A Systematic Literature Review of Data and Analysis Methods Used in HR Analytics Research

국내 HR Analytics 연구에서 활용한 데이터와 분석방법에 대한 체계적문헌고찰

Abstract

The purpose of this study was to explore the various data and methods employed by HR analytics studies. The researchers selected 78 KCI-indexed empirical articles on HR analytics and categorized them using the Employee Life Cycle framework. This yielded several important findings. First, employee retention has been the most common subject of extant studies, followed by performance management. Second, HR analytics studies have used a variety of data (structured and unstructured) according to their research questions, and the data sources have ranged from organizations' internal systems to national databases. Third, most domestic HR analytics studies have been descriptive and diagnostic, whereas predictive and prescriptive studies have been rare. These results have important theoretical and practical implications for future HR analytics research.

본 연구는 국내 HR Analytics 연구에서 활용한 데이터와 분석방법을 탐색하여 향후 연구를 위한 기초자료를 제공하고 HR Analytics 연구 현황을 밝히는 것을 목적으로 한다. 이를 위하여 체계적 문헌고찰 방법을 활용하여 국내 KCI 등재 학술지에 수록된 실증연구 논문 78편을 선정하였고 해당 논문을 근로자 생애주기에 따라 분류하여 검토하였다. 문헌고찰 결과 다음과 같은 결과를 얻을 수 있었다. 첫째, 근로자 생애주기에 따른 HR Analytics 연구 동향을 살펴본 결과, 선행연구에서는 구성원의 유지(retention)와 관련한 연구가 가장 많았고 성과 관리에 대한 연구가 그 뒤를 이었다. 둘째, HR Analytics 연구에서 사용한 데이터를 살펴본 결과 각 연구는 해당 연구문제에 따라 다양한 데이터(정형, 비정형)를 활용하고 있었으며 데이터 출처 또한 조직내부 시스템부터 국가 통계 DB까지 매우 다양한 것으로 확인하였다. 셋째, 문헌고찰 결과 국내 HR Analytics 연구는 기술적, 진단적 분석이 가장 많으며, 예측 및 처방과 관련한 연구는 미미한 수준임을 알 수 있었다.

I. 서론

불확실하고 복잡한 경영 환경 속에서 조직의 지속적인 성과 창출을 위해 데이터에 기반한 의사결정의 중요성은 날이 갈수록 강조되고 있다. 이렇게 증거기반 의사결정에 대한 관심이 높아지면서 조직에서는 최근 채용, 승진 대상자 선정, 이직 예측 등과 같이 조직이 당면한 인적자원관리와 관련한 이슈에 Human Resource Analytics(이하 HR Analytics)를 활용하여 문제에 대한 답을 찾으려는 노력을 하고 있다.

HR Analytics는 조직의 성과향상을 목적으로 증거기반 의사결정을 지원하는 프로세스로, 인적자원과 관련된 이슈나 문제점들을 데이터와 다양한 통계적 방법으로 구현이 가능한 테크놀로지를 활용해 분석하는 활동을 의미한다[1]. 과거에도 HR 부서에서는 조직 구성원에 대한 자료를 수집하고 분석하여 업무에 활용하였지만, 자료의 범위가 제한적이고 자료 분석이 초보적인 수준이어서 많은 경우 과거의 관행이나 관리자들의 직관과 경험에 의존한 의사결정을 하였다. 그러나 최근 기술의 발달로 조직 내외부에 대량의 데이터가 축적되고 이러한 데이터를 분석할 수 있는 방법론과 기술이 고도화되면서 HR Analytics에 대한 학계와 현장의 관심이 높아지고 있다.

실제로 Google, Xerox 등과 같은 글로벌 선진 기업들은 채용, 배치, 보상 등 인사와 관련한 중요한 의사결정에 HR Analytics를 활용하여 경영성과에 긍정적인 영향을 준 사례들을 보고하였다[2][3]. 그러나 한편으로는 아직까지 많은 기업에서 HR Analytics를 적용하는데 적지 않은 어려움을 겪고 있는 것으로 나타났다. HR Analytics가 제대로 구현이 되려면 의사결정권자들의 지원과 HR 담당자들의 데이터 분석 역량, 그리고 이해관계자들의 협업이 필요한데[4], 다수의 기업은 아직 내부적으로 HR Analytics를 적용할 준비가 되지 않았기 때문이다.

실제로 딜로이트가 140개국 10,400명의 HR 리더를 대상으로 실시한 설문조사에 따르면 약 8% 가량의 회사에서만 HR Analytics에 활용할 내부 데이터가 있다고 응답했으며 9%만이 관련 선행지식이 있다고 응답한 바 있다[5]. 뿐만 아니라 현재 HR 담당자들의 HR Analytics 활용 수준은 수집된 데이터를 토대로 원인 및 관련 변수들 간의 관계를 찾아내는 진단 및 기술 분석 수준에 머물러 있고, 향후 일어날 일을 예측하거나 처방하여 그에 대한 결과를 시뮬레이션하는 수준의 분석은 미비한 실정이다[6].

HR Analytics는 기존 HR에서 수행하던 분석과 몇 가지 차별점이 있는데 그 중 하나는 데이터의 다양성이고 또 하나는 맥락 의존성이다[7]. 조직에서 예측 및 처방 수준의 HR Analytics를 제대로 활용하려면 관련 데이터를 수집, 발굴, 활용하는 능력이 매우 중요한데 기계학습 알고리즘의 설명력과 예측력은 데이터의 신뢰성, 적절성, 참신성에 달려있기 때문이다[8]. HR Analytics는 HR 부서에서 전통적으로 사용하던 인사관련 데이터뿐만 아니라 조직 외부의 소셜 미디어 데이터, 조직 내 HR 외 시스템(예. 재무, 영업, 생산 등)에서 축적된 데이터, 설문 데이터 등 다양한 출처의 정형, 비정형 데이터를 활용한다. 따라서 성공적인 HR Analytics 활용을 위해 분석에 사용될 정확하고 관련된 데이터를 찾는 일은 매우 중요한 과정이다. 또한 HR Analytics는 특정 조직이 당면한 이슈를 해결하거나 특정 질문에 대한 답을 찾는데 그 목적이 있기 때문에 해당 조직의 맥락이 필연적으로 반영된다.

이에 본 연구에서는 지난 10년 동안 국내에서 수행된 인적자원관리와 관련된 연구들을 검토하여 HR Analytics를 활용하는 데 있어 어떤 데이터와 분석 방법이 사용되었는지 탐색하였다. 특히 인적자원관리 분야가 채용에서부터 유지, 퇴직까지 근로자의 조직 내 생애주기를 반영하고 있는 것을 감안하여 각 생애주기의 단계별로 데이터와 분석방법을 구분하여 살펴보았다. 뿐만 아니라 HR Analytics가 맥락 의존성이 강하다는 특징을 반영하여 연구가 수행된 배경을 공공기관과 민간기관으로 나누어 비교해 보고 분석하였다.

본 연구는 국내에서 수행된 연구 중에서도 실증연구를 중심으로 문헌을 고찰하여 상대적으로 HR Analytics 관련 연구에서 부족했던 실증연구 동향을 파악하는데 기여한다. 또한 연구자들이 활용한 데이터와 분석방법을 검토하여 향후 연구에 대한 기초자료를 제공하며 실무자들이 현장에서 HR Analytics를 활용할 때 어떠한 데이터를 활용하고 분석할 수 있는지 시사점을 제공하는데 그 의의가 있다.

II. HR Analytics 개념과 근로자 생애주기

1. HR Analytics

HR Analytics는 조직 내 디지털 트랜스포메이션의 일환으로 조직의 성과 향상과 증거기반 의사결정 지원을 목적으로 다양한 데이터를 활용하고 분석하는 활동을 의미하며[6], 연구자에 따라 human capital analytics, talent analytics, workforce analytics, people analytics 등의 용어로 사용된다. HR Analytics는 조직 내 단순한 현황 파악이나 문제의 원인 분석을 넘어 향후 어떤 일이 예측되는지 혹은 어떻게 의사결정 해야 하는지 등에 대한 답을 제공하여 조직의 전략실행에 영향을 미친다.

물론 HR Analytics 이전에도 데이터를 기반으로 HR과 관련된 업무를 처리하고 의사결정을 내리는 시도들이 있었다. 대표적으로 근태, 성과 등과 같이 인적자원관리의 효과성을 나타내는 HR 지표(HR Metrics)들과 그 지표를 관리하는 인적자원정보시스템(Human Resources Information System, HRIS)의 활용을 들 수 있다[9][10]. HRIS와 같은 시스템에서는 주로 지표 중심의 데이터 관리를 하고 저장된 데이터의 가공을 통해 인사관리, 급여, 복리후생 등의 업무를 간소화 할 수 있으며 조직의 현황에 대한 정보를 제공할 수 있다[11]. 그러나 이는 과거나 현재의 지표를 기술적으로 나타낼 뿐(descriptive analytics) 어떤 직원이 이직할 확률이 높은지, 누가 관리자로 승진했을 때 성과가 높을 것인지 등에 대한 답을 하는 데는 제약이 있다. HR Analytics는 데이터의 단순 요약뿐만 아니라 미래에 일어날 사건을 구체적으로 예측하고(predictive analytics) 처방 단계의 분석까지(prescriptive analytics) 포함하여 분석의 난이도가 높고 결과가 조직에 미치는 영향력과 기여하는 가치 또한 높은 편이다[6].

2. 근로자 생애주기

근로자 생애주기란 근로자가 한 조직에 입사해서 퇴직하는 시점까지 거치는 HR관련 프로세스를 의미하며 구체적으로는 채용(Hire), 적응(Onboard), 업무수행 환경(Work), 성과 평가(Evaluate), 관리와 유지(Retain), 퇴직(End)이라는 여섯 단계로 이루어진다[12][13].

채용은 직무 수행에 적합한 인재를 모집하여 지원자의 조직 적합성과 직무 적합성을 다양한 방법으로 검증하여 선발하는 전통적 인사관리 영역이다. 적응은 신규 입사자가 새로운 조직에 잘 적응할 수 있도록 돕는 활동으로 조직에서 제공하는 입문 교육과 각종 공식적 혹은 비공식적 조직 사회화 활동이 이에 포함된다. 업무수행 환경은 구성원이 가진 잠재 역량을 최대한 발휘할 수 있도록 협력적이고 생산적인 물리적 업무환경과 심리적 환경을 조성하는 것이다. 성과 평가란 조직과 개인이 사전에 합의한 목표와 평가 지표를 기준으로 개인의 업무 성과를 평가하는 것으로 평가 결과는 보상의 기준으로 활용된다. 관리와 유지는 구성원을 끊임없이 육성하고 적합한 업무에 배치하여 이직을 방지하고 조직과 업무에 몰입도를 높이는 것을 의미한다. 퇴직은 구성원의 이직 등으로 구성원에 의한 자발적인 고용 관계의 종료를 의미한다.

본 연구에서는 기존의 근로자 생애주기 단계를 연구목적에 맞게 일부 변형하여 활용하였다. 기존 생애주기 단계에서는 구성원 배치나 이직 등 중요한 프로세스가 누락 되었으며 ‘업무 수행 환경’과 같은 용어가 생애주기 프로세스를 설명하는데 모호하다고 판단하여 채용, 선발 및 배치, 적응, 교육훈련, 성과관리, 유지, 이직 및 퇴직 7단계로 용어를 일부 조정하고 단계를 세분화하였다. 세부 단계는 다시 확보 및 계획(Planning), 개발 및 육성 (Developing), 활용(Utilizing), 이직 및 퇴직(Ending)으로 구분하여 정리하였다[표 1].

표 1. 근로자 생애주기에 기반한 HR 프로세스

III. 연구방법

본 연구는 HR Analytics와 관련된 국내 연구자료를 확보하기 위하여 다음과 같은 절차를 거쳤다. 우선 분석 대상 논문 수집을 위하여 RISS, KCI, DBpia, Kiss 데이터베이스를 활용하였으며 기간은 2012년부터 2022년 4월까지 10년으로 한정하였다. 분석 대상 논문은 한국연구재단에 등재된 학술지에 실린 논문으로 제한하였으며 제목에 ‘HR analytics’, ‘people analytics’ ‘talent analytics’, ‘workforce analytics’, ‘human capital analytics’, ‘인사관리분석’, ‘인재분석’, ‘인력분석’, ‘HRM big data’, ‘human capital big data’, ‘workforce big data’ 등의 키워드가 들어가는 논문을 검색하였다. 검색한 논문 중에서 표면적으로 HR Analytics를 주제로 하지 않았더라도, 큰 틀에서 연구문제와 주제가 HR Analytics 범주에 포함되는 경우 분석 대상 논문으로 포함하였다. 이를 통해 총 880편의 논문을 수집하였고 이 중에서 중복으로 검색된 논문 237편을 제외하였다. 연구자들은 분석 대상 논문을 선정하기에 앞서 연구 맥락과 연구 대상이 일터 및 근로자와 관련이 없는 경우 분석 대상에서 제외하였고 그 결과 517개의 논문이 추가로 삭제되고 126편의 논문이 남았다. 그 중에서 동료심사를 거치지 않았거나 질적 연구, 문헌고찰 연구, 이론적 프레임워크를 제시한 논문 역시 분석 대상에서 제외하였다. 이러한 과정을 통해 최종적으로 78편의 논문을 분석 대상으로 선정하였으며 구체적인 문헌 선별 기준과 절차는 [그림 1]과 같다.

그림 1. 문헌 선정 절차

연구자들은 최종적으로 선정된 논문을 읽고, 연구목적에 따라 논문에 사용된 데이터와 분석 방법을 엑셀 파일에 코딩하였고 이를 근로자 생애주기 기준에 따라 분류하였다. 생애주기는 Planning, Developing, Utilizing, Ending 4단계로 구분하였으며, 영역이 중복되는 연구의 경우 중복하여 카운트하였다. 또한 연구가 이루어진 맥락에 따라 공공기관과 민간기업을 분류하였으며, 이때 사기업을 대상으로 이루어진 연구인 경우 ‘민간기업’으로 분류하였고 급여 제공의 주체가 국가기관인 경우는 ‘공공기관’으로 분류하였다. 예를 들어, 일반 사립병원의 경우는 민간기업으로, 보건소의 경우는 공공기관으로 분류하였다.

IV. 연구결과

1. HR Analytics 연구동향

최근 10년간 HR Analytics와 관련한 실증연구 출판 추이를 살펴보면, 2013년을 기점으로 관련 연구가 증가하기 시작했으며 2016년과 2019년도에 소폭 하락하였으나 다시 전반적으로 증가하는 추세를 나타내고 있다. 이를 연구맥락에 따라 구분해 보면 민간기업 대상 연구는 37편(47.4%), 공공기관 대상 연구는 41편(52.6%)으로 나타났다. 민간기업을 배경으로 하는 논문의 경우 2018년 이후 논문 편 수가 꾸준히 증가하고 있으며, 공공기관은 소폭 하락하였다가 다시 상승하고 있다. 공공기관 대상의 연구가 민간기업 보다 4편 더 많았지만 그 차이가 미미하여 HR Analytics에 대한 연구는 지금까지 민간기업과 공공기관 양쪽에서 모두 관심을 가지고 활발하게 이루어졌음을 알 수 있었다.

그림 2. HR Analytics 연구 연도별 분포

근로자 생애주기 단계별 국내 HR Analytics 논문의 분포는 [그림 3]과 같다. 분석 결과 전체 78개 문헌 중 확보 및 계획(Planning) 단계 문헌은 16편, 개발 및 육성(Developing) 단계 문헌은 12편, 활용(Utilizing) 단계 문헌은 44편, 이직 및 퇴직(Ending) 단계 문헌은 13편이다. 이를 종합해 보았을 때, 직원들의 성과를 관리하고 조직몰입을 지원하는 등의 활용(Utilizing)과 관련한 연구가(56.4%) 가장 활발히 이뤄지고 있음을 확인할 수 있었다. 나머지 세 단계는 그 차이가 미미하였다.

그림 3. 근로자 생애주기 단계별 국내 HR Analytics 논문 수

2. 생애주기 단계별 데이터와 데이터 분석 방법

2.1 확보 및 계획(Planning)

생애주기 단계별로 문헌을 살펴본 결과 본 연구에서 분석한 78개 문헌 중 16편이 확보 및 계획(Planning) 단계를 다루고 있었으며, 구체적으로 채용과 관련한 논문이 13편(16.67%), 배치와 관련된 논문은 3편(3.85%) 이 있었다. 확보 및 계획(Planning)과 관련된 데이터의 종류와 데이터 출처 및 분석 방법은 [표 2]에 요약되어 있다.

표 2. 확보 및 계획(Planning) 단계의 문헌분석 결과

채용과 관련한 연구는 인구통계학적 데이터, 조직 현황, 인재상, 조직 환경 등의 데이터를 활용하고 있었는데 그 중에서도 인재상과 조직현황에 대한 데이터가 빈번하게 활용되었다[14][15]. 임정연[15]은 미래 융합 기술사회에서 원하는 전자기업의 인재상을 제시하기 위하여 100여 개 기업의 채용공고에서 제시하는 인재상을 수집하여 분석하였다. 조직현황으로는 연도별 채용실태 데이터, 고용인원, 근무형태, 근무시간, 근무 강도 등에 대한 데이터가 수집되었다. 기타 교육 인프라, 법이나 제도적 환경, 정치/경제/인구학적 환경 등에 대한 데이터도 활용됨을 확인할 수 있다[16][17].

배치 단계와 관련한 데이터로는 조직 현황 및 조직원 수요 등이 있었다. 현영섭[18]은 평생 교육사의 인력배치와 관련하여 평생교육원 학습자 수, 운영 프로그램 수, 기관 직원 수, 기관 유형, 지역 유형 및 인구수에 대한 데이터를 수집하였으며, 조준택과 성시경[19]은 경찰 인력 배분과 관련하여 경찰관 수, 차량 수, 총 범죄 검거 건수, 즉심 청구 건수, 시위동원 경찰관 수에 대한 데이터를 수집하였다. 또한 신수용 등[20]은 국내 기업의 행상 운송 서비스 해외 진출을 위한 한국계 포워더 수요 및 인력배치와 관련하여 현지 로컬 포워더 이용 경험 및 이용 만족도, 한국계 포워더 이용 경험 및 이용 의향, 인원 수요에 대한 데이터를 수집하여 분석하였다.

데이터 출처로는 설문조사와 패널 데이터가 가장 많이 활용되었으며, 다음으로 각종 기관(한국교육개발원, 통계청, 경찰청 등)에서 제시한 통계 자료들이 활용되었다. 또한 기업 채용 공고문 및 기업 홈페이지 등 인터넷에서 제공되는 비정형 자료가 활용되었다.

데이터 분석 방법을 살펴보면, 패널 데이터와 설문 조사에서 수집한 데이터는 변수 간의 관계성을 확인하기 위해 회귀분석이 가장 많이 활용되었으며[21-24], 이외에도 전체 데이터를 몇 개의 소집단으로 분류하여 예측을 수행하는 의사결정나무분석과[17] 선호하는 요인을 분석하여 수요를 예측하는 컨조인트 분석[25] 등이 활용되었다. 또한 기업의 인재상 데이터 분석을 위해 변인 간의 연결 상태와 관계를 파악하는 사회연결망 분석과[26] 복잡한 변인 간의 관계성을 단순화하는 네트워크 분석이[27] 실시되었다.

데이터 분석 내용을 들여다보면 조직이 어떻게 해야 하는지 알려주는 처방 수준의 활용이 5건으로 가장 높게 나타났으며, 다음으로 왜 발생했는지에 대한 진단적 수준의 활용 빈도가 4건으로 높게 나타났다. 예측과 기술적 수준의 활용 빈도는 각 3건 실시됨을 확인하였다.

확보 및 계획(Planning) 단계에서 공공기관과 민간기업의 데이터 활용 동향을 비교해 보면, 채용에서 공공기관은 근무 제도나 지역인재 채용실태, 균형인사정책과 같이 채용과 관련된 정책에 대한 데이터와 공공기관 현황이나 성과 같이 공공기관의 특성을 반영한 데이터를 주로 수집하는 것으로 나타났다[16][17][21][23] [25][28][[29][30]. 반면, 민간기업에서는 기업의 인재상이나 근무 형태와 같이 개별 기업에서 나타나는 특성을 파악하는 데이터를 수집하는 것을 확인할 수 있다 [14][15][24][31][32]. 선발 및 배치 단계에서도 공공기관은 기관의 유형과 직원 수 등 조직적 측면에 대한 데이터를 수집한 반면[18][19], 민간기업에서는 인력 수요 현황이나 예산에 대한 데이터를 수집하고 있었다 [20]. 데이터 출처의 경우, 공공기관은 공공기관 홈페이지나 국가통계포털과 같이 국가에서 공식적으로 공개하는 패널데이터나 통계포털의 자료가 주요 출처였으며, 민간기업은 각 기업의 홈페이지나 기업 실태조사, 설문조사와 같이 기업에 개별적인 접근을 통해 데이터를 수집한 것으로 나타났다.

2.2 개발 및 육성(Developing)

개발 및 육성(Developing) 단계와 관련된 문헌에서 수집된 데이터의 종류와 출처, 분석 방법을 요약한 결과는 [표 3]과 같다. 본 연구의 분석 대상 논문 78편 중 적응에 해당하는 문헌은 없었으며, 교육훈련에 해당하는 문헌은 12개(15.38%)로 나타났다.

표 3. 개발 및 육성(Developing) 단계의 문헌분석 결과

교육훈련과 관련하여 수집된 데이터는 크게 교육훈련, 직무, 제도, 학습자의 정의적 측면으로 분류될 수 있다. 교육훈련에 해당하는 데이터로는 프로그램의 학습 유형이나 학습 성과, 학습 전이, 교육 요구도 데이터가 있고[22][27][33], 직무와 관련해서는 조직원의 직무 능력, 직무 속성, 역량에 대한 데이터(사회적, 창의적, 도전성취, 글로벌, 직무, 기업가 역량)가 수집된 것으로 확인하였다[34-36]. 조직 측면에서는 교육 훈련이 인사제도(근무평가, 보상, 승진, 배치, 전환)에 반영되는 수준 또는 반영 방법(시간, 성적)에 대한 데이터가 수집되었으며[37], 정의적 측면으로는 교육 결과에 해당하는 조직 몰입, 자기 효능감에 대한 데이터가 수집되었다 [27][38].

대표적인 예로 심용보, 장철기[33]는 건설기술인력의 일터학습 참여와 관련하여 기업에 제도화된 4가지 형식 학습 프로그램(집체식 사내교육, 집체식 사외교육, 인터넷 교육, 국내 연수)에 대한 근로자의 참여와 무형식 학습 프로그램(OJT, 제안제도, 코칭/멘토링, 품질분임조)에 대한 데이터를 수집하였으며, 홍민철 등[39]은 공무원 교육훈련의 교육성과 효과성 측정을 위해 공무원 교육훈련의 교수자의 역량과 교수자에 대한 학습자의 만족, 교육자료 및 교육 매체의 만족에 대한 데이터를 수집했다. 윤현진 등[27]은 과학기술인력을 위한 재교육 프로그램의 학습전이 영향요인의 규명을 위하여 재교육 프로그램과 학습자특성 요인(자기효능감, 학습 동기, 전이동기), 교육훈련설계 요인(교육내용, 강사능력, 전이설계), 업무환경 요인(상사지원, 동료지원, 변화가능성)에 대한 데이터를 수집하여 분석에 이용하였다.

주요 데이터 출처는 설문 조사를 통해 데이터를 수집한 연구가 7개로 가장 많았고, 다음으로 인적자원기업패널 데이터를 활용한 연구가 3개로 나타났다. 데이터 활용 수준의 경우, 데이터 분석을 통해 교육의 효과성을 측정한 진단 수준의 연구가 8건으로 가장 높게 나타났으며, 교육훈련에 대한 기술적 수준의 연구가 4건 실시됨을 확인하였다.

Developing 단계에서 공공기관과 민간기업의 데이터 활용 동향을 비교한 결과는 [표 3]과 같다. 공공기관은 프로그램 만족도나 교육 성과, 학습 전이와 같이 프로그램의 효과에 초점을 맞춘 데이터를 분석 대상으로 삼고 있었다. 민간기업에서도 교육훈련 만족도와 직무수행 능력과 같이 프로그램의 효과성과 관련된 데이터를 수집하고 있었으나, 교육 훈련의 결과를 인사 제도에 반영하는 정도에 대한 데이터도 여러 연구에서 확인되었다는 점에서 차이가 있다. 데이터 출처나 분석 방법의 경우 설문조사와 패널데이터에서 수집한 데이터를 주로 회귀 분석을 통해 분석하였다는 유사점을 확인할 수 있다.

2.3 활용(Utilizing)

활용(Utilizing) 단계와 관련된 문헌에서 수집된 데이터의 종류와 수집 방법, 분석 방법 및 활용 정도를 분석한 결과는 [표 4]와 같다. 본 연구에서 분석한 78개 문헌 중 16개(20.51%)는 성과관리에 해당하였으며, 28개(35.9%)는 유지에 포함되는 것으로 나타났다.

표 4. 활용(Utilizing) 단계의 문헌분석 결과

성과관리로 수집된 데이터는 크게 조직 측면과 개인 측면으로 분류할 수 있었는데 조직 측면에 해당하는 데이터들은 주로 공정성이나(예: 분배공정성, 성과평가 공정성 등) 성과 결과에 대한 데이터(예: HR 부문 성과, 경영 성과, 기업 성과)를 분석 대상으로 선정하였다 [40-43]. 또한 저성과자에 대한 데이터도 성과관리에서 수집되었다[26][40]. 개인 측면에 해당하는 데이터의 경우, 직무 자율성이나 직무 만족, 조직몰입 등과 같은 데이터가 포함되었다[44][45].

예컨대 성과관리에서 홍성민 등[32]은 국가인력양성사업의 성과 결과를 분석하고자 에너지 인력양성사업의 성과기준(KPI)의 지표인 참여기업 취업 인원, 기업 연계율, SCI 등재 논문 수 등의 데이터를 수집하였다. 또한 이중학 등[42]은 가설 검정과 예측 모델의 차이점을 확인하는 과정에서 A사의 AC(Assessment Center) 의 전반적인 평가 결과와 역량평가 결과, 근속 연한 등 개인 성과 데이터를 활용하여 살펴보았다.

주요 데이터 출처는 설문 조사와 패널 데이터가 있었으며, 패널 데이터의 경우 한국직업능력개발원에서 제공하는 자료가 사용되었다. 이외에도 연구보고서나 평가센터(AC)의 자료가 사용되고 있음을 확인하였다. 데이터 분석 방법은 구조방정식과 회귀분석과 같이 변수 간 관계를 파악하고자 하는 기법이 가장 빈번하게 사용되었다. 이외에도 빈도분석이나 교차분석도 실시된 바 있다. 변수 간의 관계를 확인하는 분석 방법이 가장 많이 사용됨에 따라 데이터 활용 수준도 진단 수준이 가장 높은 것으로 나타났으며, 일부 연구에서는 예측 수준의 분석을 실시하였다. 또한 빈도분석을 통해 현 상태에 대한 기술 수준의 분석을 실시한 연구도 제시되었다.

다음으로 유지에서 수집된 데이터로는 성별이나 연령, 직급, 학력 수준, 근무연수와 같은 인구통계학적 데이터, 조직 구성원의 정의적 측면, 직무에 대한 인식, 근무환경, 인사 정책에 대한 인식 등이 있었다. 이중학 등[46]은 위기 리더십을 정의하기 위해 A사 직원들을 대상으로 한 설문을 통하여 조직 변화를 위해서 필요한 조직문화 및 리더십의 변화에 대한 주관식 키워드를 수집하였다. 이희승[47]은 요양보호사의 근속 영향요인을 파악하기 위해 장기요양인력, 건강보험자격, 장기요양기관 기본현황 등에 대한 데이터베이스를 활용하였다.

특히 유지 단계는 조직 구성원의 정의적 측면에 대한 데이터 비율이 다른 단계에 비해 높게 나타났다. 구체적으로, 구성원의 정서적 몰입이나 조직몰입, 자기효능감과 같이 직장에서 업무를 수행하는 과정에서 개인이 관여하는 정도와 업무에 효능감에 대한 데이터가 수집되었다[38][45][48-52]. 더불어 고용 불안정성에 대한 지각이나 업무 스트레스, 직무 번아웃, 감정노동과 같이 업무 과정에서 가질 수 있는 부정적 감정에 대한 데이터도 사용되었음을 알 수 있다[53-55]. 또한 인사 정책과 관련된 데이터도 유지 단계에서 빈번하게 수집되었다. 예를 들어, 균형적인 인사 정책이나 인사시스템의 투명성에 대한 조직 구성원의 인식, 인재 우대 정책에 대한 데이터가 주로 활용되었음을 알 수 있다 [21][56][57].

데이터 출처로는 설문조사가 가장 많이 활용되었으며, 이어서 패널데이터를 분석 데이터로 사용되었다. 패널데이터 중에서는 인적자본기업패널(Human Capital Corporate Panel, HCCP) 데이터가 가장 많이 활용되었으며, 여성관리자 패널도 활용된 바 있다. 패널데이터 이외에 언론자료[21]나 심층 인터뷰[58], 기업정보 데이터베이스[59] 등이 사용되었다. 데이터 분석 방법을 살펴보면, 설문조사의 경우 변수 간 관계를 분석하는 회귀분석이나 구조방정식이 사용되었으며, 집단 간 차이를 검증하는 분산분석이나 t검정도 활용되었다. 패널데이터의 경우 다양한 수준이나 차원에 대한 분석 기법과 다수준 로지스틱이나 위계적 선형분석이 활용된 바 있다. 이외에 머신러닝 기법의 인공신경망분석(ANN)[60]과 토픽모델링(Latent Dirichlet Allocation, LDA) 분석[46]이 실시되었으며, 중요도 분석 기법인 AHP[61], 사회 연결망 분석(SNA)[48] 등이 수행되었다. 데이터 활용 수준의 경우, 데이터 분석을 통해 특정 행위나 사건이 왜 발생하였는지 나타내는 진단 수준의 활용 빈도가 가장 높게 나타났으며, 무엇이 발생했는지에 대한 기술적 수준의 활용 빈도가 다음으로 높게 나 타났다. 예측의 경우 인공신경망분석을 실시한 연구에서 1건 실시되었다.

활용(Utilizing) 단계에서 공공기관과 민간기업의 데이터 활용 동향을 비교한 결과는 [표 4]와 같다. 연구에 사용된 데이터를 통해 살펴보면 공공기관에서는 인사관리의 효과성이나 성과평가 공정성, 조직 공정성과 같이 조직 내부의 문화와 시스템의 공정성에 대한 내용에 관심이 많았으며[21][62][63], 민간기업에서는 기업 성과나 경영 성과와 같이 기업의 이윤과 직결된 변수, 그리고 이직 예방이나 인재우대 정책과 같은 변수를 주로 다루고 있었다[45][57][59][60].

유지의 경우, 공공기관 관련 연구들은 보직 근무년수나 근무 조건, 균형인사정책, 인사상 성차별 요인과 같이 구조적 차원의 데이터를 주로 분석한 반면, 민간기업에서는 노후보장이나 인력 구조조정, 고용 불안정성과 같은 데이터를 수집하고 있어 이직과 퇴사율이 높은 민간기업의 특성을 반영하고 있음을 확인할 수 있다. 또한 민간기업에서는 번아웃(burnout)이나 직무 스트레스, 대인갈등, 동료와의 친밀도 등 심리적이거나 정서적인 측면 또는 대인관계 측면에 대한 데이터도 활용하였다는 측면에서 공공기관과의 차이를 확인할 수 있다.

2.4 이직 및 퇴직(Ending)

이직 및 퇴직(Ending)에 해당하는 문헌에서 수집된 데이터의 종류와 데이터의 출처, 그리고 분석 방법과 활용 수준을 분석한 결과는 [표 5]과 같다. 본 연구에서 이직 및 퇴직에 포함되는 문헌은 13개(16.67%)로 나타났다.

표 5. 이직 및 퇴직(Ending) 단계의 문헌분석 결과

이직 및 퇴직과 관련하여 수집된 데이터로는 거주 도시와 도시의 발전 정도, 직무 관련 경험, 학력, 경력과 같은 인구통계학적 데이터, 조직 차원의 업무환경, 조직원의 직무 수행 및 성과, 이직 의도, 그리고 조직원의 정서적 요소가 있다. 이직 및 퇴직 단계에서 특히 부각되는 데이터로는 조직 구성원이 인식하는 상사나 조직 혹은 사회적 지원 정도가 있다. 또한 개인의 발전적 혹은 갈등적 이직 의도에 대한 데이터도 사용되었다. 이 외에도 개인-직무 적합성과 개인-조직 적합성, 업무 수행 평가 결과, 수행 프로젝트 수, 승진 여부 등 직무 수행 과정을 평가할 수 있는 데이터와 수행 결과를 측정하는 데이터도 수집되었다. 기타 고용 안정성이나 회사 유형, 통제형 인사관리 정도, 인력 구조조정 등 조직 차원의 요소도 해당 단계에 분석된 데이터로 나타났다.

대표적으로 박연정 등[64]은 HR 데이터 기반의 퇴사 예측모델을 개발하기 위하여 거주 도시와 도시의 발전 정도, 전공, 교육 수준, 현 직장의 유형, 퇴사 여부 등의 데이터를 수집하였으며, 윤유동 등[65] 또한 기계학습법 기반의 퇴직 예측 모델을 개발하기 위해 직원의 만족도, 직원의 마지막 평가, 수행 프로젝트 수, 월평균 근무시간, 퇴직여부 등의 데이터를 살펴보았다. 이중학 등[66]은 퇴임할 확률이 높은 역량을 파악하기 위해 P사의 인구통계학적 데이터와 업적 및 역량 평가 점수를 활용하였다.

데이터 출처로는 캐글(Kaggle)에서 제공하는 HR analytics를 위한 데이터를 활용한 연구가 2건이었으며, 특정 기업의 평가센터(Assessment Center, AC) 데이터를 사용한 연구도 1건 있었다. 다른 단계와 유사하게 설문조사와 패널 데이터도 사용되었음을 확인할 수 있다. 데이터 분석 방법의 경우, Kaggle의 데이터셋을 활용한 2건의 연구에서 머신러닝 중 지도 학습 기법에 해당하는 의사결정나무(Decision tree), k-최근접 이웃 회귀(KNN), 서포트 백터 머신(SVM) 등을 사용하 였다. 또한 패널데이터를 활용한 잠재성장모형 분석과 AC데이터를 대상으로 베이지안 통계 분석도 수행되었음을 확인할 수 있다. 데이터 활용 수준을 살펴보면, 머신러닝 분석을 실시한 연구의 경우 퇴직 여부를 예측하는 모형을 탐색함으로써 데이터를 예측 수준에서 활용하였음을 알 수 있다. 이외에도 회귀분석이나 구조방정식을 통해 진단 수준의 분석도 실시되었음을 확인할 수 있다.

V. 결론 및 논의

본 연구는 지난 10년간 국내에서 발표된 HR Analytics 관련 논문을 통합적으로 고찰하였다. 체계적 문헌고찰 단계에 따라 관련 키워드를 통해 문헌을 수집하였고 사전에 합의한 기준에 따라 논문을 선별하여 최종 78개의 논문을 선정하고 검토하였다. 연구자들은 선정된 논문이 어떤 데이터를 어떻게 분석했는지 근로자 생애주기와 기관 맥락에 따라 살펴보고 연구의 맥락에 따라 데이터의 종류, 출처, 분석 방법을 비교해 보았다. 본 연구는 다음과 같은 시사점을 제시한다.

첫째, 근로자 생애주기에 따른 HR Analytics 연구 동향을 살펴본 결과, 선행연구에서는 활용(Utilizing)에 해당하는 연구가 가장 활발하게 이루어지는 것으로 나타났다. 특히 활용의 세부 단계인 ‘유지’와 관련한 연구 (28개, 32.9%)가 가장 많았고 ‘성과관리’(16개, 18.8%) 에 대한 연구가 뒤를 이었다. HR Analytics가 조직의 실질적이고 중요한 문제해결을 위해 활용된다는 사실을 감안했을 때 본 연구 결과를 통해 현재 조직은 구성원의 몰입과 성과관리에 많은 관심을 가지고 있음을 알 수 있다. 또한 국외 HR Analytics 동향 연구에서도 성과관리에 대한 연구는 두 번째로 많은 비중을 차지한 바 있기에 국내외 모두 성과관리 관련 연구가 활발히 이뤄지고 있음을 짐작할 수 있다[68]. 다음으로는 확보 및 계획(Planning)에 해당하는 ‘채용’(13개, 15.3%)에 대한 연구가 많았다. 이는 최근 기업에서 자동화된 이력서 평가, AI를 활용한 면접 등 채용관련 의사결정을 데이터에 기반하여 실시하려는 노력과 그 맥락을 같이 한다. 국외에서도 채용에 대한 연구는 35편 이상으로 가장 많은 수를 차지하여, 성과관리와 마찬가지로 높은 관심이 있는 주제임을 확인할 수 있었다[68]. 그러나 개발 및 육성(Developing)의 ‘적응’과 확보 및 계획(Planning)의 ‘배치’와 관련된 연구는 많지 않았는데, 이는 관련 데이터 수집이 어렵고 특히 부서 이동과 같은 데이터는 보안 이슈 등으로 인하여 외부에서 데이터에 접근하는데 어려움이 있었기 때문으로 예상한다. 그러나 신규 입사자의 빠른 조직 적응과 새로운 업무로의 이동 배치는 HR의 중요한 기능으로 향후 이와 관련한 연구가 확대된다면 현업에 많은 도움을 줄 수 있을 것으로 기대된다.

또한 관련 데이터를 창의적으로 발굴하고 수집하려는 노력 또한 필요하다. 선행연구를 살펴본 결과, HR Analytics 연구는 현재 개념적 연구를 위주로 이루어져 경험적 연구가 매우 부족한 실정이다[6][10]. HR Analytics의 경험적 연구와 현업에서의 활용 촉진을 위해서는 조직이 다양하고 질 높은 데이터를 확보하는 것이 가장 시급하다[67]. 예측과 관련한 조직 내 관리되고 있는 HR 관련 데이터는 정형적이며 본 연구는 HR Analytics와 관련된 경험적 연구들을 중심으로 문헌을 고찰하고 그 연구들이 사용한 데이터와 데이터 출처, 분석 방법을 정리하여 HR Analytics 연구자들과 실무자들에게 향후 관련 연구나 실무 프로젝트를 기획할 때 가이드를 제공할 수 있다.

둘째, HR Analytics 연구에서 사용한 데이터를 살펴본 결과 각 연구는 해당 연구문제에 따라 다양한 데이터(정형, 비정형)를 활용하고 있었으며 데이터 출처 또한 조직 내부 시스템부터 국가 통계 DB까지 매우 다양한 것으로 확인하였다. HR Analytics는 조직이 당면한 이슈에 대한 답을 찾는 과정으로 문제에 따라 활용될 수 있는 데이터가 다양하며 이때 어떤 데이터를 활용할 것인지는 HR Analytics 담당자의 역량과 창의성에 달려있다. 특히 머신러닝 등 복잡한 연산과정을 거치는 분석은 충분한 양의 데이터가 필요하며 데이터 양뿐만이 아니라 데이터의 질(quality)도 매우 중요하다[6]. 본 연구에서 분석된 논문들은 정형 데이터와 비정형 데이터를 모두 다루고 있지만 주로 정형 데이터를 사용하였고 비정형 데이터도 텍스트 위주의 데이터가 많았다. 국외 연구에서 영상 데이터 및 웨어러블 센서 데이터도 사용됨을 감안했을 때[69], 향후에는 국내에서도 텍스트 데이터 외에도 영상, 음성 등 다양한 데이터를 활용하여 연구를 진행할 수 있을 것이다.

HR Analytics는 맥락 의존성이 있어 연구에 사용한 데이터를 공공기관과 민간기업으로 나누어 살펴보았다. 그 결과 공공기관과 민간기업이 사용한 데이터 종류에서 일부 차이가 나타나는 것을 확인하였다. 공공기관의 경우 채용 제도나 시스템의 공정성과 같이 조직의 구조적 측면에 대한 데이터가 많이 사용된 반면, 민간기업은 교육훈련이나 직무수행 성과와 승진, 이직, 퇴직과 같은 데이터가 분석되고 있음을 확인하였다. 또한 민간기업에서 조직원의 심리적인 측면의 요소와 이직에 대해 더욱 빈번하게 탐색하고 있었는데 이를 통해 공공기관은 조직의 환경적, 정책적 요소에 더 높은 관심이 있으며 민간기업은 조직원의 태도와 갈등, 성과, 이직에 관심이 높음을 알 수 있었다.

마지막으로 본 연구는 선행연구의 분석방법을 검토하였다. 분석 결과 국내 HR Analytics 연구는 기술적, 진단적 분석이 가장 많으며, 예측 및 처방과 관련한 연구는 미미한 수준임을 알 수 있었다. 구체적으로 선행연구를 검토한 결과 진단적 수준의 연구(41개, 52.1%) 가 가장 활발하게 이루어졌으며, 기술적 수준(18개, 23.1%), 예측 수준(10개, 12.8%), 처방 수준(9개, 11.5%) 순으로 이루어짐을 확인하였다. 이러한 결과는 현재 HR Analytics의 연구가 기술 분석 영역과 예측 분석영역의 사이에 위치할 것이라고 판단한 송기륭과 김경석[6]의 연구 결과와 같은 맥락으로 볼 수 있다.

이와 같은 결과를 통해 향후 국내 HR Analytics 연구가 예측 및 처방 단계의 분석 발전하기 위해서는 양질의 데이터 확보와 HR 담당자의 데이터 분석역량 향상이 전제되어야 한다. 현재 많은 기업에서 시스템을 통해 HR 데이터를 체계적으로 수집하고 있지만 개인정보 보호 및 정보 보안 문제로 데이터를 연구에서 활용하기 어려운 실정이다. 이로 인해 다수의 HR Analytics 연구가 조직 구성원 대상 설문 조사 혹은 기업 홈페이지나 공개된 통계자료를 활용하고 있다. 실제로 선행연구에서는 연구자들이 데이터를 수집하기 위하여 설문조사를 가장 활발하게 활용하였으며, 다음으로 패널 데이터를 통해 데이터를 분석하였음을 확인하였다. 예측과 처방 수준의 연구를 수행하려면 다수의 변수를 바탕으로 복잡한 연산을 거쳐야 하며 최적의 모델을 찾아내기 위해서는 충분한 데이터가 수반이 되어야 한다[6]. 따라서 조직에서는 데이터 획득, 축적, 관리를 위한 시스템을 구축해야 하며 HR Analytics 활용을 촉진하기 위해서는 데이터 확보와 함께 데이터 분석 역량 또한 향상해야 한다.

본 연구는 국내 HR Analytics 연구에서 사용한 데이터와 분석방법을 검토하였다는 데에 의의가 있지만 분석 대상 논문을 국내 문헌으로 한정한 제한점이 있다. 아직 국내에서 HR Analytics에 대한 학술적 논의는 초기 단계에 있다고 볼 수 있다[6][10]. 따라서 국내 문헌만으로 HR Analytics의 데이터 활용 동향을 일반화하기는 어려우며 향후 연구에서 국내뿐 아니라 해외 문헌을 포함한다면 다양한 데이터와 데이터 소스 확인을 통해 HR Analytics의 동향을 보다 정확하게 파악할 수 있을 것이다.

날이 갈수록 데이터의 양은 기하급수적으로 늘어가고 분석 방법 또한 빠르게 발전하고 있다. HR Analytics가 인적자원관리와 관련한 모든 문제를 해결해 줄 수는 없지만, 데이터에 기반한 의사결정이라는 거대한 패러다임은 이미 조직을 지배하고 있다. 따라서 HR 분야의 연구자들과 담당자들은 데이터를 통해 조직이 당면한 문제를 해결하고 조직의 성과 향상에 기여할 수 있도록 관련 데이터를 찾아내고 관리하고 데이터를 활용할 수 있는 분석역량을 꾸준히 키워야 할 것이다.