그래프가 조직을 읽는다, 지식 그래프 HR

조직의 역량은 어디에 숨어 있을까요? 인사 데이터베이스에 저장된 직급과 직무 코드만으로는 결코 보이지 않는 무언가가 있습니다. 2026년 현재, 데이터 분석 업계는 그 답을 지식 그래프(Knowledge Graph) 에서 찾고 있습니다. 사람과 스킬, 프로젝트, 조직을 하나의 연결된 망으로 표현하는 이 기술이, HR Analytics의 새로운 언어로 빠르게 자리 잡고 있습니다.

왜 지금인가

기술 변화의 속도가 직무 분류 체계의 수명을 압도하고 있습니다. 세계경제포럼(WEF)의 「Future of Jobs Report 2025」에 따르면, 현재 직업인의 핵심 직무 스킬 중 약 44%가 향후 5년 내 변화할 것으로 전망됩니다. 문제는 대부분의 조직이 여전히 직무 중심(job-based) 의 고정된 HR 데이터 구조를 유지하고 있다는 점입니다. 직원 A가 어떤 기술을 보유하고, 누구와 협업하며, 어떤 지식 경로를 거쳐왔는지를 기존 관계형 데이터베이스는 제대로 표현하기 어렵습니다.

"스킬 데이터의 파편화는 인재 배치의 실패로 이어진다. 조직이 자신의 인적 자산을 모른다는 것은, 보유한 자산 목록도 없이 투자를 결정하는 것과 같다."
— Gartner, 「HR Technology Hype Cycle 2025」

바로 이 지점에서 지식 그래프 기반 HR 분석이 주목받기 시작했습니다.

지식 그래프가 HR에 가져오는 것

지식 그래프(Knowledge Graph) 란 개체(Entity)와 개체 사이의 관계(Relation)를 노드(node)와 엣지(edge)로 표현하는 그래프 데이터베이스 구조입니다. HR 맥락에서는 직원·스킬·팀·프로젝트·학습 이력 등이 노드가 되고, "보유한다", "협업했다", "이수했다" 같은 관계가 엣지로 연결됩니다.

스킬 온톨로지와의 결합

지식 그래프의 진가는 스킬 온톨로지(Skill Ontology) 와 결합할 때 드러납니다. 예를 들어 "Python 분석"이라는 스킬은 "데이터 시각화", "머신러닝 기초"와 상위·하위 관계로 연결되고, 이를 통해 특정 직원의 스킬 보유 수준을 단순 목록이 아닌 역량 지형도(Skill Topology) 로 파악할 수 있습니다. 유럽연합의 ESCO(European Skills, Competences, Qualifications and Occupations) 프레임워크가 이 방식을 공개 표준으로 제공하고 있으며, 국내에서도 한국고용정보원의 직업·직무 분류 체계와 접목하는 시도가 이루어지고 있습니다.

숨겨진 인재를 발견하는 링크 예측

그래프 분석의 또 다른 강점은 링크 예측(Link Prediction) 입니다. 현재 연결되어 있지 않은 두 노드 사이에 관계가 생길 가능성을 계산하는 이 기법은, "이 직원이 이 프로젝트에 투입되면 시너지가 날까?", "어떤 학습 경로가 이 직원의 다음 역량 개발에 가장 효율적인가?"와 같은 질문에 데이터 기반 답변을 제공합니다. 인사담당자의 직관에 의존하던 인재 배치 결정을 구조화된 분석으로 보완하는 것입니다.

현장의 변화

LinkedIn의 Skills Graph는 가장 널리 알려진 사례입니다. 수억 명의 프로필과 채용 공고를 그래프로 연결하여 스킬 간 유사도, 직무 전환 가능성, 부상하는 역량 클러스터를 실시간으로 분석합니다. LinkedIn Learning의 추천 알고리즘도 이 그래프를 기반으로 작동합니다.

SAP SuccessFactors는 2024년부터 자사 HCM 플랫폼에 지식 그래프 기반의 스킬 인텔리전스 모듈을 통합했습니다. 기업 내부의 학습 이력, 프로젝트 참여 기록, 성과 평가 데이터를 그래프로 연결하여 후계자 계획(Succession Planning)과 내부 이동(Internal Mobility)을 지원합니다.

국내에서는 카카오의 Tech Graph 사례가 참고할 만합니다. 사내 위키, 코드 리뷰 기록, 사내 강의 이수 데이터를 그래프화하여 도메인 전문가를 찾고 사내 지식 허브를 시각적으로 파악하는 데 활용하고 있습니다.

시사점: 우리가 갖춰야 할 것

• 그래프 사고방식(Graph Thinking)을 익히세요. 표(Table)로 데이터를 보는 것에 익숙한 실무자라면, 관계와 연결의 관점으로 조직 데이터를 재해석하는 훈련이 필요합니다. Neo4j의 무료 입문 강좌는 좋은 출발점입니다.
• 스킬 데이터 수집부터 시작하세요. 지식 그래프의 품질은 입력 데이터에 달려 있습니다. 자기 신고 스킬, 학습 이수 기록, 프로젝트 참여 이력 등 스킬 관련 데이터를 체계적으로 수집하는 프로세스를 먼저 설계해야 합니다.
• 기존 분류 체계와의 매핑을 검토하세요. ESCO나 O*NET 같은 공개 스킬 온톨로지를 조직 내부 직무 체계와 연결하면 데이터 표준화 비용을 크게 낮출 수 있습니다.
• 시각화 도구와 함께 활용하세요. Gephi, Cytoscape, 또는 Python의 NetworkX 라이브러리를 활용하면 그래프 분석 결과를 조직 리더가 이해하기 쉬운 형태로 전달할 수 있습니다.
• 윤리적 경계를 설정하세요. 직원 간 협업 네트워크를 분석할 때는 과도한 개인 감시가 되지 않도록 데이터 사용 목적과 범위를 명확히 정의하고 구성원의 동의를 확보해야 합니다.

맺음말

지식 그래프는 단순한 데이터 저장 기술이 아닙니다. 조직이 자기 자신을 더 잘 이해하기 위한 인식의 도구입니다. 직무 코드 몇 자리로 사람을 정의하던 시대에서, 그 사람이 맺은 수많은 관계와 역량의 네트워크로 이해하는 시대로 전환이 이루어지고 있습니다. 데이터 분석 입문자라면 지금부터 "이 데이터를 연결로 바라보면 어떤 이야기가 보일까?"라는 질문을 습관처럼 던지시길 권합니다. 그 질문이 여러분을 그래프 시대의 HR 분석가로 이끄는 첫걸음이 될 것입니다.

참고 자료

• World Economic Forum, 「The Future of Jobs Report 2025」
• Gartner, 「Hype Cycle for Human Capital Management Technology 2025」
• European Commission, ESCO (European Skills, Competences, Qualifications and Occupations) Framework — ec.europa.eu/esco
• LinkedIn Economic Graph Research Institute, 「Skills-First: Reimagining the Labor Market and Breaking Down Barriers」
• SAP SuccessFactors, Skills Intelligence 제품 공식 문서 및 블로그 (2024)
• 한국고용정보원, 「직업·직무 능력 표준 분류 체계」 연구 보고서

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