보이지 않는 학습을 측정하라: 러닝 애널리틱스의 현재

조직 안에서 매일 수천 번의 학습이 일어나고 있지만, 그 대부분은 기록되지도, 측정되지도 않습니다. "교육을 많이 했는데 왜 성과가 안 오르지?"라는 경영진의 물음에 HRD 담당자가 명확히 답하지 못하는 이유가 바로 여기에 있습니다. 러닝 애널리틱스(Learning Analytics)는 그 침묵하는 공백을 데이터로 채우려는 시도입니다.

왜 지금인가

기업 교육의 효과성 논쟁은 어제오늘의 일이 아닙니다. 그러나 AI·빅데이터 기술의 성숙, 그리고 LMS(학습관리시스템)의 고도화가 맞물리면서 학습 데이터를 실시간으로 수집·분석하는 환경이 비로소 현실화되었습니다. 과거에는 '수료율'과 '만족도 점수' 두 가지가 교육 효과의 전부였다면, 이제는 학습 경로, 이탈 지점, 반복 학습 패턴, 업무 적용 행동까지 추적할 수 있게 되었습니다.

LinkedIn Learning의 「2025 Workplace Learning Report」에 따르면, L&D(학습&개발) 리더의 72%가 학습 성과를 비즈니스 지표와 연결하는 데 어려움을 겪고 있다고 응답했으며, 이를 해결할 핵심 도구로 러닝 애널리틱스를 꼽은 비율이 전년 대비 18%p 증가했습니다.

이 흐름은 단순한 기술 도입의 차원을 넘어섭니다. 조직이 학습을 '비용'이 아닌 '투자'로 증명해야 하는 책임의 시대로 진입했음을 의미합니다.

러닝 애널리틱스란 무엇인가

러닝 애널리틱스란 학습자의 행동 데이터를 수집·분석하여 학습 경험을 개선하고, 학습과 성과 간 인과관계를 규명하는 일련의 과정을 말합니다. 조지 시멘스(George Siemens) 등 학자들이 주도한 이 개념은 고등교육에서 출발했지만, 현재는 기업 HRD 현장의 핵심 의제로 자리잡고 있습니다.

세 가지 분석 수준

러닝 애널리틱스는 대체로 세 수준으로 구분됩니다.

• 기술적 분석(Descriptive): 누가, 언제, 무엇을 학습했는가를 기록합니다. 가장 기본적인 수료율·학습 시간 데이터가 여기에 해당합니다.
• 예측적 분석(Predictive): 과거 학습 패턴을 바탕으로 이탈 위험 학습자를 조기 식별하거나, 역량 성장 가능성을 예측합니다.
• 처방적 분석(Prescriptive): 분석 결과를 토대로 개인화된 학습 경로를 자동 추천하거나, 교육 설계 자체를 수정합니다.

중요한 점은, 데이터를 모으는 것 자체가 목적이 아니라는 것입니다. 진정한 러닝 애널리틱스는 분석 결과가 교육 설계 개선, 코칭 개입, 인재 배치라는 실질적 의사결정으로 이어질 때 가치를 발휘합니다.

현장의 변화

IBM의 사례는 러닝 애널리틱스의 가능성을 잘 보여줍니다. IBM은 내부 학습 플랫폼 'Your Learning'을 통해 직원들의 스킬 습득 데이터를 HR 시스템과 연계하여 분석합니다. 이를 통해 특정 역량이 부족한 팀을 사전에 파악하고, 프로젝트 투입 전 맞춤형 학습을 선제적으로 설계하는 방식을 운영하고 있습니다.

국내에서는 SK하이닉스가 구성원 학습 데이터를 직무 전환 의사결정과 연결하는 시도를 이어오고 있습니다. 어떤 교육 이수 경험이 직무 이동 후 성과와 상관관계가 높은지를 데이터로 분석함으로써, 단순 이력 관리를 넘어 학습-경력-성과의 삼각 연계 모델을 실험 중입니다.

학계에서도 변화가 감지됩니다. ASTD(현 ATD)와 같은 글로벌 HRD 전문기관은 러닝 애널리틱스를 커클패트릭 4수준 평가모형의 한계를 보완할 대안으로 주목하고 있으며, xAPI(Experience API)라는 표준 프로토콜을 통해 다양한 학습 환경의 데이터를 통합 수집하는 생태계가 확산되고 있습니다.

시사점: 우리가 갖춰야 할 것

• '무엇을 측정할지'를 먼저 정의하세요. 데이터를 먼저 모으고 의미를 찾으려 하면 방향을 잃습니다. 조직이 해결하고자 하는 학습 문제를 먼저 명확히 하고, 그에 필요한 지표를 역설계하는 접근이 효과적입니다.
• LRS(Learning Record Store)와 xAPI에 대한 기초 이해를 쌓으세요. HRD 실무자라면 기술 전문가가 될 필요는 없지만, 데이터가 어디서 어떻게 생성되는지를 이해해야 의미 있는 기획이 가능합니다.
• 윤리와 프라이버시 감수성을 갖추세요. 학습 데이터는 개인의 역량과 행동 패턴을 드러냅니다. 수집·활용 목적을 구성원에게 투명하게 공개하고 동의를 구하는 절차는 선택이 아닌 필수입니다.
• 분석 결과를 교육 설계 피드백 루프로 연결하세요. 좋은 데이터도 실행으로 이어지지 않으면 단순한 보고용 숫자에 그칩니다. 분석 → 설계 수정 → 재측정의 순환 구조를 조직 안에 내재화하는 것이 핵심입니다.

맺음말

러닝 애널리틱스는 "교육이 효과가 있었나요?"라는 막연한 질문을 "어떤 학습 경험이, 누구에게, 어느 맥락에서 유의미한 변화를 만들었는가"라는 정밀한 질문으로 전환시킵니다. 데이터 없이 경험에만 의존해 온 HRD 관행에서 벗어나, 학습을 측정 가능한 가치로 증명하는 역량이 HRD 전문가의 새로운 핵심 경쟁력이 되고 있습니다. 지금 여러분이 설계하는 교육 한 편에서부터, 어떤 데이터를 남길 것인지를 먼저 물어보시기 바랍니다.

참고 자료

• LinkedIn Learning, 「2025 Workplace Learning Report」
• George Siemens & Phil Long, Penetrating the Fog: Analytics in Learning and Education, EDUCAUSE Review, 2011
• ATD (Association for Talent Development), 「Measurement Matters: A Guide to Learning Analytics」
• xAPI Specification, Advanced Distributed Learning (ADL) Initiative
• Kirkpatrick Partners, The Kirkpatrick Model 공식 자료
• 한국직업능력연구원, 「기업 교육훈련 실태조사」 (최근 연도)

테크창 연구팀 | 인천대학교 창의인재개발학과 전공심화연구모임
본 칼럼은 AI 보조로 작성되었으며, 수치·출처는 참고용입니다.