Samalla kun verkko-oppimisen suosio kouluissa ja työpaikoilla kasvaa, datan ja analytiikan rooli oppimiskokemusten ja menestyksen ymmärtämisessä korostuu. Jotta voisit toteuttaa oikeasti vaikuttavaa verkko-oppimista, oppimisanalytiikan hyödyntäminen on tarpeen. Ja oikeastaan aika fiksuakin.
Tässä artikkelissa kerromme mitä oppimiseen liittyvää dataa organisaatiosi kannattaa seurata, mikä on oikeasti oleellista tietoa sekä miten dataa voi käyttää suorituskyvyn parantamiseen ja jatkuvaan oppimisen kehittämiseen.
Miten ja mihin tarkoituksiin oppimisanalytiikkaa voi käyttää?
Yrityksille työntekijöiden koulutus on tapa mitata työntekijöiden sitoutuneisuutta ja tuottavuutta. Koulut puolestaan haluavat seurata opiskelijoidensa edistymistä. Mutta jos oppimista ja koulutusta ei seurata, organisaation on vaikeaa tietää, kuinka hyvin koulutus puree.
Tässä kohtaa data ja oppimisanalytiikka tulevat kuvioon. Oppimisanalytiikka on tapa koota yhteen muun muassa tiedot siitä, mitä on opiskeltu, millä menestyksellä ja mitkä osa-alueet kaipaavat vielä harjoittelua. Noin alkajaisiksi.
Oppimisanalytiikkaa voi käyttää lukemattomin eri tavoin. Tässä neljä esimerkkiä siitä, mitä kaikkea datalla ja oppimisanalytiikalla voit tehdä:
1. Toteutat yksilöllisempiä oppimiskokemuksia
Automatisoidulla data-analytiikalla organisaatio pystyy tarjoamaan verkko-oppimista, joka on jokaisen oppijan tarpeiden mukaan suunniteltu.
Esimerkiksi automatisoitu verkko-oppimisalusta selaa läpi, mitä henkilö on aiemmin opiskellut ja suosittelee sen perusteella hänelle oleellisia oppimismateriaaleja tai kursseja, jotka ovat hänen osaamisen, roolin, uratavoitteiden tai kiinnostuksen kohteiden mukaisia.
Yrityksissä tällaiset yksilöidyt oppimiskokemukset voivat parantaa työntekijäkokemusta ja suorituskykyä.
2. Kehität oppijoiden osaamista nopeammin ja tehokkaammin
Analytiikan avulla selvität helposti mitä taitoja organisaatiosi henkilöiden pitää oppia perustuen heidän nykyiseen osaamistasoon ja rooliin sekä siihen mikä heidän suunniteltu urapolku organisaatiossanne on.
Otetaan esimerkkinä vaikka markkinointi. Oppimisanalytiikan avulla seuraat milloin yrityksesi markkinoijien tarvitsee päivittää digiosaamistaan, kun peilaat heidän osaamistaan asiakasdataan ja asiakkailta saatuun palautteeseen tai vaikka toimialatrendeihin. Näet myös milloin markkinointijohtajan pitää oppia uusia taitoja, jotta hän pystyy paremmin ohjaamaan tiiminsä työtä. Ja niin edelleen.
3. Keskityt mielenkiintoisempiin oppimiskokemuksiin
Oppimisanalytiikasta näet mitkä kurssit ja materiaalit sitouttavat oppijoita eniten ja mitkä kurssit ja kokemukset johtavat tehokkuuden kasvuun.
Data kertoo sinulle esimerkiksi sen, että kuinka moni jättää jonkin koulutuksen tai materiaalin kesken tai kuinka moni vaikka palaa saman materiaalin äärelle uudestaan ja uudestaan. Tämä auttaa sinua kehittämään muita materiaaleja yhtä mielenkiintoisiksi. Datasta näet myös esimerkiksi, onko vaikka myyjien tehokkuus parantunut jonkin tietyn kurssin käynnin jälkeen.
4. Kasvatat työpaikan tuottavuutta
Jos organisaatiossasi on käytössä automaattinen data-analytiikka verkko-oppimisessa, tuottavuuden kehittyminen näkyy monessa paikassa.
Ensinnäkin pystyt kehittämään verkko-oppimista kokonaisuutena etkä käytä aikaasi manuaaliseen analyysiin tai ylläpitämään käyttäjätietoja.
Työntekijöiden ei tarvitse rämpiä läpi epäoleellisia ja tylsiä kursseja ja materiaaleja, jolloin heidän oppimiskokemus on tehokkaampaa ja todennäköisesti oppiminen päätyy nopeammin myös heidän arkeensa.
Tässä vain neljä esimerkkiä niistä monista mahdollisuuksista, joihin data ja oppimisanalytiikka taipuvat. Olipa tavoitteesi mikä tahansa, yksi asia on selvää: ilman dataa et tiedä mitä tarpeita organisaatiossa on. Jos taas et tunne tarpeita, toimintaa on hyvin vaikea kehittää parempaan suuntaan.
Tästä pääsemmekin sujuvasti suorituskyvyn parantamiseen. 🏃♂️
Miten käytät dataa suorituskyvyn parantamiseen ja jatkuvaan oppimiseen?
Edellä mainitut esimerkit antavat jo osviittaa siitä, miten datalla voi vaikuttaa suorituskykyyn. Mutta pelkkä datan seuranta ja niiden pohjalta analyysin tekeminen eivät tietenkään automaattisesti tee oppijoista ja organisaatioista tehokkaampia. Datalla pitää olla yhteys organisaation tavoitteisiin ja esimerkiksi työntekijöiden kehityssuunnitelmiin.
Niinpä kun mittaat vaikka jonkin kurssin vaikutusta työntekijän tehokkuuteen, on sen oltava linjassa työntekijälle asetettujen mittareiden kanssa. Parhaiten tämä onnistuu, jos oppimistulokset ovat suoraan integroitu vaikka CRM:ään tai muuhun järjestelmään, jolla seurataan työntekijöiden suorituskykyä.
Tässä yksi esimerkki siitä, miten oppimisanalytiikan voi yhdistää henkilön kehityssuunnitelmaan tai mittareihin.
- Luo jokaiselle roolille taito-/pätevyystaulukko.
- Hae ja analysoi dataa, jonka avulla voit määrittää tärkeimmät mittarit roolille.
- Määrittele taidoille vähimmäistasot sekä mitä tasolta toiselle nouseminen vaatii.
- Yhdistä jokaiseen taitotasoon oleelliset oppimismateriaalit, joita verkko-oppimisalusta suosittaa oppijalle hänelle asetettujen mittareiden mukaisesti.
Kun tämä työ on tehty, on sinun ja muiden esimiesten helpompi lähteä seuraamaan jokaisen työntekijän kohdalla hänelle määriteltyjä mittareita, etsiä ja saada data oppimisalustasta ja käyttää sitä hyödyksi päätöksenteossa.
Saako kaiken datan suoraan oppimisalustasta?
Hyvä kun kysyit. Toki oppimisalustojen välillä on eroja sen suhteen millaista dataa niistä saa irti. Jos olet hankkimassa verkko-oppimisalustaa, kannattaa selvittää tarkkaan saatko niistä sellaista dataa, jota organisaatiossanne tarvitsette.
Otetaanpa esimerkiksi vaikka Mediamaisteri (kyllä, olemme puolueellisia). Tässä esimerkkejä siitä, millaista dataa saat meidän verkko-oppimisalustasta.
Mediamaisteri LMS:n oppimisanalytiikka & raportointiominaisuudet
Ennakoiva data
- Ennustaa esimerkiksi ketkä opiskelijat ovat vaarassa pudota kurssilta heikkojen suoritusten vuoksi, tai ehdottaa parannuksia tehtäviin suoritusdatan perusteella.
Kuvaileva data
- Katsoo tapahtunutta ja kuvastaa sitä. Kuvaileva data voi kertoa esimerkiksi mitä kursseja on suoritettu ja millaisilla arvosanoilla.
Esimerkkejä datan käyttökohteista:
- Opiskelijoiden edistymisen seuranta oppimisalustalla
- Kurssin sisäinen suoritustilanne: kuinka moni on suorittanut ja kuinka pitkälle
- Suosituimmat kurssit (esim. kurssilla oloajan perusteella)
- Materiaalien avauskerrat ja avatuimmat materiaalit
Muut ominaisuudet
- mRaportointi: Moodlen sisällä oleva työkalu tarkempaan suoritusten analysointiin ja segmentointiin
- Tukee myös laajasti kolmannen osapuolen analytiikkatyökaluja
Ennen kaikkea muista tämä: olipa oppimistyökalu mikä tahansa, pidä arjen realiteetit mielessä. Mitkä ovat organisaatiosi prioriteetit, resurssit ja prosessit? Ja onko sillä loppujen lopuksi väliä, kuinka moni vastaa väärin tai oikein, sillä eikö väärinkin vastatessa opi? Pääasia, että tulokset päätyvät arkeen. Vaikka joku vastasi väärin testissä, hän saattaa silti – tai juuri sen takia – osata toimia oikein sen perusteella käytännössä.
Lopuksi: data näkyviin raportointityökalujen avulla
Kuulostaako siltä, että nyt on hankittava joku hoitamaan tätä datapuolta? Hätä ei ole tämän näköinen. Jos haluat nostaa data-analyysisi uudelle tasolle, sinun ei tarvitse rekrytä täysipäiväistä data-analyytikkoa. Mutta datan seurannan ja analysoinnin lisääminen jo muutenkin työllistettyjen henkilöiden harteille ei sekään ole paras vaihtoehto.
Tässä oppimisteknologia tulee avuksi. 👩💻
Automatisoi raportointi. Jos sinulla on käytössä digitaalinen oppimisalusta (Learning Management System), löydät sieltä todennäköisesti valmiiksi tavat seurata ja analysoida dataa. Seikkaile järjestelmässäsi, selvitä mitä tietoja saat sieltä irti ja – jos mahdollista – luo automaattisia raportteja.
Jos haluat viedä datasi ja sen analysoinnin uudelle tasolle, voit ottaa oppimisalustasi kylkeen käyttöön myös muita työkaluja. Yksi vaihtoehto on esimerkiksi Power BI, jolla viet raportoinnin aivan uusiin sfääreihin!
Katso webinaaritallenne, niin opit kuinka visualisoit datasi helposti Power BI:n avulla!
