이전 글에서 데이터 기반의 의사결정이 잘 되지 않은 이유 중 두 가지를 이야기했습니다.

1) 쓸만한 데이터가 없다.

2) 분석 결과가 의미 없다.

계속해서 이야기를 이어 가 볼까요?.

3) 바쁘고 어렵다.

바쁘고 어렵다는 이유로 업무를 잘 못 하고 있다면 그 일은 중요한 일이 아닐 가능성이 큽니다. 데이터 분석을 잘 하는 것이 업무인 데이터 분석 전담 조직말고 타 부서의 경우 데이터를 분석하는 업무가 우선이기 쉽지 않죠.

물론 데이터 분석을 배우고 익히는 것은 기쁘겠지만 다른 중요한 일로 바빠, 새로운 일을 제대로 할 시간이 없는 게 현실입니다.

©pixabay

해결책은 데이터 분석을 공식 업무로 하는 일부 직원을 두거나, 더 제대로 하고 싶다면 “분석 전담팀”을 꾸리는 것입니다.

중요한 것은 기존 직원에게 데이터 분석 업무를 '추가로' 할당해서는 안 됩니다.

원래 하던 일 중 일부를 덜어내 주고 그 공백을 분석 관련 업무로 메우도록 해야 합니다.

(북핵 폐기와 관련하여 CVID(Complete, Verifiable, Irreversible Dismantlement)를 강조하듯이 그렇게 확실히 기존 업무를 덜어주어야 합니다.)

아래 도식은 HR 부서 내에서 인사 데이터를 분석하는 People Analytics Team을 새로 구성한다고 가정했을 때, 팀의 역할과 다른 팀과의 관계를 나타낸 것입니다. 처음에는 본인 리소스의 3~50% 정도를 사용하는 한, 두 명으로 구성해서 운영하다 잘 되면 팀을 양적, 질적으로 성장시키면 좋겠습니다.

<HR 데이터 분석 전담 조직 구조>

위의 그림에 표현된 People Analytics Core Team의 역할과 구조를 살펴볼까요?.

● Data Access

부서 내 다른 구성원들이 필요로 하는, 신뢰할 수 있는 최신 데이터를 제공하는 역할입니다. Data Access의 역할은 다음 세 가지 세부 역할로 나눌 수 있습니다.

- 역할 a Data Dictionary(Catalogue)

: 부서 내에서 수집, 관리하고 있는 데이터(변수)의 종류, 데이터의 원천(Source: 근태시스템, 채용시스템, HRIS 등), Ownerrship 등을 관리하는 일

- Data Quality

: 데이터의 품질을 개선, 유지하는 일 

- Data Governance

: 데이터(변수)의 민감도 및 중요도에 따라 접근 권한 및 활용에 대한 원칙을 수립하고 지켜내는 일

* 위의 Data Governance는 기술적인 통제/보안이나 Regulatory Compliance 관련 정책을 수립하는 일이기 보다는 오히려 데이터 사용과 관련된 투명한 원칙을 수립하는 일에 가깝습니다.

● Data Literacy

의사결정을 위한 분석은 사회적 상호작용이라고 할 수 있습니다. 좋은 책을 읽고자 하는 사람이 있어야 좋은 책을 쓰는 사람이 존재하듯이 Producer인 분석하는 사람과 Consumer인 분석 결과를 활용하는 사람이 유기적으로 함께 존재해야 합니다.

Core Team은 동료나 매니저들이 분석 결과를 실용적으로 활용할 수 있도록 데이터 활용에 대한 기본 교육에도 일정 부분 책임이 있습니다. Core Team이 직접 강의를 할 수도 있고 외부 콘텐츠를 큐레이션하면 커리큘럼을 짤 수도 있겠습니다.

*참고: 에어비앤비 사례

● Insight Sharing

일선의 담당자 및 의사결정권자들과 분석 결과를 공유하여 실용적으로 활용되도록 하는 일입니다. 개념적으로 쉽게 동의할 수 있는 말들이 대부분 그렇듯이 어려운 일이죠.

아래의 [분석 결과가 쓸모 있으려면]에서 좀 더 구체적인 생각을 나누도록 하겠습니다.

● Reporting Structure

분석의 독립성을 위하여 CHRO나 필요하다면 CEO에게 직접 보고하는 것이 바람직합니다.

보고 라인이 길어지는 경우 최초의 데이터/사실 중심의 보고 내용에 자의적인 해석이 섞여, 결국 "그분이" 보고싶고 듣고싶은 것을 보고하게 되는 경우가 많기 때문이에요. 현실에서 한 걸음도 나아가지 못하는 경우입니다. (아쉽게도 CHRO 직속 조직으로 People Analytics 팀이 운영되고 있는 사례를 국내에서 본 적이 없습니다.)

[분석 결과가 쓸모있으려면]

데이터 분석은 "데이터의 쓸모를 찾는 일"입니다.

데이터를 통해 사물, 사람, 세상에 대한 더 깊고 정확한 인식이 가능하지만 기업 내 데이터 분석의 목표가 개인의 인식을 풍부하고 정교하게 하는 일이 될 수는 없습니다.

비즈니스 문제를 해결하는 것이 바로 쓸모가 있다는 것입니다. 쓸모있는 분석을 한다면 조직에서는 더 잘하라고 아낌없는 지원을 해줄 것입니다.

데이터 기반 의사결정 맥락에서의 분석 결과의 쓸모는 아래의 두 가지로 나눌 수 있습니다..

<1> Targeting

특정 행동이나 특성을 보이는 사람(레코드)이 밀집한 집단(Segment)을 찾는 일입니다. 

아래의 표처럼 타 집단과 비교해 일본에서 근무 중인 인사팀 사람들의 퇴사율이 월등히 높다면 해당 집단을 타겟으로 적절한 조치를 취할 수 있겠죠. 이때 Targeting이 분석 목표인 경우 '왜 퇴사했는지(Why)'는 중요하지 않습니다. 중요한 것은 특정 행동을 보였거나 특성을 가지고 있는 사람이 밀집한 집단을 찾는 것입니다.

<2> Optimization(Intervention)

최적화(개입)는 목표변수인 Y의 원인인 X를 찾아 Y를 개선하는 일입니다. 이때는 X와 Y 사이의 인과성이 반드시 필요한데요. 아래의 표를 보면 X인 '회의 시간'과 Y인 '퇴사율' 간에 패턴이 발견된 경우, 회의 시간을 조정해 퇴사율을 개선할 수 있습니다.

Why vs. Who & What

통계나 데이터 분석을 하는 사람들 사이에서 금기시 되는 단어가 있습니다. 바로 인과성(Causality)입니다. 이건 지금 학교에서 가르치는 통계학의 기반을 다지신 분들의 가르침 ('인과성을 따지는 것은 과학적이지 못한 태도이며 상관관계(Correlation)만으로 이야기를 해야 한다')이 현재까지 이어져온 탓이 큽니다. 다른 한편으로는 통계나 데이터 분석에서 인과관계를 표현할 보편적 언어(수학적 표기법)을 아직 개발하지 못한 탓도 있습니다.

위에서 회의 시간과 퇴사율 간의 인과성에 대한 단정적인 결론을 내었습니다. 인과관계에 대한 이야기는 별도의 글에서 다루겠습니다.

Judea Perl과 같이, 과학적으로 데이터로부터 인과성을 찾고 그 내용을 기술하는 방법을 수립하기 위해 노력하는 분들이 많습니다.

인과성에 대한 검증을 위한 대표적인 방법인 CRT에 대해 알고 싶은 분은 아래 링크를 참조해보세요.

Controlled Randomization Trial(Experiment)

https://hbr.org/2016/03/a-refresher-on-randomized-controlled-experiments

X와 Y 간에 인과성이 존재한다고 가정했을 때 X를 조정하여 Y를 개선하기 위해서는 아래의 두 가지 조건이 더 필요합니다.

<조건 1> X에 개입 가능

: 인지점수(X1)가 높고 미사용 휴가일수(X2)가 적은 사람들이 영업 성과(Y: 매출, 신규고객 유치 등)가 좋다고 가정했을 때, X1에 대해서는 인위적인 조정이 힘들지만 X2는 조정이 가능합니다.

<조건 2> Y의 개선 측정 가능

: 영업직군을 대상으로 눈치보지 않고 자유롭게 휴가를 사용하도록 해서 (X2 개입), 영업 성과(Y)가 정말 좋아졌는지 여부를 모니터링할 수 있어야 합니다. Y가 상대평가한 성과 등급/점수였다면 Y의 개선 정도를 측정하기 어렵습니다.

• • • • •

Data-Driven Decision-Making vs. Data-Driven Problem-Solving

좋은 의사결정을 위해 데이터 분석을 하는 경우, 분석의 궁극적 목표는 비즈니스 문제 해결이라고 했습니다. 데이터 기반 의사결정은 데이터 기반 문제해결의 수단이자 방법일 뿐 그 자체가 목표는 아닙니다. 

해결되는 것은 없이 꿋꿋하게 데이터에 기반하여 의사결정을 내릴 수는 있겠지만 본인이 가장 힘들어질 것입니다.

개선하고 최적화해야 하는 Metric/KPI가 없는 조직은 없습니다. 즉 분석이 필요한 Y를 찾기 힘든 경우는 드물다는 것이죠. Why가 아닌 Who를 찾는 Targeting 분석은 X를 조합하여 Targeting 대상을 찾는 일도 아주 어렵지는 않습니다.

그러나 이미 가지고 있는 데이터에서 Y에 대한 원인이자 조정이 가능한 X를 찾는 것은 매우 어려운 일입니다..

특정 분석의 목표가 개입 가능한 원인 변수를 찾는 거라면, 분석하기 전에 확보한 데이터 안에 그런 변수가 있는지 먼저 살펴보아야 합니다. 

만약, 없을 경우에는 설문이나 실험을 통해 채워 넣으면 됩니다.

“Data! Data! Data!” He cried impatiently.

“I can’t make bricks without clay.”

By Sherlock Holmes