신규 채용의 보상을 공정하게 지급하기

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

이 연습은 강의의 일부입니다

HR Analytics: R로 살펴보는 직원 데이터

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 장에서는 인사(HR) 맥락에서 데이터 사이언스가 어떻게 활용되는지 소개합니다. 이어서 사례 연구를 통해 채용 데이터를 분석하고 시각화하여, 어떤 지원자 유입 경로가 궁극적으로 가장 우수한 신규 직원을 배출하는지 알아봅니다. 이 장과 이후 장에서 사용할 데이터셋은 실제 직원의 개인정보 보호를 위해 합성 데이터입니다.

Exercise 1: 코스에 오신 것을 환영합니다!Exercise 2: 인사(HR) 분석의 활용 사례 Exercise 3: 채용 데이터 살펴보기 Exercise 4: 채용과 신규 입사자 품질 Exercise 5: 데이터에서 집단 식별하기 Exercise 6: 채용 경로별 판매 실적 Exercise 7: 채용 출처별 이직률 Exercise 8: 채용 데이터 시각화하기 Exercise 9: 영업 실적 차이 시각화하기 Exercise 10: 이직률 차이 시각화하기 Exercise 11: 결론 도출하기

Gallup은 참여(engagement)가 높은 직원을 자신의 일과 직장에 몰입하고, 열정을 가지며, 헌신하는 사람으로 정의합니다. 직원 참여와 비즈니스 성과 간의 연관성 강도에 대해서는 의견이 엇갈리지만, 일반적으로 참여도가 높은 직원이 더 생산적이고 조직에 더 오래 남는다고 봅니다. 이 장에서는 특정 부서의 참여 점수가 다른 부서보다 낮은 이유가 무엇인지 가능한 원인을 살펴봅니다.

Exercise 1: 직원 몰입도 분석하기 Exercise 2: 설문 데이터 가져오기 Exercise 3: 참여도가 가장 낮은 부서는 어디인가요?Exercise 4: 부서별로 다른 요인 비교하기 Exercise 5: 참여도 데이터 시각화하기 Exercise 6: 여러 변수를 한눈에 시각화하기 Exercise 7: 패싯으로 여러 변수를 한꺼번에 시각화하기 Exercise 8: 그래프에서 결론 도출하기 Exercise 9: 그 차이가 의미가 있을까요?Exercise 10: 통계적 유의성 - 낮은 몰입도 직원 Exercise 11: 통계적 유의성 - 휴가 일수 Exercise 12: 검정 결과에서 결론 이끌기

기업이 신규 직원을 채용할 때는 보수를 결정해야 합니다. 주의를 기울이지 않으면, 신규 입사자의 급여가 동일 직무의 기존 직원보다 높게 책정되어 이직과 불만을 초래할 수 있습니다. 이 장에서는 신규 입사자가 실제로 기존 직원보다 더 많은 보수를 받고 있는지 확인하고, 초기 관찰 결과를 어떻게 이중 확인할지 알아봅니다.

Exercise 1: 신규 채용의 보상을 공정하게 지급하기

현재 연습

Exercise 2: 급여 데이터 불러오기 Exercise 3: 차이가 통계적으로 유의할까요?Exercise 4: 생략변수 편향 Exercise 5: 누락 변수 편향 예시 Exercise 6: 또 어떤 차이가 있을까요?Exercise 7: 이제 급여 차이가 어떻게 보이나요?Exercise 8: 시간제 채용자가 더 많이 받나요?Exercise 9: 선형 회귀 Exercise 10: 신규 채용 임금: 단순 회귀 Exercise 11: 신규 입사자 급여: 직무 레벨 반영하기 Exercise 12: 검정 결과에서 결론 도출하기

성과 관리는 조직이 평균 이상으로 가치를 창출하는 직원과 평균 이하의 직원을 파악하고, 그에 맞게 보상하도록 돕습니다. 성과가 평정 점수이든 설문 결과이든, 평가가 매년 또는 더 자주 이루어지든, 이 과정에는 어느 정도 주관이 개입됩니다. 조직은 평정이 실제 성과에 근거해 이루어지고 개별 관리자의 선호나 심지어 의식적/무의식적 편향의 영향이 아닌지 점검해야 합니다.

Exercise 1: HR 데이터 결합하기 Exercise 2: 두 데이터셋 가져오기 Exercise 3: 퍼포먼스 데이터 조인하기 Exercise 4: 성과 평정과 공정성 Exercise 5: 상위 성과자에 집중하기 Exercise 6: 우수 인력 분포 비교하기 Exercise 7: 누락 변수 편향(omitted variable bias) 확인하기 Exercise 8: 로지스틱 회귀 Exercise 9: 선형 회귀와 로지스틱 회귀 Exercise 10: 성과 평가: 간단한 로지스틱 회귀 Exercise 11: 성과 평가: 직무 레벨을 반영하기 Exercise 12: 결론과 권장 사항

많은 산업에서 직장 내 안전은 매우 중요합니다. 안전한 작업 환경을 유지하면 직원의 신뢰가 높아지고, 산재 보상 및 법적 책임과 관련된 비용이 줄어듭니다. 이 장에서는 직장 내 사고가 증가한 이유를 데이터로 설명할 단서를 찾아봅니다.

Exercise 1: 직원 안전 Exercise 2: 사고 데이터 불러오기와 조인 Exercise 3: 사고율이 가장 높은 곳은 어디일까요?Exercise 4: 어느 지역에서 사고율이 가장 많이 증가했나요?Exercise 5: 관심 지역에 초점을 맞추기 Exercise 6: 문제가 발생한 위치에 집중하기 Exercise 7: 더 많은 데이터 가져오기 Exercise 8: 누락된 변수가 있는지 점검하기 Exercise 9: 그 변화가 문제 지점에만 국한된 건가요?Exercise 10: 사고 증가의 원인 설명하기 Exercise 11: 회귀 분석으로 변화 요인 파악하기 Exercise 12: 무엇을 결론지을 수 있을까요?Exercise 13: 마무리