# 직원 참여도: 데이터 분석을 통한 여정

우리 팀 (알파벳 순서):

 경영 분석 & 모델링 석사, 라드바우드 대학교

전략적 인적 자원 리더십 석사, 라드바우드 대학교

라드바우드 대학교 교환 학생

프로젝트 개요

라드바우드 대학교에서 데이터 기반 분석을 통한 책임 있는 비즈니스 솔루션 강좌에 참여한 우리 팀은 데이터 분석에 대한 열정을 현실 세계의 문제에 적용할 수 있는 특별한 기회를 얻었습니다. 번성하는 직장을 육성하기 위해 노력하는 회사인 VenturaGear의 직원 이직률을 분석하는 임무를 맡아, 우리는 이직의 근본 원인을 밝히기 위해 심층적인 연구를 수행했습니다. 엄격한 데이터 분석, 머신 러닝 기법, Power BI 시각화를 활용하여 직원 만족도와 유지율의 주요 동인을 파악했습니다. 이 블로그는 유사한 문제를 해결하기 위한 우리의 접근 방식, 결과 및 실행 가능한 전략을 간략하게 설명합니다.

이직 문제 이해

다양한 운영 부서를 가진 회사인 VenturaGear는 직원 이직률이 증가하여 데이터 분석 팀이 그 근본 원인을 파악해야 했습니다. 초기에는 외부 경쟁과 내부 직장 요인에 대한 우려가 제기되었지만, "직원들이 왜 떠나는가?"라는 광범위한 질문은 실행 가능한 통찰력을 얻기 위해 구체화해야 했습니다. 이를 해결하기 위해 먼저 데이터 세트와 함께 제공되는 데이터 매뉴얼을 검토하여 사용 가능한 데이터에 대한 포괄적인 이해를 얻었습니다. 그런 다음 현재 직원 기록에 대한 탐색적 데이터 분석을 수행하여 주요 변수에 초점을 맞췄습니다. 조직 계층 구조 (예: 직원 수준), 재직 기간, 사업 부서 (예: 재고, 제조), 급여 지급 빈도, 급여율 및 성과 지표입니다.

이러한 접근 방식을 통해 우리는 연구 질문을 다음과 같이 구체화할 수 있었습니다. 조직 계층 구조, 재직 기간, 사업 부서, 급여 구조 및 성과 지표는 VenturaGear의 직원 만족도와 이직률에 어떤 영향을 미치는가? 범위를 좁힘으로써 이러한 요인을 체계적으로 탐색하고 이탈의 패턴과 동인을 밝혀 목표화된 권장 사항을 설정할 수 있었습니다.

데이터 준비

구체화된 연구 질문에 효과적으로 답하기 위해 우리는 VenturaGear의 이직 문제를 다양한 관점에서 검토해야 했습니다. Power BI를 사용하여 편협한 시각을 피하고 전체적인 분석을 보장하기 위해 포괄적인 데이터 모델을 만들었습니다. 이는 데이터 품질을 평가하기 위해 데이터 세트를 철저히 검토하는 것으로 시작되었으며, 불일치, 데이터 유형 정확도 및 누락된 값을 확인했습니다 (Hair et al., 2018). 예를 들어, HR_EmployeeDepartmentHistory 테이블의 "EndDate" 필드를 텍스트에서 날짜 형식으로 변환하고 한 직원의 "EndDate"가 "StartDate"보다 앞서는 오류와 같은 오류를 수정하여 데이터 무결성을 유지했습니다. 데이터 사전과 관계를 설정하고 오류를 방지하기 위해 카디널리티를 검증하여 인적 자원 데이터 세트에서 관련 테이블만 가져와 분석을 간소화했습니다 (Arnold, 2022).

분석을 개선하기 위해 DATEDIFF로 계산된 WorkingLifeTime을 포함하여 여러 개의 새로운 열과 측정값을 개발하여 직원 재직 기간을 평가하고 활성 직원 상태를 평가하기 위해 ActiveCountTrue 및 ActiveRatioTrue를 개발했습니다. 또한 VenturaGear의 계층 구조를 반영하기 위해 OrgLevelLabel을 사용하여 조직 수준을 분류했습니다. 정확한 급여 분석을 보장하기 위해 요율 이상치 탐지를 위해 사분위수 범위 (IQR) 방법을 구현했습니다. BirthDate 및 HireDate와 같은 필드에서 누락된 데이터를 플래그했지만 가정을 피하기 위해 변경하지 않았습니다. 이러한 데이터 준비를 통해 다양한 수준, 부서 및 급여 구조에서 이탈 동인에 대한 철저한 분석을 수행할 수 있었습니다.

분석 여정

견고한 데이터 모델을 갖춘 우리의 분석 여정은 VenturaGear의 직원 데이터를 실행 가능한 통찰력으로 변환하는 데 중점을 두었습니다. 우리는 문제를 이해하기 위해 다른 단위 내에서 이직률을 분석하는 것으로 시작한 다음, 더 깊은 이해를 위해 MECE 프레임워크를 사용하여 재직 기간, 단위 및 수준별로 직원을 분류했습니다 (Rasiel, 1999). 다음으로 직무 만족도, 급여 빈도 및 요율을 통해 웰빙을 측정하여 외적 동기 부여를 암시하는 지표를 식별했습니다. 이러한 영향을 정량화하기 위해 만족도를 연속 변수로 취급하여 Microsoft Fabric AutoML을 사용하여 머신 러닝 모델을 개발했습니다 (Müller & Guido, 2016). 모델의 특징 중요도 분석에 따르면 급여 빈도 (0.55)와 조직 수준 (0.26)이 가장 강력한 예측 변수였으며, 급여율과 교대 근무 ID는 최소한의 영향을 미쳤습니다.

그러나 훈련된 회귀 머신 러닝 모델의 예측 성능 (R² 20%, MAE 3.63, MAPE 5.75%)은 직무 만족도가 우리의 변수에 완전히 포착되지 않은 복잡한 요인의 영향을 받았음을 나타내는 과제를 제기했습니다. 이로 인해 우리는 추세와 패턴을 시각화하기 위해 Power BI를 활용하여 기술 통계 분석으로 전환하게 되었습니다. 주요 통찰력을 통해 관리를 안내하기 위해 "이직 개요" 대시보드와 "직무 만족도 및 급여율" 대시보드의 두 가지 주요 대시보드를 설계했습니다.

시각화 설계 중에 중요한 교훈이 나타났습니다. 가로 세로 비율은 추세에 대한 인식을 왜곡할 수 있습니다. 더 넓은 그래프는 균형 잡힌 추세를 제시했지만, 더 좁은 그래프는 가파름을 과장하여 오해의 위험을 초래했습니다 (Peltier et al., 2021). 각 급여 그룹에 대해 축이 적절하게 조정되도록 대시보드를 신중하게 조정하여 명확성과 정확성의 균형을 유지하여 오해의 소지가 있는 비교를 피했습니다 (Fisher et al., 2021). 모델링에서 시각화에 이르기까지 이러한 분석 여정을 통해 이직률과 만족도에 대한 미묘한 통찰력을 발견하여 실행 가능한 권장 사항을 위한 기반을 마련할 수 있었습니다.

주요 결과 및 통찰력

우리의 분석 여정은 Power BI 시각화를 통한 기술 통계 분석을 결합하여 VenturaGear의 이직 문제에 대한 중요한 통찰력을 밝혀냈습니다. 회귀 모델은 제한에도 불구하고 우리의 탐색을 안내했으며 신중하게 설계된 대시보드는 명확하고 실행 가능한 추세를 제공했습니다.

1. 이직 패턴: "EndDate"가 기록된 직원의 11%만이 VenturaGear를 떠났습니다. 많은 직원이 부서를 변경하여 초기 가정보다 실제 이직률이 낮다는 것을 시사합니다. 재고 부서는 상대적으로 이직률이 가장 높았으며, 제조 부서는 이직률이 가장 낮았습니다. 이직은 종종 2년차에 최고조에 달했으며, 이는 온보딩 기대와 업무 현실 간의 불일치를 나타냅니다 (Lievens et al., 2001).
2. 동기 부여 역학: 하위 수준 직원은 단기 만족도를 높이지만 장기적인 헌신을 조성하지 못하는 격주 급여와 같은 외적 동기 부여 요인에 크게 의존합니다 (Ryan & Deci, 2000; Bénabou & Tirole, 2003).
3. 성과 지표: 시간당 키보드 누름 횟수는 유일한 보편적인 성과 지표이며 역할에 따라 다르며 만족도와 명확한 관련이 없습니다. 이 지표는 모니터링 감각을 조성하여 직원 자율성과 신뢰를 약화시킬 수 있습니다 (Ryan & Deci, 2000).
4. 부서별 문제: 재고 부서의 높은 이직률과 낮은 만족도는 목표화된 개입이 필요한 단위별 문제를 강조합니다.

이러한 결과는 VenturaGear가 직원 참여도를 높이고 이직률을 줄이기 위해 외적 및 내적 동기 부여 요인의 균형을 맞출 필요성을 강조합니다. 시각화에 대한 자세한 내용은 Power BI 작업 영역을 살펴보십시오.

실행 가능한 권장 사항

우리의 결과는 VenturaGear가 이직률을 줄이고 참여도를 높이기 위해 외적 및 내적 동기 부여 요인을 모두 해결해야 함을 강조합니다. 분석을 바탕으로 다음과 같은 전략을 제안합니다.

단기 조치

• 경쟁력 있는 임금: 급여 빈도와 요율이 주요 외적 동기 부여 요인이므로 시장 분석을 수행하여 급여율이 업계 표준과 일치하는지 확인합니다 (Ryan & Deci, 2000).
• 급여 빈도 증가: 재정적으로 가능하다면 모든 직원에 대해 격주 급여로 전환하여 업무와 보상 간의 연관성을 강화합니다.

장기 전략

• 내적 동기 부여 육성: 역량 강화를 위해 명확한 경력 성장 경로를 제공하고 구현합니다.

결론

VenturaGear의 직원 이직률에 대한 분석은 복잡한 직장 문제에 대한 데이터 기반 통찰력의 가치를 강조합니다. 체계적인 데이터 준비와 영향력 있는 Power BI 시각화를 활용하여 급여 빈도와 재고 부서 내의 문제를 포함한 주요 이탈 동인을 파악했습니다. 회귀 모델은 중요한 요인을 정확히 찾아냈지만, 우리는 내적 동기 부여가 장기적인 직원 헌신에 중요한 역할을 한다는 것을 발견했습니다. 이 프로세스는 VenturaGear에 실행 가능한 통찰력을 제공하고 학문적 엄격함과 실질적인 솔루션을 혼합하는 것의 중요성을 보여주어 보다 참여적인 인력을 육성하기 위한 목표화된 전략을 위한 길을 열었습니다.

참고 문헌

Arnold, J. (2022). Learning Microsoft Power BI. "O'Reilly Media, Inc.".