채용이 끝난 뒤 데이터를 제대로 들여다본 적 있으신가요? 많은 채용 담당자가 공고를 내고, 서류를 보고, 면접을 진행하고, 합격자를 정하는 데는 익숙하지만 "이번 채용이 잘된 채용이었는지"를 데이터로 설명하는 데는 막막함을 느낍니다. 어떤 채널이 효과적이었는지, 어느 단계에서 이탈이 많았는지, 다음엔 무엇을 바꿔야 하는지. AI를 활용하면 쌓인 채용 데이터에서 이런 질문에 대한 답을 빠르게 찾을 수 있습니다. 이번 회차에서는 그 방법을 실전 프롬프트와 함께 정리했습니다.
📌
한눈에 보는 핵심
AI로 채용 퍼널 이탈, 채널 효율, 면접관 평가 경향까지 빠르게 분석할 수 있습니다.
합격·이탈 후보의 공통점을 찾고, "학력과 경력 중 무엇이 더 중요한가" 같은 채용 가설도 데이터로 검증할 수 있습니다.
불합격 사유 패턴을 분석하면 공고(JD)에서 무엇을 고쳐야 할지 개선 포인트가 보입니다.
KPI 리포트 초안을 AI로 자동 생성하면 경영진 보고 준비 시간을 크게 줄일 수 있습니다.
ATS와 AI(MCP)를 연동하면 복사·붙여넣기 없이 실시간으로 분석하고, 정체된 후보까지 바로 챙길 수 있습니다.
성과 분석을 시작하려면 먼저 아래 데이터가 기록되어 있어야 합니다.
채용 단계별 지원자 수 (지원 → 서류 합격 → 면접 → 최종 합격)
유입 채널별 지원자/합격자 수 (잡코리아, 링크드인, 사내 추천 등)
채용 리드타임 (공고 게시일 ~ 최종 합격일)
채용 비용 (채널별 광고비, 헤드헌팅 비용 등)
불합격 · 이탈 사유 (타사 합격, 면접 노쇼 등)
이 중 하나라도 빠져 있으면 그 항목의 분석은 어렵습니다. 지금 당장 완벽하지 않아도 괜찮습니다. 있는 데이터부터 시작하고, 앞으로 빠진 항목을 추가로 기록해두는 것이 먼저입니다.
참고로 나인하이어 같은 채용 관리 솔루션(ATS)을 쓰면, 데이터 분석 기능을 을 통해 단계별 전환율과 채널별 지원자/합격자 수를 별도 계산 없이 실시간으로 확인할 수 있습니다.
채용 퍼널 분석은 "어느 단계에서 지원자가 가장 많이 빠져나가는가"를 파악하는 작업입니다. 아래 프롬프트에 데이터를 넣으면 단계별 전환율과 이탈률을 정리해줍니다.
🤖
아래는 최근 채용의 단계별 지원자 수 데이터입니다. 각 단계별 전환율과 이탈률을 계산하고, 이탈이 가장 많은 단계와 가능한 원인을 분석해 주세요.
지원: [N]명
서류 합격: [N]명
1차 면접: [N]명
2차 면접: [N]명
최종 합격: [N]명
분석 조건:
단계별 전환율(%) 계산
이탈률이 가장 높은 단계 3개 순위
각 단계별 이탈 원인 가설 제시
이탈이 몰린 단계를 찾았다면, 거기서 무엇이 막고 있는지부터 봐야 합니다. 예를 들어 서류에서 1차 면접으로 넘어가는 전환율이 유독 낮다면 합격 통보가 늦거나 일정 조율이 매끄럽지 않은 경우가 많고, 최종 합격 후 입사 단계 이탈이 크다면 처우나 오퍼 과정에 문제가 있을 수 있습니다. 가설을 세웠다면 한 가지씩 바꿔보고, 다음 채용에서 그 단계의 전환율이 실제로 올라가는지 확인하세요.
같은 예산을 써도 채용 채널마다 결과가 다릅니다. 어떤 채널의 지원자가 최종 합격까지 이어지는 비율이 높은지, 비용 대비 효과는 어떤지 비교하면 다음 채용의 예산 배분에 바로 활용할 수 있습니다.
🤖
아래는 채널별 채용 데이터입니다. 각 채널의 지원자 수, 합격률, 비용 대비 효과를 비교 정리하고, 가장 효율적인 채널과 개선이 필요한 채널을 도출해 주세요.
채널 | 지원자 수 | 서류 합격 | 최종 합격 | 비용 |
|---|---|---|---|---|
잡코리아 | [N] | [N] | [N] | [원] |
링크드인 | [N] | [N] | [N] | [원] |
사내 추천 | [N] | [N] | [N] | [원] |
분석 조건:
채널별 서류 합격률, 최종 합격률, 1인당 채용 비용 계산
효율 순위 및 개선 제안 포함
여기서 한 가지 주의할 점이 있습니다. 서류 합격률이 높아도 최종 합격률이 낮은 채널은, 들어오는 양은 많지만 실제 적합도는 떨어진다는 신호입니다. 서류 단계 수치만 보고 좋은 채널로 판단하지 마세요. 최종 합격률과 1인당 채용 비용까지 함께 보고, 효율이 낮은 채널은 예산을 줄여 좋은 채널에 집중하는 것이 다음 채용의 예산 배분 기준이 됩니다.
같은 후보라도 면접관에 따라 점수가 갈립니다. 누가 일관되게 후하거나 박한지 파악하면, 평가 기준을 다시 맞추는 출발점이 됩니다.
🤖
아래는 면접관별 평가 점수 데이터입니다. 면접관 간 점수 경향의 차이를 분석해 주세요.
[면접관별 평가 점수 데이터 붙여넣기]
분석 조건:
면접관별 평균 점수와 분포 비교
유독 후하거나 박한 면접관이 있는지 도출
평가 기준 정렬이 필요한 지점 제안
점수 편차가 크다는 건 누가 틀렸다는 뜻이 아니라, 평가 기준을 해석하는 방식이 다르다는 신호입니다. 면접 전에 "각 점수 구간이 어떤 답변에 해당하는지"를 함께 맞춰보는 캘리브레이션 미팅을 한 번 가지면 편차가 크게 줄어듭니다. 특정 면접관이 늘 후하거나 박하다면, 그 경향을 감안해 점수를 보정해 해석하는 것도 방법입니다.
과거에 합격한 사람들의 데이터에는 공통된 특징이 있습니다. 직무마다 다르지만, 특정 경력 기간이나 유입 채널, 지원서 완성도 같은 요소가 합격률과 상관관계를 보이는 경우가 많습니다.
🤖
아래는 최근 [N]건의 채용에서 최종 합격한 지원자들의 데이터입니다. 공통적으로 나타나는 특징을 도출해 주세요.
[합격자 데이터 붙여넣기 - 경력 기간, 유입 채널, 학력, 지원 직무 등]
분석 조건:
3가지 이상 공통 특징 도출
각 특징의 빈도 또는 비율 포함
그 특징이 직무 수행과 실제로 연관될 가능성 여부도 함께 판단
여기서 나온 공통점은 다음 채용에서 어떤 후보를 먼저 검토할지 우선순위를 잡는 데 씁니다. 예를 들어 "관련 직무 경험 3년 이상"이 합격자에게 반복된다면, 서류 검토 시 그 조건을 가진 지원자를 먼저 보는 식이죠. 다만 이건 "우선 검토" 기준이지 "합격 기준"이 아니라는 점을 기억해야 합니다.
합격자에게 공통점이 있듯, 중도에 이탈한 후보들에게도 공통된 신호가 있는 경우가 많습니다. 과거에 면접 단계에서 빠져나갔거나 오퍼를 거절한 후보들의 데이터를 모아보면 패턴이 드러납니다.
🤖
아래는 최근 [N]건의 채용에서 중도 이탈했거나 오퍼를 거절한 후보자들의 데이터입니다. 공통적으로 나타나는 특징을 도출해 주세요.
[이탈 후보 데이터 붙여넣기 - 이탈 단계, 유입 채널, 경력 기간, 이탈·거절 사유 등]
분석 조건:
3가지 이상 공통 특징 도출
각 특징의 빈도 또는 비율 포함
이탈을 줄이기 위한 개선 방안 제안
이탈이 어디에 몰려 있는지 알면 손볼 지점이 분명해집니다. 오퍼 거절이 처우 협의 단계에 집중돼 있다면 연봉 밴드나 협의 방식을 점검하고, 면접 단계 이탈이 많다면 일정 조율 속도나 면접 경험을 돌아봐야 합니다. 이탈 사유를 단계별로 나눠 보면 대응 방향이 더 또렷해집니다.
"학력보다 경력이 중요하다" 같은, 평소 감으로 믿어온 채용 기준도 데이터로 검증할 수 있습니다. 어떤 요소가 합격에 실제로 더 영향을 미치는지 따져보면 우선순위가 명확해집니다.
🤖
아래는 우리 회사의 합격 · 불합격 지원자 데이터입니다. 합격에 더 큰 영향을 미친 요소가 무엇인지 분석해 주세요.
[지원자 데이터 붙여넣기 - 학력, 경력, 유입 채널, 합격 여부 등]
분석 조건:
요소별로 합격과의 상관관계 비교
영향이 큰 순서대로 정리
데이터만으로 단정하기 어려운 부분은 "확인 필요"로 표기
검증된 결과는 서류 검토에서 무엇을 더 비중 있게 볼지 정하는 근거가 됩니다. 만약 "학력보다 직무 경험이 합격에 더 큰 영향을 줬다"고 나오면, 서류 기준에서 학력 가중치를 낮추고 경험 중심으로 보도록 조정할 수 있죠. 감으로 잡고 있던 기준을 데이터로 다시 점검하는 계기가 됩니다.
데이터를 보고 있어도, 한 번의 채용만 들여다보면 놓치는 신호들이 있습니다. 여러 채용을 묶어서 봐야 비로소 드러나는 것들이죠. 예를 들면 이런 패턴입니다.
특정 직무에서 3개월 주기로 중도 이탈자가 반복해서 나오는 흐름
같은 직무를 반복 채용할수록 평균 리드타임이 점점 길어지는 추세
특정 직군은 한 번에 채워지지 않고 늘 재공고로 이어지는 패턴
🤖
아래는 최근 [N]년간의 채용 데이터입니다. 여러 채용에 걸쳐 반복적으로 나타나는 이상 신호가 있는지 분석해 주세요.
[누적 채용 데이터 붙여넣기 - 채용별 직무, 시기(연/월), 단계별 지원자 수, 리드타임, 주요 이탈 단계, 재공고 여부 등]
분석 조건:
반복적으로 나타나는 패턴 도출
각 패턴이 나타나는 조건(직무, 시기 등) 명시
개선이 필요한 우선순위 제안
이런 반복 신호는 한 번의 대응으로 끝나지 않습니다. 예를 들어 특정 직군이 늘 재공고로 이어진다면, 공고 방식이 아니라 채용 난이도 자체가 높다는 뜻일 수 있어 소싱 채널을 다양화하거나 채용 기간을 처음부터 길게 잡아야 합니다. 단기 수정이 아니라 채용 계획 자체를 손보는 신호로 받아들이세요.
같은 직군이라도 공고마다 성과가 다릅니다. 여러 채용을 나란히 비교하면, 어떤 공고가 잘됐고 그 이유가 무엇인지 파악할 수 있습니다.
🤖
아래는 같은 직군의 여러 채용 성과 데이터입니다. 각 채용의 성과를 비교하고, 가장 잘된 채용과 그 요인을 분석해 주세요.
[포지션별 채용 성과 데이터 붙여넣기 - 공고명, 게시 시기, 지원자 수, 단계별 합격률, 리드타임, 활용 채널 등]
분석 조건:
채용별 지원자 수, 합격률, 리드타임 비교
성과가 가장 좋았던 채용과 그 요인 도출
다음 채용에 반영할 시사점 제시
가장 성과가 좋았던 채용은 다음 공고의 기준점이 됩니다. 그 채용에서 어떤 채널을 썼는지, 공고 문구와 자격요건은 어땠는지, 전형 속도는 어땠는지를 뜯어보고 잘 통한 요소를 다음 공고에 그대로 옮기면 됩니다. "왜 잘됐는지"를 한두 문장으로 정리해두면 다음 담당자도 그 성과를 재현할 수 있습니다.
불합격 사유가 한쪽으로 쏠려 있다면, 공고 자체에 손볼 점이 있다는 신호입니다. 예를 들어 "요건 미달"로 떨어진 지원자가 유독 많다면, 공고가 잘못된 지원자를 끌어들이고 있다는 뜻일 수 있습니다. 이건 사람을 거르는 기준이 아니라, 공고를 고치는 단서로 활용합니다.
🤖
아래는 최근 채용의 불합격 사유 데이터입니다. 사유의 패턴을 분석하고, 공고(JD) 개선 포인트를 제안해 주세요.
[불합격 사유 데이터 붙여넣기]
분석 조건:
가장 많이 나타난 불합격 사유 순위
사유가 공고의 어떤 부분과 연결되는지 분석
JD 개선 포인트 제안
쏠린 불합격 사유는 공고를 고치라는 신호입니다. 예를 들어 "필수 경력 미달"로 떨어진 지원자가 많다면, 자격요건이 실제보다 낮게 적혀 있거나 공고가 타깃이 아닌 사람들을 끌어들이고 있다는 뜻일 수 있습니다. 자격요건 문구를 더 명확히 하거나 직무 소개에서 기대 수준을 분명히 하면, 다음 채용에서는 더 맞는 지원자가 들어옵니다.
지원자 유입, 단계별 통과율, 불합격 사유를 한꺼번에 묶어 보면 공고의 강점과 약점이 입체적으로 드러납니다.
🤖
아래는 [직무명] 공고의 채용 데이터입니다. 공고 효과성을 종합 진단하고 개선 방향을 제안해 주세요.
[지원자 유입, 단계별 통과율, 불합격 사유 데이터 붙여넣기]
분석 조건:
유입, 통과율, 불합격 사유를 종합한 강점·약점 진단
공고에서 우선 손볼 부분 제안
다음 공고에 반영할 구체적 수정안 제시
여기서 나온 개선안은 곧장 다음 공고 작성으로 이어집니다. 진단 결과를 그대로 두지 말고 "유입은 충분한데 통과율이 낮다 → 자격요건 손보기", "유입 자체가 적다 → 제목과 채널 손보기"처럼 한 가지 액션으로 옮겨보세요. 데이터로 진단하고, 공고를 고치고, 다시 데이터로 확인하는 흐름이 반복될수록 공고의 완성도는 올라갑니다.
채용 담당자에게 경영진 보고 자료 준비는 늘 시간이 드는 일입니다. 데이터를 모으고, 정리하고, 포맷을 잡고, 코멘트를 달아야 하죠. AI를 활용하면 데이터를 입력하는 것만으로 리포트 초안을 빠르게 만들 수 있습니다.
🤖
아래 채용 데이터를 바탕으로 이번 분기 채용 현황 리포트를 작성해 주세요.
채용 공고 수: [N]건
총 지원자 수: [N]명
서류 합격률: [%]
면접 합격률: [%]
최종 채용 인원: [N]명
평균 채용 리드타임: [N]일
채용 비용 합계: [원]
전분기 대비 주요 변화: [내용]
작성 조건:
핵심 수치 요약 (3~5줄)
전분기 대비 개선 · 악화 항목 구분
다음 분기 주요 과제 1~2가지 제안
경영진은 채용 프로세스의 세부 내용보다 핵심 지표와 시사점을 원합니다. 긴 리포트보다 핵심만 담은 요약본이 더 효과적인 경우가 많습니다.
🤖
아래 채용 리포트를 경영진 보고용으로 요약해 주세요.
[리포트 내용 붙여넣기]
요약 조건:
전체 분량 1페이지 이내
반드시 포함할 지표: 채용 완료율, 평균 리드타임, 채용 비용, 전분기 대비 변화
비용 대비 효과와 다음 분기 시사점 포함
수치 중심으로, 불필요한 설명 최소화
주간 · 월간 리포트를 매번 새로 만드는 일도 AI로 반복을 줄일 수 있습니다. 데이터 양식을 고정해두고, 매주 또는 매월 업데이트된 수치만 넣으면 같은 포맷의 리포트가 나오도록 프롬프트를 템플릿으로 만들어두는 방식입니다.
고급 채용 분석을 도입한 기업은 생산성 25% 향상, 이직률 최대 50% 감소를 경험했다는 연구 결과도 있습니다. 데이터를 꾸준히 보는 팀과 그렇지 않은 팀의 차이는 시간이 지날수록 커집니다.
지금까지 프롬프트로 채용 데이터를 분석하는 법을 살펴봤습니다. 그런데 이걸 실제로 꾸준히 굴리려면, 데이터가 어디에 어떻게 쌓이느냐가 관건입니다.
AI 분석의 품질은 입력 데이터의 수준을 넘어설 수 없습니다. 아무리 좋은 AI 도구를 써도 데이터가 여러 파일에 흩어져 있거나, 담당자마다 형식이 다르거나, 중간에 빠진 항목이 많으면 분석 결과도 신뢰하기 어렵습니다. 그래서 분석을 잘하려면, 데이터가 한곳에 일관된 형식으로 쌓이는 환경을 먼저 갖춰야 합니다.
엑셀로 채용 데이터를 관리하면, 분석을 시작하기도 전에 데이터를 정리하는 데 더 많은 시간이 들어갑니다.
분석하려면 여러 파일을 합쳐 정리하는 작업부터 시작해야 합니다.
AI 도구에 넣으려고 데이터를 일일이 복사하는 이중 작업이 반복됩니다.
실시간 현황 파악이 어렵고, 보고 시점마다 새로 집계해야 합니다.
채용 관리 솔루션(ATS)를 쓰면 이 문제는 상당 부분 해결됩니다. 데이터가 한곳에 자동으로 쌓이고, 대시보드에서 단계별 전환율 · 채널별 효율 같은 지표를 실시간으로 확인할 수 있죠. 하지만 AI로 분석하려고 하면 두 가지 한계가 남습니다.
첫째, 대시보드는 미리 정해진 지표만 보여줍니다. "프론트 채용에서 유독 2차 면접 이탈이 큰 이유가 뭘까", "학력과 경력 중 뭐가 합격에 더 영향이 컸을까" 같은, 그때그때 떠오르는 질문까지는 답해주지 못합니다.
둘째, 그래서 AI로 직접 파고들려면 결국 데이터를 내보내 복사해 넣어야 합니다. 채용 건수가 많거나 다뤄야 할 데이터가 클수록, 이렇게 내보내고 형식을 맞춰 정리하는 작업에만 상당한 시간이 듭니다. 정작 분석은 시작도 못 했는데 말이죠.
나인하이어는 여기서 한 걸음 더 나아갑니다. 나인하이어는 MCP(Model Context Protocol)를 지원합니다. MCP는 Claude나 ChatGPT 같은 AI 도구가 외부 서비스의 데이터를 직접 읽고 다룰 수 있게 해주는 연결 방식으로, 아직 대부분의 ATS는 제공하지 않는 기능입니다.
나인하이어에 MCP를 연동하면, 데이터를 내보내거나 복사해 넣을 필요 없이 AI가 나인하이어 데이터를 직접 읽어 원하는 질문에 답합니다. 정해진 대시보드 차트를 넘어, 그때그때 떠오르는 질문을 바로 분석으로 옮길 수 있는 거죠. 앞에서 본 분석들을 이렇게 말 한마디로 끝낼 수 있습니다.
1️⃣
채용 성과 분석
"프론트 채용에서 단계별로 어디서 가장 많이 떨어지는지 병목 분석해줘"
"최근 3개월 채널별로 어디가 효율 좋았는지 지원자 수, 합격률까지 비교해줘"
"면접관별 평균 점수가 어떻게 다른지, 유독 후하거나 박한 면접관이 있는지 분석해줘"
2️⃣
합격 · 이탈 후보자 공통점
최근 합격한 백엔드 개발자들 공통점 분석해줘 (경력, 학력, 직전 회사)"
"최근 6개월 면접 단계에서 이탈한 후보들에게 공통점이 있는지 분석해줘"
"우리 데이터로 보면 학력이랑 경력 중 어느 쪽이 합격에 더 영향 있어?"
3️⃣
누적 데이터 반복 패턴
"최근 1년 채용에서 반복적으로 나타나는 이상 신호가 있는지 분석해줘"
"올해 백엔드 채용 3건 합격률 비교해줘. 어떤 공고가 가장 잘 됐고 이유는 뭔지"
4️⃣
공고 · JD 효과성
"최근 6개월 불합격 사유 패턴 분석하고 JD 개선 포인트 제안해줘"
"백엔드 공고 효과성 종합 진단해줘 (유입, 단계별 통과율, 불합격 사유 묶어서)"
5️⃣
KPI 리포트
"지난주 채용 주간 리포트 만들어줘 (신규 지원자, 면접 건수, 합격률 포함해서)"
6️⃣
실시간 모니터링
"지금 특정 단계에서 2주 이상 멈춰 있는 후보가 있는지 알려줘"
특히 마지막 질문처럼, 끝난 채용을 돌아보는 분석을 넘어 진행 중인 채용을 실시간으로 챙기는 데까지 쓸 수 있습니다.
나인하이어 MCP의 활용 시나리오와 바로 쓰는 프롬프트가 궁금하다면?
👉 나인하이어 MCP란? ChatGPT · Claude에서 바로 채용 업무 처리하기
Q. 채용 데이터 분석을 시작하려면 어떤 데이터부터 모아야 하나요?
처음에는 단계별 지원자 수, 유입 채널, 채용 리드타임 이 세 가지만 기록해도 의미 있는 분석이 가능합니다. 완벽한 데이터를 갖추려 하기보다, 있는 것부터 시작하고 채용할 때마다 누락 항목을 하나씩 추가해가는 방식이 현실적입니다.
Q. AI 채용 데이터 분석에 엑셀로도 가능한가요?
가능합니다. ChatGPT에 엑셀 데이터를 붙여넣거나 파일을 업로드하면 분석을 요청할 수 있습니다. 다만 데이터가 여러 파일에 분산되어 있거나 형식이 일관되지 않으면 분석 전 정리 작업에 시간이 더 들 수 있습니다. 채용 건수가 늘어날수록 ATS에서 데이터를 자동으로 축적하는 방식이 훨씬 효율적입니다.
Q. 채용 퍼널 분석은 얼마나 자주 해야 하나요?
채용이 활발한 시기에는 월 1회, 비수기에는 분기 1회 정도가 적당합니다. 정기적으로 보는 것보다 중요한 건 채용이 끝날 때마다 퍼널 데이터를 기록해두는 습관입니다. 데이터가 쌓여야 패턴이 보이기 때문입니다.
Q. 나인하이어 없이도 채용 데이터를 AI로 분석할 수 있나요?
가능합니다. 엑셀이나 스프레드시트에 데이터를 정리해두고 ChatGPT, Claude에 붙여넣는 방식으로 분석할 수 있습니다. 다만 데이터를 수동으로 관리하는 환경에서는 분석 전 데이터 정리에 드는 시간이 만만치 않습니다. 나인하이어 같은 채용 관리 솔루션(ATS)을 사용하면 데이터가 자동으로 쌓이고 AI 연동까지 가능해 분석 자체에 집중할 수 있습니다.
Q. 채용 KPI는 어떤 지표를 기준으로 삼아야 하나요?
조직마다 다르지만, 가장 기본적인 지표는 채용 리드타임(공고 게시 ~ 최종 합격), 채용 비용(1인당), 오퍼 수락률, 단계별 전환율입니다. 여기에 채용 후 90일 이내 이직률 같은 품질 지표를 추가하면 더 입체적인 분석이 가능합니다. 처음에는 3~4개 지표만 꾸준히 추적하는 것부터 시작하세요.
5편. AI로 채용 데이터 분석하기 - 성과 진단, 패턴 분석, KPI 리포트까지 (프롬프트 모음) - 현재 글
공고 작성부터 서류 검토, 면접 설계, 데이터 분석까지 그 모든 과정을 AI와 대화 한 번으로 처리하는 출발점이 바로 나인하이어 MCP입니다. 우리 회사 채용에 어떻게 적용할 수 있을지 궁금하시거나 도입을 검토 중이시라면, 편하게 문의해 주세요. 팀에 맞는 활용 방법을 함께 안내해 드리겠습니다.
