KR20220164256A - 인력 수요 결정 방법 및 그 장치 - Google Patents

Abstract

인력 수요 결정 방법 및 그 장치가 제공된다. 이 방법은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치의 동작 방법으로서, 다수의 영업점 별로 인력 수요와 관련된 영업점 데이터를 토대로, 머신러닝 모델을 학습시키는 단계, 특정 영업점의 영업점 데이터를 입력받으면, 상기 머신러닝 모델을 이용하여 상기 특정 영업점에 대한 인력 변화를 예측하는 단계, 그리고 인력 변화 예측값을 인력 수요로 환산하는 단계를 포함한다.

Description

인력 수요 결정 방법 및 그 장치{SYSTEM FOR HUMAN RESOURCE MANAGEMENT}

본 발명은 인력 수요 결정 방법 및 그 장치에 관한 것이다.

휴직, 퇴직, 복직 등과 같은 인력 변동 이벤트 발생시, 혹은 부서장 요청에 의해 인력 변동이 필요한 경우, 특정 제한 조건 하에서 인력 변동의 대상자 리스트가 작성된 후, 인사 담당자의 주관으로 인력 배치가 이루어진다. 인력 배치에 따른 공석 발생시, 연쇄적인 배치 작업으로 인하여 인적 자원이 계속 필요하게 된다.

종래에는 업무량, 가계여신 계수, 거래 업체수와 같은 항목 별로 사전에 정해진 점수 산출 로직에 기초하여 정해진 점수를 각각 부여하고, 이들을 합산하여 업무 별 인력 수요, 즉, T/O를 파악하기 위한 지수로 활용하였다.

그러나, 종래의 T/O 산출 방식은 영업 이익, 기반 손님수 등 산출 공식에 없는 항목은 고려되지 않는다. 또한, 업무량을 총량만 참고하여 세부 업무 구성이 고려되지 않는다. 또한, 과거 시점에 책정된 계수값을 사용하여 지속적인 개입을 통한 보정이 필요하다. 또한, 각 항목 간의 상관관계에 따른 영향이 고려되지 않는다. 또한, 단순한 T/O 예측으로 인력이 부족한 영업점간 배치 우선순위에 대한 판단 기준이 모호하다.

본 발명이 이루고자 하는 기술적 과제는 총 업무량의 증감만이 아니라 업무 구성, 각 업무량, 점포의 추가적인 특징들을 데이터화하여 기계학습 기반의 모델링을 통해 인력 수요(T/O)를 산출하는 방법 및 그 장치를 제공하는 것이다.

본 발명의 한 실시예에 따른 동작 방법은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치의 동작 방법으로서, 다수의 영업점 별로 인력 수요와 관련된 영업점 데이터를 토대로, 머신러닝 모델을 학습시키는 단계, 특정 영업점의 영업점 데이터를 입력받으면, 상기 머신러닝 모델을 이용하여 상기 특정 영업점에 대한 인력 변화를 예측하는 단계, 그리고 인력 변화 예측값을 인력 수요로 환산하는 단계를 포함한다.

상기 머신러닝 모델은, Linear Regression, Light GBM(Gradient Boost Machine) Regression, Random Forest Regression, Neural Network 중 적어도 하나를 사용할 수 있다.

상기 학습시키는 단계는, 학습 시점으로부터 일정 개월 후 창구인원 수를 적정 인원수로 예측하도록 상기 머신러닝 모델을 학습시킬 수 있다.

상기 학습시키는 단계는, 학습 시점으로부터 업무 별 직원 역량 지수의 합을 필요 역량 지수로 설정하여 상기 머신러닝 모델을 학습시킬 수 있다.

본 발명의 다른 실시예에 따른 컴퓨팅 장치는 통신 장치, 인력 수요 산출 프로그램이 저장된 메모리, 그리고 상기 프로그램을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 프로세서는, 다수의 영업점 별로 인력 수요와 관련된 영업점 데이터를 토대로, 머신러닝 모델을 학습시키고, 상기 학습된 머신러닝 모델을 이용하여 특정 영업점의 영업점 데이터에 대응하는 인력 변화를 예측하고 인력 변화 예측값을 인력 수요로 환산한다.

상기 프로세서는, 단위 별 업무량, 계수/이익, 거래업체 수, 기반손님 수, 비창구인원 수, 출장소 포함여부, 영업이익 중 적어도 하나를 포함하는 학습 데이터를 사용하여 상기 머신러닝 모델을 학습시킬 수 있다.

상기 프로세서는, 실수형값을 예측하는 회귀 방식으로 상기 머신러닝 모델을 학습시킬 수 있다.

실시예에 따르면, 영업 이익, 기반 손님수까지 포함하여 포괄적인 인력 수요(T/O)를 산출할 수 있다. 또한, 데이터를 월단위로 분석하여 트렌드를 반영할 수 있다. 또한, 업무별 업무량 분포 및 타 데이터와의 상관관계까지 고려하여 판단할 수 있다. 또한, 데이터 기반의 학습 모형이므로 데이터의 흐름이 자동으로 반영될 수 있다. 또한, 단순 T/O 뿐 아니라 영업점 간 배치 우선순위까지 제공할 수 있다.

도 1은 한 실시예에 따른 T/O 결정 장치의 구성을 나타낸 블록도이다.
도 2는 실시예에 따른 T/O 결정 방법을 나타낸 순서도이다.
도 3은 실시예에 따른 T/O 결정을 위한 머신러닝 모델의 개념도이다.
도 4는 실시예에 따른 머신러닝 모델 학습시 사용한 데이터의 예시도이다.
도 5는 실시예에 따른 머신러닝 모델 학습 과정을 설명한다.
도 6은 실시예에 따른 머신러닝 모델이 T/O를 결정하는 과정을 설명한다.
도 7은 실시예에 따른 머신러닝 모델의 평가 결과 검증 데이터(Valid Set)를 설명한다.
도 8은 실시예에 따른 머신러닝 모델의 테스트 데이터(Test Set)를 설명한다.
도 9는 실시예에 따른 머신러닝 모델의 평가 결과 예시도이다.
도 10은 다른 실시예에 따른 T/O 결정 장치의 하드웨어 구성을 나타낸 블록도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

또한, 명세서에 기재된 "…부", "…기", "…모듈"의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

도 1은 한 실시예에 따른 T/O 결정 장치의 구성을 나타낸 블록도이고, 도 2는 실시예에 따른 T/O 결정 방법을 나타낸 순서도이고, 도 3은 실시예에 따른 T/O 결정을 위한 머신러닝 모델의 개념도이고, 도 4는 실시예에 따른 머신러닝 모델 학습시 사용한 데이터의 예시도이고, 도 5는 실시예에 따른 머신러닝 모델 학습 과정을 설명하고, 도 6은 실시예에 따른 머신러닝 모델이 T/O를 결정하는 과정을 설명한다.

도 1을 참조하면, T/O 결정 장치(100)는 학습부(110), 예측부(120) 및 산출부(130)를 포함한다.

도 1 및 도 2를 참조하면, 학습부(110)는 영업점 별 다양한 영업점 데이터를 토대로 머신러닝(ML, Machine Learning) 모델을 학습시킨다(S101).

예측부(120)는 특정 영업점의 데이터가 입력(S102)되면, 학습된 머신러닝 모델을 이용하여 특정 영업점의 인원 변화를 예측한다(S103).

산출부(130)는 S103에서 예측한 인원 변화 예측값을 토대로, 특정 영업점의 인력 수요(T/O)를 산출한다(S103).

실시예에 따르면, 영업점 데이터는 단위 별 업무량, 계수/이익, 거래업체 수, 기반손님 수, 비창구인원 수, 출장소 포함여부, 영업이익 중 적어도 하나를 포함할 수 있다.

머신러닝(ML) 모델은 영업점 데이터로부터 해당 영업점의 인원 변화, 즉, 인원 수 증감을 예측한다. 이때, 머신러닝(ML) 모델은 회귀(Regression) 방식으로 영업점의 인원수를 예측한다.

이때, 머신러닝 모델은 공지된 다양한 모델이 사용될 수 있으며, 예를들어, Linear Regression, Light GBM(Gradient Boost Machine) Regression, Random Forest Regression, Neural Network 등을 사용할 수 있다.

또한, 학습부(110)는 학습 시점으로부터 일정 개월 후 창구인원 수를 적정 인원수로 예측하도록 머신러닝 모델을 학습시킬 수 있다.

또한, 학습부(110)는 학습 시점으로부터 업무 별 직원 역량 지수의 합을 필요 역량 지수로 설정하여 머신러닝 모델을 학습시킬 수 있다.

한 실시예에 따르면, 직원 별로 사전 정의된 업무 항목 별로 정해진 방식으로 점수를 산출하고, 산출한 점수를 합산하여 해당 직원의 직원 역량 지수를 산출할 수 있다.

다른 실시예에 따르면, 직원 별로 다양한 직원의 HR(Human Resource) 데이터를 토대로 머신러닝 모델을 학습시키고, 이를 토대로 해당 직원의 HR 역량 지수를 산출할 수 있다.

도 4를 참조하면,머신러닝(ML) 모델의 학습시 사용된 학습 데이터의 예시를 나타낸다. 학습 데이터는 업무량, 계수/이익, 기업 손님수, 출장소 포함 여부, 기반 손님수, 비창구 인원수를 포함한다.

업무량은 5개 단위로 구분되는데, 수신, 가계여신, 기업여신, 외환, 수출입으로 구분될 수 있다. 총 업무량, 인단 업무량도 산출되고 최근 6개월 평균이 사용되었다.

계수/이익은 총운용, 총판매, 가계대출, 기업대출, 외국환과 같은 5개 항목이 사용되고, 최근 6개월 평균이 사용되었다.

기업손님 수는 대기업, 중소법인, 소호로 구분되어 사용되었다.

비창구 인원 수는 RM, PB, 마게팅부장, 차장급으로 구분되어 사용되었다.

도 5를 참조하면, 데이터 시점 별로 어떻게 구성했는지를 도식화한 것으로서, ML 모델은 현재 시점을 M이라고 할 경우, 5개월 이전(M-5)까지 총 6개월분의 영업점 데이터를 입력 데이터로 활용한다. 입력 데이터를 분석하여 타겟 데이터인 6개월후(M+6)의 창구 인원 수를 예측하도록 학습한다.

도 6을 참조하면, ML 모델의 학습 및 추론에 대한 실시예를 나타낸다. 영어범 별로 현재 인원수, 손님수, 영업이익, 각 업무량 및 계수 데이터에 상응하는 6개월후의 창구인원수, 수신/가계여신/기업여신/외환/수출입 5개 업무 단위 별로 실제 역량 합등의 타겟 데이터가 존재한다. 역량 합은 영업점 별로 창구를 구성하는 인원들의 산출한 역량지수를 업무 단위 별로 합한 값을 나타낸다. 입력 데이터와 타겟 데이터로 학습하여 새로운 영업점 D의 입력 데이터에 대한 적정 창구인원수, 각 역량합을 추론하도록 ML 모델이 설계된다.

도 7은 실시예에 따른 머신러닝 모델의 검증 데이터(Valid Set)를 설명하고, 도 8은 실시예에 따른 머신러닝 모델의 테스트 데이터(Test Set)를 설명하고, 도 9는 실시예에 따른 머신러닝 모델의 평가 결과 예시도이다.

도 7을 참조하면, 검증 데이터에 대한 모델의 성능 평가 결과를 나타낸다. 창구 직원수와 5개 업무별 역량합을 예측하였고, 본 발명의 실시예에 따른 모델(ESB)을 간단한 회귀 모델인 LR(Linear Regression)과 성능을 비교한 결과를 나타낸다. 도 7의 각 값(value)은 실제값과 예측값 간의 차이를 전체 샘플 대비 평균값으로 계산하는 MAE(Mean Average Error)를 의미한다. ESB는 전체적으로 LR보다 낮은 MAE를 나타내므로, 더 정확한 결과를 나타낸다.

도 8을 참조하면, 테스트 데이터에 대한 모델의 성능 평가 결과를 나타낸다. 도 7의 검증 데이터 평가와 동일한 방식으로 평가되었고, 본 발명의 실시예에 따른 모델이 LR 보다 나은 성능을 나타낸다.

도 9를 참조하면, 실제 한 영업점의 예측 결과에 대한 근거 요인을 설명한다. 실제 인원 8명인 지점의 예측 인력 수요가 9.1명으로 현재 인원이 약 1명 부족한 지점으로 판단된다. 전 영업점 대비 항목별 백분위 표는 인력 수요에 밀접하게 연관된 업무량 수신, 업무량 가계여신 등이 매우 높은 수준이고, 영업 이익과 기반 손님수도 많이 집계되어 높은 인력수요를 설명한다. 동 영업점의 6개월 전 대비 증감 표는 해당 영업점의 6개월 전 대비 증감으로 당시보다 총운용&총판매 계수가 증가하여 인력 수요가 더 높아졌음을 설명하고 있다. 우측 상단, 즉, 동 영업점의 6개월 전 대비 증감 표의 상단은 업무 단위 별 필요 역량으로서, 수신과 가계 여신 역량이 집중되는 영업점임을 알 수 있다.

한편, 도 10은 다른 실시예에 따른 T/O 결정 장치의 구성을 나타낸 블록도로서, 도 1 ~ 도 9에서 설명한 T/O 결정 장치의 동작을 구현하는 컴퓨팅 장치의 하드웨어 구성을 나타낸다.

도 10을 참조하면, 컴퓨팅 장치(200)는 프로세서(210), 메모리(220), 스토리지(230) 및 통신 장치(240)를 포함한다. 통신 장치(240)는 적어도 하나의 프로세서(210)와 연결되어, 데이터를 송신 및/또는 수신한다. 메모리(220)는 적어도 하나의 프로세서(210)와 연결되어, 도 1 내지 도 10에서 설명한 실시예들에 따른 구성 및/또는 방법을 실행하게 하는 명령어(instructions)들을 포함하는 프로그램을 저장한다. 프로그램은 메모리(220) 및 적어도 하나의 프로세서(210) 등의 하드웨어와 결합하여 본 발명을 구현한다. 스토리지(230)는 컴퓨팅 장치(200)의 운용에 필요한 정보 등을 포함한다. 프로세서(210)는 메모리(220), 스토리지(230) 등의 하드웨어와 결합하여 본 발명을 실행한다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (7)

1. 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치의 동작 방법으로서,
   다수의 영업점 별로 인력 수요와 관련된 영업점 데이터를 토대로, 머신러닝 모델을 학습시키는 단계,
   특정 영업점의 영업점 데이터를 입력받으면, 상기 머신러닝 모델을 이용하여 상기 특정 영업점에 대한 인력 변화를 예측하는 단계, 그리고
   인력 변화 예측값을 인력 수요로 환산하는 단계
   를 포함하는, 동작 방법.
2. 제1항에서,
   상기 머신러닝 모델은,
   Linear Regression, Light GBM(Gradient Boost Machine) Regression, Random Forest Regression, Neural Network 중 적어도 하나를 사용하는, 동작 방법.
3. 제1항에서,
   상기 학습시키는 단계는,
   학습 시점으로부터 일정 개월 후 창구인원 수를 적정 인원수로 예측하도록 상기 머신러닝 모델을 학습시키는, 동작 방법.
4. 제1항에서,
   상기 학습시키는 단계는,
   학습 시점으로부터 업무 별 직원 역량 지수의 합을 필요 역량 지수로 설정하여 상기 머신러닝 모델을 학습시키는, 동작 방법.
5. 통신 장치,
   인력 수요 산출 프로그램이 저장된 메모리, 그리고
   상기 프로그램을 실행하는 적어도 하나의 프로세서를 포함하고,
   상기 프로세서는,
   다수의 영업점 별로 인력 수요와 관련된 영업점 데이터를 토대로, 머신러닝 모델을 학습시키고,
   상기 학습된 머신러닝 모델을 이용하여 특정 영업점의 영업점 데이터에 대응하는 인력 변화를 예측하고 인력 변화 예측값을 인력 수요로 환산하는, 컴퓨팅 장치.
6. 제5항에서,
   상기 프로세서는,
   단위 별 업무량, 계수/이익, 거래업체 수, 기반손님 수, 비창구인원 수, 출장소 포함여부, 영업이익 중 적어도 하나를 포함하는 학습 데이터를 사용하여 상기 머신러닝 모델을 학습시키는, 컴퓨팅 장치.
7. 제6항에서,
   상기 프로세서는,
   실수형값을 예측하는 회귀 방식으로 상기 머신러닝 모델을 학습시키는, 컴퓨팅 장치.

Images