상관관계 분석을 사용한 채용 경로 대시보드 구축과 효율성 파악

아래 글은 PA201 스터디 구성원 MSSong 님에 의해 작성된 글입니다.

---

기초 시각화 및 상관분석의 주제로 ‘채용 경로 별 효율성 분석을 위한 대시보드 구축’을 해보고자 했다. 대시보드를 통해 각 경로 별 특징을 확인하고 채용 경로의 효율성도 파악해보고자 한다.

---

데이터 수집 및 가공

수집/활용한 데이터는 다음과 같다:

채용경로, 경력연차, 성별, 나이, 22년 평가 결과, 보상수준, 입사년도

사용한 데이터는 19년도 ~ 21년도 입사자로 한정했는데, 비교적 최근 입사자들의 효율성을 보고자하는 의도도 있었고, 히스토리/데이터 정합성 등의 여러 문제를 고려했을 때 모수가 적더라도 한정된 데이터를 보는 것이 낫다는 판단에서였다. 보안 상의 문제로 자연인 정보는 제거 후 각각의 데이터에 넘버링을 하여 ID로 사용했다. 

• 채용 경로는 자가지원(홈페이지 지원), 서치펌, 사내추천 세가지로 한정하여 활용했다.
• 보상수준 데이터는 보안 상 민감한 데이터라 금액을 그대로 사용하지는 않았고, 경력연차 +-1년 집단 내 평균 보상수준과 비교했을 때 그 사람의 보상 수준이 몇 %인지를 나타내는 가공된 데이터 값을 산출하여 사용했다. 1과 가까울수록 그 연차의 평균치에 가까운 보상 값이며, 1보다 크면 비슷한 연차 대비 평균치보다 많은 보상(연봉)을 받고 있음을 뜻한다. 기준은 입사 시 계약 연봉이다.
• 평가 결과 역시 민감데이터로, ‘22년 평가결과를 활용했다. 등급명까지 그대로 쓸 수는 없으므로 S/A/B/C 라는 4등급제 알파벳으로 분류했다. 추가로, 상관분석 등을 진행하기 위해서는 등급을 1~4점으로 환산하여 점수화해 활용했다.

 

상관관계 분석

각 핵심 데이터들의 상관도를 알아보기 위해 상관분석을 먼저 진행했다. 결과적으로, 각각의 데이터들의 상관성이 그렇게 높지 않음을 알 수 있었다. 따라서 각 데이터들을 독립적으로 보기로 했다.

	등급환산	보상수준
등급환산	1
보상수준	0.033	1

	경력연차	등급
경력연차	1
등급	-0.012	1

	경력연차	보상수준
경력연차	1
보상수준	0.240	1

 

대시보드 구축

먼저 각 경로별로 데이터들을 볼 수 있는 대시보드를 만들었다. 

• 맨 왼쪽 위의 데이터는 ‘19~ ‘21년 입사자들의 등급을 나타낸 원형차트이다.
• 맨 위 중간의 슬라이서로 ‘채용경로’를 추가하여, 선택 시 해당 채용경로로 입사한 사람들의 데이터만을 볼 수 있도록 필터를 걸었다.
• 그 오른쪽의 데이터는 연도 별 입사자 수를 나타낸 그래프이다.
• 가운데 데이터는 지원 경로 별 입사자 수를 나타낸 원형 차트이다.
• 가운데 맨 오른쪽 데이터는 전사 상위 20%, 즉 우수 성과자라고 할 수 있는 S등급 내 지원경로 별 인원 비율을 나타낸 차트이다.
• 맨 왼쪽 아래의 데이터는 보상수준-경력연차를 분산형 차트로 나타낸 것으로, 보상수준 산출 방식에 따라 경력연차와 함께 보면 시너지가 날 것 같다는 판단으로, 경력연차와 보상수준을 동시에 볼 수 있도록 했다.
• 가운데 하단의 데이터는 입사자의 입사 시 나이를 나타낸 꺾은선 그래프로, 세로축은 입사자 수를 뜻한다.
• 마지막으로, 맨 오른쪽 하단의 원형 차트는 성별 분포도를 나타낸다.

 

효율성 확인

이제, 각각의 채용 경로의 효율성을 알아보기 위해서는 ‘효율성’이라는 것을 먼저 정의해야 할 필요가 있다. 보상수준이 낮으면 효율성이 좋은 것인가? 우수성과자가 많으면 효율성이 좋은 것인가? 앞선 상관분석에서 알 수 있었듯 보상수준은 평가 등급과의 상관도는 낮았다. 그렇다면 보상수준에서 확인할 수 있는 ‘효율성’은 무엇일까? 나는 연차대비 낮은 Cost로 정의하고 그 결과를 확인해보았다.

‘사내추천’의 보상수준-경력연차 분산	‘서치펌’의 보상수준-경력연차 분산	‘자가지원’의 보상수준-경력연차 분산

보상수준에서 1을 기준값으로 했을 때, 세가지 경로 중에서 모든 경력연차에서 Cost가 상대적으로 낮음을 알 수 있었다. 반면 사내추천은 분산이 제일 높았다. 

다음은 ‘성과’ 측면에서의 효율성을 보기로 했다. 여기서 조금 고민이 생겼다. 입사자 중 우수성과자의 비율이 높은 것을 효율성으로 볼 수 있을까? 그렇다면 각 경로로 뽑은 인원 수에 대한 고려를 하지 않은 값이 나올 것이라는 생각이 들었다. 그래서 ‘투입 대비 산출량’이라는 효율의 정의를 적용해, ‘채용 인원 대비 우수성과자 배출 정도’로 효율성을 정의하기로 했다.

채용 인원의 수가 각각 다른 것을 고려해, 인원 수가 아닌 ‘채용경로 별 채용인원/전체 채용인원’이라는 비율을 사용했고, 각 비율은 다음과 같다. 

사내추천 37.99% , 자가지원 35.13% , 서치펌 26.88%

그리고 전사 상위 20%인 S 등급 내 각 경로의 비율을 ‘우수 성과자 배출 정도’로 정의했다.

사내추천 46.97%, 서치펌 30.3%, 자가지원 22.73%

결과는 사내추천이 압도적으로 높았고, 자가지원은 채용 인원 대비 낮은 효율을 보여주었다. 보상수준과 비슷한 산식을 적용하여 100%를 기준값으로 정해 산출해본 각 경로 별 효율은 다음과 같다.

경로	채용비율	우수성과자비율	효율
사내추천	37.99%	46.97%	124%
자가지원	35.13%	22.73%	65%
서치펌	26.88%	30.30%	113%

 

결론

보상수준으로 확인해보았을 때, 자가지원은 높은 ‘가성비’를 보여주었다. 그러나 채용 인원 대비 우수성과자 배출에 있어서는 낮은 효율을 보였다. 반면, 사내추천은 Cost 측면에서는 별 다른 이점을 보이지 못했지만, 채용 인원 대비 우수 성과자 배출에 있어서는 높은 효율을 보여주었다. 대표적인 채용 경로들의 효율성에 대해 생각해볼 수 있었던 좋은 기회였다. 아무래도 평가/보상 팀에 있다 보니 그쪽 시각으로 분석을 하게 된 것도 없지 않아 있는 것 같다. 채용 담당이었으면 새로운 관점과 새로운 지표들로 접근하지 않았을까 싶다.

---

분석을 마치며 느낀 점은 채용에 영향을 주는 요소는 매우 다양하므로 두 가지 요소만으로 어떤 경로가 효율적인가를 단정지을 수 없을 것 같다는 생각이었다. 또한 변수의 통제가 쉽지 않은 인사 데이터이기에, 여러가지 변수들이 고려되지 않은 단편적인 분석이었다는 한계점이 있었다.