People Analytics.170420

1 © IDK2 Inc. All Rights Reserved. I Don’t Know What I Don’t Know
People Analytics
Background
What & Why
Process & Technique
Case Study
아이디케이스퀘어드 양승준
sidney.yang@idk2.co.kr
2017.04

AI and Machine Learning – Human Intelligence
지능 (Intelligence)
다양한 환경에서 복잡한
의사결정 문제를 해결하는 능력
의사결정 과정
1. 상황 파악: 입력 신호와 경험 정보를 분석
2. 추론/판단: 정보를 통합, 실용적 결론 도출

린다는 올해 31살로 아직 싱글이며 매우 솔직하고 총명한
여성이다. 철학을 전공했으며 학창시절 소수자 차별과 사
회정의 문제에 깊은 관심을 가졌으며 비핵화 운동에도 활
발하게 참여하였다.
Q. 아래 두가지 문장 중 개연성이 더 높은 것은?
1) 린다는 은행원이다.
2) 린다는 은행원이며 페미니스트 활동가로 활약하고 있다.
The Linda Problem

The Linda Problem
Plausibility vs. Probability
린다는 올해 31살로 아직 싱글이며 매우 솔직하고 총명한
여성이다. 철학을 전공했으며 학창시절 소수자 차별과 사
회정의 문제에 깊은 관심을 가졌으며 비핵화 운동에도.
Q. 아래 두가지 문장 중 개연성이 더 높은 것은?
1) 린다는 은행원이다.
2) 린다는 은행원이며 페미니스트 활동가로 활약하고 있다.
은행원
페미니스트
활동가

합리성(Rationality)
효용(Utility)을 고려 최선의 방법을 선택
완전한 정보 + 모든 가능성 고려
의사결정 잘 하고 있나요?
• 제한된 합리성: 최적의 결정 vs. 만족스러운
결정; Heuristics
• 뇌: 인지적 구두쇠; 유전자 생존기계; 자유의지

AI and Machine Learning
인간처럼 생각하기
Thinking Humanly
합리적으로 생각하기
Thinking Rationally
인간처럼 행동하기
Acting Humanly
합리적으로 행동하기
Acting Rationally
인공지능, 네가지 접근방법
합리화 vs. 합리적

AI and Machine Learning
AI
Machine
Learning
Regression
Decision Tree
Deep Learning
.....
Robotics
.....
Machine Learning: 의사결정 기술
인공지능의 한 분야로 사람으로부터 아주 제한된 지시만 받고
주어진 데이터를 학습‧분석하여 패턴을 추출하는 기술
White
Box
Black
Box
인간처럼 생각하기
Thinking Humanly
합리적으로 생각하기
Thinking Rationally
인간처럼 행동하기
Acting Humanly
합리적으로 행동하기
Acting Rationally

Machine Learning
Supervised Machine Learning (지도 학습)
설명/예측하고 싶은 변수(종속변수)에 대한
측정값(Label)이 충분히 존재하는 경우
방 갯수 넓이 (평) 동네 가격(억)
3 35 강남 9.5
2 25 강북 3.5
2 21 강북 3.2
1 18 강남 3.5
4 45 강북 4.7
. . . .
예측
? = 6.1억
Machine
Learning
Algorithm
Model
방 갯수 넓이 (평) 동네 가격(억)
3 25 강남 ?
Training Data Set
설명
• 강남=강북+3.1
• 방갯수*0.5
• 평수*0.06

White Box vs. Black Box
3
25
Ye
s
방갯수
평수
강남?
Input 값
3.5
Output 값
0.35
0.26
5.1
3
25
Ye
s
방갯수
평수
강남?
Input 값
4.2
Output 값
0.025
0.62
2.1
3
25
Ye
s
방갯수
평수
강남?
Input 값
7.1
Output 값
1.42
0.215
-1.2
3
25
Ye
s
방갯수
평수
강남?
Input 값
6.1
Output 값
0.5
0.06
3.1
모형 A 모형 B
모형 C 모형 D
Black Box: 더 정확할지언정 인간이 이해하기 힘들다.
6.1 3.5 4.2 7.1가격 = 5.415억 = 0.6 x + 0.1 x + 0.25 x + 0.05 x
A B C D

White Box vs. Black Box
White Box 모형 - Linear Regression
낮은 예측정확도, 높은 설명력
Black Box 모형 - Random Forest
높은 예측정확도, 낮은 설명력
Model Transparency
기계의 예측을 맹목적으로 따를 것이 아니라 현실에 직접
개입하려 한다면 모형의 투명성(설명력)이 예측력보다 중요
*Right to Explanation (EU GDPR)

Enterprise Decision Making
Automation (자동화) Augmentation (증강)
의사결정 종류 빈번한 덜 중요한 결정 중요한 덜 빈번한 결정
부서 B2C Sales & Marketing HR
기계학습 알고리즘
예측력이 중요
Black Box
설명력이 중요
White Box
Automation vs. Augmentation
알 수 있는 걸 알지 않아
기업 내 큰 비효율 존재

사후적 합리화 vs. 합리적 의사결정
Data
Human
Decision
Outcome
Human
Intelligence
Human
Bias
Data
Human
Decision
Outcome
Human
Intelligence
Machine
Intelligence
AS-IS
TO-BE
People
Analytics
Decision Making Augmentation

People Analytics
Background
What & Why
Process & Technique
Case Study
2017.04

Seat at the Table
• Operation: 운영 효율성/생산성 지표 개선, 연간 비용절감 예상액
• Sales: 매출 추이, 매출 달성율, 목표 달성을 위한 실행계획
• Marketing: 구매패턴, 캠페인 효과 분석 결과, 고객 타겟팅
• Finance: 실제/예상되는 비용, 매출, 이익, 이익률 등등
• HR: 입사자수, 퇴사율, 인당인건비, 평가/교육 제때 해달라
HR

People Analytics - Definition
고객을 이해하는 만큼 직원을 이해하고 있나요?
People Analytics
데이터 분석 기술을 활용하여 성과 차이를 만드는
직원과 환경 특성을 발견하고 그 차이를 키워나가는 것
Because He Gets On Base
말할 수 없지만 보면 안다는 그 희미한 느낌같은 느낌 ➡ 증거와 사실

People Analytics – Why Now
인사
데이터
분석
기술
경영
환경
HR Data: Slow, Small, Structured
People Data = HR + Business Data
IT-Driven, Operational, Gut Feeling
LoB-Driven, Strategic, Data-Driven
Machine Learning, Data Visualization
Commodity (Not a Differentiator)
현업이 데이터 분석가 도움없이
Machine Learning 기술을 활용하여
데이터에서 쓸모있는 패턴을 발견/활용

People Data
Blend with Business Data
Source: Visier

데이터 분석의 시대, 아날로그 인사 관리
• Recruitment(우수인재 채용) : 느낌/직관에 의한 의사결정
• Retention(핵심인재 유지) : 퇴사결심 후 사후적 인지
• Revenue(업무성과 향상) : 성과 요인에 대한 객관적 이해 부족
• Reporting (보고) : 과거에 대한 집계; 시사점/실행전략 부재
Problem - HR is Overdue for Disruption
Unaided Human Judgment
Finance, Marketing, HR
Data-Driven (Strategic)
HR
Analogue People
Analytics

HR KPI/Metrics vs. People Analytics
총 인력수 직군별 고성과자의 패턴
신규채용 인력수 우수 신입사원 선발 기준
퇴사자수 핵심인재 퇴사 요인 설명/예측
직원 만족도 직원만족도와 성과와의 관계
생산성/매출 높은 생산성/매출 요인
Metrics
How Many
What Happened
Analytics
Why
What Next
vs.
과거에 대한 집계 vs. 요인(패턴)에 대한 설명

People Analytics - Value Proposition
Maximize Human Potential By Mining People Data
Data-Driven HR
Strategic
Unique to Company
Revenue
Traditional HR
Automation
Outsourcing
Cost
People
Analytics
채용 무원칙 vs. 과학적 선발기준(Hiring Criteria)
퇴사 사후적 인지 vs. 핵심인력의 퇴직 요인 이해
성과 희미한 느낌 vs. 공감할 수 있는 논리적 규칙
보고 단순 집계 vs. 전략적 보고

People Analytics – Gaining Speed
Top 10 Key Priority in HR (2015)
Importance vs. Readiness

Importance: +11% vs. Readiness: +11%

CFOs see the potential in
people analytics investments.
*2016년 Q3에 Deloitte에서 CFO 서베이한 결과

People Analytics
Background
What & Why
Process & Technique
Case Study
2017.04

Data Analysis Process
문제 데이터 분석 활용
있다 힘들다 상대적으로
쉽다
제일
어렵다
해석
처음엔
어렵다
Business
Relevancy
Feature
Engineering
Machine
Learning
A/B Test
Politics
Data
Literacy
데이터 분석 과정

People Analytics Process - Reality and How to Start
Cynic: 그게 되겠냐? vs. Enthusiast: 이런 걸 찾고 있었다.
Clear Leadership & A New Business Function
이미 알던 것, 알면 다치는 것, 알아도 소용 없는 것
정량적 검증, 그릇된 통념 파괴, 실행가능한 통찰
Small, Dirty, Lack of Data Understanding
Business Data Blending & Feature Engineering
Stake
Holder
Data
Finding
통계 모름, 데이터 분석 경험 없음
Data Literacy(결과 해석) & Analytics Fluency(도구 활용)
Skill
Random: 채용/승진/평가; 구조/원칙 없음; 의견
Structure: 몰랐던 구조가 들어남; 비지니스 문제
Problem

People Analytics - Reality and How to Start
• Cynic: 그게 되겠냐?
• Enthusiast: 이런 걸 찾고 있었다.
• Clear Leadership
• A New Business Function
Stake
Holder
Stake
Holder
Data
Finding
Skill
Random: 채용/승진/평가; 구조나 원칙 없음; 의견
Problem

Stake
Holder
Data
Finding
Skill
Problem
• Random: 채용/승진/평가
• 객관적 측정값 vs. 주관적 의견
• Structure: 몰랐던 구조; Audit
• HR 문제 말고 Business 문제
Problem

Small, Dirty, Lack of Data Understanding; 의견
Stake
Holder
Data
Finding
Skill
Problem
• Small & Dirty
• Lack of Data Understanding
• Feature Engineering
• Data Blending
Data

Stake
Holder
Data
Finding
통계 모름, 데이터 분석 경험 없음; 의견
Skill
Problem
• 통계/수학 모름
• 데이터 분석 경험 없음
• Data Literacy(결과 해석)
• Analytics Fluency(도구 활용)
Skill

Finding
이미 알던 것 정량적 검증
알면 다치는 것 그릇된 통념 파괴
알아도 소용 없는 것 실행가능한 통찰
Stake
Holder
Data
Finding
Skill
Problem

People Analytics - 내가 정말 할 수 있을까?
Data Science ➡ Data Literacy
과학하는 게 아니라,
• 데이터에서 논리적
증거를 발견,
• 타인이 신뢰하고 공감할
수 있는 형식으로 제공
하여,
• 발견이 조직 내에 널리
공유되고 이롭게 활용
되게 하는 것

People Analytics
Background
What & Why
Process & Technique
Case Study
2017.04

Data Analysis Techniques and Problems
§ DESCRIBE (기술 분석) - 엑셀, 대쉬보드
• 인력수/인건비/매출 등 과거에 대한 집계(평균)
• Simpson’s Paradox (항상 쪼개던 방식)
§ DISCOVER (탐험적 분석) - 데이터 시각화 도구
• 패턴/시사점 발견을 위해 데이터 시각화 도구 사용
• Exponential Problem (삽질; 뻔한 패턴)
§ PREDICT/INFER (예측/추론 분석) - AI/Machine Learning
• 패턴을 찾아 특정 현상/행위를 예측/설명
• Prediction vs. Prescription (예측 vs. 설명)
과거
미래
Looking
Backward
Looking
Forward
데이터 분석 주요기술 및 문제점

Describe (기술분석) 문제점 - Simpson’s Paradox
직원수 퇴사자수 퇴사율
A 사업장 1,000 150 15%
B 사업장 1,000 250 25%
A 사업장 800 80 10%
B 사업장 200 10 5%
A 사업장 200 70 35%
B 사업장 800 240 30%
사업장별 남자직원 퇴사율 사업장별 여자직원 퇴사율
Dashboard Lies: 보고 싶은 것/익숙한 것
심슨의 역설: 뭉뚱그린 수치는 현실을 왜곡할 수 있음
사업장별 퇴사율

Describe (기술분석) 문제점 - 엑셀을 바라볼 때 당신 몸에 생기는 일
Excel is not a great tool for Human Brain
엑셀 작업 시 스트레스 호르몬인 코르티솔(Cortisol) 대량 방출

Describe (기술분석) 문제점 - Simpson’s Paradox
관점/차원(dimension)의 한계
동서남북 + 위/아래

Describe (기술분석) 문제점 - Average/Aggregate
평균: 대상에 대한 평균적 이해
평균, 분산, 상관계수가 동일한 네 개의 데이터셋(I, II, III, IV)
• X: 평균: 9, 분산: 11
• Y: 평균: 7.5, 분산: 4.12
• X와 Y의 상관계수: 0.816
시각화를 통해 현실의 복잡성이 드러남

DISCOVER (탐험적 분석) 문제점 - Exponential Problem
Exponential Problem
데이터 차원(변수/관점) 증가에 따라 분석할
경우의 수가 기하급수적으로 증가
1 차원 분석
20가지 경우의 수
(20)
3 차원(변수 3개 조합) 분석
(20*19*18/6)
2 차원(변수 2개 조합) 분석
(20*19/2)
20개 변수로 1개의 KPI(예, 잔업시간, 매출 등)에 대해 분석하는 경우
직급별
직군별
성별
학력별
나이별
직급x직군
직급x성
직급x학력
직군x성
학력x성
직급x학력
나이x학력
나이x성
직급x직군x성
직급x직군x나이
직급x직군x학력
직급x성x나이
직급x성x학력
직군x성x학력
성x학력x직급
성x학력x나이
직군x성x학력
나이x학력x직급
나이x성x학력
나이x성x직군
나이x학력x직급
나이x학력x성

PREDICT/INFER (예측/추론 분석) - 예측 vs. 설명
닮은 사람을 찾는 것 (예측)
vs.
“잘생김”을 논리적 규칙(기호와 숫자)으로 표현 (설명)

People Analytics
Background
What & Why
Process & Technique
Case Study
2017.04

People Analytics 절차 (Phased Approach)
1단계
현실을
객관적으로
이해
• 정량적으로 검증이
필요한 문제 정의
• 기존 믿음 검증
• 새로운 사실 확인
• 그릇된 통념 파괴
• 새로운 통찰의 공유
2단계
비즈니스
문제를 해결
• HR Issue가 아니라
비지니스 문제 정의
• 현실 적용이 가능한
패턴(Lever) 찾기
• 현실 적용
• Success Metrics
모니터링
문제 정의 패턴 발견 패턴 활용
가치의 발견 가치의 완성
HR Impact ➡ Business Impact

영업직원 채용 풀 확장
HR
• 과거 경험
• 채용 경로
• ……
IT 소프트웨어 영업직원의 매출을 분석, 기존에 가지고 있던 편견(과거
소프트웨어 세일즈 경험이 영업 성과와 관련 있음)이 근거 없음을 확인
영업직원 채용 시 다양한 경험을 보유한 후보로 채용 풀 확장
Sales
• 매출
• 고객 분류
• 불필요한 채용 기준 철폐
• 채용 풀 확장
해외사례
높은 매출과 관련이 높은 요인
• 과거 소프트웨어 판매 경험

우수 승무원 채용
HR
• 채용 데이터
• 인적성 검사
• 인터뷰
• ……
인적성평가/인터뷰 등 선발전형에서 상냥함(nice)에 높은 가중치를 두어
왔음. 데이터 분석 결과 “잘 돕는 성향(helpful)”이가장 중요하다고 나옴.
선발기준 가중치 변경 후 결근율 12% 감소, NPS 0.5점 상승
CRM
• NPS
• 고객만족지수
• NPS/고객만족도 상승
• 직원 퇴사율/결근율 감소
해외사례
고객만족도와 관련이 높은 성향
• 남을 잘 돕기
• 상냥하고 친철하기

퇴사율과 조직 내 수평이동(Lateral Move) 횟수
동일한 연봉/성과등급인 경우 3년간 조직 내 수평이동 경험이 있는
직원이 그렇지 않은 직원에 비해 퇴사율이 절반 수준으로 나타남.
수평이동 캠페인 실시 수평이동 60% 증가, 자발적 퇴사율 절반으로 줌
• 자발적 퇴사율 감소
해외사례
HR
• 급여, 평가 등등
• 최근 3년 이내 조직
이동 횟수
• ………
개선할 수 있는 퇴사 요인
• 최근 3년간 조직 내 수평
이동 횟수 = 0

진짜 리더십 요인
HR
• 내부 서베이
• 360 평가 결과
• 우수 매니저 인터뷰
• 상벌 사항 (우수 매니저상)
성공적인 리더의 8가지 행동 패턴
및 나쁜 리더의 3가 패턴 발견
• 뛰어난 코칭 능력
• 권한이양 (No Micromanagement)
• 부서원 성공과 복지에 대한 관심
• 결과 중심
• …….
훌륭한 매니저(평가등급, 팀 이직율, 수상 내역 등을 고려하여 선정)의
리더십 패턴을 분석 기업 고유의 성공 리더쉽 요인 파악
조직의 고유의 리더십 DNA 파악, 매니저 교육/평가에 활용
• 조직 교유의 성공 리더십
DNA 파악
• 매니저 교육 및 평가 기준
확립
해외사례

직원 보안사고 감소
HR
• 재직기간
• 자격사항/스킬
• 고용형태
피싱 사고 바이러스 사고
재직기간 > 5
컴퓨터 자격증(⬇)
재직기간 < 5
고용형태: 비정규
인사 데이터와 보안사고 데이터를 결합하여 분석
직원 특성과 보안사고 간 관계 파악, 타게팅된 맞춤형 보안 교육 실시
보안 교육 비용 감소, 전사적 보안 리스크 감소
Security
• 보안사고 유형
• 보안사고 건수
• 보안 교육 비용 감소
• 전사적 보안 리스크 감소
해외사례

효과적인 매니저의 정량적인 행동 패턴
HR
• 직원 만족도
• 성과 점수, 부서, 매니
저 여부 등
직원만족도 서베이 결과와 이메일(칼렌더) 로그를 결합하여
직원만족도가 높은 부서원들의 정량적 행동 패턴 분석
Email Log (header)
• 업무 시간외 근무시간
• 사내 네트워크 크기
• 매니저:부서원 1:1 미팅 횟수
매니저 행동 지표 부서원 행동 지표 부서원 만족도(성과점수)
네트워크 크기 기준 상위 25%
타 부서원 대비 네트워크
크기가 최대 2배 큼
타 부서 대비 만족도 5% 높음
x
매니저보다 네트워크 크기가
110% 이상 큰 부서원
불만족 비율이 50% 더 높음;
부정적 리더쉽 평가 비율 2배
전체 평균보다 2배 이상 One-on-one 시간을 가진 부서원들의 불만족 비율이 70% 가량 낮았음.

Performance vs. Luck
동일한 노력/재능에도 불구, 직원들이 통제할 수 없는
변수들의 영향으로 상이한 결과(성과)가 나타남
재능(성과)과 운을 어떻게 구분할까?
기량의 역설; 통제할 수 있는 것에 집중
양 극단을 비교

XYZ Corp.
2017 People Analytics 사업 계획
What Is Your People Strategy?
People Analytics
for
Data-Driven People Decision-Making

People Analytics Tool Live Demo
비지니스 성과의 차이를 가져오는 요인을
객관적으로 이해, 그 차이를 키워나갈 방법 발견
1. What? Drill-Down
성과 차이가
무엇 때문에 얼만큼 나나?
2. Why? Driver Analysis
성과 차이의
요인은 무엇인가?
3. How? Micro-Segment
성과를 어떻게
개선하나?

HeartCount - https://www.heartcount.io/
마이크로세그멘테이션
성과 개선을 위한 구체적
실행 전략 추천
관계 분석 (Driver Analysis)
성과 요인들의 통계적 유의성과
상대적 중요도를 알려줌
드릴다운 (Drill-Down)
성과의 차이를 최대화하는
변수 및 변수값을 알려줌
시각적 발견 (Visual Discovery)
변수 사이의 관계를 시각적으로 탐험
Data
Pre-processing
Smart Pattern
Discovery
데이터
전처리
데이터
분석
Machine Learning Platform for HR Professional
• 가설없이 쓸모있고 뻔하지 않은 패턴 자동 발견
• 직원과 관련된 질문에 1분 이내 답변 가능
• 기계학습에 대한 지식/경험이 없는 사람들도 쉽고
빠르게 고급 분석 결과를 본인 업무에 활용

People Analytics.170420

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a People Analytics.170420

Semelhante a People Analytics.170420 (20)

People Analytics.170420