[노무-23022] '동일노동 동일임금의 원칙' 계량화 방법_Python

Ⅰ. 검토 배경 : KB신용정보 사례와 노동력 가치 비교의 필요성 

매일노동뉴스(https://www.labortoday.co.kr/news/articleView.html?idxno=215119) 이미지 참고

우리나라 헌법은 누구든지 성별ㆍ종교 또는 사회적 신분에 의하여 정치적ㆍ경제적ㆍ사회적ㆍ문화적 생활의 모든 영역에 있어서 차별을 받지 아니함을 천명하고 있다.(헌법 제11조) 이러한 법 원칙을 토대로 노동관계 당사자는 ①근로기준법 제6조, ②남녀고용평등과 일ᆞ가정 양립 지원에 관한 법률 제8조, ③고용상 연령차별금지 및 고령자고용촉진에 관한 법률 제4조의 4, ④파견근로자보호 등에 관한 법률 제21조, ⑤국가인권위원회법 제3조 제3호 등 다양한 개별 법규에서 규정하는 차별 금지 제한에 따라야 한다.

 

근로자가 자신의 "노동력"을 사용자에게 판매하는 노동관계의 특성상 제공된 노동력의 가치는 일하는 내용과 그 외 부가적인 요소(요건, 상황 등)를 필연적으로 고려할 수 밖에 없다. 국내 노동법도 근로자가 수행하는 업무 내용과 필요한 직무 요건 등에 주목하여 차별의 존부를 판단하도록 하고 있다.

[남녀고용평등과 일ᆞ가정 양립 지원에 관한 법률]
제8조(임금) 
① 사업주는 동일한 사업 내의 동일 가치 노동에 대하여는 동일한 임금을 지급하여야 한다.
② 동일 가치 노동의 기준은 직무 수행에서 요구되는 기술, 노력, 책임 및 작업 조건 등으로 하고, 사업주가 그 기준을 정할 때에는 제25조에 따른 노사협의회의 근로자를 대표하는 위원의 의견을 들어야 한다.
③ 사업주가 임금차별을 목적으로 설립한 별개의 사업은 동일한 사업으로 본다.

[파견근로자 보호 등에 관한 법률]
제21조(차별적 처우의 금지 및 시정 등) 
① 파견사업주와 사용사업주는 파견근로자라는 이유로 사용사업주의 사업 내의 같은 종류의 업무 또는 유사한 업무를 수행하는 근로자에 비하여 파견근로자에게 차별적 처우를 하여서는 아니 된다.
② 파견근로자는 차별적 처우를 받은 경우 「노동위원회법」에 따른 노동위원회(이하 “노동위원회”라 한다)에 그 시정을 신청할 수 있다.
③ 제2항에 따른 시정신청, 그 밖의 시정절차 등에 관하여는 「기간제 및 단시간근로자 보호 등에 관한 법률」 제9조부터 제15조까지 및 제16조제2호ㆍ제3호를 준용한다. 이 경우 “기간제근로자 또는 단시간근로자”는 “파견근로자”로, “사용자”는 “파견사업주 또는 사용사업주”로 본다.
④ 제1항부터 제3항까지의 규정은 사용사업주가 상시 4명 이하의 근로자를 사용하는 경우에는 적용하지 아니한다.

[기간제 및 단시간근로자 보호 등에 관한 법률]
제8조(차별적 처우의 금지) 
①사용자는 기간제근로자임을 이유로 해당 사업 또는 사업장에서 동종 또는 유사한 업무에 종사하는 기간의 정함이 없는 근로계약을 체결한 근로자에 비하여 차별적 처우를 하여서는 아니 된다. 
②사용자는 단시간근로자임을 이유로 해당 사업 또는 사업장의 동종 또는 유사한 업무에 종사하는 통상근로자에 비하여 차별적 처우를 하여서는 아니 된다.

 

최근 KB신용정보 판례(중앙지법 2023.5.11. 2020가합575036)를 비롯한 다양한 임금피크제 사례에서 ⓐ고령자고용법 제19조의 2에 의거한 취업규칙 불이익 변경, ⓑ임금피크제 도입에 따른 대상조치 여부 및 그 정도, ⓒ정년연장형 임금피크제 사례에서 정년유지형 판단 기준의 적용 가능성 등 여러 쟁점들이 존재하나 결국 임금피크제 도입과 관련하여 핵심적인 것은 "연령에 따라 감소된 노동력의 가치만큼 보상을 삭감하는 것인지"에 있다. 따라서 노동력의 가치를 측정하거나 비교하는 일이 현 시점에서 무엇보다 중요해졌다.

 

Ⅱ. "동일 가치 노동"의 정의와 판단

1. 동일 가치 노동이란?

‘동일 가치의 노동’이란 당해 사업장 내의 서로 비교되는 노동이 동일하거나 실질적으로 거의 같은 성질의 노동 또는 직무가 다소 다르더라도 객관적인 직무평가 등에 의하여 본질적으로 동일한 가치가 있다고 인정되는 노동에 해당하는 것을 말하고, 동일 가치의 노동인지는 ①직무 수행에서 요구되는 기술, 노력, 책임 및 작업조건을 비롯하여 ②근로자의 학력·경력·근속연수 등의 기준을 종합적으로 고려하여 판단하여야 한다.(대법원 2019. 3. 14. 2015두46321)

 

동일 가치의 노동이란 단어 자체가 타인과의 비교를 전제하고 있으므로 법원은 두 가지 비교기준을 제시한다. 하나는 ①객관적으로 직무에서 요구하는 조건(객관적 요소)이고 다른 하나는 ②그 업무를 수행하는 자의 주관적인 특성(주관적 요소)이다. 결국 법원은 학력, 경력, 근속연수 등 유사한 집단 내에서 직무가 요구하는 수준이 동일 또는 유사한 근로자들이 받는 보상을 합리적인 이유없이 차별하지 말라는 것이다.

 

2. 주관적 요소가 동일·유사한 근로자 판별

판례가 말하는 주관적 요소는 ⓐ학력 수준, ⓑ경력연수, ⓒ근속기간, ⓓ직군 등과 같이 근로자 개인의 인구통계학적 변수(Demographic)에 해당한다. 이러한 변수들을 가지고 동일 또는 유사한 그룹(비교대상그룹)을 판별하는 것은 매우 간단하다. 데이터 마이닝 기법 중 판별분석(Discriminant Analysis)이나 CBR(Case Base Reasoning)을 활용하여 문제를 제기한 근로자가 어느 집단에 속해있는지 혹은 그와 가장 유사한 근로자는 누구인지를 확인할 수 있다.

 

다만, 우리는 집단 대 집단의 차별 존부를 파악하는 것이 아닌 특정인에 대한 차별 존부를 판단하는 것이므로 판별분석보다는 CBR를 활용하는 것이 적절하다. CBR과 관련해서는 과거의 작성해둔 글이 있으니 아래 링크를 클릭하여 한번만 읽어보면 바로 실무에 적용할 수 있을 것이다.

[인사-22009] 경력직 신규 채용 시 적정 임금 수준 설정 방법

 

Ⅲ. 객관적 요소의 동일·유사 정도 검토

1. 분석에 활용될 알고리즘 : Doc2Vec

데이터 마이닝에는 자연어로 작성된 텍스트를 분석하는 분야인 '텍스트 마이닝'이 있다. 텍스트 마이닝은 다른 의미로 '자연어 처리(NLP, Natural Language Processing)'라고도 불리우며, ①감성분석, ②키워드 분석, ③문서요약 등 여러가지 기능을 수행할 수 있다. 요즘 유행하는 Chat-GPT 역시 프롬프트에 입력된 텍스트 데이터를 읽고 이해하는데 이러한 텍스트 마이닝이 활용되는 것이다.

 

다만, 컴퓨터는 인간이 아니기 때문에 자연어를 보고 곧바로 그 의미를 이해할 수 없다.(사실 이해한다고 보아야 할지도 의문이긴 하다.) 따라서 우리가 일상생활에서 흔히 사용하는 자연어를 컴퓨터에게 입력시키기 위해서는 벡터화(Vectorization) 과정을 거쳐야 한다. 말 그대로 중국인이 하는 말을 한국어로 번역(Translation)해준다고 생각하면 편하다.

※ 자연어는 지금 여러분들이 보고있는 이러한 글들을 말함.

 

자연어를 컴퓨터에게 이해하기 쉽게 벡터화하는 기법은 크게 두 가지로 구분된다. ①문서(Document)에 담긴 여러 문장에서 나타난 단어의 빈도 수를 계산하여 백터화하는 방법(Bag of words, TF-IDF 등)이나 ②인공신경망 모형을 활용하여 문장(혹은 단어)의 의미를 벡터화하는 방법(Doc2vec, Glove, PLM 등)이 있다. 빈도수를 측정하는 백터화 방식은 단순히 문장 속 단어의 출현 빈도를 측정하는 것이기 때문에 "은", "는", "이", "가"와 같이 조사적 표현이나 "~것", "~개" 등 접미사처럼 의미없는 단어들이 자주 나타남으로써 중요하게 다뤄지는 한계가 나타날 수 있다(지프의 법칙). 뿐만 아니라 "기쁨", "즐거움", "행복" 처럼 유사한 의미를 지녔지만 서로 구분되는 단어로 이해하여 단어나 문장의 유사도를 측정하는데 상당한 어려움을 겪을 수 있다.

 

따라서 우리는 직무의 내용·수행요건(객관적 요소)의 유사성을 판단하는 벡터화 기법으로 "Doc2Vec" 알고리즘을 활용하고자 한다. 이 알고리즘은 인공신경망 모형이 활용하므로 사전 학습 데이터가 필요하다. 학습 데이터는 기업 내 직무기술서 데이터를 활용하면 된다. 만약 직무기술서가 없다면 본 블로그의 직무분석 내용을 참고해주시기 바란다.

※ 본 블로그의 내용은 일반적인 직무기술서 작성 방법이므로 이러한 데이터 분석용 직무기술서는 항목을 좀 더 추가할 필요가 있다. → 궁금하면 댓글을 남겨주시기 바람.

[인사-23016] 직무급 도입을 위한 직무분석 방법론 ④ : 본직무분류

 

2. 분석 시 필요한 데이터 및 분석 범위

앞서 살펴본 바와 같이 대법원은 동일 가치 직무를 판단하기 위한 객관적 요소로 직무가 요구하는 4가지 항목을 제시하였다. 구체적으로 ①필요 기술, ②부담해야 할 책임 범위, ③온전한 직무 수행을 위하여 투입하여야 하는 노력, ④직무가 수행되는 물리적·정신적 작업조건이 그것이다. 이는 모두 직무기술서에서 정보를 얻을 수 있다. 아래 내용을 살펴보자

[사전 학습 데이터 항목 예시]

1) 필요 기술
  - 직무기술서 항목 중 필요 역량(적정 수행 직급, 자격증, 경험 등)을 활용
2) 부담해야 할 책임 범위
  - 직무기술서 항목 중 직무의 성과책임 혹은 직무미션을 활용
3) 온전한 직무 수행을 위하여 투입하여야 하는 노력
  - 직무기술서 항목 중 과업 내용(과업별 세부활동)을 활용
4) 직무가 수행되는 물리적·정신적 작업조건
  - 직무기술서 항목 중 노출되는 작업환경을 활용

 

만일 우리 회사의 직무기술서 안에 위와 같은 예시 항목이 없다면 최대한 유사한 것을 찾아 대체하거나 새롭게 직무기술서를 재작성할 필요가 있다. 이번 분석 과제는 4가지 항목 중 "부담해야 할 책임 범위"를 중심으로 예제를 풀어나갈 것이다. 분석에 활용될 학습 데이터는 국내 모 에너지 공기업의 직무기술서 내용 중 직무미션을 가지고 진행할 것이다.

[부담해야 할 책임 범위 데이터 예시 : '구내식당 운영' 직무]

임직원에게 필요한 영양을 적시에 공급함으로써 균형잡힌 식사를 할 수 있도록 하고 식생활의 질적인 향상을 도모할 수 있는 식단을 작성하는 등 급식서비스 제공한다 식재료 구매는 안전하고 품질이 우수한 식재료의 사용으로 급식의 질을 향상시키고 임직원들의 만족도를 제고 시킬 수 있도록 객관적이고 공정한 절차에 따라 식자재를 구매한다 검수는 공사의 구매의뢰에 따라 납품업체가 공급하는 식재료에 대하여 품질 신선도 수량 위생상태 등이 요구기준에 부합되는지를 확인하여 식품의 안전성을 확보한다 위생관리는 식사를 계획하고 식품을 보관 조리하여 식사를 제공하는 전 과정에서 미생물 등 식품위생 위해요소를 미연에 방지하고 이를 기초로 위생적이고 안전을 담보할 수 있도록 관리하고 제공함으로써 피급식자를 보호한다 음식조리 및 카페운영을 담당하는 구내식당 종사원을 전문업체에 위탁 운영함으로써 인력운영의 효율적 관리를 도모하고 과업을 원활하게 수행할 수 있도록 관리 감독한다.

 

3. 유사성 검토 Python 코드 

(1) Doc2Vec 패키지 준비

#Import all the dependencies
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
from nltk.tokenize import word_tokenize

import nltk
nltk.download('punkt')

이번 분석은 일전에 설명하였던 분석환경인 "pycharm"이 아닌 "Colab"을 활용하여 분석하고자 한다. Colab은 구글에서 제공하는 분석환경인데, 소규모 데이터에 대한 파이썬 분석을 시도할 때 가장 최적화된 공간이다. 따라서 파이썬 분석을 처음하는 사람이라면 이 공간을 적극적으로 활용하는 것을 권한다.(물론 웹 크롤링 등 몇 가지는 파이참을 이용하는 것이 아직까지 편하다.) 아래 링크를 클릭하고 화면이 뜨면 파일 → 새 노트를 눌러 분석환경을 구축한다.

Google Colaboratory

파일 → 새 노트 클릭

 

우선, 활용할 Doc2Vec 알고리즘을 우리 분석 환경에 담는 작업을 실시한다. 만들어진 분석환경에 "+코드" 버튼을 누르고 위 코드를 붙여넣은 뒤 실행시켜주자. 실행시킬 때에는 코드 블럭 옆에 재생 모양 버튼을 누르면 실행된다. 앞으로 코드 입력 방식은 이런 식으로 수행될 것이다.

 

(2) 사전 학습데이터 준비

## 직무기술서 준비
f = open('/content/직무기술서_샘플.txt','r')
lines = f.readlines()
f.close()

## 한국어 데이터 전처리
import re

def clean_str(text):
    pattern = '([a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+)' # E-mail제거
    text = re.sub(pattern=pattern, repl='', string=text)
    pattern = '(http|ftp|https)://(?:[-\w.]|(?:%[\da-fA-F]{2}))+' # URL제거
    text = re.sub(pattern=pattern, repl='', string=text)
    pattern = '([ㄱ-ㅎㅏ-ㅣ]+)'  # 한글 자음, 모음 제거
    text = re.sub(pattern=pattern, repl='', string=text)
    pattern = '<[^>]*>'         # HTML 태그 제거
    text = re.sub(pattern=pattern, repl='', string=text)
    pattern = '[^\w\s\n]'         # 특수기호제거
    text = re.sub(pattern=pattern, repl='', string=text)
    text = re.sub('[-=+,#/\?:^$.@*\"※~&%ㆍ!』\\‘|\(\)\[\]\<\>`\'…》]','', string=text)
    text = re.sub('\n', '.', string=text)
    return text
    
    data = []

for i in lines:
  data.append(clean_str(i))

tagged_data = [TaggedDocument(words=word_tokenize(_d), tags=[str(i)]) for i, _d in enumerate(data)]

사전에 학습시킬 데이터를 아래와 같이 메모장에 담아두고 파일명을 "직무기술서 샘플"이라 명명한다. 일단 필자는 경영관리 직무 11개의 내용만 입력하여 만들었다. 여기서 주의하여야 하는 것은 각 직무마다 콤마 표시를 입력해 구분해주어야 한다. 그렇지 않으면 두 개 직무가 하나의 직무처럼 읽혀질 수 있기 때문이다.

작성된 직무기술서 샘플 파일을 아래와 같이 분석환경에 입력해주어야 한다. 단순히 분석 대상 파일을 드래그 앤 드랍으로 입력하는 것이여서 매우 간단하다. 아래 사진을 참고해서 그대로 따라하면 된다.

사전 학습 데이터가 분석환경이라는 도마 위에 올라오면 이제 재료 손질을 해주어야 한다. 데이터 손질은 특수문자나 미완성 자음 및 모음, 줄 나눔 표시 등 텍스트를 분석하는데 의미없거나 중요하지 않은 내용들을 제거해주는 것을 의미한다. 해당 작업이 끝나면 곧바로 data라는 제목의 리스트(List)형식로 저장해준다. 이후 단어를 쪼개는 작업(토큰화)을 실시한 뒤 tagged_data라는 이름으로 저장한다.

 

(3) 모델 학습

max_epochs = 100
vec_size = 20
alpha = 0.025

model = Doc2Vec(vector_size=vec_size,
                alpha=alpha,
                min_alpha=0.00025,
                min_count=1,
                dm =1)

model.build_vocab(tagged_data)

for epoch in range(max_epochs):
    print('iteration {0}'.format(epoch))
    model.train(tagged_data,
                total_examples=model.corpus_count,
                epochs=model.epochs)
    # decrease the learning rate
    model.alpha -= 0.0002
    # fix the learning rate, no decay
    model.min_alpha = model.alpha

이제 Doc2Vec 모델을 구축할 차례이다. 딱 봐도 복잡하게 보여서 별로 하고싶지 않다는 것은 알지만 이러한 모델을 구축하지 않으면 우리 회사에 적합한 판단이 이루어질 수 없다. 왜냐하면 회사마다 직무에 포함된 업무 내용이나 자격 요건 등이 서로 다르기 때문이다. 

 

위 모델에 사용된 파라미터들은 아래와 같은 의미를 가지고 있다. 우리는 Doc2Vec 모델에게 수 차례 반복학습시키면서 가장 최적의 모형을 찾아나가야 한다. 우리의 모델은 반복학습을 거듭할 수록 좀 더 정교해질 수 있는데, 지나친 반복학습은 과적합(Overfitting)문제가 생길 수 있으므로 적정한 수준의 파라미터 값을 설정하는 것이 가장 바람직하다.

 

1. max_epochs : 최대 학습 횟수, 데이터를 반복해서 학습하는 파라미터임.
2. vec_size : 벡터 차원의 크기, 벡터 공간 내 위치값을 N차원 공간으로 표시할 때 그 N값임.
3. alpha : Learning rate, 일반화된 최적값을 구하기 위해서 설정하는 값.
4. min_count: 학습에 사용할 최소 단어 빈도 수
5. dm: 학습방법 1 = PV-DM, 0 = PV-DBOW

 

(4) 코사인 유사도를 이용하여 학습하지 않는 두 개의 문서 유사도 비교

from numpy import dot
from numpy.linalg import norm
import numpy as np

def cos_sim(A, B):
    return dot(A, B)/(norm(A)*norm(B)) #코사인 유사도 함수 생성

# 노무 직무 미션
script="노사관리 전략목표 수립 및 피드백을 통해 전략 실행력을 강화한다.상시 노사협의체 운영을 통해 노사간 대화채널을 강화하고, 노사현안을 합리적으로 해결한다. 단체협약의 합리성 제고를 위해 개선사항을 지속적으로 발굴, 반영한다. 노사공동 프로그램 운영을 통해 협력적 노사문화 정착을 위해 노력한다.".split()
scriptV=model.infer_vector(script)

# IT인프라운영 직무 미션
ppt="데이터베이스 시스템 설계, 구현, 유지 보수 및 운영 업무를 수행함으로써 안정적인 데이터베이스 운영 환경을 유지 및 제공한다. 서버 아키텍처 설계 및 구축, 서버 운영 현황 모니터링 및 분석을 수행하고 장애 복구, IT 자원 관리 등의 운영/유지 보수 업무를 수행하여 안정적인 업무환경을 제공한다. 네트워크 운영 상태를 모니터링 및 분석하여 장애 관리, 네트워크 자원 관리 등의 운영/유지보수 업무를 수행하고, 네트워크 아키텍처를 기획/설계하고 구현하는 업무를 수행하여 안정적이고 효율적인 네트워크 환경을 제공한다.".split()
pptV=model.infer_vector(ppt)

print(cos_sim(scriptV,pptV))

자! 이제 실제 상황을 가정해보자. 그럴 일은 없겠지만 어떤 노무 담당자가 자신과 근속연수, 경력연수 등이 유사한 IT인프라운영 업무 수행자(비교대상 근로자)를 지목하면서, "나는 저 사람과 동일한 직무를 수행하고 있음에도 임금을 차별받고 있습니다!"라고 주장하고 있다. 우리는 이 말을 계량적으로 검증하기 위하여 앞서 구축해놓은 Doc2Vec 모델과 코사인 유사도를 이용해야 한다.

 

코사인 유사도(Cosine Similarity)란 두 벡터 간의 코사인 각도를 이용해 유사성을 구하는 방법이다. 만약 두 개 직무가 상이하다면 -1~0 값을 갖고, 유사한 부분이 있다면 0~1값을 가진다. 위의 내용처럼 노무 직무와 IT인프라운영의 직무를 비교하였을때 유사해보이는가? 전혀 유사해보이지 않는다. 실제 코사인 유사도 값 역시 0.0046000336으로 나타났다. 

 

물론, 인공신경망 모형을 통해서 벡터화하는 것이기 때문에 매번 할 때마다 값이 달라질 수는 있다. 그러나 분석된 결과는 대체로 유사도가 작게 나타날 것이다. 그렇다면 얼마 이상부터 두 개의 직무가 유사하다고 평가할 수 있는지 궁금할 것이다. 보통 90% 이상을 초과하면 두 개의 직무는 다소 유사하다고 볼 수 있다. 필자가 90% 이상으로 기준치를 높게 설정한 이유는 실제 사례에서는 상당히 유사해보이는 직무를 수행하는 사람들이 이러한 문제를 제기할 것이기 때문이다. 정규직으로 고용된 행정 업무 담당자와 비정규직으로 고용된 서무 업무 담당자가 대표적인 예이다.

 

Ⅳ. (참고) 동일 가치 노동의 새로운 판단요소 추가 : 시기와 상황적 요소

[국민건강보험공단 사례 : 서울고등법원 2021. 12. 14. 2019나2029394]

남녀고용평등법 제8조에서 정하고 있는 '동일 가치 노동 동일 임금 원칙'이라함은 앞서 본 바와 같이 근로자의 학력·경력·근속연수 등 근로자 개인의 개별적인 요소들뿐만 아니라 근로 제공의 시점과 상황 등 모든 요소를 고려하여 그 가치가 같다고 인정되는 노동에 대하여는 같은 임금을 지급하여야 한다는 것이지(즉 같은 시기에 같은 근로환경에서 같은 내용의 근로를 제공하는 서로 다른 근로자나 근로집단 사이에서 임금의 차별이 있어서는 안 된다는 취지이다), 근로 제공의 시기나 주변 여건의 변화 등을 전혀 고려하지 않은 채 오직 제공되는 근로의 내용이나 제공하는 근로자가 동일하다면 기존의 임금이 계속 보장되어야 한다는 의미가 아니다. 이 사건 임금피크제 시행 전에 제공된 원고들의 근로와 시행 후에 제공되는 원고들의 근로는 그 근로 제공의 시기가 다를 뿐만 아니라, '60세 정년 법정 의무화'라는 근로환경이 서로 다른 상황에서 이루어지는 것이어서 동일 가치 노동 동일 임금 원칙이 적용되어야 할 비교대상에 해당하지 않는다(원고들의 주장대로라면, 근로 내용의 차이가 전혀 없음에도 매년임금이 인상되는 것이나 회사의 경영 실적에 따라 임금이 변동되는 것도 모두 동일 가치 노동 동일 임금 원칙 위반이라는 것이어서, 이러한 주장은 받아들일 수 없다).

앞서 살펴본 바와 같이 지금까지 법원은 '동일가치 노동'을 판단할 때에는 객관적 요소(직무가 요구하는 조건 등)와 주관적 요소(근속연수 등)를 기준으로 노동의 가치를 판별하였다. 그러나 최근 국민연금공단 임금피크제 사례에서 새로운 판단 기준을 명시하였는데, 그것은 바로 "시기와 상황적 요소"이다. 솔직히 필자는 상기 판례의 문언이 궤변같이 들리긴 하면서도 어느정도 납득이 된다.

 

중세시대에는 농구 선수가 별로 가치있는 직업은 아니지만, 오늘날 농구 선수는 상당히 큰 돈을 버는 직업이다. 이처럼 동일한 노동(직무)이라 하더라도 자본주의 사회에서 매겨지는 가치는 다른 문제라는 것이다. 조직 역시 전략에 따라 유기적으로 모양이 바뀌고 강조되는 직무도 달라질 수 있다. 노동조합 이슈가 강한 시점에서는 '노무' 직무가 가치있게 다뤄지다가 이슈가 잠잠해지거나 노동조합이 사라진 이후에는 직무의 내용이 변하지 않았음에도 그 가치는 떨어진다.

 

따라서 시기적인 정합성을 가지고 직무를 관리하기 위해서 회사는 매년 직무평가를 실시하여 직무들의 가치와 현 주소를 분명하게 파악하고 직원들에게 그것을 잘 전달해주어야 한다.