[인사-23016] 조직 변화관리 전략과 사회연결망 분석_R언어

Ⅰ. 변화관리 메커니즘 : 사회적 동조 또는 집단 역학 활용

 1. 쿠르트 레윈의 장 이론(Field Theory)

2차 세계대전 발발 당시, 미국은 해외 파병 군인들에게 우선적으로 식량을 공급하는 정책을 시행하면서 자국 내 식량 부족 문제가 현실화되었다. 미국인들은 주로 소고기와 돼지고기를 소비하지만 그것이 원활히 공급되지 않자 국민들의 스트레스는 높아져갔다. 이에 국방부는 『내장 고기 섭취 독려』 캠페인을 모색하였으나 자국민은 오랫동안 소고기, 돼지고기, 양고기나 소시지만 먹었던 보수적인 식습관이 남아있어 간, 혀, 순대, 심장이나 콩팥에 섣불리 손이 가질 않았다.

 

미국은 이러한 식량난을 해결하기 위하여 독일계 미국인 사회심리학자로 쿠르트 레윈(Kurt Lewin)을 기용하였다. 레윈 교수는 주부 집단을 두 개의 실험군으로 구분하고 한 쪽은 탁월한 강의력을 가진 전문가가 45분간 주부들에게 내장고기의 유익성을 강의하였다. 다른 한쪽은 45분간 어떻게 하면 사람들에게 내장 고기를 섭취할 수 있도록 설득할 수 있을지 그 방법에 대하여 토론하도록 하였다.

 

그 결과, 단순히 강의만 들었던 주부 집단에서는 3%의 인원만이 내장고기를 섭취하였으나, 사람들에게 적극적으로 내장고기 섭취를 유인하기 위하여 그 방법론을 토론하였던 집단에서는 무려 32%의 인원이 내장고기를 섭취하였다. 이러한 관찰을 통해 레윈 교수는 ①반대세력의 무조건적인 저항을 약화시키는 것이 중요하고, ②인플루언서가 주변인들에게 미치는 영향력은 상당히 강력하다는 사실을 발견하였다.

 

이러한 실험 결과를 바탕으로 구성원들의 반발감을 최소화시키면서 바람직한 조직문화와 인사제도의 연착륙시키기 위한 변화관리 전략이 무엇인지 고민해볼 수 있다. 레윈의 연구를 토대로 변화관리 전략을 수립하기 위해선 먼저 해결해야 할 문제가 있다. 바로 직원들 중 어떤 집단이 변화가능성 있는 집단에 해당하고, 그 속에서 영향력이 있는 소위 빅 마우스(Big mouth)를 밝혀내는 일이다. 이들을 찾아낸다면 그들의 오해를 해소시키고 회사가 전달하고자 메세지를 담아 반대세력에 전파시켜 무조건적인 저항의 벽을 약화시킬 수 있기 때문이다.

 

 2. 변화가능성 있는 집단 탐색 방법 : 의사결정나무(Decision tree) 분석

의사결정나무 분석 결과

변화가능집단(혹은 반대세력)을 찾아내기 위하여 직원들을 찾아다니며 인터뷰를 하거나 뒷 소문(Grape Vine)을 캐는 것은 굉장히 위험하다. 직원들은 인사팀의 의도를 알아챌 것이며 더욱 더 방어적으로 변화에 대처할 것이기 때문이다. 따라서 우리는 조직 내 정기적인 설문조사 시즌에 교묘히 '인사제도 혹은 문화에 대한 수용 여부'를 묻는 질문 항목을 삽입함으로서 직원들이 인사팀의 의도를 파악하지 못하게 하는 것이 바람직하다.

 

질문항목은 ⓐ수용성을 측정하는 항목과 ⓑ응답자의 특성을 확인할 수 있는 항목으로 구성한다. 수용성을 측정할 때에는 ①수용 가능, ②수용 불가능, ③잘 모름 이렇게 세 가지 응답이 가능하도록 설계하여 수용할 수 있다는 응답자와 잘 모르겠다는 응답자의 특성을 밝혀낸다. 이들 응답자는 "변화가능성이 있는 집단"으로 이제부터 우리가 변화의 이점과 오해를 설득해나가야 하는 집단이다.

!? 질문있습니다..! 왜 수용 불가능한 집단은 "변화가능성이 있는 집단" 포함을 시키지 않나요?

변화에 대해 무조건적으로 반대하는 사람은 강의, 간담회 등을 실시하더라도 자신의 입장을 고수하는 경우가 많습니다. 따라서 이러한 반대세력을 곧바로 공략하는 것이 아닌 변화가 정말로 가능한 사람들로부터 차차 변화를 유도하고, 이들로 하여금 반대세력도 설득할 수 있도록 하기 위함입니다.

 

응답자의 특성을 확인할 수 있는 항목으로는 ①소속, ②직급, ③근속연수 ,④연령 ,⑤직책 수행 여부 등이 될 수 있다. 이는 직원들의 데모그래픽 정보로서 회사마다 사정이 다를 수 있으니 각자의 사정에 맞게 설정하면 된다. 다만 너무 지나치게 데모그래픽 정보를 구체화하면 응답자가 표면상 들어날 수 있어 거짓으로 응답할 가능성이 있다. 따라서 응답 인원의 모수를 통해 적당한 수준까지 항목을 세분화하여야 한다.

 

변화대상집단을 발굴하기 위해서는 일전에 설명하였던 의사결정나무 분석기법을 활용하여야 한다. 구체적인 설명과 코드는 아래의 링크를 참고해주시기 바란다. 의사결정나무 분석을 실행한 결과는 위 그림 "의사결정나무 분석 결과"와 같다. 마지막 노드별로 응답자의 성향을 파악할 수 있으므로 완강하게 변화를 거부하는 집단 외 노드17, 노드18, 노드20을 변화관리대상집단으로 판단한다.

[인사-22008] 보상체계 진단① : 보수지급 결정요인 분석 방법론

 

변화가능성이 높은 집단(알파)부터 시작해서 차차 변화를 유도하여야 한다. 알파 집단은 [ⓐ근속연수 3년 미만 + 연령 30~35세 + 사업부], [ⓑ근속연수 9년 이상 + 연령 45세 이상 + 사업부]라는 두 가지 인적 특성을 보유하고 있다. 우리는 이러한 인적특성을 가진 근로자 집단에서부터 인플루언서를 찾아내 변화관리에 참여시키고, 이들을 통해 변화의 파동이 유사 집단 내 다른 직원들에게까지 널리 전파될 수 있도록 유도한다. 필자가 이 전략을 실제 소개할 때 "트로이 목마" 전략이라고 불렀다.

※ 물론 어감이 좋지 않다는 비평이 있었으나 해당 전략을 이 보다 더 잘 설명하는 단어가 없을 것 같아 그렇게 붙였다.

 

Ⅱ. 변화관리집단 내 인플루언서 발굴

 1. 인플루언서 발굴 및 사회연결망 분석(SNA, Social Network Analysis)

변화관리대상집단을 찾아내었다면 그 속의 인플루언서를 발굴하는 것이 다음으로 해야 할 과제이다. 인플루언서는 타인에게 영향을 미치는 사람이므로 자신을 둘러싼 수 많은 인간관계(인적자원)를 가지고 있을 가능성이 높다.(쉬운 말로 표현하자면 마당발일 가능성이 높다.) 따라서 우리는 이러한 거미줄 같은 관계 속에서 어떤 이들이 중심적인 역할을 하는지 분석하고 이를 통해 누가 인플루언서에 해당하는지 추정해볼 수 있다.

 

인간관계 등을 포함한 사회 내의 여러 관계를 연구하기 위해선 사회연결망 분석(SNA)이 가장 적합하다고 생각한다. 사회연결망은 다수의 연결된 또는 연결되지 않은 개인(또는 기관)으로 구성된 사회적 구조이다. 사회연결망 분석은 이러한 사회적 구조를 다수의 점(Point)과 이들을 연결하는 선(Line)으로 구성된 망(Network)으로 표현하는 사회과학적 분석 기법이다.

 

사회연결망 분석은 관계에 참여하는 사람을 노드 혹은 점으로 표현하고 이들 상호간의 관계를 연결선(Link)으로 표시함으로써 관계상의 거리를 2차원 평면으로 표현한다. 여기서 주로 노드(Node) 및 연결선의 수(Degree)에 기반한 중심성(Centrality) 개념을 통해 누가 조직 안에서 핵심적인 역할을 하고 있는지 확인할 수 있다. 중심성에는 ①매개중심성(Centrality_betweenness), ②연결중심성(Centraliy_degree), ③근접중심성(Centrality_closeness), ④아이겐벡터 중심성(Centrality_eigen), ⑤페이지랭크(Centrality_pagerank)가 있으나, 매개중심성 혹은 연결중심성을 이용하는 것이 담당 임원 등에게 설명하기 편하고 직관적일 수 있다.  왜냐하면 연결중심성은 말 그대로 특정인과 직접 소통하는 사람이 얼마나 많은지에 따라 중심성의 크기가 달라지고, 매개중심성은 직원들이 상호 소통할 때 특정인이 중간에서 얼마나 관여하는지에 따라 중심성의 크기가 달라질 수 있기 때문이다.

 

 2. 데이터 소스와 형태

데이터는 사내 메신저나 슬렉 등을 이용하여 추출한다. 직원들이 사내 메신저를 통해 대화를 송·수신할 때 그들이 나눈 대화와 송·수신 시간 등이 기록된다. 우리는 여기서 누가 누구에게 메세지를 보냈는지만 데이터로 추출한다. 대화 내용 등은 개인정보보호법에 의거하여 정보주체의 동의가 없이는 살펴볼 수 없으므로 해당 내용은 분석대상으로 삼을 수 없다.

 

위 그림의 데이터 형태를 살펴보면 이서준 직원은 김예린 직원으로부터 메시지를 일정 기간 동안 325회나 받았다. 이 둘은 같은 부서에서 근무하고 있거나 친한 사이일 가능성이 높다. 이와 같이 인사팀은 전산 시스템을 관리하는 부서에게 위와 같은 형태로 메신저 로그 기록을 요청하여 데이터를 확보하는 것이 중요하다. 가끔 사내 법무팀 혹은 준법관리팀에서 이러한 시도를 좌절시키는 경우도 있으나 이 때엔 어쩔 수 없이 부서나 조직 단위로 송·수신 내역을 받았다. 

 

이번 분석에 활용하는 데이터는 실제 데이터와 유사하게 필자가 Chat-GPT를 이용하여 가상으로 만든 데이터이다. 아래 엑셀 자료를 참고하여 분석에 활용해보자.

 

SNA_data.xlsx

0.12MB

 

3. 사회연결망 분석 R Code

(1)  데이터 및 분석 패키지 임포트

# Data Preparing
library(readxl)
SNA_data = read_excel("C:/Users/user/Desktop/SNA_data.xlsx")

# Packages Preparing
install.packages("tidygraph")
install.packages("tidyverse")
install.packages("ggraph")
library(tidygraph)
library(tidyverse)
library(ggraph)

데이터는 위에서 예시로 공개한 것을 이용하였다. 한번 다운로드 받아서 데이터의 구조와 형태를 살펴보길 권한다. 오늘의 주인공 패키지는 tidygraph 패키지이다. 사회연결망 분석은 Ucinet, Pajek, NetMiner, NodeXL 등 다양한 유·무료 프로그램이 있지만 가격이 비싸거나 우리가 필요로 하는 기능 이상의 것을 제공한다는 점에서 굳이 헷갈릴 수 있다. 만약 당신이 트위터 등 SNS 분석을 한다면 NodeXL 등 프로그램이 필요하겠지만 이번 과제에서는 불필요하다는 이야기이다.

 

tidygraph를 이용하면 노드 중심성 지표를 쉽게 구할 수 있어 특정 노드의 중요성을 파악하는데 도움이 된다. 뿐만 아니라 조직 내부에서 형성된 암묵적인 사회관계(Community)를 파악하는데에도 상당히 용이하다. 우리가 직장에 있다보면 유독 친해지는 동료들이 있는 반면에 어느 정도 거리감을 유지하는 동료들도 있기 마련인데, 이러한 암묵적인 사회관계를 해당 패키지는 시각화할 수 있다.

 

(2)  인플루언서 추정 및 커뮤니티 분류

# SNA implement
set.seed(1234)
SNA_analysis = SNA_data %>%
  filter(n >= 20) %>% # 불필요한 관계 가지치기
  as_tbl_graph(directed = F) %>%
  mutate(centrality = centrality_degree(), # 연결중심성
         community = as.factor(group_infomap())) # 커뮤니티

# Result
node_data = SNA_analysis %>%
  activate(nodes) %>%
  as_tibble() %>%
  arrange(desc(centrality))

우선 SNA_data 중 송·수신 기록이 20개 미만인 관계는 무시해도 괜찮을 것으로 판단하여 filter 함수를 통해 걸러내고, 곧바로 as_tbl_graph()함수를 이용하여 네트워크 그래프 데이터를 만든다. 이렇게 네트워크 그래프 데이터를 선행하여 만드는 이유는 중심성(Centrality)와 커뮤니티(Community)를 구하기 위해서이다. 따라서 반드시 as_tbl_graph()함수를 먼저 실행시켜 준다.

 

중심성은 앞서 설명한 바와 같이 매개중심성(Centrality_betweenness) 혹은 연결중심성(Centraliy_degree)으로 설정하여 진행한다. 중심성에 대해서는 앞서 살펴보았으므로 별도의 부가 설명은 하지 않도록 하겠다. 여기서 새롭게 등장하는 개념이 커뮤니티(Community)이다. 커뮤니티는 일종의 사회적 군집을 의미하는데, 친한 동료, 부서 등과 같이 가까운 관계의 노드들을 함께 묶어준다. infomap알고리즘은 네트워크 모듈러리티(Network Modularity)를 계산하여 해당 값을 최대화시키는 군집(사회적 관계)의 수를 추정하고 할당하는 알고리즘이다.

 

분석이 완료되면 이를 node_data라는 이름으로 우리가 필요한 정보만 추출하여 살펴볼 수 있다. node_data 코드를 실행시켜 내용을 살펴보면 아래와 같이 분석된 결과를 확인할 수 있다. 직원들의 이름이 첫 열에 나타나고 그 사람이 어느정도로 중요한지를 나타내는 중심성(Centrality)이 2열에, 그 사람이 소속된 사회적 그룹은 몇 번에 할당되었는지는 3열에서 확인할 수 있다. 우리는 한예준과 강민호 직원 등이 상당한 인플루언서로 확인할 수 있다.

결과값을 해석할 때 주의해야 할 점이 있다. 일반적으로 회사는 직무나 부서의 특성에 따라 다양한 직원과 소통이 필요한 경우가 있을 수 있다. 따라서 만일 한예준 직원 등이 총무팀 혹은 재경팀과 같이 소통이 잦을 수 밖에 없는 부서에 소속된 경우라면 이들은 제외하고 결과값을 해석해야 할 것이다.

 

(3)  분석 결과 시각화(Data Visualization)

ggraph(SNA_analysis, layout = "fr") +
  
  geom_edge_link(color = "gray50",
                 alpha = 0.5) +
  
  geom_node_point(aes(size = centrality,
                      color = community),
                  show.legend = F) +
  scale_size(range = c(3,6)) +
  
  geom_node_text(aes(label = name),
                 repel = T,
                 size = 5) +
  
  theme_graph()

위 코드는 지금까지 수행 사회연결망 분석 결과값을 토대로 시각화하는 코드이다. 위 분석 결과를 시각화하면 아래와 같은 그림이 도출된다. 뭔가 엄청난게 만들어지긴 했는데 솔직히 눈에 안들어온다. 전 직원들을 대상으로 분석을 하다보니 지나치게 많은 관계가 존재해 시사점을 얻을 수 없을 정도로 복잡한 그림이 그려졌다.

불필요한 관계 확대 전 Plot

 

따라서 우리가 온전히 시각적으로 조직 내 관계를 파악할 수 있을 만큼 불필요한 관계를 제거하는 작업을 추가로 진행하여야 한다. 앞서 우리는 불필요한 관계로 20개 미만의 송·수신 데이터를 제거하였다. 그럼에도 데이터 양이 많아 유의미한 그림으로 나타나지 않으니 불필요한 관계를 200개 미만의 송·수신 데이터로 확장하여 분석해보았다. 구체적으로 아래 그림과 같다.

불필요한 관계 확대 후 Plot

이제 어느정도 주요 관계가 눈에 들어오기 시작한다. 색깔이 동일한 것은 동일한 사회적 군집에 소속되어 있다는 것을 의미한다. 원의 크기는 중심성의 크기로서 하나의 사회적 군집 내 원의 크기가 크다는 것은 그 무리에서 중요한 역할을 수행하는 인플루언서일 가능성이 높다. 심지어 다른 색깔의 군집들과 연결된 허브 역할을 수행하는 인물들도 있는데, 이들 역시 상당한 영향력을 발휘하는 인물일 가능성이 높다.

 

위 그림에서 원의 크기가 명확히 보이지 않는다고 생각된다면 scale_size()함수의 range 범위를 늘리면 될 것이다.(기존 : 3에서 6 → 변경 : 3에서 8) 다만 너무 늘리면 그래프가 중첩되어 유의미한 분석 그림으로 나타나지 않을 수 있으니 크기를 넓혀보면서 적절한 수준을 찾는 것이 바람직할 것이다.

 

이제 그림과 앞서 결과값으로 도출한 node_data를 비교하면서 누가 인플루언서인지 명단을 작성하고, 변화관리의 협조적인지 정성적으로 평가한다. 이렇게 변화관리를 위한 "트로이 목마" 후보를 찾았다면 의중을 확인하며 조심스럽게 접근한다.  

 

 

[참고문헌]

1. 최경호 & 유진아. (2015). R을 이용한 사회연결망 분석에 대한 고찰. 한국융합학회논문지, 6(1), 77-83.
2. 김영우. (2021). Do it 쉽게 배우는 R 텍스트마이닝, 이지스퍼블리싱