👉 꼭 챙겨야하는 최신 채용 이슈가 무엇인지 알고 싶은 분
👉 직관에 근거한 의사결정을 더 이상 하고 싶지 않 분
👉 다른 기업의 데이터 기반 채용에 대한 고민을 알아보고 싶은 분
‘HR analytics’, ‘People analytics’… 즉, ‘데이터 기반 채용’은 이미 세계적 트렌드입니다. 지난 콘텐츠(데이터 기반 채용, 우리 기업은 챙기고 있나요?)에서는 인사 담당자들이 데이터 기반 채용 의사결정에 대해 어떻게 생각하는지 알아보고, 데이터 기반 채용의 필요성에 대해서 소개했습니다. 이번 콘텐츠에서는 데이터 기반 채용 의사결정이 어떤 과정으로 이루어질 수 있는지에 대해 소개합니다.
If you can’t measure it, you can’t manage it.
‘측정할 수 없다면, 관리할 수 없다.’ 피터 드러커의 명언입니다.
국내외 기업에서 ‘정확하고 설득력 있는’ 의사결정이 중요해지면서, HR 분야, 특히 데이터 기반의 채용 의사결정에 대한 관심은 높아지고 있습니다. 지난 컨텐츠에서는 인사담당자 대상 설문 결과를 토대로, 데이터 기반 채용이 현재 우리나라 기업들에게 어떻게 받아들여지고 있는지 살펴봤지요. 그 결과, 데이터 기반 채용 의사결정의 필요성을 느끼는 것과는 달리 실제로 데이터를 채용 의사결정에 활용하고 있는 경우는 많지 않은 것으로 나타났습니다.
데이터 기반 채용, 우리 기업은 챙기고 있나요?
( 인사담당자 295명 대상 설문조사 결과 대공개 )
이러한 현상은 ‘업무 부담감’이나 ‘데이터 역량’에 대한 고민이 큰 원인이었어요. 지난 컨텐츠에서는 그런 막막한 고민에도 불구하고 데이터 기반 의사결정이 필요한 이유에 대해 소개했습니다.
데이터 기반 의사결정의 필요성을 알더라도, 데이터를 다룬다는 부담감은 데이터 기반의 채용을 쉽게 시도하지 못하도록 합니다. 그러나 이는 데이터를 향한 지나친 환상으로 인한 걱정일 수 있습니다. 더 이상 데이터와의 만남을 미루기보다는, 아래의 네 가지 STEP을 참고하여 바로 시도할 수 있는 분석부터 시작 해 보는 것은 어떨까요?
데이터 기반 채용 의사결정, 어떻게 시작해야 할까?
STEP 1. 해결하고 싶은 질문을 수립하라
데이터 기반 채용을 어렵다고 생각하게 만드는 요인 중 하나는, 데이터가 있더라도 어떤 것을 해야하는 지가 확실하지 않다는 것입니다. 방향성 없는 데이터는 막연함만을 불러오지요. 분석보다 중요한 것은 ‘어떤 문제를 해결할 것인가’에 대한 생각입니다. 종종 데이터 기반 의사결정은 ‘분석 결과가 뻔하기 때문에’ 어렵다는 이야기가 나오기도 하는데, 좋은 결과를 위해서는 구체적이고 세부적인 좋은 문제 제기가 필요하다는 것을 기억해주세요.
그리 거창한 것을 해야하는 것은 아닙니다. 우선은 조직 내에서 당연시되어오던 제도나 관행에 대해서 검증 해 보는 것부터 시작하는 것도 좋지요. 예를 들자면, ‘우리는 OO 스펙을 중요하게 봐야 한다.’ 와 같은 직관을 확인해볼 수 있습니다. 또는, ‘지원자 모집 수가 낮다’, ‘신입사원 이탈률이 높다’와 같이 해결하고 싶은 문제에 대한 가설을 구체적으로 세워보는 것도 좋습니다.
주의해야 할 것이 하나 있다면 처음부터 ‘나와야 하는 정답’을 정해두는 것은 옳지 않을 수 있습니다. 설사 처음 의도와 완전히 다른 방향의 결과, 혹은 얼핏 보았을 때 전혀 의미가 없게 보이는 결과가 나온다고 하더라도, 분석에 따라 충분히 의미 있는 해석을 이끌어낼 수도 있기 때문에 해석의 여지를 미리 제한하는 것은 적절하지 않아요.
STEP 2. 신뢰할 수 있는 데이터를 수집하라.
적절한 질문을 정했다면, 신뢰할 수 있는 정량적 데이터를 모으는 것이 중요합니다. 데이터의 품질은 분석의 가능성과 결과의 신뢰성을 결정짓는 매우 중요한 요인입니다. 그만큼 데이터 기반 의사결정과정에서 데이터 수집은 가장 많은 시간과 노력을 필요로 하는 부분이기도 합니다.
지난 컨텐츠에서 소개한 ‘데이터 기반의 의사결정을 도입하고 있지 못하는 이유’의 4위를 차지한 의견은 ‘양질의 데이터 수집이 어렵다’는 것이었습니다. 인사 커뮤니티에서 HR analytics 관련한 반응을 조금만 살펴보아도, 인사와 관련한 데이터는 그 양이 많지 않고, 데이터의 권리 권한도 분리되어 있어 통합적 활용이 어렵다는 의견이 많습니다.
이에 HR analytics 전문가들은 입을 모아 ‘그동안 쌓아놓은 데이터부터 활용하라’고 이야기를 합니다. 데이터 품질을 높이가 위한 체계와 규정이 중요하지만, 우선 접근이 용이한 데이터를 기반으로 검증을 시작해보는 것이지요.
예를 들어, 글로벌 리서치 기업인 닐슨(Nielsen)에서는 데이터 분석을 통해 직원 감소율을 낮추는 방법을 찾아 핵심인재 유실 문제를 해결하고자 했습니다. 이때 처음부터 완벽한 분석을 위해 시간을 허비하기보다, 연령이나 근속 기간과 같은 20여개의 기본적 데이터부터 분석을 시작하고, 분석을 보완하면서 차츰차츰 필요 데이터의 범위를 늘려나가 결국 150여개의 데이터를 기반으로 한 모델을 만들었다고 해요. 지금도 그 모델을 개선 중에 있고요!
성과 평가, 채용 비용 등의 내부 데이터와 채용 사이트 방문자 수나 기업 평판 사이트 정보와 같은 외부 데이터 중 수집할 수 있는 것부터 모아 분석해보세요. 물론 해당 데이터에도 편향이나 주관이 개입되지는 않았는지 확인하는 과정은 필수적이겠지요.
Plus 토막 상식 ‘HR Data Governance’에 대해 들어본 적이 있나요? DGI(Data Governance Institute)에서 정의하는 바에 따르면, Data governance는 “정보 관련 프로세스를 위한 결정 권한 및 책임에 대한 시스템”을 의미합니다. 즉 HR data governance 란 조직 내 인사와 관련한 각종 데이터를 수집할 수 있는 체계를 만드는 과정이라고 할 수 있겠습니다. 이러한 체계는 데이터 수집에 소모되는 시간과 비용을 줄여 데이터 기반 의사결정이 효과적으로 이루어질 수 있게 합니다. 데이터 기반 채용을 위해서 궁극적으로 필요한 것이지요.참고: https://youarewhoyouhire.tistory.com/8 |
STEP 3. 어떤 분석보다는 어떻게 분석할 수 있는지를 고려하라.
힘들게 필요한 데이터를 수집하였다면, 어떻게 활용해볼 수 있을까요? 먼저, 좋은 분석은 어렵고 화려한 분석이 아니라 때에 따른 적절한 분석이라는 것을 염두해두어야 합니다.
적절한 분석 방법론은 기업의 목적에 맞는 시사점을 제공해줄 수 있습니다. 한 사례를 들어볼까요? B기업은 ‘리더의 특성’에 대한 분석을 진행하면서, 일반적으로 분석되는 것처럼 ‘최고의 집단’과 ‘최악의 집단’의 특성을 비교하지 않았습니다. 대신 바로 위 단계의 ‘하위 집단’과 ‘최악의 집단’을 비교하여 특성의 차이를 이끌어냈지요. 이는 해당 기업이 ‘최소한 이러한 특성만큼은 피해야 한다’는 시사점을 얻기 위한 분석 전략이었습니다. ‘집단 간 특성들 비교하기’와 같은 간단한 분석이라고 할지라도 좋은 질문에 대응되는 적절한 분석을 통한다면, 현업에 꼭 필요한 시사점을 얻을 수 있다는 것입니다.
적절한 분석이 어떤 분석 방법론인지부터 막막하고 모호하다면, 우선 데이터를 시각화하여 살피는 것 역시도 좋은 방법이 될 수 있습니다. 채용 소요 시간, 비용 대비 생산성등 핵심적인 지표를 필요에 따라서 사업, 직군 등으로 가공하고, 모니터링하면서 어떤 채용 프로세스에서 병목이 나타나는지 등에 대한 다양한 시사점을 얻을 수 있지요.
물론 빅데이터, 머신러닝 등 고급 분석을 활용한다면 미래 예측이 가능한 모델을 형성하는 등 더욱 다양한 시사점을 도출해낼 수도 있습니다. 그러나 최신의 분석 방법론을 적용하는 것보다 중요한 것은 해당 분석 방법론이 해결하고 싶은 질문에 대해 적절한 시각을 제공해줄 수 있는 방법이 맞는 지 확인하는 것입니다.
STEP 4. 데이터 결과를 해석하고, 적용하라.
데이터를 수집하고, 목적에 맞게 분석했다면 이제 그 결과를 활용하는 일이 남았습니다. 예를 들어, 특정 채용 홍보 채널에서 부적합한 지원자가 많이 모이고 있었다면 해당 채널에서의 홍보를 중단할 수도 있을 것이고, 고성과자가 나타내는 주요한 특성을 바탕으로 각 직무에 적합한 선발 기준을 새롭게 수립할 수도 있겠지요. 수집된 데이터의 분석 결과를 활용할 수 있는 방법은 무궁무진할 것입니다.
STEP2.에서 소개한 닐슨의 경우를 다시 보겠습니다. 닐슨에서는 직원 감소율을 낮추어 핵심 인재의 유실을 막기 위한 분석을 실시했지요. 그 결과, 다른 부서로 직무를 이동(Lateral move)하는 것이 근속을 높이는 데 도움이 된다는 것을 확인했습니다. 직무 이동은 회사에 남을 가능성을 약 48% 증가시켜준다는 결과를 도출했다고 하지요.
이에 분석 책임자들은 직원 감소율 1%가 조직에 재무적으로 미치는 영향을 수치화하여 경영진을 설득 했고, 닐슨 내부에서 더 적합한 직무를 찾을 수 있도록 돕는 ‘Ready to Rotate’ 프로그램을 도입할 수 있었습니다. 해당 프로그램을 통해서 직무 이동이 약 80% 증가하는 효과를 얻을 수 있었다고 해요.
한편, 데이터 결과의 해석 및 적용에서 주의해야 할 점이 있습니다. 먼저, Step 1에서 언급한 것과 마찬가지로 원하는 결과의 방향을 미리 정해두고 결과를 해석하는 것을 경계해야 합니다. 실제 분석 결과는 일반적 통념과 다르거나, 동의하기 힘든 결과가 나타날 수도 있기 때문입니다. 데이터 활용의 목적은 단순히 가설을 증명하는 것이 아니라, 그 데이터를 바탕으로 가치 있는 변화를 이끌어가는 것이라는 것을 기억해두어야 합니다.
다음으로, 분석 담당자는 어느 정도 분석 결과에 대한 확신을 가져야 합니다. 데이터 분석은 직관의 오류를 줄여줄 수 있는 방법이지만, 데이터 결과를 해석하고 그에 따른 전략을 수립하는 것에는 지식과 경험, 직관이 필요합니다. 따라서, 데이터 분석의 시사점을 채용 관련 의사결정에 반영하기 위해서는 분석을 믿고, 알리고, 설득할 수 있어야 합니다. 그러나 동시에 데이터 만능주의 역시 경계해야 하는 문제입니다. 기업과 사회는 수시로 변화하며, 그에 따라 과거 데이터로 예측이 가능한 분야와 그렇지 못한 영역이 구분되어질 수도 있기 때문이지요. 이러한 균형을 잘 맞추어질 때, 좋은 의사결정이 이루어질 수 있을 것입니다.
마무리하며...
이번 컨텐츠에서는 데이터 기반 의사결정을 실시하는 네 가지 단계에 대해 소개하였습니다.
데이터 기반 채용의 중요성은 이미 기업과 학계에서 깊이 공감하고 있습니다. 그러나 여전히 실무에 바로 도입되기에는 데이터를 직접 분석하는 것에 대한 부담감이 남아있고, 또한 데이터를 바탕으로 한 시사점을 채용 의사결정에 도입하는 것에도 어느 정도 거부감이 남아있는 것으로 보입니다. ‘사람에 대한 의사결정은 사람이 해야한다’는 것이지요.
하지만 데이터는 사람의 의사결정의 오류를 줄여줄 수 있는 좋은 도구가 될 수 있으며, 간단한 분석이더라도 실용적인 시사점을 얻어낼 수 있는 방법이 될 수 있습니다. 부담을 조금 덜어내고, 작은 시도부터 시작해보는 것은 어떨까요?
만일 데이터 기반 의사결정을 실시하는 데 큰 업무 부담감이 따른다면, 채용 ATS나 채용 솔루션의 도움을 받는 것도 좋은 방법이 될 수 있습니다. 시각화된 정보들을 받아 시사점을 도출해 볼수도 있고, 고성과자 패턴을 분석해 최적의 채용 지표를 마련해주는 솔루션을 활용해볼 수도 있겠지요.
작은 시도들을 바탕으로, 또는 솔루션을 바탕으로 한 데이터 적용을 시작으로, 앞으로는 기업 내에서 데이터 기반 채용에 대한 논의가 더욱 활발히 이루어지기를 바랍니다.
- 데이터 기반의 채용 의사결정은 네 가지 단계로 이루어질 수 있습니다.
- 첫 번째로, 해결하고 싶은 구체적인 질문을 수립하는 과정이 필요합니다.
- 두 번째로, 신뢰 가능한 데이터를 수집하고, 기존의 데이터를 활용할 방법을 강구합니다.
- 세 번째로, 해결하고자자 하는 질문에 적절한 분석 방법을 실시하여야 합니다.
- 마지막으로, 분석 결과를 목적에 맞도록 해석, 적용하여 더 나은 채용을 위한 변화를 일으켜봅니다.