성과 85점. 이 점수는 높은 것인가, 낮은 것인가? 답할 수 없다. 비교할 기준이 없기 때문이다. 인사 데이터의 상당수는 비교를 통해서만 의미가 부여되는데, 우리는 그동안 원천값을 그대로 읽어왔다.
이 글은 개념 설명이 아니다. 즉시 적용 가능한 HR 데이터 설계 방법론이다. Cohort에서 출발해 정규화, Feature, Index를 거쳐 Action까지 이어지는 5단계 구조를 다룬다.
| 단계 | 목적 | 핵심 산출물 |
|---|---|---|
| ① Cohort | 공정 비교 기준 정의 | 직군/직급/연차 그룹 |
| ② 정규화 | 비교 가능 값 생성 | Z-score/분위값 |
| ③ Feature | 의미 있는 패턴 생성 | slope, risk, index 변수 |
| ④ Index | 의사결정 점수화 | 리스크/성장/정체 점수 |
| ⑤ Action | HR 실행 | 육성/보상/면담/재배치 |
핵심은 이것이다. 보상수준, 근속연수, 직급연차, 발령기록 같은 1차원 데이터를 재료로 Feature라는 2차원 데이터를 만들고, 이를 다시 3차원의 Index로 쌓아 올린다. 데이터가 입체가 되는 순간, HR의 질문에 답이 생긴다.
Step 1. Cohort 설계 — 누구와 비교할 것인가
연차 2년차와 12년차를 같은 기준으로 비교하는 건 인사적으로 의미가 없다. 팀장과 팀원의 성과 비교도 마찬가지다. 그래서 분석의 출발점은 모델이 아니라 비교 집단, 즉 Cohort다.
실무에서는 직군(영업/기획/지원), 직급 또는 Grade, 근속 구간(0~3년, 3~7년, 7년 이상), 보직 여부(실장/팀장/팀원)를 조합해 설계한다. “기획 / Grade 3 / 3~5년차”, “영업 / Grade 5 / 8~10년차”, “영업 / 팀장” 같은 식이다.
원칙은 하나다. 비교는 Cohort 안에서만 허용한다. 이 단계가 무너지면 이후의 모든 Feature와 Index는 의미가 없다.
코호트를 잘랐다면, 다음은 값 자체를 비교 가능하게 만드는 일이다.
Step 2. 정규화 — 절대값을 상대 위치로
연봉 6,000만 원은 많은 보상인가? 원천값만 보면 답이 나오지 않는다. 답은 Cohort 평균 대비 상대 위치로 변환하는 것이다. Z-score, 분위(percentile), 평균 대비 편차(%), 이 세 가지가 실무에서 권장하는 방식이다.
perf_z = (개인성과 - cohort평균) / cohort표준편차
salary_dev = 개인연봉 / cohort평균연봉
대부분의 Feature는 이렇게 만든 정규값을 재료로 삼을 때 좀 더 유의미해진다.
여기까지는 준비 운동이다. 진짜 설계는 지금부터다.
Step 3. Feature 설계 — 현재 값이 아니라 변화를 본다
단순한 ‘현재 값’ 대신 시간 변화 + 상대 위치 + 편차를 만든다. 1차원 데이터를 2차원으로 끌어올리는 작업이다. 아래는 실무에서 바로 활용 가능한 Feature 체계다.
먼저 성과 관점이다. 단순 고성과자가 아니라 성장형 인재를 식별할 수 있다.
| Feature | 의미 | 활용 |
|---|---|---|
| perf_avg_3y | 3년 평균 성과 | 안정적 기여도 |
| perf_slope_3y | 성과 추세 기울기 | 성장/하락 탐지 |
| perf_std_3y | 변동성 | 불안정 인력 탐지 |
보상 관점의 Feature는 보상 불만과 이탈 리스크를 조기에 탐지하는 데 쓴다.
| Feature | 의미 | 활용 |
|---|---|---|
| salaryup_avg_3y | 평균 연봉 상승률 | 보상 성장성 |
| CPI | Compensation-Perf Index | 상대 보상 수준 |
| PEI | Pay Equity Index | 공정성 편차 |
성장/정체 관점은 “조용한 퇴사”를 조기에 발견하는 핵심 지표다.
| Feature | 의미 | 활용 |
|---|---|---|
| GPI | Growth Potential Index | 미래 리더 후보 |
| stagnation_index | 성과/보상/직무 변화 없음 | 정체 인력 |
이동/경력 관점은 내부 이동과 승진 정책을 개선하는 근거가 된다.
| Feature | 의미 | 활용 |
|---|---|---|
| mobility_risk(MRS) | 잦은 이동/적합도 낮음 | 이탈 위험 |
| tenure | 근속 기간 | 경험 축적 |
| grade_tenure | 동일 직급 체류 기간 | 승진 정체 |
마지막으로 보상 공정성 진단의 핵심이 되는 Feature다.
| Feature | 의미 | 활용 |
|---|---|---|
| perf_income_residual | 성과 대비 보상 불일치 | 불공정 인식 |
| income_log | 급여 분포 안정화 | 통계 분석 |
Feature가 쌓였다. 다음 단계는 이 Feature들을 의사결정이 가능한 숫자로 압축하는 일이다.
Step 4. Index 설계 — Feature를 의사결정으로
Feature는 많아도 좋다. 하지만 의사결정은 다르다. Index 3~4개로 단순화해야 한다. 실무에서 추천하는 설계는 네 가지다.
퇴사가능성 Index는 stagnation_index와 perf_std, mobility_risk가 오르고 CPI가 떨어질 때 켜진다. 선제 면담과 리텐션 패키지로 연결한다.
조용한 퇴사 Index는 perf_slope와 salaryup이 내려가고 grade_tenure가 길어지는 조합이다. 동기 회복 코칭과 직무 재설계가 대응이 된다.
성장잠재력 Index는 perf_slope와 GPI가 오르면서 perf_std는 낮은, 꾸준히 상승하는 인재를 가리킨다. 승진 후보군과 리더 트랙 선발에 쓴다.
보상공정성 Index는 PEI와 perf_income_residual로 구성한다. 보상 조정과 노사 리스크 감소가 목적이다.
그런데 여기서 멈추면 지금까지의 모든 작업은 숫자 놀음으로 끝난다.
Step 5. Action 연결 — 숫자가 행동이 될 때
Index는 행동 트리거여야 한다.
| Index | HR Action |
|---|---|
| Risk ↑ | 1:1 면담 |
| Stagnation ↑ | Job Rotation |
| Growth ↑ | 승진/육성 |
| Fairness ↓ | 보상 조정 |
분석하고, 보고하고, 끝. 이 흐름을 끊어야 한다. 분석이 실행으로, 실행이 다시 개선으로 이어질 때 이 체계는 비로소 작동한다. 그리고 그렇게 굴러가기 시작하면, 조직의 질문 자체가 바뀐다.
보고서 만드는 조직에서 답하는 조직으로
HR에서 그동안 다뤄온 데이터는 근속연수, 평가점수, 보상수준, 승진 누락횟수 같은 1차원 데이터였다. 물론 이 데이터들도 충분히 활용 가치가 있다. 하지만 지금 HR이 직면한 문제를 설명하고 해결하기엔 부족하다.
우리는 늘 HR은 데이터가 부족하다고 생각해왔다. 정말 부족했던 것인가? 아니다. 부족했던 것은 데이터가 아니라 층위다. 1차원 데이터를 입체적으로 쌓아 올리지 못했을 뿐이다.
이 구조를 적용하면 HR은 더 이상 “보고서 만드는 조직”이 아니다. 누가 위험한가. 누가 성장하는가. 어디에 투자해야 하는가. 이 질문에 즉시 답하는 전략 조직이 된다.
데이터는 이미 있었다. 없던 것은 설계였다.
[함께 읽으면 좋은 글]
- Cohort 설계가 왜 HR 데이터의 정확도에 결정적인 영향을 미치는지, Z-score를 활용한 실무 적용 방법은 【Cohort 분석이 HR 데이터 정확도를 높이는 이유】 에서 확인할 수 있다.
- 이 프레임워크의 개념적 기반이 되는 Talent Analysis의 정의와 People Analytics와의 관계는 【Talent Analysis란 무엇인가】에서 먼저 확인하는 것을 권장한다.
- Index를 실제 인력 탐지에 활용한 사례는 【조용한 퇴사, 데이터로 잡는다: Stagnation Index 실무 설계법】 에서 조용한 퇴사 탐지 모델로 구현된 예시를 볼 수 있다.