구글의 핵심 인재들로부터 발견한 비밀 (feat. 高성과자)

구글의 핵심 인재들로부터 발견한 비밀 (feat. 高성과자)

 

HR에서 인공지능은 이전보다 효율적이고 효과적인 의사결정을 가능케 합니다. 빅데이터를 활용해 인간이 하기 어려웠던 정교한 분석과 예측을 할 수 있기 때문이죠. 이러한 관점에서 최근 부각되고 있는 솔루션이 바로 피플 애널리틱스(People Analytics)입니다.

 

1. 핵심인재 관리를 위한 인공지능 활용

사업 성과를 극대화하기 위해서는 직무에 가장 적합한 인재를 확보하고 적재적소에 배치하는 것이 중요합니다. HP의 공동창업자인 데이비드 팩커드는 “기업 전략을 실행할 적절한 인재를 확보할 수 없다면 어떤 기업도 지속적으로 성장을 도모할 수 없다”라고 말하기도 했죠. 기업은 인재 기용과 관련해 자사에 적합한 인재 확보, 핵심인재 육성 방안, 탁월한 리더의 특성 세 가지를 위해 지속적인 방법을 모색해 왔습니다. 피플 애널리틱스는 이런 핵심인재 관련 질문에 의미 있는 솔루션을 제시해 줍니다. 예시를 보겠습니다.

 

1) 구글 : 뛰어난 관리자와 高성과 팀은 무언가 다르다

기업들이 피플 애널리틱스에 대해 관심을 가지게 된 데에는 구글의 영향이 큽니다. 구글은 2008년 옥시전 프로젝트(Project Oxygen)를 통해 뛰어난 관리자들 공통적인 특징을 파악했습니다. 팀장급 이상 구성원들과 관련된 다양한 자료를 수집⋅분석한 결과 좋은 리더는 효과적인 코치 역할, 결과 중심적 관리, 탁월한 의사소통 역량, 타 부서와의 원활한 협력 등의 특징을 가지고 있었습니다. 전문성, 직원의 삶과 경력 관리에 관심을 보이는 인간미도 동시에 갖추고 있었죠. 이 프로젝트로 직원들이 원하는 관리자의 특성을 알게 된 구글은 이에 맞춰 관리자 훈련 매뉴얼을 만들어 이들을 더 좋은 리더로 거듭날 수 있도록 도왔습니다.

 

구글은 이어 아리스토텔레스 프로젝트(Project Aristotle)로 성과가 높은 팀의 특성을 알아냈습니다. 180개 팀의 구성원과 인터뷰를 하고 관련 자료를 분석한 결과 성공적인 팀의 가장 중요한 특징은 바로 심리적 안정감이었습니다. 구성원들이 업무와 관련해 자유롭게 의견을 공유하고 실수를 인정하더라도 불이익을 받지 않을 거라는 믿음이 있을 때 팀의 성과가 높았습니다. 상사의 질책이 두려워 의견을 말하지 못하는 경우 잘못된 상황이나 위기가 감춰져 신속한 대응이 어렵고, 기존 관행을 뛰어넘는 도전적인 혁신이 불가능해지기 때문입니다. 구글은 일련의 프로젝트로 도출한 최고의 업무 수행 방식을 구성원 코칭과 교육에 활용함으로써 직원들의 업무 역량을 향상할 수 있었습니다.

 

반응형

2) 글로벌 레스토랑 체인 : 비즈니스 성과를 좌우하는 사람 관련 요인

전 세계적으로 퀵서비스 레스토랑 체인을 운영하는 한 기업이 있습니다. 이 회사는 매출 증가율, 평균 고객 만족도 및 평균 서비스 속도 등 전반적인 비즈니스 성과 개선에 영향을 미치는 HR 요인을 파악하기 위해 피플 애널리틱스를 활용했습니다.

 

회사 경영자들은 구성원의 특성 데이터가 매장의 성과 차이를 설명하는 데 중요한 요인이 될 수 있다고 생각했습니다. 그래서 지금까지 관리하지 않았던 채용자 특성 데이터를 확보하기 위해 심리 전문가와 협력해 개별 구성원의 성격과 인지 능력을 파악할 수 있는 방안을 모색했습니다. 또한  작업 현장의 분위기와 매장의 장기 성과에 가장 많이 영향을 미치는 37개 관리 방식을 파악해 관련 데이터를 축적했습니다. 동시에 구성원들이 매장에서 하는 행동과 상호작용 관련 데이터를 모으기 위해 센서를 활용했습니다. 그 덕에 직원의 행동과 협업이 이루어지는 행태를 모니터링할 수 있었습니다.

 

데이터 확보 후 회사는 과거 수년간의 경험을 통해 중요하다고 생각한 100개 이상의 가설을 테스트했습니다. 분석 결과, 성격이 우호적인 사람보다는 업무에 충실하고 산만함이 적은 구성원이 성과에 긍정적 영향을 미친다는 사실을 발견했습니다. 또한 변동 인센티브의 효과보다는 커리어 개발 및 문화적 규범이 성과에 상대적으로 큰 영향을 미친다는 것을 알게 됐죠. 리더십의 경우 직원들에게 권한을 부여하고 영감을 주고, 성과를 인정하며, 더 결속력 강한 팀 환경을 조성하는 매장 관리자가 좋은 성과를 이끄는 걸로 나타났습니다. 이런 결과를 바탕으로 이 회사는 구성원들에게 필요한 행동과 역량을 교육하고, 매장 관리에 적극 활용했습니다. 그 결과 매출은 5% 증가했고, 고객 만족도와 서비스 성과를 비롯한 전반적인 비즈니스 결과도 획기적으로 개선됐습니다.

 

728x90

3) 알고리즘 랩스의 승진자 예측 사례

알고리즘 랩스의 승진자 예측 시스템은 승진에 중요도가 높은 요인과 개인의 프로파일링을 분석해 승진 기준의 적합도, 과정의 공정성 등을 살펴보기 위해 설계됐습니다.

 

우선 과거 구성원들의 승진 이력 데이터가 필요합니다. 개인별 승진 여부, 평가, 교육, 리더십 특성 등 승진에 영향을 미치는 데이터를 모은 뒤 모델을 구축합니다. 인공지능은 자기 스스로 데이터를 뒤져보면서 어떤 패턴의 사람이 승진하는지, 그러고 어떤 패턴의 사람은 승진하지 못하는지를 자동적으로 파악합니다. 이렇게 파악한 패턴을 바탕으로 추후 승진자를 예측하게 되는 거죠.

 

승진자 예측 시스템을 통해 얻을 수 있는 핵심 포인트는 누가 승진하느냐보다, 지금까지 승진자와 승진탈락자를 가름했던 가장 중요한 요소가 무엇이었는지를 파악하는 겁니다. 또한 당락을 결정한 그 요소가 판단을 하기에 적절한지를 판단하는 것이기도 하죠. 사실 대다수 기업에서 승진 시 가장 중요하게 반영되는 요소는 연공인 경우가 많습니다. 연공의  장점이 있지만 지금처럼 재계 환경이 급격하게 변화하고 기업 간 경쟁이 치열해지는 상황에서는 연공 기준이 합리적인 선택이 아닌 경우가 많습니다.

 

알고리즘 랩스는 피플 애널리틱스를 통해 현 시스템의 문제를 파악하고, 미래에 필요한 핵심인재를 확보하기 위해 자사 승진 평가 시스템을 개선하고 있습니다. 그리고 향후 지속적으로 인공지능에 기반한 승진자 예측 모델로 기대했던 대로 개선됐는지 확인할 계획입니다.

 

구글의 핵심 인재들로부터 발견한 비밀 (feat. 高성과자)

 

2. 기술보다 중요한 건 올바른 질문과 분석

피플 애널리틱스를 실행하기 위해 HR 부문 모든 구성원이 갑자기 데이터 과학자나 통계학자가 돼야 하는 건 아닙니다. 기술보다 중요한 건 올바른 질문과 분석입니다. 위에서 언급한 승진 예측 시스템은 승진 여부에 대해 ‘Yes/No’를 이분법으로 예측해야 하기 때문에 분류 문제라고 할 수 있습니다. 회귀, 분류, 추천 등 문제 유형에 따라 문제를 해결하는 인공지능 모델도 달라집니다. 따라서 우리가 풀려고 하는 문제가 어떤 유형의 문제인지를 분명하게 인식하는 것이 중요합니다.

 

물론 분석 도구 및 분석 스킬이 필요하지만, 전문 업체 외에 ‘Orange Data Mining’ 등에서 무료로 제공하는 인공지능 데이터 분석 솔루션을 활용할 수도 있습니다. 따라서 인공지능 알고리즘의 특징과 활용 포인트를 제대로 이해하고 분석된 결과의 통계적 의미와 HR 관점에서의 시사점만 제대로 유추할 수 있다면, 피플 애널리틱스를 활용해 사람과 관련된 의사결정의 질을 높이는 것은 어렵지 않습니다.

 

인재 관리의 중요성은 모두 인식하고 있습니다. 조직 내의 이슈도 대개 알고 있죠. 하지만 해결하는 건 쉽지 않습니다. 어디서부터 시작해야 할지 결정하기 쉽지 않고, 구성원들과 경영자들을 설득하는 일도 걸림돌이 많기 때문입니다. 이러한 관점에서 피플 애널리틱스는 문제 원인을 체계적으로 인식하고 구성원들의 공감대를 확보해 해결 방안을 실행하는 데 큰 도움을 줄 수 있습니다. 

---

 

'문과라서 죄송합니다’라는 시대의 끝 (feat. 융합형 조직 구축 전략)

 

마이크로소프트가 직원 경험 설계에 진심인 이유 (feat. 인재는 조직에 영향을 미친다)

 

일본의 사례로 배우는 워케이션 혁명 (feat. 일본 정부의 일하는 방식 개혁)