 '백락일고伯樂一顧'라는 말이 있다. 주나라 시절 좋은 말을 식별할 줄 아는 백락이라는 사람이 어느날 소금 수레를 끌고 가는 말을 보고 천하를 누빌 천리마가 수레를 끌고 있다며 통탄을 했다. 이후 말의 주인은 백락에게 찾아갔고 백락이 그 말을 자세히 살펴보니 틀림없는 명마였다. 그러자 말의 값은 순식간에 열 배가 올랐다. 그래서 백락일고는 '백락이 말을 한번 뒤돌아본다'라는 뜻으로 자기의 재능을 알아주는 사람을 만나야 대접을 잘 받는다는 의미로 쓰이고 있다. 이러한 일은 데이터 분석에서도 예외가 아니다. 예를 들어 진단데이터 분석이나 퇴직자예측 분석을 하기 위해 여러 고급 통계기법이나 최신 텍스트 분석으로 좋은 시사점을 찾았다고 하자. 그런데 어떤 기업은 분석 결과를 통해 조직 또는 리더십의 긍정적인 변화를 이끌어내지만, 어떤 기업에서는 단순히 좋은 시사점을 제공하는 데에서 끝난다. 아무리 좋은 분석도 제대로 활용하지 못하면 수레를 끄는 천리마로 전락할 수 있기에 데이터 분석 그 이후에 관해 이야기해 보고자 한다. 머신러닝 분석에 대한 주요지표들  데이터를 분석할 때 여러 지표에 따라 분석 결과는 각각 다르게 평가된다. 머신러닝 분석을 하면 가장 많이 받는 질문은 "이 모델의 정확도는 어떻게 되나요?"이다. 정확도라는 개념이 높을수록 좋기는 하겠지만 예측모델을 평가하는 지표에는 정확도 외에도 여러 가지가 더 있다.퇴직자 비율이 5%인 조직이 있다고 가정할 때 모두를 재직자라고 예측하기만 해도 이 예측의 정확도는 무려 95%다. 그러므로 우리가 머신러닝을 활용해 비즈니스를 할 때는 이렇게 Confusion Matrix의 개념을 이해하고 여러 지표에 대해 살펴보아야 한다. 이 밖에도 F-1 score, ROC 커브, AUC의 개념도 반드시 이해할 필요가 있다. 그렇다면 정확도, 신뢰도, 민감도와 같은 머신러닝 지표 수치가 전부 높게 나오면 피플 애널리틱스를 통한 데이터 분석의 목적을 달성한 것일까? 물론 아니다. 퇴직자 예측 그 이후 HR Insight 2020년 11월 호에 소개한 퇴직자 예측에 대한 이야기를 다시 해보자. 우리가 퇴직자 분석을 통해 퇴직확률이 높은 100명의 임직원을 예측했고 실제로 1년 후 100명의 임직원이 모두 퇴사했다고 가정해보자. 또한 100명 이외의 임직원들은 모두 재직 중이라면 이 예측모델은 100%의 정확도를 가진 좋은 모델이라고 할 수 있다. 하지만 이 모델이 가치를 창출했다고 할 수 있을까? 예측성능이 높은 데이터 분석 모델을 개발했다면 그 모델을 활용하여 진행한 활동의 결과 또한 수집해야 피플 애널리틱스가 창출한 가치를 측정할 수 있다. 즉 이 모델이 데이터 분석 이상의 진정한 가치를 갖기 위해서는 단순히 퇴직확률이 높은 100명의 임직원을 예측하는 데에서 그치는 것이 아니라, 모델을 활용해 핵심인재 혹은 퇴직 시 비즈니스적으로 리스크가 큰 직원을 필터링한 후에 퇴직확률이 높은 직원부터 퇴직방지활동을 전개하는 등으로 이직을 막는 데까지 이어져야 한다. ... 중략 ... |
|
기사 전문은 구독권한이 있는 회원께만 제공됩니다. 먼저 로그인 하세요.
로그인
|
