인사 데이터 분석, 엑셀 한 장에서 시작하는 법
IBM이 머신러닝으로 퇴사 위험 직원을 95% 정확도로 예측한다는 사실을 처음 접했을 때, 솔직히 반응은 "우리 회사에서는 언제쯤 가능할까"였습니다. 피플 애널리틱스는 글로벌 빅테크의 전유물처럼 느껴지지만, 실무 현장에서 들여다보면 이야기가 조금 달라집니다.
HR Analytics 소프트웨어 시장은 2025년 기준 약 36억 9천만 달러 규모로 성장했고, 2026년에는 41억 달러를 넘을 것으로 전망됩니다. (출처: Yahoo Finance) 시장은 빠르게 커지고 있는데, 정작 현장의 인사담당자들은 "어디서부터 시작해야 하나"라는 질문 앞에 멈춰 서 있는 경우가 많습니다.
데이터 분석이 인사에 들어온 맥락
과거의 인사 업무는 경험과 직관의 영역이었습니다. "이 사람은 될 것 같다", "이 팀은 뭔가 분위기가 이상하다"는 식의 판단이 의사결정의 상당 부분을 차지했습니다. 지금도 그 직관이 완전히 틀렸다고 할 수 없지만, 문제는 그 판단을 경영진에게 설명할 언어가 없다는 것이었습니다.
Google의 Project Oxygen이 그 변곡점을 잘 보여줍니다. 구글은 데이터 분석을 통해 좋은 관리자의 8가지 행동 특성을 정의했고, 이를 기반으로 관리자 교육 프로그램을 전면 개편했습니다. 직관이 아닌 데이터로 리더십의 본질을 설명한 사례입니다. Microsoft 역시 다양성·스킬·AI 전달 체계를 통합한 워크포스 플래닝으로 이직률 감소라는 실질적인 성과를 냈습니다.
한국도 예외가 아닙니다. 삼성글로벌리서치는 2015년부터 데이터 과학자와 조직심리 전문가로 구성된 피플 애널리틱스 팀을 운영 중이며, SK하이닉스는 인력 운영 최적화와 성과급 연동 분석을 추진하고 있습니다. 카카오의 파이랩(PiLab)은 채용과 연계한 인사이트 도출로 주목받았습니다. 투자가 이루어지고 있는 것은 분명하지만, 현장의 온도는 아직 고르지 않습니다.
왜 데이터는 많은데 인사이트가 없을까
실무 현장에서 자주 목격되는 패턴이 있습니다. 시스템에는 방대한 데이터가 쌓여 있는데, 막상 경영진이 "우리 팀 이직률 왜 높아졌어?"라고 물으면 답이 바로 나오지 않는 상황입니다. 데이터는 넘쳐나는데 인사이트가 부족한 이유는 크게 세 가지입니다.
- 데이터 파편화: 근태 시스템, 성과 평가 시스템, 급여 시스템이 따로 돌아가는 경우가 많습니다. 이를 통합·정제하는 과정 자체가 상당한 공수를 요구합니다.
- 분석 역량의 공백: 데이터를 모으고 저장하는 것과, 그것을 해석해서 의미 있는 정보로 만드는 것은 전혀 다른 역량입니다. 후자를 갖춘 인사담당자는 아직 드문 편입니다.
- 비즈니스 맥락의 부재: 분석 결과가 현장의 실제 문제와 동떨어져 있는 경우가 발생합니다. 이직률이 높다는 사실을 확인하는 것과, 왜 높은지를 사업 맥락에서 설명하는 것은 완전히 다른 일입니다.
이 중에서 세 번째가 가장 치명적입니다. 정량 데이터가 "무엇(What)"을 보여준다면, 현장의 목소리는 "왜(Why)"를 설명합니다. 숫자만 보다 보면 놓치는 게 생깁니다. 결근율이 갑자기 오른 팀이 있었는데, 데이터만 봤다면 개인 문제로 처리됐을 수 있습니다. 현장을 같이 봤더니 라인 개편 이후 조장이 바뀐 게 원인이었던 경우처럼요.
지금 당장 시작할 수 있는 현실적인 출발점
HR Analytics를 시작하기 위해 거창한 시스템이 필요한 건 아닙니다. 현장에서 효과적으로 활용되는 접근 방식은 오히려 단순합니다. 이미 가지고 있는 데이터에서 질문을 뽑아내는 것이 먼저입니다.
예를 들어 입사 후 1년 이내 퇴사자 데이터를 부서별, 입사 시기별로 단순 집계해보면 패턴이 보이기 시작합니다. 복잡한 모델링 없이 엑셀 피벗 테이블 수준으로도 충분히 의미 있는 신호를 잡아낼 수 있습니다. 평균, 합계, 추이 분석만으로 시작해도 됩니다. 중요한 건 분석 도구의 정교함이 아니라, 어떤 질문을 던지느냐입니다.
실무 현장에서는 이 순서가 효과적인 것으로 알려져 있습니다. 먼저 해결하고 싶은 문제를 특정하고, 그 문제에 답할 수 있는 데이터가 무엇인지 거꾸로 추적하는 방식입니다. "이직률이 높다"가 아니라 "신입 1년차의 이직률이 특정 직군에서 집중된다"처럼 질문을 좁히면 분석도 훨씬 선명해집니다.
HR Analytics는 결국 더 나은 의사결정을 위한 도구입니다. 데이터가 완벽해야 시작할 수 있는 게 아닙니다. 지금 가진 데이터로 지금 풀어야 할 문제 하나를 골라보는 것, 그게 실질적인 출발점입니다. 첫 번째 분석이 완벽하지 않아도 괜찮습니다. 질문하는 습관이 먼저입니다.
자주 묻는 질문
Q. HR Analytics를 시작하려면 어떤 도구가 필요한가요?
A. 처음에는 엑셀로 충분합니다. 피벗 테이블과 기본 차트 기능만 익혀도 이직률, 근태, 성과 분포 등의 패턴을 파악할 수 있습니다. 도구보다 어떤 질문을 던지느냐가 더 중요합니다.
Q. 데이터 분석 역량이 없는 인사담당자는 어떻게 시작해야 하나요?
A. 통계 전문가가 될 필요는 없습니다. 기본 엑셀 함수와 시각화 능력을 갖추면서, 비즈니스 문제를 데이터 질문으로 바꾸는 연습부터 시작하면 됩니다. 분석 역량보다 문제 정의 역량이 먼저입니다.
Q. 소규모 회사도 HR Analytics가 의미 있나요?
A. 오히려 소규모 조직에서 더 빠르게 인사이트를 확인할 수 있습니다. 데이터 규모가 작아도 이직 패턴, 채용 채널별 성과, 온보딩 만족도 등은 충분히 분석 가능합니다.
Q. 피플 애널리틱스와 HR Analytics는 다른 개념인가요?
A. 실질적으로는 같은 개념을 다르게 부르는 경우가 많습니다. 피플 애널리틱스는 직원 중심의 인간적인 뉘앙스를, HR Analytics는 시스템과 프로세스 중심의 분석을 강조하는 경향이 있습니다.
Q. HR 데이터 분석 시 개인정보 보호는 어떻게 처리해야 하나요?
A. 개인을 식별할 수 없도록 집계·익명화하는 것이 기본입니다. 분석 목적과 활용 범위를 사전에 명확히 하고, 개인정보 보호법상 처리 기준을 반드시 검토해야 합니다.
