인재경영, 데이터사이언스를 만나다

프롤로그 “사람 데이터를 분석합니다!”

서문 왜 사람 데이터인가?

1부 인재경영, 4차 산업혁명을 만나다

1장 인재경영에 데이터사이언스 바람이 불다

1. 한국의 인재경영은 어떻게 발전해왔는가
공채제도 발전사 1단계: ‘관상’과 ‘역술’의 시대
공채제도 발전사 2단계: 심리검사의 시대
공채제도 발전사 3단계: 채용 인터뷰의 과학화
공채제도 발전사 4단계: 빅데이터와 인공지능의 등장

2장 인사부서에 등장한 심리학자, 통계학자, 데이터학자

1. 사람 데이터 분석가들이 왜 인사부서에 왔는가
조직의 리더십 개발이 실제로 유용한가
그 일을 누가 해야하지?
아이디어를 실천으로, 실천을 아이디어로!

2. 사람 데이터 분석의 세 가지 유형
첫 번째 유형: 분석 결과가 가존 직관이나 통념과 일치한다
두 번째 유형: 분석 결과가 기존 직관과 통념에서 벗어나 있다
세 번째 유형: 분석 결과가 기존의 직관과 통념을 뒤집는다

3. 인사 빅데이터를 분석하는 두 가지 접근법
가설은 반드시 필요한가
첫 번째 접근법: 모델 의존적 방식
두 번째 접근법: 데이터 적응적 방식
두 가지 접근법을 동시에 활용하자

4. 분석할 때 상황과 맥락을 함께 읽어야 한다
의미는 맥락에 따라 달라진다
맥락에 따라 반응이 달라진다
조직에 따라 주제와 가설은 다르다

3장 사람 데이터 분석가들은 무엇으로 사는가

1. 내가 아는 것과 당신이 알아야 할 것은 무엇인가
“나는 그럴 줄 알았다!”
통계적으로 유의하다는 것
상관과 인과의 차이를 이해해야 한다
고급통계, 기초통계, 차원 이동을 반복하다

2. 누군가를 설득한다는 것은 어렵다
“내게 블랙박스를 보여줘!”
투명성과 명확성이 중요하다
아웃라이어 사례로 반박하면 힘들다

3. 인공지능 시대에 사람의 몫은 어디까지일까
인격일까, 숫자일까
인공지능 면접관은 얼마나 일을 잘할까
인간과 인공지능 중 누가 더 합리적인가

4. 조직문화는 보이지 않는 율법이다
‘폐관 수련’, 무한히 학습하다
조직문화가 사무실 공간과 배치에 영향을 미친다
조직문화가 용어와 보고 방식에 영향을 미친다
데이터를 통해 조직을 객관적으로 들여다볼 수 있다
학계에서 수행하기 어려운 연구를 현업에서 직접 한다
보편성이 있어야 특수성을 이해할 수 있다
데이터 분석을 통해 성장한다

2부 인재경영, 어떻게 과학화할 것인가

4장 우수한 인재를 어떻게 뽑을 수 있을까

1. 인적성 검사 결과로 신입사원 성과를 예측할 수 있는가
IQ가 높으면 일을 잘한다. 일반적으로
성격 연구의 발전사
성격으로 직무성과를 예측할 수 있는가
인적성 검사에는 ‘범위 제한’의 문제가 있다
타당도 계수에 연연하지 말자

2. AI를 이용한 서류전형 통과 예측 모델링을 채택할 것인가
인공지능 IBM 왓슨이 합격과 불합격을 판단한다
자기소개서 예측 모델링의 원리는 무엇인가
자기소개서 표절에는 어떻게 대응하는가
어떤 면접관들이 더 효과적일까?

5장 사람은 기르면 자라는 존재인가

1. 인재 육성 프레임워크 70:20:10 모델은 무엇인가
사람은 무엇으로 성장하는가
70:20:10 모델은 어떻게 만들어졌는가

2. 경험을 통해 어떻게 성장할 것인가
일을 통한 육성은 어떻게 하는가
어떻게 ‘경험 프로파일’을 만들고 활용하는가

3. 임원에게도 교육이 필요한가
임원에게 요구되는 역량은 무엇인가
임원에게 전략적 사고 역량은 필수이다
전략적 사고 역량은 향상될 수 있는가
만족도 평가를 없앤다면 대안은 있는가

6장 과학적 인재경영의 핵심은 성과 평가와 승진이다

1. 천재 한 명이 10만 명을 먹여 살릴 수 있는가
‘천재’에 대한 평가는 관점에 따라 다르다
사람의 성과는 정규분포인가?
사람의 성과는 멱법칙 분포인가
정규분포 vs 멱법칙 분포

2. 성과평가, 어떻게 할 것인가
인재경영의 핵심 기능 인사평가
인사평가의 척도를 무엇으로 할 것인가
하드 데이터와 소프트 데이터
함께 수행해야 할 ‘정량 평가’와 ‘정성 평가’

3. 구글은 왜 ‘승진 예측 모형’을 거부했는가
구글의 운명은 인간이 결정한다
인재경영에 인공지능이 활용된다
이직은 어느 정도 예측 가능한가

에필로그 인간과 기술의 접점을 함께 고민하자

미주

“인사가 만사다!”
누구나 한 번쯤 들어본 말일 것이다. 모든 일에서 사람이 중요하다는 의미다. 유능한 사람을 뽑아 여건을 만들어주면 모든 일은 저절로 잘된다는 뜻이다. 인사가 그렇게 중요함에도 불구하고 그동안 인재경영은 ‘과학화’가 더디게 이루어져 왔다. 여기서 말하는 과학화란 사회과학social science 방법론을 활용해 인재경영과 관련된 현상을 탐구하고 시사점을 적용하는 과정을 말한다. 조직 내에서 일어나는 현상에 가설을 세우고 그와 관련된 데이터를 측정 또는 입수해 객관적으로 검증하는 활동을 의미한다.

넷플릭스는 구글처럼 엄청난 데이터를 축적했다. 시청자가 가입할 때 기록한 기본 인적사항에 더해 ‘사용자 행동user action’이라고 불리는 데이터를 실시간으로 수집했다. 예를 들어 개개인이 언제 공포 영화를 보는지, 언제 로맨틱 코미디 영화를 보는지를 기록한다. 드라마를 볼 때도 몇 시에 보기 시작하는지, 어디서 시청을 그만두는지, 티브이로 봤는지 아이패드로 봤는지 등을 남겼다. 어떤 영화들을 봤는지 그 내역은 물론이고 각각에 매긴 평점까지도 기록에 남겼다. 넷플릭스는 이러한 데이터 분석을 통해 「하우스 오브 카드」 감독과 주연배우를 결정했다. 감독인 데이빗 핀처와 주연인 케빈 스페이시의 과거 작품들에 대한 시청자들의 반응까지 분석해서 드라마 시나리오 등에 적극 반영했다. 시청자들의 취향을 제대로 저격한 것이다.
그런데 회사 조직 내에도 넷플릭스처럼 많은 데이터가 쌓여 있다. 대기업들을 한번 생각해보자. 매년 수백 수천 통에서 수만 통의 입사 지원서가 들어온다. 글로벌 기업이라면 전 세계에서 들어온 다양한 지원서가 수십만 통 쌓인다. 이렇게 쌓인 입사 지원서를 검토해 서류 전형을 통과하면 인성과 적성검사를 한다. 이 역시도 엄청난 데이터 양이라 하겠다.
그렇다면 이처럼 조직 내 축적되는 구성원 데이터를 잘 분석하여 인재경영에 유용하게 활용할 수 있지 않을까? 그 가능성에 주목해 최근 많은 인사부서가 빅데이터, 머신러닝, 인공지능에 주의를 돌리고 있다.

구글은 과학적인 인재경영을 촉발시킨 장본인이다. 이 회사에는 ‘사람 운영people operations’이라는 이름의 부서가 있다. 인사부서를 총칭하는 이름으로 보면 되겠다. 얼마 전에 구글의 인사 최고 책임자 자리를 내놓고 물러난 라즐로 복이 전세계에 유행시킨 이름이다. 기존에 많은 사람이 사용하던 인적 자원human resource이라는 용어가 본인이 보기에는 별로였다고 한다. 인격을 가진 ‘사람’을 ‘자원’으로 전락시킨다는 비판적 시각에서 그 대안으로 사용할 수 있는 표현을 쓰고 싶었다고 한다.
라즐로 복은 원래 전략을 하던 소위 ‘전략 가이strategy guy’다. 루마니아에서 태어나 미국 퍼모나 칼리지 학부를 졸업하고 예일대학교 경영대에서 MBA를 했다. 맥킨지에서 약 4년간 전략 컨설팅을 하고 나서 GE의 인적자원 부서에서 관리자로 근무하다가 구글의 인사 최고 책임자로 이직한다. 한 개인의 사고관은 그의 사회경력 초기에 겪은 경험들로부터 크게 영향을 받을 수 있다. 맥킨지에서 전략 컨설팅을 하던 경험들이 인사 업무를 하면서 적지 않게 영향을 준 듯하다. 인사 업무를 하는 사람들의 그 고유한 도그마 중 몇몇은 전략 일을 하던 본인이 보기에 탐탁지 않았던 듯하다. 그중에서도 그가 가장 마음에 들지 않았던 것은 데이터에 기반을 두지 않은 의사결정이었다.