Was ist Predictive Analytics?

Lerneffekte erzielen

Dieses Whitepaper untersucht Lernmethoden und den analytischen Rahmen, um umsetzungsorientierte Kennzahlen zur Erreichung von Geschäftszielen zu entwickeln.

Entdecken:

Bei der Lernanalyse geht es nicht nur darum, Daten von Lernenden zu sammeln, sondern auch darum, einen Sinn in diesen Daten zu finden, um das zukünftige Lernen zu verbessern.

Zu diesem Zweck stützt sich die Lernanalyse auf eine Reihe von Analysemethoden: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics.

Predictive Analytics Definition

Predictive Analytics ist eine statistische Methode, die Algorithmen und maschinelles Lernen verwendet, um Trends in Daten zu identifizieren und zukünftiges Verhalten vorherzusagen.

Mit zunehmendem Druck, einen Return on Investment (ROI) für die Implementierung von Lernanalysen zu zeigen, reicht es nicht mehr aus, wenn ein Unternehmen einfach zeigt, wie die Lernenden abgeschnitten haben oder wie sie mit Lerninhalten umgegangen sind. Es ist nun wünschenswert, über Descriptive Analytics hinauszugehen und Einblicke zu gewinnen, ob Trainingsinitiativen funktionieren und wie sie verbessert werden können.

Predictive Analytics kann sowohl vergangene als auch aktuelle Daten aufnehmen und Vorhersagen darüber treffen, was in der Zukunft passieren könnte. Diese Identifizierung möglicher Risiken oder Chancen ermöglicht es den Unternehmen, Maßnahmen zu ergreifen, um zukünftige Lerninitiativen zu verbessern.

Wie funktioniert Predictive Analytics?

How does Predictive Analytics work?

Die Software für Predictive Analytics hat sich über den Bereich der Statistiker hinaus entwickelt und wird für verschiedene Märkte und Branchen, einschließlich des Bereichs Learning & Development, erschwinglicher und zugänglicher.

Für das Online-Lernen wird Predictive Analytics oft in das Learning Management System (LMS) integriert, kann aber auch separat als spezialisierte Software erworben werden.

Für den Lernenden könnte die Vorhersage so einfach sein wie ein Dashboard auf dem Hauptbildschirm, nachdem er sich angemeldet hat, um auf einen Kurs zuzugreifen. Durch die Analyse von Daten aus der Vergangenheit und dem aktuellen Fortschritt können visuelle Indikatoren im Dashboard bereitgestellt werden, die anzeigen, ob der Mitarbeiter mit dem Schulungsbedarf auf Kurs war.

Auf Unternehmensebene kann ein LMS-System mit Predictive Analytics-Funktionalität dazu beitragen, die Entscheidungsfindung zu verbessern, indem es einen tiefen Einblick in strategische Fragen und Anliegen bietet. Dies kann von der Einschreibung bis hin zur Abschlussquote und der Leistung der Mitarbeiter reichen.

Predictive Analytics-Modelle

Da Predictive Analytics über das Sortieren und Beschreiben von Daten hinausgeht, ist sie stark auf komplexe Modelle angewiesen, die Rückschlüsse auf die Daten zulassen, auf die sie trifft. Diese Modelle verwenden Algorithmen und Machine Learning, um vergangene und aktuelle Daten zu analysieren, um zukünftige Trends zu ermitteln.

Jedes Modell unterscheidet sich je nach den spezifischen Bedürfnissen derjenigen, die Predictive Analytics einsetzen.

Einige gängige Basismodelle, die auf einer breiten Ebene eingesetzt werden, sind:

  • Entscheidungsbäume verwenden Verzweigungen, um Möglichkeiten aufzuzeigen, die sich aus den einzelnen Ergebnissen oder Entscheidungen ergeben.
  • Regressionstechniken helfen beim Verständnis von Beziehungen zwischen Variablen.
  • Neuronale Netze verwenden Algorithmen, um mögliche Zusammenhänge in Datensätzen zu ermitteln.

Was muss ein Unternehmen wissen, bevor es Predictive Analytics einsetzen kann?

Für Unternehmen, die Predictive Analytics in ihre Learning Analytics-Strategie integrieren möchten, sollten die folgenden Schritte berücksichtigt werden:

  • Eine klare Richtung festlegen
    Predictive Analytics basiert auf speziell programmierten Algorithmen und maschinellem Lernen zur Verfolgung und Analyse von Daten, die alle von den individuellen Fragen abhängen, die gestellt werden. Zum Beispiel ist es eine spezifische Frage, ob Mitarbeiter einen Kurs abschließen werden; die Software müsste die relevanten Daten analysieren, um mögliche Trends bei den Abschlussraten zu formulieren. Es ist wichtig, dass die Unternehmen wissen, was ihre Bedürfnisse sind.
  • Seien Sie aktiv involviert
    Predictive Analytics erfordert aktiven Input und Beteiligung von denen, die die Technik anwenden. Das bedeutet, zu entscheiden und zu verstehen, welche Daten erhoben werden und warum. Auch die Qualität der Daten sollte überwacht werden. Ohne menschliches Zutun können die gesammelten Daten und Modelle, die für die Analyse verwendet werden, keine nützliche Bedeutung haben.

Welche Vorteile hat der Einsatz von Predictive Analytics?

What are the benefits of using predictive analytics?

Hier sind einige wichtige Vorteile, die Unternehmen erwarten können, wenn sie Predictive Analytics in ihre allgemeine Learning Analytics-Strategie integrieren:

  • Personalisieren Sie den Trainingsbedarf der Mitarbeiter, indem Sie ihre Lücken, Stärken und Schwächen identifizieren; spezifische Lernressourcen und Trainings können angeboten werden, um individuelle Bedürfnisse zu unterstützen.
  • Talente binden, indem Sie den beruflichen Werdegang der Mitarbeiter verfolgen, verstehen und voraussagen, welche Fähigkeiten und Lernressourcen am besten für ihre Karriere geeignet sind. Zu wissen, welche Fähigkeiten die Mitarbeiter benötigen, hilft auch bei der Gestaltung der zukünftigen Ausbildung.
  • Unterstützen Sie Mitarbeiter, die in Verzug geraten oder ihr Potenzial nicht erreichen, indem Sie Interventionsunterstützung anbieten, bevor ihre Leistung sie in Gefahr bringt.
  • Vereinfachte Berichte und Grafiken, die alle auf dem neuesten Stand halten, wenn eine vorausschauende Prognose erforderlich ist.

Beispiele für den Einsatz von Predictive Analytics beim Online-Lernen

Viele Unternehmen beginnen, Predictive Analytics in ihre Learning Analytics-Strategie zu integrieren, indem sie die in Learning Management Systemen und spezialisierter Software angebotenen Predictive Forecasting-Funktionen nutzen.

Hier sind ein paar Beispiele:

  1. Trainingsziele
    Einige Systeme überwachen und sammeln Daten darüber, wie Mitarbeiter innerhalb der Lernumgebung interagieren, z.B. wie oft auf Kurse oder Ressourcen zugegriffen wird und ob sie abgeschlossen sind. Der Leistungsgrad kann auch analysiert werden, einschließlich der Bewertungsleistung, der Zeitspanne bis zum Abschluss des Trainings und des offenen Trainingsbedarfs. Eine Analyse dieser aggregierten Datenmuster kann Aufschluss darüber geben, wie die Mitarbeiter auch in Zukunft arbeiten können. Dies erleichtert die Identifizierung von Mitarbeitern, die nicht auf dem Weg zur Erfüllung des Weiterbildungsbedarfs sind.
  2. Talent Management
    Predictive Reporting kann auch vorhersagen, wie sich die Mitarbeiter in ihrer Rolle und innerhalb des Unternehmens entwickeln; dies beinhaltet die Verfolgung und Vorhersage einzelner Lernwege der Mitarbeiter, Schulungen und Weiterbildungsmaßnahmen. Dies ist wichtig für die Personalabteilung (HR), die den Talentpool für eine große Anzahl von Mitarbeitern oder Trainingsabteilungen verwalten muss, die wissen wollen, welche Ressourcen für die individuelle Kompetenzentwicklung effektiv sind.