HR 의사결정 지원 시스템 - Outcome Definition v1

작성일: 2025-01-24 | 버전: 1.0

---

1. 개요

이 문서는 예측 모델의 학습 및 평가에 사용되는 Outcome(성공/실패) 기준을 정의합니다.

---

2. 프로젝트 성공 기준

2.1 성공 판정 기준

프로젝트의 성공/실패는 다음 기준으로 판정합니다:

2.2 종합 성공 점수 계산

def calculate_success_score(project: dict) -> float:
    """프로젝트 성공 점수 계산 (0-100)"""
    scores = {
        "schedule": calculate_schedule_score(project),  # 0-100
        "margin": calculate_margin_score(project),      # 0-100
        "quality": calculate_quality_score(project),    # 0-100
        "satisfaction": calculate_satisfaction_score(project),  # 0-100
    }

    weights = {
        "schedule": 0.40,
        "margin": 0.30,
        "quality": 0.20,
        "satisfaction": 0.10,
    }

    return sum(scores[k] * weights[k] for k in scores)

2.3 성공 등급 분류

---

3. 세부 Outcome 정의

3.1 납기 준수 (Schedule Adherence)

def calculate_schedule_score(project: dict) -> float:
    planned = project["plannedEndDate"]
    actual = project.get("actualEndDate")

    if actual is None:
        return 0  # Not completed

    delay_days = (actual - planned).days

    if delay_days <= -7:
        return 100
    elif delay_days <= 0:
        return 95
    elif delay_days <= 14:
        return 75
    elif delay_days <= 30:
        return 50
    else:
        return 20

3.2 마진 달성 (Margin Achievement)

def calculate_margin_score(project: dict) -> float:
    target = project["targetMargin"]
    actual = project.get("actualMargin", 0)

    if target == 0:
        return 50  # N/A

    ratio = actual / target

    if ratio >= 1.1:
        return 100
    elif ratio >= 0.9:
        return 90
    elif ratio >= 0.7:
        return 60
    elif ratio >= 0.5:
        return 30
    else:
        return 0

3.3 품질 (Quality)

3.4 고객 만족 (Customer Satisfaction)

---

4. 예측 대상 Outcome

4.1 Go/No-go 의사결정용

4.2 Capacity 예측용

4.3 증원 분석용

4.4 역량 갭 분석용

---

5. 라벨링 가이드라인

5.1 라벨 데이터 구조

{
  "labelId": "LBL-PRJ-2024-0001",
  "subjectType": "PROJECT",
  "subjectId": "PRJ-2024-0001",
  "outcomeType": "PROJECT_SUCCESS",
  "labeledAt": "2025-01-24",
  "labeledBy": "SYSTEM",
  "scores": {
    "schedule": 95,
    "margin": 90,
    "quality": 85,
    "satisfaction": 80
  },
  "totalScore": 90.5,
  "label": "SUCCESS",
  "confidence": 1.0,
  "evidence": [
    {
      "metric": "schedule",
      "value": "actualEndDate: 2024-06-28, plannedEndDate: 2024-06-30",
      "source": "TMS"
    },
    {
      "metric": "margin",
      "value": "actualMargin: 18%, targetMargin: 15%",
      "source": "Finance"
    }
  ]
}

5.2 라벨링 프로세스

┌─────────────┐     ┌──────────────┐     ┌─────────────┐
│  데이터 수집  │ ──► │  자동 라벨링  │ ──► │  검증/보정   │
└─────────────┘     └──────────────┘     └─────────────┘
       │                   │                    │
       ▼                   ▼                    ▼
   TMS, Finance,      규칙 기반 점수       전문가 리뷰
   CRM, QA 연동         산출 및 분류        (샘플링)

5.3 라벨 품질 기준

---

6. 휴리스틱 기반 예측

라벨 데이터가 부족한 초기에는 휴리스틱 기반 예측을 사용합니다.

6.1 성공확률 휴리스틱

def heuristic_success_probability(project: dict, resources: list) -> float:
    """휴리스틱 기반 성공확률 예측"""

    # 기본 확률 (프로젝트 유형별)
    base_prob = PROJECT_TYPE_BASE_PROB.get(project["type"], 0.70)

    # 리소스 매칭 팩터
    resource_match = calculate_resource_match(project, resources)
    resource_factor = 0.5 + (resource_match * 0.7)  # 0.5 ~ 1.2

    # 역량 매칭 팩터
    competency_match = calculate_competency_match(project, resources)
    competency_factor = 0.5 + (competency_match * 0.7)  # 0.5 ~ 1.2

    # 과거 이력 팩터
    history_factor = calculate_history_factor(project)  # 0.7 ~ 1.3

    # 리스크 팩터
    risk_factor = 1.0 - (calculate_risk_score(project) * 0.5)  # 0.5 ~ 1.0

    # 종합 확률
    prob = base_prob * resource_factor * competency_factor * history_factor * risk_factor

    return min(max(prob, 0.0), 1.0)  # 0 ~ 1 범위로 제한

6.2 가동률 휴리스틱

def heuristic_utilization(org_unit: str, time_bucket: str) -> float:
    """휴리스틱 기반 가동률 예측"""

    # 현재 배치 FTE 합계
    assigned_fte = get_assigned_fte(org_unit, time_bucket)

    # 확정 수요
    confirmed_demand = get_confirmed_demand(org_unit, time_bucket)

    # 파이프라인 수요 (확률 가중)
    pipeline_demand = sum(
        d["quantityFTE"] * d["probability"]
        for d in get_pipeline_demand(org_unit, time_bucket)
    )

    # 가용 인력
    available_fte = get_available_fte(org_unit, time_bucket)

    # 가동률 = (배치 + 확정수요 + 파이프라인수요) / 가용인력
    total_demand = assigned_fte + confirmed_demand + pipeline_demand

    if available_fte == 0:
        return 1.0

    return total_demand / available_fte

---

7. 검증 및 피드백 루프

7.1 예측 vs 실제 비교

7.2 피드백 루프

┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│   예측 수행   │ ──► │  실제 결과   │ ──► │   모델 개선  │
└─────────────┘     └─────────────┘     └─────────────┘
       ▲                                        │
       └────────────────────────────────────────┘
                     피드백 루프

---

8. 버전 이력

---

이 문서는 PoC 진행 중 Outcome 정의가 변경될 수 있습니다.