People Analytics라는 단어를 보고 어떤 생각이 들지는 잘 모르겠습니다만, 제 경우는 정확하게 아래의 이미지들이 떠올랐습니다.

사람에 대해서 정량적으로 측정할 수 있다면 해당 데이터를 바탕으로 새로운 액션에 대한 명확한 근거가 될 수 있지 않을까?

라는 생각을 했던거죠.

제 나름의 결론부터 말하자면
이론상으로는 가능하지만 현실에는 적용이 아직 어렵다.
입니다.

People Analytics는, 단어의 의미 그대로 사람을 분석하는 것입니다. 조금 더 세련된 말로는 개인 및 조직의 성과 향상을 목적으로 의사결정의 질을 향상시키기 위한 통합 프로세스 를 의미합니다.

그리고 저는 이를 어떻게 응용 할 수 있을까? 를 고민하다가, 좋은 사람 이라는 키워드로. 좋은 사람을 구분하고 (혹은 개개인의 스페셜티) 더 나아가 해당 부분을 더 개선 할 수 있는 프로세스다 라고 나름의 정의를 내렸습니다.

사실 인류와 다른 생체를 가장 크게 구분하는 것중 하나는 공동체 생활 이라고 생각하는데요.

물론 늑대와 같이 다른 생명체들 중에서도 공동체 생활을 하는 경우도 있습니다만, 사람은 문자라는 시스템으로 인해 시간을 넘어선 공동체 생활까지도 가능했다라고 생각합니다.

그렇기 때문에 이 데이터 라는 컨셉이 나오기 전부터 사람들은 항상 다른 사람을 평가하는 것에 많은 시간을 쏟았습니다.

이러한 “평가 시스템”은 대부분,
사람을 많이 평가해 본 사람들의 주관적인 인사이트에서 비롯되었고
물론 나름의 기준들이 있었지만 해당 내용이 정말 유의미한 기준인지는 명확하게 검증되기가 어려웠습니다.

채용이라는 프로세스를 예로 들어볼까요?

많은 기업들은 채용시 이력서 혹은 자기소개서, 면접 등 여러가지 기준들을 가지고 지원자의 역량을 평가, 검토합니다.

그러나 Ivan Robertson 과 Mike Smith의 연구 (2001)에 따르면 위에 있는 여러 요소들이 전부 향후 업무 퍼포먼스를 낼 수 있는 가능성과 유의미하게 연관이 있는 것은 아니었다고 합니다. (요소에 쓰여있는 숫자가 상관계수)

위 연구 결과에서 유의미한 것은 많지만 특히 3가지를 강조하고 싶은데요.

  1. (경력직의 경우) 많이 행해지고 있는 이전 직장에 대한 레퍼런스 체크는 크게 의미가 없다.
    : 정말로 크게 문제가 있지 않은 이상 이전 회사 동료에게 안좋은 말을 하기는 어렵기 때문인 것 같습니다.
  2. 인터뷰의 경우 질문이 구조화 되어있는지(0.51) 그렇지 않은 지에(0.18) 따라서 효과가 많이 다르다.
    : 준비된 인터뷰는 기업의 인재상 같이 확인하고자 하는 것이 명확하기 때문에 더 효과가 높지 않을까요?
  3. 업무 지식이나 과제 만큼이나 성격도 유의미하다.
    : 이는 최근 “소프트스킬” 이라는 단어로 많이 표현되고 있습니다.

기존에 “관습적으로” 행해지고 있던 사람에 대한 평가가 그렇게 까지 유의미하지 않다 라는 것에 대한 다른 예시도 있습니다.

왼쪽상단부터 오른쪽 하단까지 z 방향으로 드래프트

스포츠의 경우 우승과 같이 좋은 성적이 제 1의 목표일 것입니다. 그리고 이를 위해 좋은 선수를 확보하기 위해서는 수많은 시간과 노력이 투입되었다는 것을 아무도 부정할 수 없을 겁니다.

그러나 그 결과는… (엘롯기 ㅜ)

위의 예시들에서 볼 수 있듯 사람에 대한 정확한 평가는 매우 어렵습니다.

  1. 그 이유는 좋은 지표를 측정하기 위해서는 깊은 인사이트와 깊은 지식이 필요하기도 하지만
15분을 쉬나 30분을 쉬나 생산성에 무슨 차이가 있는지 저는 잘 모르겠습니다.

2. 동시에 사람의 퍼포먼스는 물리적인 요소 뿐 아니라 환경, 심리적인 요소에도 크게 영향을 받기 때문이죠.

People Analytics는 이렇게 생각할 것도 많고 어려운 것도 많기 때문에 상당히 많은 기업들이 필요성은 느끼고 있지만 아직 성숙도는 낮다고 합니다.

그렇기 때문에 제가 공부했던 책에서는 풀고자 하는 문제를 먼저 설정하고 이에 따른 데이터 수집, 분석 및 액션 적용의 단계를 통해 People Analytics를 적용하길 권장합니다. (물론 그 이전에 하고자 하는 것에 대한 컨텍스트를 사람들에게 전달하는 것이 더 우선됩니다)

다른 Data Analytics들처럼, People Analytics 라는 것도 똑같은것 같습니다

데이터를 일단 모으고 보면 해당 데이터로 부터 어떻게든 인사이트를 찾겠지?

라는 안일한 생각보다는.

  1. 풀고자 하는 문제를 먼저 명확하게 정하고.
  2. 이를 풀었다 라고 말하기 위해서는 어떤 지표가 개선 되어야 하는지를 파악후.
  3. 해당 지표가 변화 할 수 있는 가설, 모델 등을 설정한 다음
  4. 분석 이후. 데이터라는 객관적이고 합리적인 근거에 기반하여 액션과 의사결정을 통해
  5. 발전을 이룬다.

라는 그로스 해킹이라는 프로세스를 “사람”에 대해서 적용하는 것 같습니다.

People Analytics의 적용 분야 중 하나는 인재유출방지, 즉 이직으로 인한 손실을 막는 것이라고 합니다. 세련된 말로 리텐션 이라고 하는데.

물론 이직을 막는 최고의 치트키는 연봉 80억이 아닐까… 라고 생각합니다. 그러나 동시에 좋은 동료 또한 (물론 80억 만큼은 아니지만) 좋은 기준이 될 수 있다고 생각하는데요.

매일 힘든 상황들을 반복하는 로켓단의 경우도 동료가 너무 좋기 때문에 이직을 하지 않는 것을 보면 공감이 될 것 같습니다.

역시 데이터는 마법의 조미료 처럼 다양한 분야에 적용 될 수 있는 것 같습니다.

데이터 깎는 애옹쓰

데이터 깎는 애옹쓰