[ HR Analytics & Prediction ]
데이터로 인재를 예측하는 것은 정말 어려운 것일까?최근 모든 영역에서 데이터 분석과 AI가 적용되고 있습니다.
그리고 그 시도는 채용(Job Recruit)과 인사(HR, Human Resource) 영역에서도 진행되고 있습니다.
하지만 회사의 인사담당자들에게 이야기를 들어보면,
"데이타 분석 프로젝트(컨설팅)로 돈과 시간을 많이 투입했는데, 생각보다 그렇게 인재 예측이 잘되지 않았고, 정확도가 높지 않았어요."
"기존 방식대로 이력서, 자기소개서, 경력기술서를 참고해서 사람이 주관적으로 판단해서 뽑는 것이 아직은 더 현실적이지 않나 생각해요."
"실제로 People(채용, 인사, 평가, 승진, 보임, 조직문화, 리더십, 직무역량, 교육, 근태 등) Data 분석을 진행하면,
예측력(설명력 등)이 높은 쓸만한 변수나 분석 결과에 대한 명확한 인사이트(insight)가 없어요."
라고 현장의 실무전문가(HR & People Analytics 전문가 및 담당자)들은 말합니다.
[출처] https://www.sedaily.com/NewsView/1VS1OKD8G3
최근 대기업에 다니는 친구로부터 모기업의 AI 면접 적용 사례를 들어보았습니다.
친구는 필자에게 AI 면접은 그럴듯하기만 하지 분석 결과에 대한 신뢰성과 정확도가 그리 높지 않고,
AI면접이라는 현재의 기술 수준으로는 데이터 분석으로 인재를 예측하는 것은 불가능하다고 거듭 강조해서 불만을 이야기 하였습니다.
사람(People)은 단순한 기술적인 분석을 통해 도출된 데이터(Data)만으로 평가하여 의사결정하기에는 너무 많은 변수가 있다는 것입니다.
예를 들어, 특정 개인 및 팀의 업무 성과가 좋고, 나쁜 것을 예측하는데 기존에 데이타들
<프로젝트 추진 수>, <역량평가 결과>, <업적평가 결과>, <정기교육 횟수>, <상시교육 횟수>, <연내 휴직사유> 등의 데이타로 예측될 것 같지만,
예측이 잘 되지 않고, 더불어 성과 예측에 있어서 개인의 업무 몰입에 영향력을 크게 미치는 상황(가정사, 이직고민, 상사 및 부하 등 관계 이슈 등)의 데이터 등은
존재하지 않기 때문에 결정적인 변수를 통한 예측의 결과가 낮게 나오는 것이 확인되고 있습니다.
AI면접의 경우도 현재 수준에서는 마찬가지로 AI면접원(기계적 분석 로직)은 해당 구직자의 표정이나 감정을 긍정 / 부정 / 중립으로 표현하고 있지만,
그것이 우수성과로 이어지는지는 잘 모르는 것 같다고 이야기 하였습니다.
조직의 문화적인 분석적 접근이 최근에 많이 이루어지고 있기는 하지만 여전히 교육의 성과를 분석할 수 없듯이
우리 조직에 가장 중요하고 필요한 인재를 발굴하고 문제를 해결할 수 있는 사람에 대한 접근(적임사 선발, 배치 등)은
여전히 조직의 리더에 의해 직관적으로 의사결정되고 있는 실정입니다.
팀장이나 리더 평가에 있어서도 함께 HR Analytics 프로젝트를 진행해보면,
교육적인 관점(참고용)에서는 컨텐츠 중 하나로 활용하는 것 이외에 객관성과 공정성을 확보하여 인사적인 의사결정을 해야하는 자료로는 활용이 어려운데,
이는 조직 내 <정치적인 요소>가 의사결정에 강하게 작용해서 사람들의 bias(편견)를 걸러낼 방법이 없다고 이야기하거나,
실제 증명된 데이터를 실무자에게 인사팀에서 조사해서 제공해도, 그 결과가 <참고용 보조자료> 정도로만 활용되는 경우가 많아
인사기획 및 평가 부서에서 표준화된 인사 평가 기준을 만드는데 어려움을 겪고 있다는 이야기를 많이 들었습니다.
그럼 정말 HR 데이터로는 인재를 예측할 수 없는 것일까?
HR 데이터로 인재를 정확하게 예측하기 위해서는 일명 <정답데이터>가 필요하고,
그 정답 데이터는 숫자로 구성된 정형 데이터 뿐만 아니라,
텍스트와 같은 비정형 데이터가 존재해야 예측 모델링을 정확하게 설계할 수 있습니다.
또한 그 정답데이터를 만들기 위해 <데이터 핸들링>이 필요합니다.
예를 들어, <학력>을 물어보더라도 다음과 같이 쪼개서 핸들링 할 수 있습니다.
ㆍ강남 8학군 소재지 고등학교 재학 여부
ㆍ특목고 / 자립형 사립고 재학 여부
ㆍ국내 TOP 20 명문대 재학 여부
ㆍ외국 소재 대학 재학 여부
고등학교 졸업 = 1, 대학교 졸업 = 2, 대학원 졸업 = 3 등의 범주형 자료를 위와 같이 쪼갤 수 있다면,
그 분석은 정확도가 높아지고, 통찰력을 얻을 수 있습니다.
나아가 무작정 분석을 진행하는 것이 아니라 , 가설을 세울 필요가 있습니다.
ㆍ출장 빈도가 높은 팀일수록 임원이 될 가능성이 높을 것이다.
ㆍ회사 내 우수인재와 보통인재는 채용 당시 면접관의 평가의 차이가 있을 것이다.
ㆍ고성과자와 저성과자의 가장 큰 평가 코멘트의 차이는 <문제해결능력>일 것이다.
위와 같이 주어진 정형, 비정형 데이터를 통해
인사담당자가 생각하는 가설을 만드는 작업이 선행되어야만 데이터 분석을 진행하여
그 결과를 확인할 때 그 의미가 무엇인지 인지할 수 있을 것입니다.
이 글(Article Preface)을 시작으로
1. 채용 : 면접관 평가와 신입사원 성과 및 퇴직 예측
2. 보임 : 좋은 리더와 임원 예측
3. 인재 : 기업 내 우수 인재 예측
이 3가지 글(Articles)을 통해 구체적인 인재 예측 방법론을 설명하고자 합니다.
상기 주제와 관련 HR 데이타분석 및 예측모델링에 대해 현재 또는 가까운 미래에
Data Science 관점에서 문제를 해결하고자 하는 Mission 을 업무 목표로 설정한 HR 담당자가 있다면
아래 문의하기를 통해 신청해주시면 방문하여 찾아뵙고 아래와 같이 함께
탐색하고, 발견하여, 해결해드리고자 합니다!
모든 인사 담당자가
좋은 인재를 발굴하고,
팀을 잘 이끌 최적의 리더를 선정하고,
사업을 성공시킬 리더(임원 or CEO)를 선택하는데
가장 기본적이며, 결정적인 의사결정에 도움이 되는
분석적인(Analytics) 설계를 하는데 기여할 수 있기를 바랍니다.
- NFN, People Analytics AI Labs -
- 한국산업기술진흥협회(KOITA) 기업부설연구소 인정서(제 2021110069 호)
상담신청
NFN 블로그
페이스북
회사소개서 다운로드