📈 economics

Explainable Labor Market Intelligence from Online Job Postings: Multi-Frequency Skill Demand Monitoring and Forecasting

본 연구는 전략적 인력 계획을 위한 기술 수요의 지속성 및 트렌드에 관한 실행 가능하고 해석 가능한 신호를 생성하기 위해, 다중 주파수 분해와 XGBoost 예측을 사용하여 124,000개 이상의 LinkedIn 채용 공고를 분석하는 설명 가능한 노동 시장 인텔리전스 프레임워크를 제안한다.

원저자: ahmad adi, Mona Anjali Bire, Brigita Bowaire, La Fajrin, Lod Insyur, Maria Florensia Lay, Muhamad Mubarok, Fajar Muhammad, Dara Muliyani, Nilam Rostyana, Jarwoko Saputro, Krishna Setiadi, Chaterina Su

게시일 2026-08-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: ahmad adi, Mona Anjali Bire, Brigita Bowaire, La Fajrin, Lod Insyur, Maria Florensia Lay, Muhamad Mubarok, Fajar Muhammad, Dara Muliyani, Nilam Rostyana, Jarwoko Saputro, Krishna Setiadi, Chaterina Suweni

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

직업 시장을 거대하고 북적이는 대양이라고 상상해 보십시오. 수십 년 동안, 이 바다를 항해하려는 사람들—예를 들어 인재를 채용하려는 기업이나 적절한 기술을 가르치려는 학교들—은 오래되고 무거운 지도에 의존해 왔습니다. '공식 노동 통계'라고 불리는 이 지도들은 정확하지만 느립니다. 마치 지난달에 찍은 사진과 같아서, 물고기가 어디에 있었는지는 보여주지만 지금은 어디에서 헤엄치고 있는지는 보여주지 못합니다. 디지털 시대에는 새로운 종류의 신호가 나타났습니다. 바로 온라인 구인 게시물입니다. 이것을 물 표면에 일어나는 실시간 파동이라고 생각하십시오. 파도가 어디에서 부서지고 있고 조류가 어디로 바뀌고 있는지를 즉각적으로 보여줍니다.

이러한 파동을 이해하기 위해 과학자들은 몇 가지 핵심 도구를 사용합니다. 하나는 **예측(forecasting)**으로, 이는 과거에 물이 어떻게 움직였는지를 바탕으로 다음에 물이 어디로 갈지 추측하는 것입니다. 다른 하나는 **지속성(persistence)**으로, 이는 "끈적함"을 뜻하는 멋진 단어입니다. 만약 파도가 오랫동안 같은 방향으로 계속 밀려온다면 지속성이 높은 것이고, 매 초마다 방향을 바꾼다면 혼란스러운 것입니다. 마지막으로 **설명 가능성(explainability)**이 있습니다. 과거에 컴퓨터는 이유를 말해주지 않고 답만 내놓는 '블랙박스'처럼 행동했습니다. 이제 우리는 컴퓨터가 지도를 가리키며 "바람이 여기서 불고 있기 때문에 물이 이 방향으로 가는 것 같습니다"라고 말해주는 친절한 가이드처럼 행동하기를 원합니다. 이러한 개념을 이해하는 것이 중요한 이유는, 우리가 대양의 실시간 신호를 읽을 수 있다면, 사라져가는 직업을 위해 채용하는 것을 멈추고 이제 막 부풀어 오르기 시작한 직업을 위해 교육을 시작할 수 있기 때문입니다.

"설명 가능한 노동 시장 인텔리전스: 온라인 구인 게시물을 중심으로"라는 제목의 이 연구는, 우리가 더 명확하게 미래의 노동을 예측할 수 있는지 확인하기 위해 이 디지털 대양 속으로 뛰어듭니다. 연구진은 2023년 12월부터 2024년 4월 사이에 링크드인(LinkedIn)에서 수집한 124,000개 이상의 방대한 구인 광고 모음을 확보했습니다. 단순히 얼마나 많은 일자리가 게시되었는지 세는 대신, 그들은 코딩, 영업, 또는 의료와 같은 특정 기술을 얼마나 많이 요구하는지를 나타내는 속도계 역할을 하는 '주간 기술 수요 지수'를 구축했습니다.

연구팀은 **경험적 모드 분해(Empirical Mode Decomposition)**라는 영리한 수학적 기법을 사용했습니다. 지저lay한 소음이 섞인 노래 녹음본이 있다고 상상해 보십시오. 이 도구는 녹음본을 여러 층으로 분리합니다: 고음의 정전기(단기적 노이즈), 리듬 섹션(중기적 주기), 그리고 메인 멜로디(장기적 추세). 이렇게 층을 분리함으로써, 연구진은 특정 기술에 대한 수요 급증이 단순한 일시적 오류인지 아니면 새로운 지속적인 추세의 시작인지를 확인할 수 있었습니다.

다음으로, 그들은 "지속성"을 측정하기 위해 **허스트 분석(Hurst Analysis)**을 적용했습니다. 이것은 추세에 추진력이 있는지 확인하는 것이라고 생각하면 됩니다. 만약 어떤 기술의 지속성 점수가 높다면(0.5 이상), 이는 수요가 올라가고 있다면 언덕을 내려가는 눈덩이처럼 계속 올라갈 가능성이 높다는 것을 의미합니다. 만약 점수가 낮다면, 그 추세는 무작위로 요동칠 수 있습니다. 연구 결과, 그들이 살펴본 거의 모든 기술은 높은 지속성을 보였습니다. 즉, 노동 수요는 무작위로 튀기보다는 자신의 경로를 고수하는 경향이 있다는 것입니다.

다음 단계로, 무엇이 다음에 일어날지 예측하기 위해 XGBoost라는 머신러닝 모델을 사용했습니다. 그러나 모델을 블랙박스로 두는 대신, 연구진은 예측을 이끄는 데 어떤 요소가 작용했는지 조명처럼 정확히 보여주는 도구인 SHAP을 추가했습니다. 결과는 시사하는 바가 컸습니다. 모델은 좋은 추측을 하기 위해 복잡한 데이터를 필요로 하지 않았으며, 주로 지난주에 수요가 얼마나 있었는지와 그 수요가 얼마나 빠르게 변하고 있는지에 의존했습니다. 모델은 0.386의 정확도(R²)를 달성했는데, 저자들은 이것이 정확한 일자리 숫자를 예측하지는 못하더라도 시장의 방향을 포착하기에는 충분하다고 언급했습니다.

이 연구의 가장 흥리로운 부분은 기술을 네 가지 뚜렷한 그룹으로 분류하여, 가공되지 않은 데이터를 전략적 가이드로 바꾸는 것입니다.

신흥 기술(Emerging Skills): 이들은 떠오르는 스타들입니다. **의료(Healthcare)**가 이 범주에 속한 유일한 기술이었으며, +54.6%의 엄청난 성장률과 0.937이라는 매우 높은 지속성 점수를 보여주었습니다. 이는 의료 인력에 대한 강력하고 구조적인 필요성이 단순한 일시적 급증이 아님을 시사합니다.
지속적이지만 쇠퇴하는 기술(Persistent but Declining): 이 범주는 까다롭습니다. 정보기술(IT), 영업, 엔지니어링과 같은 기술은 높은 지속성(즉, 추세가 강력함)을 보였지만, 추세는 하락 중이었습니다. 예를 들어 IT 수요는 22.6% 감소했습니다. 연구는 이것이 일시적인 침체가 아니라 구조적 변화임을 시사하며, 이는 기업들이 기존 IT 역할에 대한 채용을 멈추고 새로운 역할을 위한 교육을 시작해야 함을 의미합니다.
안정적 기술(Stable): **경영(Management)**과 제조업(Manufacturing) 같은 기술은 약간의 하락을 보였으나, 매우 꾸준하고 예측 가능했기에 안정적인 것으로 간주되었습니다. 폭발적으로 늘어나지도 않지만, 무너지지도 않습니다.
변동성 기술(Volatile): 주요 결과의 중심은 아니지만, 이 프레임워크는 기술이 위아래로 격렬하게 움직이는 것을 포착하여, 고용주들에게 단기적인 급증에 과잉 반응하지 말라고 경고하도록 설계되었습니다.

저자들은 이 결과가 비교적 짧은 기간(약 17주)을 바탕으로 하며, 특정 플랫폼(링크드인)에서 추출된 것이므로, 전 세계의 모든 직업이 아닌 '디지털' 직업 시장을 나타낸다는 점을 주의 깊게 명시했습니다. 그들은 모델이 정확한 숫자를 예측하는 데는 완벽하지 않을지라도, 바람이 어느 방향으로 불고 있는지를 알려주는 데는 탁-월하다고 제언합니다. 실시간 데이터와 이러한 명확하고 설명 가능한 범주를 결합함으로써, 이 연구는 학교, 기업, 정부가 더 이상 존재하지 않는 바다를 위한 배를 만들지 않도록 미래를 계획하는 새로운 방법을 제시합니다.

기술 요약: 온라인 채용 공고를 활용한 설명 가능한 노동 시장 인텔리전스

문제 제기
현대 노동 시장은 디지털화와 인공지능에 의해 주도되는 급격한 구조적 변화를 겪고 있으며, 이는 고용주, 교육 기관 및 정책 입안자들에게 불확inc성을 초래하고 있다. 전통적인 노동 시장 통계는 신뢰할 수 있지만, 시간적 지연이 발생하며 빠르게 변화하는 기업 수요의 세밀한 변화를 포착하기에는 정밀도가 부족하다. 온라인 채용 공고는 실시간의 세밀한 기술 수요 신호를 제공하지만, 기존 연구는 주로 예측 정확도(오차 지표 최소화)에 집중하며 전략적 의사결정에 필요한 해석 가능성을 간과하는 경지이 있다. 또한, 현재의 접근 방식은 노동 수요를 단일한 집계 시계열로 모델링하는 경우가 많아, 단기적인 시장 노이즈(일시적 변동)와 구조적 추세(지속적 역학)를 구분하지 못한다. 이러한 구분의 결여는 오해의 소지가 있는 결론으로 이어져, 선제적 대응보다는 사후 반응적인 인력 계획을 초래할 수 있다. 아울러, 많은 예측 모델이 '블랙박스' 형태로 작동하여, 권고 사항을 채택하기 전 투명한 설명을 필요로 하는 의사 결정자들의 활용도를 제한한다.

방법론
본 연구는 대규모의 비정형 온라인 채용 공고를 실행 가능한 다중 주파수 기술 수요 예측으로 변환하는 설명 가능한 노동 시장 인텔리전스(LMI) 프레임워크를 제안한다. 이 프레임워크는 2023년 12월부터 2024년 4월까지(17주간) 전 세계적으로 수집된 123,849개의 LinkedIn 채용 공고 데이터셋을 활용한다. 방법론은 다음의 7단계 순차적 과정을 거친다:

데이터 수집 및 전처리: NLP 기술(소문자화, 토큰화, 표제어 추출, 불용어 제거)을 사용하여 원시 채용 텍스트를 정제하고 표준화한다.
기술 추출 및 표준화: 비정형 텍스트를 표준화된 기술 분류 체계에 매핑하여, 채용 문서 내에서 특정 기술이 식별되는지를 나타내는 이진 지표 행렬을 생성한다.
주간 기술 수요 지수(SDI) 구축: 기술 언급 횟수를 정규화된 주간 시계열 데이터로 집계한다. SDI는 총 1,000개의 공고당 특정 기술을 요구하는 공고의 수로 계산되어 시계열 간 비교를 가능하게 한다.
다중 주파수 분해(EMD): 비정상성(non-stationary)을 띠는 SDI 시계열을 **경험적 모드 분해(EMD)**를 통해 서로 다른 시간적 주파수(단기 변동성, 중기 주기)를 나타내는 내재 모드 함수(IMF)와 잔차 성분인 장기 추세로 분해한다. 이를 통해 일시적인 노이즈와 구조적 변화를 분리한다.
다중 주파수 허스트 분석(Hurst Analysis): Rescaled Range (R/S) 분석을 사용하여 원본 시계열 및 분해된 각 성분에 대한 **허스트 지수( $H$ $H$ )**를 추정한다.
- $H > 0.5$ : 지속성 행동 (추세 연속성).
- $H \approx 0.5$ : 랜덤 워크(Random walk) 행동.
- $H < 0.5$ : 반지속성(Anti-persistent) 행동 (평균 회귀/변동성).
설명 가능한 예측 (XGBoost + SHAP): XGBoost 회귀 모델을 사용하여 집계 수요의 주간 변화량( $\Delta y_{t+1}$ )을 예측한다. 피처(feature)로는 시차 수요(lagged demand), 모멘텀, 이동 통계량, 집계된 허스트 지수가 포함된다. 예측의 투명성을 확보하기 위해 **SHAP (SHapley Additive exPlanations)**을 적용하여 예측 변화를 특정 입력 피처에 귀속시킨다.
LMI 생성: 출력값은 신흥(Emerging) (양의 성장 + 지속성), 지속/안정(Persistent/Stable) (높은 지속성 + 안정적/양의 성장), 변동성(Volatile) (반지속성 또는 고주파 우세), 하락(Declining) (음의 성장 + 지속성)의 네 가지 실행 가능한 범주로 합성된다.

주요 결과

지속성 역학: 분석된 모든 상위 기술은 지속성 행동( $H > 0.5$ $H > 0.5$ )을 보였으며, 이는 노동 수요가 무작위적인 변동이 아닌 추세를 따르는 패턴을 나타냄을 의미한다.
- **헬스케어(Healthcare)**는 가장 강력한 지속성( $H = 0.937$ )과 가장 높은 성장률(+54.6%)을 보이며 신흥(Emerging) 분야로 분류되었다.
- 정보기술(IT), 영업(Sales), **엔지니어링(Engineering)**은 높은 지속성( $H > 0.62$ )을 보였으나 음의 성장률(-13.7% ~ -28.6%)을 기록하여 하락(Declining) 분야로 분류되었다. 이는 일시적 침체가 아닌 구조적 수축을 나타낸다.
- 경영(Management) 및 **제조업(Manufacturing)**은 높은 지속성( $H > 0.78$ )과 함께 완만한 음의 성장을 보이며 안정(Stable) 분야로 분류되었다.
예측 성능: XGBoost 모델은 주간 집계 수요 변화를 예측하는 데 있어 $R^2$ 값 0.386을 달성했다. 저자들은 주요 목적이 점 예측(point-forecast)의 정확도를 극대화하는 것이 아니라 해석 가능한 인텔리전스를 생성하는 것임을 명시했다.
설명 가능성 (SHAP): 피처 중요도 분석 결과, 최근 수요 수준(Lag 1)과 수요 모멘텀(Delta Lag 1)이 예측의 주요 동인이며, 그 뒤를 단기 추세(3주 이동 평균)가 잇는 것으로 나타났다. 이는 노동 수요가 강한 자기상관성을 가짐을 확인시켜 준다.
분해 통찰: 다중 주파수 분석 결과, 잔차 추세는 종종 $H \approx 1.0$ 에 근접(결정론적 구조적 변화를 나타냄)하는 반면, 고주파 성분(IMF_1) 또한 중간 정도의 지속성( $H \approx 0.6-0.8$ )을 보여, 단기적인 급증조차 평균 회귀보다는 추세 추종적 행동을 따름을 시사했다.

의의 및 기여
본 논문은 문헌 및 실무에 대해 세 가지 주요 기여를 주장한다:

방법론적 통합: 다중 주파수 분해(EMD), 허스트 기반 지속성 분석, 설명 가능한 머신러닝(XGBoost + SHAP)을 하나의 통합된 프레임워크로 결합하였다. 이는 패러다임을 순수 예측 공학에서 전략적 해석 가능성으로 전환하여, 일시적 노이즈와 구조적 추세를 분리할 수 있게 한다.
이론적 구체화: 디지털 노동 시장 분석과 설명 가능한 인력 분석을 하나의 통합된 프레임워크로 구체화하였다. 이는 노동 수요 신호가 단순히 확률적인 것이 아니라 활용 가능한 구조적 정보를 포함하고 있음을 입증하며, **인적 자본 이론(Human Capital Theory)**을 역동적인 디지털 노동 시장의 맥락으로 확장한다.
실무적 인텔리전스 생성: 실행 가능한 인텔리전스 범주(신흥, 지속, 변동, 하락)를 생성함으로써 전략적 자원 배분을 직접적으로 지원한다. 투명하고 설명 가능한 신호를 제공함으로써, 본 프레임워크는 HR 전략가, 마케팅 분석가, 정책 입안자들이 사후 대응적 채용에서 벗어나 선제적 인재 관리, 커리큘럼 정렬 및 재교육 이니셔티브로 나아갈 수 있도록 돕는다.

한계 및 범위
저자들은 다음과 같은 몇 가지 한계를 인정한다:

시간적 범위: 데이터셋이 17주간의 내용만을 포함하고 있어, 장기적인 주기적 패턴이나 다년 단위의 구조적 변화를 식별하는 데 한계가 있다. 보고된 허스트 지수는 단기 지속성의 지표로 해석된다.
데이터 출처: LinkedIn 공고에 대한 의존도는 비공식 노동 시장, 소규모 기업, 또는 온라인 채용 활동이 제한적인 직종을 과소 대표할 가능성이 있다.
기술 표현: 고용주 간의 용어 차이 및 기존 분류 체계 내에서 급변하는 역량을 완벽하게 표현하지 못할 가능성이 존재한다.
외생적 요인: 본 예측 프레임워크는 과거의 수요 패턴에 의존하며, 거시 경제 상황, 규제 변화 또는 지정학적 사건과 같은 외생 변수를 명시적으로 포함하지 않는다.

본 연구는 프레 본 프레임워크가 초기 노동 시장 신호를 위한 견고한 기준을 제공하지만, 향후 연구에서는 시간적 범위를 확장하고, 거시 경제 지표를 통합하며, 표준화를 위한 기술 온톨로지 매핑을 정교화하여 인과적 해석력을 높여야 한다고 결론짓는다.

기술 요약: 온라인 채용 공고를 활용한 설명 가능한 노동 시장 인텔리전스

유사한 논문