HR이 '피플 애널리틱스(People Analytics)'를 하면 안되는 5가지 이유

아래 글은 PA201 스터디 구성원 BCD 님에 의해 작성된 글입니다.

---

최근 여러 국내 기업에서 데이터를 바탕으로 '무언가(?)' 보여주기 위해, 여러가지 시도를 해보고 있는 것 같다. 물론 필자 또한 그런 시도를 하고 있는 사람 중 한명이다. 

조직 내에서 성공적인 피플 애널리틱스 사례를 만들어 내는 것은 생각보다 어렵다. 회사 내 업무를 인터넷에 올리기엔 조금 부담이 있어서 자세히 설명하긴 어렵지만, 여튼 많이 어렵다!! 

이러한 어려움을 남들은 어떻게 해결하는지 알아보기 위해 스터디도 하고 인터넷에서 아티클이나 논문도 검색도 자주 하는데, 최근에 피플 애널리틱스의 어두운 면에 대해 논의한 논문을 보게 됐고, 해외에서 작성된 논문이지만 공감되는 부분이 많았던 것 같다.(Giermindl, L. M., Strich, F., Christ, O., Leicht-Deobald, U., & Redzepi, A. (2022). The dark sides of people analytics: reviewing the perils for organisations and employees. European Journal of Information Systems, 31(3), 410–435. https://doi.org/10.1080/0960085X.2021.1927213)

그래서 이번 글에서는 필자가 위 논문에서 말하는 피플 애널리틱스의 위험을 '피플 애널리틱스를 싫어하는 사람으로 빙의하여, 많이 과장하고 각색해' 글을 써보고자 한다. 지피지기면 백전백승이라고 하지 않았던가? (Chat GPT를 통해 논문을 번역하고 번역된 내용을 바탕으로 재조립, 내용을 추가 및 수정, 그리고 과장한 글입니다.)

 

---

피플 애널리틱스를 하면 안되는 5가지 이유

 

1. 피플 애널리틱스는 단순한 모델로 사람의 행동을 설명할 수 있다는 환상에 기반한다. 

피플 애널리틱스는 기본적으로 직원들의 특성 및 기술을 데이터로 측정할 수 있다는 가정에 기반한다. 그러나 이러한 가정은 종종 데이터 분석에 대한 환상과 맹목적인 믿음으로 이어지게 되는데, 이 때문에 오히려 관리직 직원들의 관리(통제)능력과 의사결정이 과소평가 될 때도 있는 것 같다.

우리는 흔히 데이터를 통해 인간의 행동을 명료하게 설명하려고 한다. 시도는 좋다. 그런데 피플 애널리틱스의 나쁜점은 이러한 설명을 HR 의사결정 및 제도 수립까지 연결시키려고 한다는 점이다. (A.K.A Data-Driven Decision-Making) 하지만 데이터 분석 과정에서 사용한 단순한 모델링과 실제 의사결정을 결합할 때, 이는 오히려 잘못된 의사결정이 될 수 있다. 예컨대 우리가 직장을 퇴사하게 되는 경우, 그 이유에는 급여, 팀 분위기, 사회관계, 커리어 등 여러가지 복합적인 이유가 존재할 수 있는데, 피플 애널리틱스는 이러한 부분을 단순한 회귀분석이나 알고리즘을 통해 계산하려는 시도를 한다. 즉, 피플 애널리틱스는 '실제 사람들'을 단순한 분석 상자 안에 넣다보니, 인간의 여러가지 상호작용과 요인을 고려하지 못하게 된다. (피플 애널리틱스에 사용되는 수많은 모델들의 실제 설명력은 얼마나될까?)

어떤 회사에서는 조직 내 사무직 근로자들의 개별적인 업무 프로세스를 분석하고 최적화함으로써 생산성을 높인다고 한다. 이를 위해 직원들의 이메일 트래픽, 응답 시간 및 회의에서 보내는 시간을 측정하기도 한다. 이 회사에서는 이러한 측정을 통해 직원들에게 자신들의 작업 루틴을 최적화하여 시간 자원을 최대한 활용할 수 있도록 하는 제안을 주려고 했겠지만, 한편으로는 HR에서 이러한 측정 결과를 바탕으로 직원들의 생산성을 평가할 수도 있다. (사무직 직원의 생산성이 이메일 트래픽 시간, 회의 시간 등으로 설명 될 수 있을까?)   피플 애널리틱스는 종종 직원의 성과 및 생산성의 질적 측면을 양적 지표로 환원함으로써 오히려 잘못된 결론을 이끌 수 있다.

 

2. 피플 애널리틱스는  자기실현적 예언에 불과하다.

피플 애널리틱스는 과거 데이터를 기반으로 직원의 행동을 설명 및 예측할 수 있다는 가정을 기반으로 한다. 그러나 위에서 설명했듯, 피플 애널리틱스로 나타난 분석 결과와 예측치는 모든 경우의 수를 바탕으로 한 것이 아니라, 과거 데이터를 바탕으로 한  조건부 확률에 불과하다. 그 결과 피플 애널리틱스는 실제 직원의 행동이 아니라 '직원이 특정 행동을 보일 가능성'을 추정한다. 그리고 이러한 '가능성'은 분석 모델링이 사람들을 어떻게 분류하는지에 따라 달라진다. 이러한 부분은 분석 결과를 활용할 때 조심히 다뤄야할 중요한 부분이지만, 종종 무시되는 경우가 많다.

예를들어 고성과 또는 저성과자를 구분하는 모델을 개발하고, 이러한 확률을 채용 또는 해고 결정에 사용한다고 하자. PA 담당자 및 HR 담당자는 이 모델에서 발생하는 통계적 한계와 맥락을 잘 인식하지 못할 수 있다. 아니, 인식한다고 하더라도 상사에 대한 보고를 위해 무시하게 될 수도 있다.

(생각해보자. 분석에 한계가 많다면, 그 분석 결과를 사용할 수 있을까?)
HR 담당자 : 팀장님, 이번에 고성과자 분석을 했는데요. A한 요인을 가진 사람들이 고성과를 낼 확률이 높더라구요! 근데 이 분석 결과는 ~~한 점 때문에 조금 한계가 있고요.. ~~한 부분을 고려하면, 실제로 사용하기 이전에 테스트를 해봐야할 부분이 있고요.. R스퀘어가 30% 정도라서 이 모델로 고성과의 모든걸 설명하긴 어렵고요... (중략)...

HR 팀장 : 그러면 이 분석은 의미 없네?

HR 담당자 : 아 그런건 아니고요...ㅜㅜ(아.. 다음엔 그냥 맞다고 밀어붙여야겠다..)

결국은 의사결정자들은 피플 애널리틱스를 통해 나온 예측을 정확한 예측으로 인식하게 되며, 큰 주의를 기울이지 않고 제안된 결정을 실행할 가능성이 높다. 특히 일반적인 통계분석을 넘어 머신러닝이나 딥러닝을 사용하는 경우, 모델의 복잡성 때문에 잘못된 해석를 인식하는 것이 더 어렵다.

그렇다면, 피플 애널리틱스로 조직 성과를 높이고, 직원 몰입 및 만족도를 높인 회사들은 대체 어떻게 그런 결과를 냈을까? 모든 회사가 그런것은 아니겠지만, 아마 어떤 회사의 피플 애널리틱스의 결과는 자기 실현적 예언에 불과할 수 있다... 즉, 피플 애널리틱스의 분석 결과 및 예측에 따라 조직과 관리자들이 이러한 예측을 무조건 실현하는 방법으로 HR 제도 및 프랙티스를 수립했을 수 있다.

예를 들어, 어떤 회사가 '잠재성 있는 직원'을 피플 애널리틱스를 통해 미리 선정하여, 그 직원들에게 미리 핵심 인재교육 및 투자를 진행했다고 하자. 이 때 여기에 선발되지 못한 일부 직원은 교육을 받지 못하게 될 것이다. 결국, 미리 교육 받은 인원은 실제로 향후 핵심 인재로 성장할 것이고, 그렇지 않은 인원은 계속 그렇지 않은 인재로 남게 될 수 있다. (정확히 예측한 결과죠? ^^) 그리고 이는 피플애널리틱스의 성공으로 귀결된다.

 

3. 피플 애널리틱스는 미래를 예측하지 못한다.

피플 애널리틱스의 중요한 가정 중 하나는 과거 데이터를 기반으로 미래 직원의 행동을 예측할 수 있다는 것이다. 하지만 피플 애널리틱스는 결국 과거에 성공적이었던 행동에 매몰되어 미래의 새로운 패턴과 변수를 무시하게 된다.

예를 들어, 코로나19 상황에서는 직원들은 알고리즘이 이 사태 이전의 데이터를 사용하여 예측하지 못한 방식으로 행동패턴이 변화했다. 만약 기존의 데이터를 바탕으로 직원들이 재택근무에 대한 선호도를 예측하는 경우, 이 예측은 완전히 잘못되었을 것이다. 이러한 예를 통해 전략적 예측 및 미래 트렌드와 발전을 예측하는 것이 얼마나 어려운지 쉽게 알 수 있을 것이다. 

결국, 기업이 과거 데이터만 바라보는 경우, 스스로 혁신을 제한하는 경로 의존성에 직면할 수 있을 것이다. 어떤 회사는 지난 10년간의 데이터를 분석하여, 우수 인재 검색 알고리즘을 개발하였고 이를 채용 프로세스에서 사용하기로 했다.  데이터에 따르면 과거의 성공적인 채용이 이전에 있었던 백인 남성이었고, 알고리즘 역시 남성 후보자가 더 적합할 것으로 예측했고, 여성은 배제했다. 이러한 결과를 지금 이시대에 사용할 수 있을까? 결국 이 회사는 인재검색 시스템의 사용을 포기했다.

 

4. 피플 애널리틱스는 투명하지도 않고, 그 결과에 책임지지도 않는다.

피플 애널리틱스는을 주요 목표 중 하나는 데이터를 기반으로 하는 투명한 HR 프로세스를 만들어 본인들의  의사결정의 논리에 책임감 있게 대응 하는 것이다. 그러나 점점 AI의 발전으로 인해 피플 애널리틱스를 통해 만들어진 모델의 기본 가정, 메커니즘 및 프로세스에 대해 점점 불투명하고 접근하기 어렵고 추적하기 어려워 지고 있다.

일반적으로 HR 의사결정자들은 기초적인 기술 분석과 명확한 로직을 사용하고, 혹시 문제가 생겼을 경우 이에 대해 빈틈없이 대응할 수 있도록 백데이터를 구축한다. 그러나 고급 통계 및 AI 알고리즘이 도입되면, 높은 수준의 전문가 및 일부 직원만이 의사결정의 과정과 그 이유에 대해 설명할 수 있을 것이다. 당연하겠지만, 일반 직원 입장에서는 자신이 이해할 수 없는 논리로 결정된 의사결정을 받아들이기 어려울 것이다.

AI 알고리즘은 그것들을 프로그래밍하는 데이터 사이언티스트에게도 완전히 이해하기 어려울 수 있다. 한국의 일반적인 조직 생태계를 고려할 때, 피플 애널리틱스를 통한 의사결정을 사용하여 직원 해고와 같은 중요한 결정이 책임 있는 관리자가 왜 그렇게 결정했는지와 알고리즘이 어떻게 그렇게 결정했는지를 정확하게 모른 채 이루어질 수는 없을 것이다.

아울러 이러한 알고리즘의 불투명성은 관리 결정 및 그 윤리적 함의를 누가 책임져야 하는지에 대한 문제를 제기한다.  사람이 아닌 알고리즘에 의사결정권한을 부여함으로써 HR 의사결정자 및 담당자들은 책임없는 권력을 누릴 수도 있을 것이다(데이터 분석결과를 조작했는지 안했는지 누가 알수 있을까? ).

 

5. 피플 애널리틱스는 인간의 지적 능력을 과소평가 하고 자율성을 낮춘다.

피플 애널리틱스는 팀의 상호작용과 몇가지 KPI 및 HR Metric로 대체함으로써 직원들의 의사 결정 및 작업 습관을 방해한다. 결과적으로 알고리즘 계산이 직원 개인의 의사 결정보다 더 중요해지고, 팀 내 복합적인 협업 프로세스가 파괴될 수 있다. 이는 인간을 단순한 모델로 설명하려고 예측하려는 문제(1번 문제)와 같은 맥락을 공유한다.

솔직히 피플 애널리틱스는 겉보기에 아주 멋있고 매력적이다. 이를 사용하면, 기존에 주먹구구로 이루어지던 HR 의사결정과, 일못러(?)들의 잘못된 프랙티스를 모두 평가하고 혁신 할 수 있을것 만 같다. 그렇기 때문에 HR 의사결정자들은 마음에 들지 않던 기존의 HR 관행과 사람(?)들을 피플 애널리틱스를 사용해 혁신하려고 할 것이다(책임 없는 권력의 사용). 장기적으로 볼 때, 문제 해결에 대한 창의성은 알고리즘의 계산에 따른 통제로 대체될 수도 있을 것 같다.

피플 애널리틱스는 겉보기에 아주 멋지고 문제 없어보이지만, 실제로 조직이 이에만 의존하게 되면 종국적으로 직원 및 의사결정자들의 의사 결정자들의 사고와 판단 능력을 약화될 수도 있다.

끗!