일자리가 사라진다!
2016년 이세돌 9단과 알파고의 대결은 우리에게 본격적으로 기술에 의해서 우리의 일자리가 대체될 수 있다는 두려움을 갖게 한 순간이었던 것 같다. 그 이후로 여러 연구를 통해서 ‘기술에 의해서 대체될 일자리’, ‘2030년까지 사라질 직업군!’ 등의 보고서가 쏟아져 나오기 시작했다. 실제로 세계적 미래학 연구소인 다빈치연구소의 소장이자 구글의 미래학자인 토마스 프레이(Thomas Frey)는 2030년까지 포츈 500대 기업 중 절반이 기술 발전에 의해서 문을 닫을 것이라고 예언한 바 있다. 물론 COVID-19라는 상황으로 그 말이 사실이 될 수 있도 있는 상황이 되긴 했지만, 기술적 발전은 그만큼 일자리에 미치는 영향이 크다고 할 수 있다. 2013년 토마스 프레이(Frey)와 오스본(Osborne)은 미국의 일자리(직무 단위)를 쭉 펼쳐두고 사라질 확률을 계산하고 이를 논문으로 발표하기에 이른다. 이 논문은 많은 이들의 관심을 받았는데, 국내 회사인 H사는 사내의 직무와 프레이와 오스본 논문에서 밝힌 확률을 매칭하여 2023년까지 직무별 기술에 의해서 대체될 확률을 계산했다. 연구 결과 약 64% 정도의 일자리가 사라질 것으로 확인이 되었다. 하지만 이 연구에는 여러 가지 제약점이 있다. 가장 큰 단점은 미국과 한국의 노동시장이 매우 다르다는 점이다. 이에 한 연구자는 H사가 위 연구를 수행한 2017년 직무별 임직원 숫자와 2020년 초의 숫자를 비교해서 실질적으로 일자리가 변화했는지를 프레이와 오스본의 일자리 대체 확률과 연계해서 그 상관관계를 구해봤다. 분석 결과 통계적으로 유의한 수준으로 일자리가 기술에 의해서 대체됨을 확인했다. 그렇다면 “2023년까지 프레이와 오스본의 주장대로 우리 나라 일자리들도 사라질 것이다!”라고 이야기할 수 있을까?
이 질문에 답하기 위한 과정을 People Analytics(PA)의 한 가지 활동이라고 한다면 전제적으로 우리는 매우 중요한 질문에 답을 해야 한다. “2023년까지 일자리 사라질 것인가?”는 예측(predict)의 문제인지 아니면 설명(explain)의 이슈인지. Watson(2010)은 Business analytics의 주요한 목적을 예측과 설명으로 구분한바 있는데, 예측은 현재 일어나지 않은 일을 일련의 방법을 통해서 미리 그려보려는 것이며, 설명은 일어난 일에 대해서 인과 관계 등을 설득력있게 제시하기 위함이다. 그렇다면 위에서 제시한 2017년과 2020년의 일자리 변화와 기술에 의한 대체 확률 관계는 설명의 문제일 것이며, 2023년에 일자리가 사라질 것인가?는 예측의 문제로 귀결된다. 그러나 우리는 자주 이러한 목적 의식을 분명히 하지 않고 분석을 시작하기도 하며, 혹은 두 가지 문제를 혼동해서 활용하기도 한다. 그러나 이는 자연스러운 일이다. 왜냐하면 역사적으로도 예측과 설명은 오랫동안 학계의 토론거리였기 때문이다. 제한된 합리성(bounded rationality) 개념을 고안하여 행동 경제학 발판을 마련한 허버트 사이먼(herbert simon) 역시 인간의 행동을 이해하고 설명하려는 것과 예측하려는 활동은 다르다고 강조한 바 있다. 그리고 Shmueli(2010)는 논문을 통해서 예측은 미래를 그려보려는 활동이며 다양한 변수들의 조합(function)에 초점이 있는 반면, 설명은 이해를 위한 목적이며 어떤 것이 인과관계를 잘 설명하는 변수(variable)인지에 초점이 있다고 강조한 바 있다. 이를 Schineider(1987) 이야기 한 B=f(P,E) 방정식으로 설명한다면 예측은 미래의 행동(B)와 최적의 함수(f)에 관심이 있고 설명은 어떠한 P(사람의 특성)과 E(환경)이 B를 가장 잘 설명할 수 있는지에 초점이 있다.
예시를 들어 설명한다면 P사에서 실시한 분석에 따르면 퇴임한 리더들은 유임하고 승진한 리더들에 비해서 “사람 관리” 역량이 현저하게 낮게 나타났다. 즉, 사람을 육성하고, 코칭하며 다양성을 중요시 여기는 사람 관리 역량이 낮은 리더들은 평균치와 높은 점수를 보인 리더들에 비해서 퇴임할 확률이 매우 높게 나타났다는 말이다. 여기서 중점으로 보려는 부분은 퇴임한 리더의 특성인 개인 역량(사람관리)이다. 반면, 예측의 사례로는 B사는 Assessment Center (복수의 시뮬레이션 과제를 복수의 평가자가 복수의 역량으로 측정하는 방법이며 주로 선발 및 승진 의사결정에 많이 활용된다)를 활용해서 관리자 승진을 위한 의사결정에 활용하고 있었다. B사가 실시한 리더들의 역량 평가 결과가 다음 해의 성과(performance)를 잘 예측할 수 있는지를 살펴본 결과 Training set 기준으로 Assessment Center의 서류함 기법(in-basket)과 역할연기(role-play) 총합점이 73% 확률로 A player를 예측함을 알 수 있었다. 이는 예측의 문제이었기 때문에 주요한 초점은 어떠한 조합(서류함 기법, 역할연기, 상황판단검사 등)이 성과를 가장 잘 예측하는지에 있었으며 모델의 예측력이 주요한 관심사였다.
지금까지 사례를 통해서 알아본대로 예측과 설명은 그 목적과 분석 방법 등에서도 차이를 보이고 있다. 그동안 PA의 많은 지점에서 분석 방법(머신러닝, 딥러닝 등)에 집중한 경향이 있는데 그 전에 우리는 분석을 하려는 목적을 보다 명확하게 정의할 필요가 있다. 그러한 의미에서 예측과 설명 중 어떤 것을 목적으로 하는지 PA 분석에 앞서서 고민해봐야 하지 않을까 싶다. 더불어, PA는 결국 데이터에 기반한 효과적 의사결정(Y)을 위해서 필요하다면 우리에게 필요한 것은 결국 Y=f(명확한 목적 x 통계적 분석방법 x 관련 지식 x 마인드셋)이 필요하지 않을까 싶다. 왜냐하면 데이터는 그 자체로 몰가치성을 갖고 있기 때문에 명확한 목적의식을 가지고 데이터 분석을 통해서 일련의 숫자를 뽑아야 하며 이를 해석할 수 있는 맥락적/조직적 지식을 갖고 있어야 하고, 이를 통한 의사결정이 언제든지 틀릴 수 있다는 겸손함을 가지고 의사결정을 해야 할 것이다. 결국 효과적 의사결정 역시 명확한 목적의식부터 시작될 수 있을 것이다. 그리고 저를 포함한 많은 HRer분들께서 PA는 불멸의 진리가 아닌 언제든지 틀릴 수 있다는 겸손함을 갖고 PA를 대해보면 어떨까?하는 제언과 함께 본 고를 마친다.
