원인) 고성과자라고 해석하기보다는 고성과자라서, 일을 많이 해서 결과적으로 메일을 많이 보냈다고 해석하는 것이 더 타당하다. 르완다 사례에서 확인했듯 설문 데이터를 행동 (빅)데이터와 결합하는 경우 행동 데이터만으로는 불가능했던 깊고 파급력 있는 분석이 가능해 지기도 한다.
함께 데이터 분석해보기
이제 샘플 HR 데이터를 가지고 함께 분석해보자. 별도로 준비할 것은 없다. 브라우저(구글 크롬 추천)를 통해 다음 주소(https://www.heartcount.io/play?lang=kr)에 접속한 후 [샘플 데이터를 사용해서 서비스 체험하기] 버튼을 누르면 된다.
예시는 특별한 분석 지식이나 경험이 없는 사람들도 화면 이미지를 보고 따라 한 후 스스로 해석할 수 있도록 쉽게 작성했다. 데이터 분석은 그 과정과 절차가 아무리 복잡해도 결국에는 분석한 결과물을 일상의 언어로 풀어내야 한다. 이를 의사결정권자에게 보고하고 다른 구성원들에게 공유하는 것이 중요하다. 그래서 분석은 ‘설득의 과학’이라고도 한다. 분석 과정이 복잡해질수록 그 결과를 타인에게 쉽게 설명하기 어려워져서 분석 결과가 활용되지 못하기 쉽다. 쉬운 분석과 간단한 시각적 표현만으로도 충분히 자신의 주장의 근거로 삼을 수 있다. 복잡하고 어려운 분석 기법만이 정답이 아니다.
[그림 3]은 직원만족도와 매니저의 소통 능력 간의 관계를 스캐터플롯(scatterplot) 형식으로 시각화한 것이다. 화면상의 개별 점들은 데이터세트(엑셀 등)를 구성하는 개별 레코드(직원)를 나타낸다. 스캐터플롯은 개별 레코드/관측값을 좌표상에 점으로 흩뿌려 표현하는 시각화 방식으로 산점도라고도 불린다. 예시에서 직원만족도와 매니저 소통 점수 사이의 상관계수는 0.85로 나왔다. 상관계수는 두 숫자형 변수(나이, 연봉, 교육시간 등) 사이의 연관성을 -1에서 1사이의 숫자로 계산한 값으로 0.85이면 매우 강한 양의 상관관계가 있다고 본다. 매니저의 소통 능력은 서베이를 통해 가상으로 측정(엑셀 화면 참고)한 것이다. (그림 4)
직접 따라 해보자. [그림 3] 상단의 Y축에 [직원만족도]를 선택하고, X축에 [매니저.소통]을 선택한다. 그리고 나서 상관계수 옆의 아이콘을 클릭하면 추세선이 추가된다.
이번에는 개별 점(직원)을 팀으로 구분해 살펴보자. 분석에 사용하는(동원되는) 변수를 차원(dimension)이라고 한다. 직원을 직원만족도×매니저.소통, 이렇게 두 개의 차원으로 보다가 팀이라는 새로운 차원을 추가해 살펴보려고 한다. [그림 5] 우측의 색상 메뉴에 [팀 구분]을 선택한다. [팀 구분] 선택 후 나타나는 개별 팀을 하나씩 클릭하면 상관계수가 바뀌는 것을 확인할 수 있다. (그림 5)
[그림 5]에서처럼 팀별로 직원만족도의 분포가 상이한 것을 확인했다. 이번에는 팀별 직원만족도 차이가 통계적 유의미한지를 확인해보자. 서로 다른 집단 간 평균값에 유의미한 차이가 있는지 판단하는 전통적인 방법 중 대표적인 것은 집단 내(개별 팀) 만족도 차이(분산)보다 집단 간(서로 다른 팀 간) 차이가 크게 나는지를 확인하는 것이다.
[그림 6]처럼 개별 팀으로 평균 만족도의 95%를 표시해 신뢰구간이 서로 겹치지 않는 경우 집단 간 통계적으로 유의미한 차이(우연이 아니라 실제 존재)가 있다고 판단할 수 있다. 기술팀이 다른 어떤 팀과 비교하더라도 통계적으로 유의미하게 낮은 만족도를 보이는 것을 확인할 수 있다.
95% 신뢰구간의 정확한 수학적 정의는 우리가 상식적으로 이해하고 있는 개념(모집단 전체의 평균값이 해당 신뢰구간 안에 존재할 확률이 95%이다)과는 차이가 있다. 실제 또는 상상의 모집단의 진짜 평균값(true mean)이 해당 구간에 존재할 확률이 매우 높다 정도로 이해하면 된다.
[그림 6]을 따라 하려면 화면 상단의 X축을 [팀 구분]으로 변경한 후 상단의 5개 아이콘(icon) 중 두 번째 아이콘을 클릭해 95% 신뢰구간을 표시한 후 기술팀의 신뢰구간을 선택해 평균 신뢰구간이 다른 팀들과 겹치는지를 확인하면 된다.
보통 사람은 95% 신뢰구간이나 p-value(유의확률) 같은 통계적 개념을 통해서가 아니라 타인의 주장이 개연성이 있고 그럴듯해 보일 때 설득당한다. 서로 다른 팀 간에 존재하는 직원만족도의 차이가 사업장 위치와 무관하게 나타나는 보편적 현상이라는 주장을 [그림 7]과 같이 시각화하면 그 주장이 더욱 설득력을 얻을 것이다. Y축을 [직원만족도], X축을 [사업장위치], 하위그룹을 [팀구분]으로 선택한다. 첫 번째 아이콘(bar chart)을 선택하고, 사업장 위치 옆의 아이콘(sorting icon)을 클릭해 내림차순으로 정렬한다.
[그림 7]을 통해 사업장 위치가 달라도 유사하게 팀별로 만족도 차이를 보이는 것을 확인할 수 있다. 다음에 할 일은 왜 이러한 차이가 발생하는가, 무엇을 바꿔 개선할 수 있는가에 대한 답을 찾는 것이다. 우리는 앞서 ‘매니저 소통 능력과 직원만족도의 양의 상관관계’를 확인한 바 있다. [그림 8]을 보면 각각의 팀을 떼어 놓고 봐도 소통점수(0∼100점)가 낮을수록 만족도가 일관되게 하락하는 것을 시각적으로 확인할 수 있다. 이제 직원만족도를 높이려면 매니저가 직원과 소통하는 방식에 개선이 필요하다는 주장을 데이터에 기반해 할 수 있게 됐다.
X축을 [팀구분], 하위그룹을 [매니저.소통]으로 변경하고 [팀구분] 옆 아이콘(sorting icon)을 눌러 내림차순으로 정렬하면 [그림 8]과 같은 결과를 얻을 수 있다. ‘매니저.소통’ 점수는 본래 숫자형 변수지만 0∼10점, 10∼20점, … 90∼ 100점과 같은 방식으로 구간으로 분할해 성별(남, 녀), 직군(개발, 생산, 영업) 등 범주형 변수로 변환할 수 있다. 실습용 툴에서는 해당 변수 변환이 자동으로 이뤄진다.
통제할 수 있는 것과 없는 것을 구분하고, 효과가 큰 요인에 집중하자
새로운 패러다임으로 바뀌려면 과거의 패러다임에서 쉽게 풀리지 않았던 문제를 해결할 수 있어야 한다. HR 애널리틱스에서는 성과나 생산성 등 사업 성과와 직접적 관련이 있는 문제에 실용적인 해결책을 제시하고, 그 효과를 증명할 수 있어야 한다. 그러기 위해서는 HR이 통제/개입할 수 있는 것과 없는 것을 우선 구분하고, 내가 개입할 수 있는 것들 중 그 개입의 효과가 큰 요인들을 발견하고 실천해야 한다.
사실 HR 애널리틱스의 실제 분석 결과를 보면 뻔한 결과들이 상당수다. ‘만족도 높은 조직이 퇴사율이 낮다’가 여기에 해당한다. 이를 보고받은 직장 상사나 결정권자는 대부분 ‘너무 뻔한 상식(common sense) 아니냐’는 반응을 보일 것이다. 실제 만족도를 높여서 퇴사율을 낮추려는 실천(common practice)은 아무도 하지 않는다는 것이다.
퇴사율을 개선하려면 만족도와 관련된 수많은 요인(회의문화, 팀 내 백업 수준, 상호 존중, 리더십 등등) 중 실제 개입했을 때 실제로 퇴사율을 낮출 수 있는, 효과가 큰 요인을 발견하는 것이 우선일 것이다. 이 효과를 정량적으로 증명(예시: 팀 내 백업이 잘되는 조직은 그렇지 않은 조직 대비 퇴사율 60% 수준)하고, 실제 팀 내 백업이 잘되도록 HR이 개입하면 아무리 ‘뻔한 결과’일 지라도 ‘뻔하지 않은 결과’로 이어질 수 있다.
해외의 좋은 HR 애널리틱스 사례를 보면 해당 기업들은 뻔한 결과를 결코 뻔하다고 폄하하지 않는다. 직접 데이터를 분석하고 결과에 개입해 지표를 개선하는 노력을 이어가고 있다. HR 애널리틱스는 어렵지만 해낼 만한 가치가 있는 일이고, 또 충분히 해낼 수 있는 일이라고 믿는다.
필자소개 양승준 아이디케이스퀘어드 대표 sidney.yang@idk2.co.kr
필자는 서강대에서 컴퓨터 공학을 전공하고 시티증권, 유비에스 증권, 야후코리아, 삼성SDS 등에서 근무했다. 현재 hr 데이터 분석 솔루션 회사인 아이디케이스퀘어드의 대표를 맡고 있다
인기기사
