HR 데이터, 숫자는 있는데 왜 판단은 흔들릴까?
“이 직원, 성과가 평균 이하 아닌가요?” HR 현장에서 수없이 날아오는 질문이다. 숫자는 있다. 그런데 대답이 흔들린다.
“이 조직 이직률이 너무 높은 것 같습니다.” “이 사람은 정체(stagnation) 상태 아닌가요?” 전부 숫자를 근거로 삼은 질문들이다. 문제는 숫자가 아니라 비교 기준이다.
연차 2년 차와 15년 차를 같은 평균선 위에 올려놓는다. 영업 직군과 IT 직군을 동일 KPI로 비교하고, 대리와 부장을 같은 스케일로 본다. 이 상태에서는 데이터 기반 HR, People Analytics를 아무리 외쳐도 실제 판단은 결국 ‘직관’으로 돌아간다.
그렇다면 왜곡은 정확히 어디서 발생하는가. 평균이라는 기준선 자체에 있다.
평균 비교가 만드는 구조적 오류
대부분의 인사 데이터는 단일 평균 기준으로 비교된다. 왜곡은 바로 여기서 시작된다.
단일 평균 기준 비교의 한계
| 구분 | 잘못된 방식 | 왜곡 발생 이유 |
|---|---|---|
| 성과 | 전체 평균 대비 비교 | 직급/연차별 기대치 다름 |
| 보상 | 회사 평균 대비 비교 | 직군별 시장가치 차이 |
| 이직률 | 전체 평균 대비 비교 | Cohort 특성 무시 |
| 승진속도 | 단순 근속연수 비교 | 직군별 커리어 트랙 다름 |
왜 이것이 왜곡인가? 집단마다 분포 자체가 다르기 때문이다. 신입 1~2년 차 집단은 성과 변동성이 크다. 고연차 집단은 안정적이지만 성장률은 낮다. 영업은 분산이 크고, 지원부서는 분산이 작다. 이 차이를 무시하고 평균선 하나로 자르면 High Potential조차 저성과자로 오인할 수 있다. 구조적 불공정이다.
HR 데이터의 정확도는 “전체 평균 비교”가 아니라 “Cohort 내부 상대 비교”에서 나온다. 여기서 Cohort는 공통된 특성과 경험을 공유한 집단을 뜻한다.
기준이 문제라는 것을 알았다면, 남은 일은 기준을 다시 만드는 것이다.
Cohort 분석 프레임: 기준을 어떻게 자르는가
HR 실무에서 가장 많이 쓰는 Cohort 유형은 네 가지다.
- 연차 : 5년 이하, 5~10년 이하, 10년 이상 등
- 직군 : 영업, IT, 리스크, 지원
- 직급 : 사원, 대리, 과장, 차장, 부장
- 직책 : 팀원, 팀장, 실장
실무에서는 보통 복수의 유형을 조합해서 쓴다. 전 직원을 (직군 X 직책 X 직급)으로 묶는다면, 위 예시 기준으로 (4 X 3 X 5) 60가지 분류가 나온다.
60개를 전부 살려야 하는가? 그럴 필요 없다. 실제 인력을 분류해보면 해당사항이 없거나 무시할 수 있는 수준의 소규모 분류가 나오는데, 그에 맞게 얼마든지 조정하면 된다.
분석 구조 자체는 단순하다. Cohort를 정의하고, Cohort별 평균과 표준편차를 산출한다. 그 위에서 개인의 Z-score를 계산하고, 상위·하위 20% 그룹을 분류한다. 네 단계가 전부다.
이 중 실무의 심장은 Z-score다. 계산부터 해석까지 실제 숫자로 따라가 보면 이렇다.
Z-score 실무 예시 (People Analytics 적용)
공식은 한 줄이다.
Z = (개인값 – Cohort 평균) / Cohort 표준편차
5년차 IT 직군의 성과 점수를 예로 들면 이렇다.
| 항목 | 값 |
|---|---|
| 개인 성과 | 82점 |
| 5년차 IT 평균 | 75점 |
| 표준편차 | 5 |
Z = (82 – 75) / 5 = 1.4
Z가 1.4라면 이 직원은 Cohort 내 상위 약 8~10% 수준이다. 정규분포에서 1.4라는 값이 갖는 확률 분포가 그렇다.
실무에서는 이 스케일로 해석한다.
| Z-score | 의미 |
|---|---|
| +1.0 이상 | High Performer |
| +0.5~1.0 | Above Average |
| -0.5~0.5 | Normal |
| -1.0 이하 | Risk / Intervention 대상 |
이 방식이 강력한 이유가 있다. 직군 간 비교 왜곡이 제거되고, 연차별 기대치가 자동으로 반영된다. 성과·보상·승진 속도를 모두 같은 방식으로 표준화할 수 있고, 리스크 점수와도 결합할 수 있다.
여기까지는 계산 이야기다. 진짜 중요한 것은 이 계산이 판단을 어떻게 바꾸는가다.
Cohort 분석이 정확도를 높이는 이유
가장 근본적인 효과는 분산 구조의 통제다. HR 데이터는 이질적 분산(heteroskedasticity)이 매우 크다. Cohort 분석은 이를 통제해 공정한 비교 환경을 만든다.
예측력도 달라진다. 이탈 예측 모델을 예로 들면, 전체 평균 기반 모델의 AUC가 0.62일 때 Cohort 표준화 모델은 0.71까지 올라간다. (AUC는 Area Under Curve의 약자로, 해당 영역의 확률 분포값을 의미한다.) 이 차이는 실제 현업에서 체감된다. 조용한 퇴사의 조기 신호, stagnation index, perf_slope 같은 지표도 Cohort 기준 위에서만 의미가 생긴다.
마지막은 설득의 문제다. “이 직원은 평균 이하입니다”라는 보고는 힘이 약하다. “동일 연차·직군 대비 하위 12%입니다”라고 말하는 순간 의사결정이 즉시 진행된다. 같은 숫자다. 비교의 구조가 다를 뿐이다.
데이터 기반 HR 전략에서 핵심은 숫자가 아니라 비교의 구조다. 그래서 마지막 질문이 남는다. 무엇부터 바꿔야 하는가.
평균을 버려야 비교가 시작된다
HR 데이터의 정확도는 데이터의 양이 아니라 비교의 정밀도에서 나온다. Cohort 분석은 단순한 통계 기법이 아니다. 공정성을 확보하는 도구이고, 리스크 예측을 강화하는 장치이며, 전략적 인사관리와 데이터 기반 HR의 출발점이다.
평균을 버리고 같은 조건끼리 비교하는 구조를 설계해야 한다. 그때 비로소 People Analytics는 보고용 숫자가 아니라 의사결정 도구가 된다.
숫자는 그대로다. 바뀌는 것은 기준선이다.
[함께 읽으면 좋은 글]
- Cohort 설계를 포함한 People Analytics 전체 실무 체계, Feature 설계와 Index 산출까지 단계적으로 연결하려면【People Analytics 실무 체계: Cohort·Feature·Index 프레임워크】 를 함께 참고하라.
- Cohort 기반으로 만든 지표를 인력 정체 탐지에 적용한 실무 사례는 【조용한 퇴사, 데이터로 잡는다: Stagnation Index 실무 설계법】 에서 구체적인 변수 설계와 함께 확인할 수 있다.
- 수치화된 정체 지수를 바탕으로 조용한 퇴사를 실제로 탐지한 분석 사례는 【조용한 퇴사를 수치로 잡아라: QQE Score 설계와 Python 구현】 에서 다룬다.