피플 애널리틱스 ROI 367%, 그런데 왜 6%만 성공하나 — 한국 HR이 데이터로 돈 버는 법

작년 말, 300명 규모 제조업체 인사팀장에게 들은 말이 아직 기억난다. “우리도 대시보드 만들었어요. 이직률, 근속연수, 교육이수율 다 보여요. 근데 그래서 뭘 하냐고요.” 데이터는 있다. 시스템도 샀다. 문제는 그 다음이다.

글로벌 기업 76%가 ‘피플 애널리틱스를 하고 있다’고 답한다. 그런데 예측 분석(Predictive Analytics) 단계에 도달한 곳은 겨우 6%다. 나머지 70%는 대시보드만 돌리고 있다. 솔직히 이건 좀 불편한 진실이다. 한국 상황은 더하다. KPC의 2026 HRD 트렌드 리포트에 따르면, 국내 기업의 인사 데이터 활용은 성과평가 반영(32%)과 승진 심사(25%) 수준에 머물러 있다. “데이터 기반 HR”을 말하면서 실제로는 엑셀 피벗 테이블 수준인 곳이 대부분이라는 뜻이다.

한 줄 요약: 피플 애널리틱스의 ROI는 입증됐다. 367%. 문제는 도입이 아니라 ‘성숙도’다 — 대시보드에서 예측으로 넘어가는 그 간극을 한국 HR은 어떻게 메울 것인가.

대시보드를 쌓아도 의사결정은 바뀌지 않는다

피플 애널리틱스 성숙도는 보통 4단계로 나뉜다. 1단계: 수동 보고(엑셀). 2단계: 자동화 대시보드. 3단계: 고급 분석(상관관계, 세그먼트). 4단계: 예측 모델링. 글로벌 데이터를 보면 41%가 2단계, 28%가 3단계에 있고, 4단계는 6%에 불과하다. 한국은 아직 1~2단계 사이다.

개인적으로는 여기가 핵심이다. 2단계에서 3단계로 넘어가는 것. 대시보드는 ‘무슨 일이 일어났나’를 보여준다. 이직률 12%라고. 그래서? 어떤 팀에서, 어떤 직급이, 어떤 계절에, 어떤 상사 밑에서 나가는지를 보여주는 게 3단계다. 그리고 ‘다음 분기에 누가 나갈 가능성이 높은가’를 알려주는 게 4단계다.

McKinsey의 분석에 따르면 유럽 기업의 신규 채용 성공률은 46%에 불과하다. 오퍼 수락률 56%, 수습기간 이탈률 18%. 채용 한 건에 투입되는 비용이 평균 4,700달러(SHRM 기준)인 점을 감안하면, 채용 파이프라인 하나만 데이터로 최적화해도 수억 원이 절감된다. 그런데 대부분의 인사팀은 “채용에 며칠 걸렸나”(Time-to-Fill)만 측정하고 있다. 89%가 이 지표를 추적한다. 정작 “채용 품질”(Quality of Hire)을 측정하는 곳은 절반도 안 된다.

한국 HR의 데이터 함정: 측정은 하되 연결하지 않는다

한국 기업의 인사 데이터 활용 현황을 보면 구조적 문제가 보인다. 교육 이수 데이터를 경력개발에 활용하는 곳이 58%다. 나쁘지 않아 보인다. 그런데 그 교육 데이터가 성과 데이터와 연결되는가? 이직 예측 모델에 들어가는가? 대부분 아니다.

문제는 데이터 사일로(silo)다. HRIS에 근태 데이터, LMS에 교육 데이터, 별도 시스템에 성과 데이터, 또 다른 시트에 보상 데이터. 이걸 한 곳에서 보는 게 3단계 진입의 전제 조건인데, HR.com의 2025-26 보고서에 따르면 HR 테크 시스템이 ‘분석하기 쉽게 통합돼 있다’고 답한 비율이 42%에 불과하다. 절반 이상의 HR팀이 데이터를 모아놓고도 교차 분석을 못 하고 있다는 뜻이다.

McKinsey가 유통업 피플 애널리틱스 사례에서 보여준 것처럼, 데이터의 힘은 ‘연결’에서 나온다. 온보딩 데이터와 6개월 후 성과를 연결하면 어떤 온보딩 프로그램이 실제로 효과가 있는지 알 수 있다. 이직 데이터와 상사 피드백 빈도를 연결하면 매니저 코칭 투자의 우선순위가 보인다. 보상 데이터와 몰입도를 연결하면 비금전적 인정(non-financial recognition)이 몰입의 55%를 좌우한다는 McKinsey의 발견이 자사 데이터에서도 재현되는지 확인할 수 있다.

예측 모델이 바꾸는 것: 이직 예측부터 인재 배치까지

이직 예측. 피플 애널리틱스에서 가장 많이 언급되는 사례다. 34%의 기업이 AI 기반 이직 예측 모델을 사용 중이며, 정확도는 75~89% 수준이다. ROI는 421%. 8개월 만에 투자금을 회수한다.

그런데 이직 예측보다 더 임팩트가 큰 영역이 있다. 인재 배치(Talent Allocation)다. McKinsey는 ‘인재를 가치에 연결하라(Link Talent to Value)’는 프레임워크를 제시하는데, 핵심은 간단하다. 조직에서 가장 큰 가치를 만드는 포지션 20%를 식별하고, 거기에 최적의 인재를 배치하라는 것이다. 데이터 없이는 이게 불가능하다. “누가 잘하는가”와 “어디가 중요한가”를 동시에 답해야 하니까.

한국 기업에서 이 접근이 특히 유효한 이유가 있다. 직무급이 아닌 연공급 체계에서는 인재 배치가 ‘연차순 로테이션’으로 돌아간다. 핵심 포지션에 최적 인재가 아니라 ‘순서가 된 사람’이 앉는다. 데이터가 이 관행을 바꿀 수 있다. 물론 저항이 크다. “왜 내가 안 되느냐”는 질문에 “데이터가 이렇습니다”라고 답할 수 있는 근거가 생기기 때문이다. 이건 좀 날카로운 얘기지만, 연공서열과 데이터 기반 배치는 공존하기 어렵다.

채용 최적화의 ROI도 312%에 달한다. 6개월 만에 투자금 회수. 구체적으로는 채용 채널별 품질 분석(어떤 채널로 들어온 사람이 1년 후에도 남아 있는가), 면접관별 예측 정확도(어떤 면접관의 평가가 실제 성과와 가장 잘 맞는가), 직무 적합도 점수와 실제 성과의 상관관계 분석이 포함된다.

비금전적 인정이 몰입의 55%를 좌우한다 — 그런데 측정하고 있나

McKinsey가 내놓은 데이터 중 HR팀이 가장 불편해할 숫자가 있다. 직원 몰입도의 55%가 비금전적 인정(non-financial recognition)에 의해 결정된다는 것이다. 보상이 아니라 인정. 돈이 아니라 “잘했다”는 한마디.

Gallup의 연구는 이걸 더 구체화한다. 전략적 인정 경험의 4가지 기둥을 충족하는 직원은 그렇지 않은 직원보다 몰입할 가능성이 9배 높다. 직원의 55%가 비현금 인정(감사 메모, 공개 칭찬)을 금전적 보상보다 선호한다. 매니저의 인정이 가장 영향력 있는 출처라고 답한 직원이 40%다.

그런데 이걸 측정하는 한국 기업이 얼마나 될까. ‘인정’은 비정형 데이터다. 슬랙에서의 칭찬 메시지, 피어 리뷰에서의 긍정 코멘트, 회의에서의 공개 인정 횟수. 이걸 추적하고 몰입도와 연결하는 시스템을 가진 곳은 거의 없다. 선도 기업 82%가 피어투피어(peer-to-peer) 인정 프로그램을 운영하고 있지만, 한국에서는 아직 ‘칭찬 릴레이’ 수준의 이벤트성 프로그램이 대부분이다. 데이터로 돌리는 인정 시스템은 완전히 다른 이야기다.

💡 AI·도구로 측정/자동화 가능한 부분

• 이직 예측 모델: Workday People Analytics, Visier가 제공하는 ML 기반 이직 리스크 스코어링. 근태 변화, 성과 추이, 상사 변경 이력 등 20개 이상 변수를 조합해 90일 내 이탈 가능성을 팀/개인 단위로 산출한다.
• 인정(Recognition) 데이터 자동 수집: Bonusly, Lattice의 피어 인정 시스템이 슬랙/팀즈 연동으로 비정형 인정 데이터를 정형화한다. “누가 누구를 인정했는가”가 네트워크 그래프로 시각화되면, 조직 내 보이지 않는 영향력 지도가 드러난다.
• 채용 품질(Quality of Hire) 자동 측정: Greenhouse, Lever 같은 ATS가 채용 채널별 → 입사 → 6개월 성과 → 12개월 잔류를 자동 추적한다. 어떤 채널이 ‘비싸지만 좋은 인재’를 주는지, 어떤 채널이 ‘싸지만 빨리 나가는 인재’를 주는지 한눈에 보인다.
• 실시간 몰입도 펄스 서베이: Culture Amp, Glint(LinkedIn)가 격주 2~3문항 마이크로 서베이로 팀별 몰입도를 실시간 추적한다. 연 1회 대규모 설문은 이미 ‘뒤늦은 부검’이다.
• HR 데이터 통합 레이어: One Model, Crunchr 같은 피플 애널리틱스 전문 플랫폼이 HRIS/LMS/ATS/보상 시스템을 하나의 데이터 레이크로 묶는다. 한국에서는 SAP SuccessFactors, Workday가 대기업 중심으로 확산 중이고, 중소기업은 flex(플렉스), 사람인HR이 기본 분석을 제공한다.

대시보드에서 예측으로: 한국 HR의 다음 단계

정리하면 이렇다. 피플 애널리틱스의 ROI는 의심의 여지가 없다. 이직 예측 421%, 채용 최적화 312%, 몰입도 개선 342%. 성숙한 프로그램은 연간 20억 원 이상을 절감한다. 그런데 76%의 기업이 ‘하고 있다’면서 실제로 예측 단계에 도달한 곳은 6%다. 투자를 안 해서가 아니다. 데이터가 연결되지 않아서다.

한국 HR팀에게 필요한 건 새로운 도구가 아니다. 기존에 흩어진 데이터를 연결하는 설계 역량이다. 교육 데이터와 성과 데이터를 이으면 교육 ROI가 보인다. 채용 채널과 잔류율을 이으면 채용 전략이 바뀐다. 인정 데이터와 몰입도를 이으면 보상 설계가 달라진다.

답은 간단하지 않다. 그러나 방향은 선명하다. 대시보드에 머무는 한 HR은 ‘보고하는 부서’에서 벗어나지 못한다. 데이터를 연결하고 예측하는 순간, HR은 비로소 경영의 언어로 말할 수 있게 된다. 그리고 그 전환의 시작은 거창한 AI 프로젝트가 아니라, 지금 가진 데이터 두 개를 이어보는 것이다.

💡 실무 시사점: 피플 애널리틱스의 핵심은 ‘얼마나 많은 데이터를 모으느냐’가 아니라 ‘어떤 데이터를 어떻게 연결하느냐’다. 이직률 대시보드에서 멈추지 말고, 이직 데이터와 매니저 행동·온보딩·인정 데이터를 교차 분석하라. 6%의 기업이 증명한 367% ROI는 기술의 문제가 아니라 설계의 문제다.

#피플애널리틱스 #HR데이터 #이직예측 #인재배치 #비금전적인정 #HRTech #HR트렌드

참고 링크

• McKinsey, “Why your talent-management strategy should link talent to value” (2024)
• McKinsey, “Money can’t buy your employees’ loyalty” (2024)
• McKinsey, “Closing the skills gap in retail with people analytics” (2024)
• Second Talent, “Top 100+ HR Analytics & Metrics Statistics 2025” (2025)
• HR.com, “State of People Analytics 2025-26” (2025)
• KPC, “2026 HRD Trend Report” (2026)
• Gallup, “State of the Global Workplace 2026” (2026)

작성: 서재홍 | NODE