People Analytics: 10가지 교훈 (part-1)
HR Tech 전 분야에서 좋은 분석과 전망을 보여주고 있는 Deloitte의 Josh Bersin의 링크드인 기고문을 적당히 번역/구성했습니다.
(원문: https://www.linkedin.com/pulse/people-analytics-takes-off-ten-thhings-weve-learned-josh-bersin)
1. People Analytics - 생각보다 중요하더라.
우리(딜로이트)가 실시한 2015년 인적자원 조사 보고서에 의하면 리더들의 87%는 직원 유지와 몰입에, 86%는 리더쉽에, 85% 정도는 현재 인적자원이 보유하고 있는 재능/기술에 대해 심각하게 걱정을 하고 있다.
회사들이 연례 행사처럼 실시하고 있는 직원 몰입도/만족도 설문조사에도 불구하고, Glassdoor(직원들이 익명으로 자신이 다니는 회사에 대해 평가하는 서비스)의 평가 결과에 따르면 회사들이 직원들에게 받은 평균 점수는 5점 만점에 3.1점으로 아래 그림처럼 종모양의 분포를 보인다.
대부분의 조직들은 사람들이 왜 우리 회사에 입사하고, (떠나지 않고) 일하는지, 어떤 사람들이 조직내에서 성공하는지, 어떻게 하면 조직 내 리더쉽 역량을 키우고, 고객 서비스를 개선하고, 또 혁신을 가져올 수 있는지에 대한 해답을 찾기 위해 간절한 마음으로 데이터를 들여다 보기 시작하고 있고, 이들 문제들을 해결하는데 “제대로 된” People Analytics가 결정적인 정보를 제공할 수 있다.
2. People Analytics는 기하급수적으로 성장할 것이다. 지금은 성장의 문턱에 있다
딜로이트가 실시한 동일한 조사에 따르면 작년(2014) HR 부서 내의 People Analytics 수준(성숙도)이 의미있는 발전을 못하고 그냥 꿈틀하는 수준이었다.
이걸 근거로 People Analytics 시장이 정체했다고 해석하는 것은 무리다. 오히려 대부분의 신 기술/서비스가 “기하급수적 성장(exponential curve)"을 보이기 전에 일정기간 성장통을 겪듯이 People Analytics 역시 숨고르기 단계에 머물고 있는 것으로 보인다.
새로운 기술이나 서비스가 시장에 진출한 초기에는 마치 아무일도 일어나지 않는 것처럼 보인다. 기업들은 시행착오의 과정을 거치며 다양한 실험을 수행하고, 업체들 역시 다양한 도구를 새로 만들고, 기능들을 가다듬는 시기이기 때문에, 세상에 소개되는 성공 사례 역시 그 사례가 그 사례같아 보일 수 밖에 없다.
아래 그림은 의미있는 신기술/서비스가 수년 동안 답답한 직선을 그리다가 느닷없이 도약하는 내용을 보여준다.
People Analytics의 경우, 선도적인 기업들을 중심으로 이제 막 감을 잡기 시작한 단계이다. 지난 주(2015년 10월 셋째주) 샌프란시스코에서 있었던 "People Analytics Conference"에 모인 300여 명의 People Data 분석가들 역시 지금이 시장이 폭발적 성장하기 바로 전단계로 보인다고 입을 모았다.
나는 앞으로 10년 동안 People Analytics 시장이 해마다 두배 이상씩 성장할 것으로 보며 10년 후에는 People Analytics가 HR의 자연스런 일부가 될 것이라고 생각한다.
(참고로, Marketing Analytics가 현재 수준으로 성숙해지는데 거진 20년이 걸렸다.)
3. 대부분의 회사들은 아직 People Analytics이 진짜로 뭔지 진짜로 모른다.
많은 HR 중역들은 여전히 - Moneyball에 대한 수많은 기사와 참고문서에도 불구하고 - People Analytics가 뭔지 모른다. 적지 않은 사람들은 People Analytics가 직원 퇴사율을 계산하거나 인당 평균 급여액을 계산하고, 또는 교육 프로그램의 ROI를 측정하는 것으로 생각한다. (광의로 이런 작업들도 analytics의 일부 - HR descriptive analytics - 이긴 하다.)
우리는 People Analytics를 비지니스 문제(영업 성과, 핵심인재 유지, 부정행위 방지, 고객만족 등)를 해결하기 위해 사람과 관련한 데이터를 분석하는 일이라고 본다. 사람과 관련한 다양하고 의미있는 데이터를 수집/분석하여 구체적인 비지니스 문제를 해결하는 행위인 것이다.
4. 데이터 관리는 가장 큰 장벽 중 하나이다.
많은 People Analytics 경험자들이 공통으로 하는 이야기가 있다. "HR 데이터가 더럽더라.”
HR이나 보다 광의의 People 데이터는 적지않은 경우 일관성이 없거나 부정확하거나 최신이 아니거나 여러 시스템/조직에 걸쳐 저장되어 있기 쉽다. 놀랍게도 정직원과 계약직원의 정확한 숫자를 파악하지 못하는 조직이 적지 않다.
또 다른 조사에 따르면 80%가 넘는 회사들이 아직 인사 현황(인력/인건비 현황 등)을 보고(reporting)하는 일조차 힘들어하고 있다. 이 문제는 시간이 흐르면서 - 데이터가 보다 깨끗해지고 통합적으로 관리됨에 - 자연스럽게 해소될 것이긴 하지만 분석할 데이터를 확보하는 문제는 여전히 해결해야 하는 과제이다.
(역자주: 데이터가 양이나 질 측면에서 꼭 완벽할 필요는 없다고 본다. 냉장고 열어보시라. 별 재료 없지만 또 그걸로 요리가 된다. )
5. 모형을 수립하는 일은 그 자체로 가치가 있지만 정작 중요한 것은 모형을 실시하는 것이다.
우리 모두 모델(예측 모형)을 사랑한다: 훌륭한 모델은 퇴사자를 예측하고, 리더쉽 역량을 위한 바람직한 career path를 알려주고, 고성과자에게 어느 정도 보상을 하는 것이 적절한지 알려줄 수 있다. 이들 모델들은 - 그 자체로서 - 소중하지만, 영화 “Moneyball"의 명대사처럼 "답을 안다고 해서 답이 저절로 실현되는 건 아니다”.
People Analytics의 가장 어려운 부분은 - (데이터를 확보하고 정리하는 부분이 가장 고생스러운 일이라면) - 모델이 추천하는 변화를 조직 내부에서 실시/실행하는 일이다. (같은 맥락에서 People Analytics 팀 내에 변화 관리 전문가가 있어도 좋겠다.)
내가 경험한 비근한 예를 들자면, 한 조직은 데이터 분석 결과 고성과자들이 mid-level 성과자들에 비해 급여차이가 크지 않다는 것을 알게 되었다. 그리고, 조직이 고성과자들을 유지하려면 다소 “unfair"한 급여정책이 필요하다는 부분에도 공감대가 형성되었다. 그러나, 20여년 동안 공정하고 비차별적인 급여정책을 펼친 회사에서 manager들에게 고성과자들에 대한 차별적인 급여정책의 취지를 이해시키고 실시하는 것이 말처럼 쉽지 않았다고 한다.
나머지 부분(6~10번째 교훈)은 다음글(part-2)에서 정리하겠습니다.