HR 분석 (HR Analytics / People Analytics)¶

1. 개요¶

HR 분석은 인적 자원 데이터를 분석하여 채용, 성과, 이직, 조직 효율성에 대한 인사이트를 도출하고 증거 기반 의사결정을 지원하는 분야.

정의¶

HR 분석 = 인사 데이터 + 비즈니스 성과 연결

목적:
- 인재 획득 최적화
- 이직 예방
- 성과 향상
- 조직 효율성 개선

HR 분석의 영역¶

영역	질문
채용	적합한 인재를 효율적으로 채용하는가?
이직	왜, 누가 떠나는가?
성과	고성과자의 특성은?
참여	직원이 몰입하는가?
D&I	다양성과 포용성 수준은?

2. 핵심 지표¶

2.1 채용 지표¶

지표	수식	설명
Time to Hire	지원~채용까지 일수	채용 속도
Time to Fill	공고~입사까지 일수	충원 속도
Cost per Hire	채용비용 / 채용 인원	채용 효율성
Offer Acceptance Rate	수락 / 제안	경쟁력
Quality of Hire	성과/적응 점수	채용 품질
Source Effectiveness	채널별 채용 성과	채널 효율

2.2 이직 지표¶

지표	수식	설명
이직률	이직자 / 평균 인원	전체 이직
자발적 이직률	자발적 이직자 / 평균 인원	자진 퇴사
신입 이직률	1년 내 이직 / 신입	조기 이탈
고성과자 이직률	고성과자 이직 / 고성과자	핵심 인재 유출
Cost of Turnover	채용+온보딩+생산성 손실	이직 비용

이직 비용 추정:

이직 비용 = 채용 비용 + 온보딩 비용 + 생산성 손실

일반적으로 연봉의 50-200%

2.3 성과/참여 지표¶

지표	설명
eNPS	직원 순추천지수
Engagement Score	참여도 설문 점수
Performance Rating Distribution	성과 등급 분포
Promotion Rate	승진 비율
Internal Mobility	내부 이동 비율

2.4 조직 지표¶

지표	수식	설명
Revenue per Employee	매출 / 직원 수	생산성
Profit per Employee	이익 / 직원 수	인력 수익성
Span of Control	직속 부하 수	관리 범위
Headcount	인원 수 및 증감	조직 규모

3. 주요 분석 방법¶

3.1 이직 예측¶

모델링 접근:

타겟: 향후 6-12개월 내 이직 여부

피처:
- 인구통계: 연령, 재직기간, 통근거리
- 직무: 부서, 직급, 급여, 인상률
- 성과: 평가 등급, 승진 이력
- 참여: 설문 점수, 출퇴근 패턴
- 관계: 관리자, 팀 변경 이력

모델: Logistic Regression, Random Forest, XGBoost

액션:

고위험군 식별 → 사전 개입
- 경력 상담
- 보상 검토
- 역할 조정

3.2 채용 분석¶

소스 효과 분석:

채널별:
- 지원자 수
- 전환율 (지원→면접→채용)
- Quality of Hire
- 비용

최적 채널 믹스 도출

채용 퍼널:

지원 → 서류 → 1차 면접 → 2차 면접 → 제안 → 수락

단계별 전환율 및 drop-off 분석

3.3 성과 분석¶

고성과자 프로파일링:

고성과자 특성 분석:
- 채용 채널
- 백그라운드
- 초기 행동 패턴
- 관리자 특성

채용/개발에 활용

성과 드라이버 분석:

성과에 영향을 미치는 요인:
- 교육 이수
- 팀 구성
- 관리자
- 근무 환경

3.4 다양성 분석¶

Diversity Metrics:

인구통계별 분포:
- 성별, 연령, 인종
- 직급별 분포
- 승진율 비교
- 급여 격차

Pay Equity Analysis:

통제 변수 고려 급여 분석:
급여 = f(직급, 경력, 성과, ...) + β×성별

β 유의성 검정

3.5 조직 네트워크 분석 (ONA)¶

직원 간 협업 패턴 분석:
- 이메일/슬랙 통신
- 미팅 참석
- 프로젝트 협업

인사이트:
- 핵심 연결자 (Connector)
- 고립된 직원
- 사일로 식별

4. 실무 적용 사례¶

4.1 Google - Project Oxygen¶

연구 질문: 좋은 관리자의 특성은?

방법:
- 성과 데이터 분석
- 인터뷰
- 설문

결과: 8가지 관리자 행동 도출
→ 관리자 개발 프로그램 개선

4.2 이직 예방 프로그램¶

파이프라인:
1. 월별 이직 확률 스코어링
2. 상위 20% 고위험군 식별
3. HR/관리자에게 알림
4. 맞춤형 리텐션 액션
5. 효과 측정

결과: 고성과자 이직률 15% 감소

4.3 채용 프로세스 최적화¶

분석:
- 단계별 소요 시간
- 병목 지점
- 탈락 사유

개선:
- 면접 단계 간소화
- 구조화 면접 도입
- 면접관 교육

결과: Time to Hire 30% 단축

5. 참고 자료¶

핵심 서적¶

서적	저자	주제
"The Power of People"	Guenole et al.	HR 분석 기초
"Work Rules!"	Laszlo Bock	Google HR
"Predictive HR Analytics"	Edwards & Edwards	예측 분석

주요 저널¶

저널	분야
Harvard Business Review	HR 전략
Journal of Applied Psychology	조직 심리
Personnel Psychology	인사 연구

6. 도구¶

도구	용도
Workday	HRIS + Analytics
Visier	People Analytics
One Model	HR Data Platform
Python/R	커스텀 분석
Power BI/Tableau	대시보드

Python HR 분석 예시¶

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 이직 예측 모델
features = ['age', 'tenure', 'salary', 'performance_score', 
            'num_promotions', 'satisfaction_score']

X = df[features]
y = df['left']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# 피처 중요도
importance = pd.DataFrame({
    'feature': features,
    'importance': model.feature_importances_
}).sort_values('importance', ascending=False)

7. 윤리적 고려사항¶

고려사항	설명
프라이버시	직원 데이터 보호
편향	알고리즘 공정성
투명성	분석 목적/방법 공개
동의	데이터 수집 동의
사용 제한	차별적 의사결정 방지