Digitaalinen oppiminen ja analytiikka – kuinka organisaation koulutus muutetaan tuottavaksi

Janne Hietala piti esityksen oppimisen digitalisaation tuomista muutoksista ja analytiikan valjastamisesta yritysten koulutukseen Liferayn ja Arcusysin järjestämässä webinaarissa viime elokuussa. Keskiöön nousi yritysten jatkuvasti kasvava tarve pystyä mukautumaan muuttuviin koulutustarpeisiin, sekä työkalut ja toimet, joilla näihin haasteisiin pystytään vastaamaan.

Henkilökunnan koulutus voi jo terminä tuottaa työntekijälle mielikuvia monotonisista kalvosulkeisista. Johtoporras taas saattaa suhtautua siihen vain välttämättömänä lovena budjetissa, koska oppimisen todellista vaikuttavuutta on hankala mitata ja todeta.

Koulutuksen järjestäminen on yleensä sitä kalliimpaa, mitä tehokkaampaa ja mielekkäämpää oppimisen halutaan olevan. Investoinnin ja vaikuttavuuden optimaalisten rajapintojen löytäminen perustuu kuitenkin vain arvioille, ellei oppimista pystytä luotettavasti mittaamaan.

Käyttödataa keräävät digitaaliset oppimisympäristöt yhdessä oppimisanalytiikan kanssa pystyvät vastaamaan tähän ongelmaan.

Miten dataa kerätään?

Digitaalinen oppimisympäristö mahdollistaa laajan ja yksityiskohtaisen oppimisdatan keräämisen, ja yhdessä analytiikkatyökalujen kanssa tästä datasta saadaan muodostettua merkityksellisiä kokonaisuuksia. Keräämällä ja käsittelemällä dataa siitä, miten oppijat käyttävät oppimisympäristöä ja -materiaaleja, organisaation on helpompi löytää tehokkaimmat ja tarpeellisimmat tavat kehittää sekä koulutusta että oppijoitaan.

Nykypäivänä meistä kerätään dataa käytännössä kaikesta, mitä digitaalisissa ympäristöissä teemme. Yleensä näiden tietojen perusteella kohdennetaan ja yksilöllistetään mainontaa ja markkinointia muun muassa sosiaalisen median kautta.

On siis tervettä olla tietoinen siitä, mitä tietoja kukin itsestään antaa eteenpäin, ja miksi. Yksityiselämästään huolestuneet voivat kuitenkin tässä tapauksessa huokaista helpotuksesta, sillä oppimisanalytiikassa on kyse pelkästään sisäisestä datan keräämisestä järjestelmän kehittämiseksi, eli tiedot pysyvät visusti piilossa ulkopuolisilta.

Big, big data

Kouluaikoinaan itse kukin on varmasti opetellut keräämään ja prosessoimaan dataa esimerkiksi fysiikan tai kemian tunnilla.

Aluksi ollaan määritelty koe ja sen tavoitteet, jonka jälkeen koetta suorittaessa siitä ollaan kerätty mittaustuloksia. Kokeen päätteeksi koko ryhmän tulokset on merkitty kaavioon ja niiden pohjalta piirretty palkkeja ja taulukoita, joiden avulla on mahdollista esittää näkemyksiä siitä, mitä kokeessa tapahtui.

Periaate ei ole ajan saatossa muuttunut, mutta tavat ja teknologiat ovat.

Millaisen taulukon voi digitalisoituneessa maailmassa enää piirtää, jos mittaustuloksia jatkuvalla syötöllä tuottavia mittauspisteitä on vaikkapa tuhansia, ja ne luovat dataa yhden kokeen sijaan satojen eri mittauskohteiden pohjalta?

Tuloksena on jo pelkästään kokonsa puolesta niin suunnaton määrä dataa, että perinteiset lähestymistavat sen käsittelyyn ovat parhaimmillaankin tehottomia.

Tällaista suurta ja jatkuvasti kasvavaa informaatiokokonaisuutta, jonka merkitystä ja arvoa on tästä syystä hankala nähdä suoraan, kutsutaan big dataksi, ja sen käsittelyyn ja hallinnointiin tarvitaan järeämpiä keinoja. Analytiikkatyökalujen avulla tähän haasteeseen voidaan alkaa vastaamaan.

Dataprosessointi ja analytiikka

Dataprosessoinnin periaatteiden mukaisesti analytiikan avulla raakadataa jäsennellään käsiteltävään muotoon etsimällä siitä toistuvia rakenteita. Näistä rakenteista saadaan aikaan malleja, joita soveltamalla datasta saadaan muodostettua merkityksellisiä ja ymmärrettäviä kokonaisuuksia.

Perinteisillä prosessointimenetelmillä täytyy kuitenkin määritellä hyvin tarkasti, mitä datasta halutaan löytää. Tämä edellyttää, että prosessointityökalua käyttävällä ihmisellä on jo valmiiksi vahva käsitys siitä, mikä datassa on olennaista ja mikä ei.

Analytiikkatyökalut pystyvät työskentelemään itsenäisemmin. Käsittelemällä dataa ne oppivat muodostamaan kokonaisuuksia ja löytämään datasta toistuvuuksia, jotka jäisivät ihmiseltä auttamatta huomaamatta.

Oppimisanalytiikka

Oppimisen digitalisaatio mahdollistaa entistä laajemman ja monipuolisemman oppimisdatan keräämisen. Jos digitaalinen oppimisympäristö pystyy tuottamaan big dataa oppimisesta, analytiikkatyökalut pääsevät loistamaan.

Tata Interactive Systemsin tutkimusesittely antaa kattavan kuvan oppimisanalytiikan eri tasoista ja siitä, kuinka lähtökohdat ja lähestymistavat analytiikan hyödyntämiseen ovat ajan saatossa muuttuneet.

Lähtöpisteeksi Tata esittelee deskriptiivistä ja diagnostista analytiikkaa, joiden avulla oppimisdatan pohjalta saadaan luotua merkityksellisiä kokonaisuuksia oppimisesta ja osaamisen kehittymisestä niin oppijalle kuin koulutuksen järjestäjälle.

Seuraavan sukupolven analytiikka puolestaan perustuu Tatan mukaan korrelaatioiden löytämiseen datasta. Prediktiivinen analytiikka voi huomata esimerkiksi yhteyksiä oppijoiden suoriutumisen ja ympäristön ja materiaalien käytön välillä. Jos korrelaatio tiettyjen materiaalien ja hyvien suoritusten välillä käy analytiikan avulla ilmi, koulutusympäristön ja -materiaalien jatkokehittäminen entistä paremmiksi on huomattavasti helpompaa.

Tämän ansiosta myös olennaisen datan kerääminen helpottuu, jolloin koulutuksen kehittämisestä muodostuu itseään vahvistava ketju.

Tehokkaimpana muotona Tata esittelee preskriptiivisen analytiikan, joka osaa todennäköisimpien tulevaisuuden skenaarioiden ennustamisen lisäksi tarjota parhaita vaihtoehtoja niihin varautumiseen ja niiden käsittelyyn.

Analytiikka vastaamassa yrityksen tarpeisiin

Yritysmaailmassa henkilökunnan kouluttaminen saatetaan edelleen nähdä pakollisena kulueränä, jolla henkilökunnan tarvittava tietotaito täytyy varmistaa. Oppimisanalytiikan ansiosta digitaalisiin oppimisympäristöihin ei enää kannata suhtautua pelkästään tapana säästää koulutuskustannuksissa.

Seuraavan sukupolven korrelaatioanalytiikan avulla digitaalinen oppimisympäristö voi myös muodostaa yksittäisten oppijoiden luoman datan pohjalta henkilökohtaisia oppimisprofiileja, jotka auttavat oppijaa ymmärtämään paremmin omia vahvuuksiaan ja mukauttamaan omaa oppimistaan.

Samalla koulutuksen järjestäjälle koulutustarpeet ja niiden muuttuminen käy ilmeisemmäksi, jolloin kohdennetun, mielekkään ja kaikin puolin tehokkaamman koulutuksen järjestäminen on helpompaa.

Hietalan webinaarin loppukaneeteissa esiteltiin askeleet analytiikan käyttöönottoon organisaatiossa:

  1. Olennaisten mittarien määrittely (key performance indicator)
  2. Näihin tarpeisiin vastaavan koulutusohjelman suunnittelu
  3. Testikonseptin kehittäminen oppimisanalytiikkaratkaisulle vaikuttavuuden mittaamiseksi
  4. Käyttöönotto- ja laajennussuunnitelma

Ensiksi täytyy siis määritellä organisaatiolle merkitykselliset mittarit, joiden pohjalta toiminnan tehokkuutta halutaan mitata. Digitaalisessa ympäristössä toteutettu koulutusohjelma ja analytiikan testaaminen sen tarjoamalla datalla luovat lähtökohdan oppimisen vaikuttavuuden mittaamiselle. Kun valitut mittarit alkavat tuottaa merkityksellisiä tuloksia, voidaan järjestelmä ottaa käyttöön koko organisaation laajuisesti.

Yhdessä koulutusratkaisuja ja konsultointia tarjoavan yhteistyökumppanin kanssa millä tahansa organisaatiolla on mahdollisuus ottaa näillä eväillä kaikki irti koulutuksesta.

Juho Haapiainen
Junior Instructional Designer

Ota yhteyttä
Janne Hietala
CCO Chief Commercial Officer
+44 (0) 7484186421
Katso viimeisimmät julkaisut
Lue lisää

Blogi

Ensimmäiset kuukauteni Arcusysilla

Lue lisää

Blogi

Oppimiskokemusten optimointi organisaation toiminnan parantamiseksi

Lue lisää

Blogi

Kyky oppia ja muuttua on finanssialan toimijan elinehto