HR Analytics로 번아웃 지표 만들기

HR analytics로 번아웃 지표를 어떻게 만들까요? 핵심은 기술이 아니라 설계 원칙에 있습니다. 좋은 번아웃 지표는 개인을 감시하기 위한 것이 아니라, 개인을 특정할 수 없는 조직 수준의 신호를 만들기 위한 것입니다. 데이터로 소진을 더 빨리 이해하려는 목표와 구성원의 신뢰를 지키려는 목표는 충돌하는 것처럼 보이지만, 처음부터 함께 설계하면 양립할 수 있습니다.

01. People analytics란 무엇인가

People analytics(또는 HR analytics)는 인사 관련 의사결정을 직관이 아니라 데이터로 뒷받침하려는 접근입니다.

전통적으로 인사 결정은 경험과 감각에 크게 의존해 왔습니다. 누가 이탈 위험이 높은지, 어느 팀의 분위기가 나빠지고 있는지는 대개 관리자의 인상에 의존했습니다.

People analytics는 이 판단에 데이터를 더하려는 시도입니다. 채용, 이탈, 참여도, 성과, 그리고 웰빙과 번아웃 같은 주제를 데이터로 이해하려 합니다.

이런 흐름의 배경에는 디지털 표현형(digital phenotyping)이라는 더 넓은 개념도 있습니다. 사람이 일상적으로 남기는 디지털 흔적에서 행동과 상태의 신호를 읽어내려는 접근인데, 정신건강 연구에서 활발히 논의되고 있습니다. 번아웃 지표 설계도 이 흐름의 응용 중 하나로 볼 수 있습니다.

02. 번아웃 지표에는 어떤 신호가 들어가는가

번아웃 지표를 설계할 때 활용을 검토할 수 있는 신호는 여러 가지입니다.

설문(Survey). 가장 표준적인 방법입니다. 직무 스트레스 조사, engagement survey, pulse survey 등이 있습니다. 표준화된 질문을 쓸 수 있다는 장점이 있지만, 측정 간격이 길고 응답이 필요하며 순간의 점수만으로는 변화를 보기 어렵다는 한계가 있습니다.

근무·활동 패턴. 근무 시간의 분포, 휴식 패턴 같은 것들입니다. 다만 이런 데이터는 오해석과 감시의 위험이 특히 크기 때문에 매우 신중하게 다뤄야 합니다.

참여도 신호. 조직 활동에 대한 참여 정도 같은 것들이 참고될 수 있습니다.

음성 같은 보조 신호. 짧은 음성 기반 체크인에서 나타나는 말하기 속도, 음높이, 휴지 같은 특징이 정서·스트레스와 관련될 가능성이 연구되고 있습니다.

여기서 반드시 기억해야 할 점이 있습니다. 어떤 단일 신호도 번아웃을 확정하지 못합니다. 그래서 여러 신호를 조합하고, 무엇보다 시간에 따른 변화를 보는 것이 중요합니다.

음성 신호를 지표로 다룰 때의 구체적 논의는 음성 바이오마커 가이드에서 다룹니다.

03. 가장 큰 함정: 개인 감시

번아웃 지표를 만들 때 가장 흔하고 위험한 함정은 개인 감시(individual surveillance)입니다.

지표를 개인 단위로 계산하고, 관리자가 특정 개인의 소진 점수를 들여다볼 수 있게 되는 상황을 상상해 봅시다. 언뜻 보면 도움이 될 것 같습니다. 위험한 사람을 조기에 발견할 수 있을 것 같으니까요.

하지만 실제로는 정반대의 일이 벌어집니다.

“내 상태가 점수로 관리자에게 보인다면, 나는 솔직하게 표현할 수 있을까?”

구성원이 이렇게 느끼는 순간, 두 가지가 동시에 무너집니다.

1. 신뢰가 무너집니다. 구성원은 서비스를 회사의 감시 도구로 인식합니다.
2. 데이터가 왜곡됩니다. 사람들은 솔직하게 응답하지 않고 방어적으로 반응합니다.

즉 개인을 감시하려는 지표는 정확도의 문제 이전에, 지표의 신뢰성 자체를 파괴합니다. 감시받는다고 느끼는 사람에게서 얻은 데이터는 이미 오염되어 있습니다.

이 문제는 기술 정확도만큼, 혹은 그 이상으로 중요합니다.

04. 익명화된 조직 수준 지표로 설계하기

그렇다면 어떻게 해야 할까요? 답은 지표의 대상을 개인이 아니라 집단으로 옮기는 것입니다.

SYMPLE은 다음 원칙을 중요하게 생각합니다.

• 개인에게는 자신의 상태와 변화에 대한 이해만 제공합니다. 개인 기저선 대비 변화가 핵심입니다.
• 조직에게는 개인을 특정할 수 없는 집단 수준(aggregate, de-identified)의 경향과 위험요인만 제공합니다.

구체적으로는 이런 형태의 차이입니다.

(지양) “김OO님의 번아웃 위험이 증가했습니다.” (지향) “최근 특정 조직에서 업무 부담 관련 스트레스 신호가 지속적으로 증가하고 있습니다.”

후자는 조직이 개입 지점을 찾는 데는 충분하지만, 개인을 특정하지는 않습니다.

이때 실무적으로 중요한 질문이 하나 생깁니다. 집단 수준 데이터는 최소 몇 명부터 제공해야 개인 식별 위험을 충분히 낮출 수 있는가? 인원이 너무 적으면 익명화가 무의미해지기 때문입니다. 이것은 SYMPLE이 실제로 검증하고 있는 연구 질문 중 하나입니다.

05. 음성은 진단이 아니라 보조 신호

번아웃 지표에 음성을 넣을 때 흔한 오해가 있습니다. “AI가 목소리로 번아웃을 진단한다”는 것입니다.

아닙니다.

음성은 수면, 감기, 주변 환경, 마이크, 성별, 연령, 언어, 개인의 발화 습관 등 매우 다양한 요인의 영향을 받습니다. 단일 음성 샘플로 개인의 번아웃을 확정하는 데에는 충분한 주의가 필요합니다.

그래서 SYMPLE은 음성을 하나의 보조 신호로 다룹니다. 중요한 것은 한 번의 목소리가 아니라, 그 사람의 평소 상태(개인 기저선)와 비교했을 때 의미 있는 변화가 나타나는지입니다.

음성 스트레스 신호에 대한 더 자세한 내용은 음성 스트레스 바이오마커에서 볼 수 있습니다.

06. 정리: 좋은 지표의 기준

HR analytics로 번아웃 지표를 만드는 일은 결국 두 가지 목표의 균형입니다. 소진을 더 빨리 이해하는 것과, 구성원의 신뢰를 지키는 것.

• People analytics는 인사 판단에 데이터를 더하는 접근이다.
• 지표에는 설문, 활동 패턴, 참여도, 음성 같은 보조 신호가 들어갈 수 있다.
• 개인 감시는 신뢰와 데이터 품질을 동시에 파괴하는 함정이다.
• 지표는 익명화된 집단 수준으로 설계해야 한다.
• 음성은 진단이 아니라 개인 기저선 대비 변화를 보는 보조 신호다.

좋은 번아웃 지표의 기준은 정확도만이 아닙니다. 누가 무엇을 볼 수 있는가를 함께 설계했는지가 그 지표의 신뢰성을 결정합니다.

---

References

1. Insel TR. Digital phenotyping: technology for a new science of behavior. JAMA. 2017;318(13):1215–1216.
2. Maslach C, Schaufeli WB, Leiter MP. Job Burnout. Annual Review of Psychology. 2001;52:397–422.
3. World Health Organization. Burn-out an “occupational phenomenon”: International Classification of Diseases. 2019.
4. Maslach C, Leiter MP. Understanding the burnout experience: recent research and its implications for psychiatry. World Psychiatry. 2016;15(2):103–111.