1. Intro People analytics(PA)은 HR 실무자와 조직이 데이터를 통해 의사결정을 개선하는 데 도움이 됩니다. 또한 HR 실무자에게 의미 있는 인사이트를 제공하고 비즈니스에 보다 효과적으로 기여함으로써 HR의 전략적 역할이 강화될 수 있는 환경을 제공합니다. HR 전문가가 사용할 수 있는 방법에는 기술적 분석(Descriptive analytics), 진단적 분석(Diagnostic analytics), 예측적 분석(Predictive analytics), 처방적 분석(Prescriptive analytics)의 4가지 유형이 있습니다. 아래에서 이러한 각 유형과 적용에 대해 설명합니다. 2. 기술적 분석(Descriptive analytics) (1) 개념 기술적 분석(Descriptive analytics)은 데이터 패턴을 분석하여 과거에 대한 통찰력(Insight)을 얻는 기본적인 유형입니다. 의사결정 분석이라고도 하며 통계 분석 기법을 사용하여 특정 과거 원시 데이터 집합을 설명하거나 요약합니다. 과거 데이터에 초점을 맞춰 일어난 일을 설명하지만 미래에 대한 예측은 하지 않습니다. 기술적 분석(Descriptive analytics)은 숫자 데이터와 정성적 데이터를 함께 사용할 수 있습니다. 여기에는 중심 경향, 빈도, 변화, 순위, 범위, 편차 등과 같은 통계적 계산을 수행하는 작업이 포함됩니다. 이를 통해 HR은 패턴과 불일치를 파악하여 계획을 개선할 수 있습니다. (2) 장·단점 장점 : 가장 간단한 형태의 데이터 분석 / 기본적인 통계지식만 있으면 복잡한 데이터를 이해하기 쉬운 형식으로 표시할 수 있음 단점 : 사후에 몇 가지 변수에 대한 간단한 분석으로 제한됨 / "무엇"을 보고하지만 "왜", "어떻게"는 보고할 수 없음 (3) 예시 이직률 : 기술적 분석은 직원 이직률을 분석하여 두 팀 또는 두 부서 간의 연간 이직률을 비교하는 데 사용할 수 있습니다. 3. 진단적 분석(Diagnostic analytics) (1) 개념 진단적 분석(Diagnostic analytics)은 드러난 내용에 대한 설명을 제공함으로써 기술적 분석을 한 단계 더 발전시킵니다. 진단적 분석(Diagnostic analytics)은 데이터가 노출하는 것에 대한 근본적인 이유를 파악하는 것을 목표로 합니다. 기술적 분석과 동일한 기록 데이터를 기반으로 하지만 중요한 차이점이 있습니다. 진단적 분석(Diagnostic analytics)은 이해하기 쉬운 용어로 무슨 일이 일어났는지 요약하는 다음 단계로 넘어갑니다. 데이터의 추세, 상관관계, 이상 징후 뒤에 숨어 있는 '이유'를 찾아냅니다. 참고로 다음과 같은 여러 가지 진단적 분석(Diagnostic analytics) 기법이 있습니다. 데이터 마이닝 : 데이터에서 패턴을 추출하여 미래의 사건을 예측하는 데 도움을 줍니다. 통계 분석 : 데이터를 수집하고 해석하여 기본 패턴을 파악합니다. 회귀 분석 : 어떤 변수가 결과에 영향을 미치는지 결정합니다. 상관 관계 : 분석:변수 간의 관계를 테스트합니다. (2) 장·단점 장점 : 정보에 입각한 의사 결정을 위해 데이터에 대한 보다 포괄적인 해석이 가능함 단점 : 과거에 발생한 사건에 초점을 맞추기 때문에 시의성이 떨어짐 / 향후 프로세스를 예측할 수 있는 인사이트 제공이 미흡함 (3) 예시 직원의 참여도와 회사문화를 개선하는 데 사용할 수 있습니다. 내부 설문조사와 퇴사자 인터뷰의 데이터를 분석하여 직원들이 업무에서 소속감과 만족감을 느끼는 영역과 그렇지 않은 영역을 파악해야 합니다. 몰입도가 높은 직원이 가장 생산성이 높은 경향이 있으므로 몰입도 점수를 성과 측정과 연결하면 그 효과를 확인할 수 있습니다. 4. 예측적 분석(Predictive analytics) (1) 개념 예측적 분석(Predictive analytics)은 미래에 일어날 수 있는 일을 추정하고 미래의 결과를 예측합니다. 이 프로세스에는 과거와 현재의 데이터를 분류하여 패턴, 상관관계, 불규칙성을 분리한 다음, 미래에 일어날 일을 예측하는 모델을 추정하는 과정이 포함됩니다. 그런 다음 새로운 데이터에 적용하여 모델의 정확도를 평가합니다. 예측적 분석(Predictive analytics)은 더 나은 HR 의사결정을 지원합니다. 직무 능력, 직원 참여도, 생산성, 이력서 등의 영역에서 수집한 과거 데이터를 향후 예상되는 상황에 대한 예측으로 변환합니다. 이러한 예측은 HR 리더에게 적합한 후보자 채용, 기술 격차 해소, 우수 인재 유지 등의 영역에서 의사결정을 개선할 수 있는 정보를 제공합니다. (2) 장·단점 장점 : 정보에 입각한 의사결정을 위해 데이터를 보다 포괄적으로 해석하여 보여줌 단점 : 상당량의 관련성 있는 데이터(빅 데이터 세트)가 필요함 / 모든 변수를 고려해야 하고 데이터가 변경되면 모델을 업데이트해야 하는 어려움 발생 (3) 예시 직원의 예상 이직 위험에 대한 데이터를 수집하고 분석하면 누가 퇴사할 가능성이 있고 그 이유가 무엇인지 파악할 수 있습니다. 이러한 지표는 평가해야 할 사항을 알려줍니다. 예를 들어, 조직에서 제공하는 성장 기회나 보상 및 인센티브 패키지가 있습니다. 이러한 지식을 바탕으로 더 많은 직원이 회사에 계속 근무하고 이직률을 낮출 수 있는 변화를 만들 수 있습니다. 5. 처방적 분석(Prescriptive analytics) (1) 개념 처방적 분석(Prescriptive analytics)은 분석 여정의 마지막이자 가장 복잡한 단계로, 예측적 분석 다음에 수행할 작업에 대한 아이디어로 전환하는 단계입니다. 일반적인 처방적 분석(Prescriptive analytics)의 정의는 예측 분석 결과를 기반으로 한 의사 결정 옵션 및 조치에 대한 타겟팅 된 권장 사항이라고 할 수 있습니다. 이는 성공을 달성하기 위해 어디서 어떻게 행동해야 하는지에 대한 옵션을 제공합니다. 처방적 분석은 비즈니스용 넷플릭스와 비슷하다고 생각할 수 있습니다. 넷플릭스가 시청 행동을 기반으로 영화를 추천하는 것과 같은 방식으로 작동합니다. 처방적 분석은 예측적 분석을 뛰어넘어 미래를 내다보는 선제적 접근 방식을 취합니다. 예측적 분석은 단순히 어떤 의사 결정이나 행동의 가장 가능성이 높은 결과를 예측합니다. 처방적 분석(Prescriptive analytics)을 사용하면 다음에 일어날 일과 그 이유, 그리고 다음에 할 수 있는 일을 예측할 수 있습니다. 가장 가능성이 높은 시나리오와 최적의 결과를 가져올 가능성이 있는 개입을 예측합니다. 처방적 분석은 빅 데이터에 의존하며 다음과 같은 다양한 기술 도구를 사용합니다 머신 러닝 알고리즘 인공 지능 패턴 인식 (2) 장·단점 장점 : HR 리더가 정보에 입각한 실시간 의사결정을 통해 성과를 개선하고, 복잡한 문제를 해결하고, 기회를 활용할 수 있도록 지원할 수 있음 단점 : 시간이 필요한 반복적인 프로세스 / 데이터가 불완전하거나 신뢰할 수 없는 경우 효과적이지 않음 / 제시된 옵션을 신중하게 검토하고 권장 조치를 취하는 것이 HR 관점에서 합리적인지 확인해야 함 (3) 예시 처방적 분석(Prescriptive analytics)은 다가오는 인력 수요에 대비하는 데 도움이 될 수 있습니다. 디지털 복리후생 옵션에 대한 직원들의 상호 작용과 관련된 데이터는 잠재적인 공석을 반영할 수 있습니다. 퇴직 계획이나 의료 및 가족 휴가 정책과 관련된 활동이 증가하면 퇴사 및 장기 결근에 대처할 수 있는 인력 배치 권장 사항을 도출할 수 있습니다. E.O.D