Miksi useimmat L&D-datahankkeet menevät mönkään ja miten voit onnistua

Jos työskentelet oppimisen ja osaamisen kehittämisen parissa, tiedätkin jo, että data ja oppimisanalytiikka ovat tällä hetkellä kuumia puheenaiheita. Eikä aihe ole pelkästään hypeä; dataa ja oppimisanalytiikkaa hyödyntämällä voi saavuttaa paljon. Ne tarjoavat useita mahdollisuuksia vahvistaa L&D:tä organisaation strategisena liiketoimintayksikkönä.

Lupaavista mahdollisuuksista huolimatta datahankkeet kuitenkin epäonnistuvat usein.

Datahankkeiden onnistumisen yleisiä esteitä

L&D-ammattilaiset ymmärtävät oppimisdatan hyödyntämisessä piilevät mahdollisuudet. Datan hyödyntämistä pidetään kuitenkin myös ylivoimaisen monimutkaisena ja sen käyttöönottoa työläänä. Datahankkeet eivät monestikaan etene, koska niiden tulokset eivät ole odotusten mukaisia, tai ne päätyvät pienen mittakaavan pilottiprojekteiksi ilman pitkäaikaisia strategisia hyötyjä.
Seuraavat neljä ovat kokemustemme mukaan yleisimmät tekijät, jotka vaikeuttavat datahankkeiden onnistunutta käyttöönottoa:

Tietoon liittyvät esteet
Koska datan hyödyntäminen on yhä sangen uutta organisaatioille ja asiantuntijoille, sen aloittaminen voi tuntua monimutkaiselta ja aikaa vievältä. Toisin sanoen, on vaikea tietää, mistä aloittaisi datan kanssa.

Organisationaaliset esteet
Datahankkeet edellyttävät organisaation eri yksiköiden välistä yhteistyötä ja viestintää. On tärkeää esimerkiksi keskustella tietohallinnon kanssa dataan liittyvistä tietoturva- ja saatavuuskysymyksistä. Keskustelujen sopiminen eri sisäisten sidosryhmien kanssa voi olla hankalaa. Kaikkien kartalle saamiseen kuluu runsaasti aikaa, etenkin kun datan hyödyntäminen on kaikille uusi käsite.

Mittaamiseen liittyvät esteet

On mietittävä tarkoin, mitkä ovat tärkeimmät käytettävät mittarit, suorituskykyindikaattorit (KPI) ja analytiikkamenetelmät toivottuihin liiketoimintahyötyihin pääsemiseksi. Tämä voi olla haastavaa, erityisesti silloin, kun tietämys datasta ei ole tarpeeksi syvällistä. Tässäkin tarvitaan viestintää organisaation eri yksiköiden välillä.

Liikaa mahdollisuuksia
Viimeinen este voi koitua datan keräämiseen ja analytiikkaan käytettävien ratkaisujen runsaudesta. Käytössä voi olla useita oppimisympäristöjä, LRS-ratkaisu ja lukuisia analytiikkajärjestelmiä. Nämä kaikki pitäisi pystyä integroimaan keskenään, jotta olisi mahdollista hahmottaa laaja kuva oppimishankkeiden vaikutuksista liiketoiminnan tuloksiin. Integrointi kuitenkin osoittautuu usein vaivalloiseksi.

Jos et pysty mittaamaan sitä, et pysty myöskään parantamaan.
– Peter Drucker

Ratkaisu: Aloita keräämällä dataa

Olemme oppineet, että paras tapa ratkoa yllämainitut haasteet, on yksinkertaisesti aloittaa oppimisadatan kerääminen. Käytännössä tämä tarkoittaa sellaisen ratkaisun käyttöönottoa, jolla voi kerätä alan standardien mukaista rikasta oppimisdataa. Yleisin standardi datan keräämiseen on tällä hetkellä xAPI, ja oppimisympäristöjen datan tallentamiseen käytetään Learning Record Store (LRS):ää.

Kun otat askeleen eteenpäin ja keskityt datan keräämiseen, saavutat kolme merkittävää hyötyä:

Rakennat perustukset

Jotta pystyisit ohjaamaan toimintaa datan avulla, on aloitettava datan keräämisestä. Kun keräät dataa, tietoon liittyvät esteet hälvenevät.

Kun dataa kertyy, alat saada yksinkertaisia, visuaalisia näkymiä dataasi, ja se tulee näin tutummaksi. Pian sinulle ja kollegoillesi alkaa avautua oppimisdatan mahdollisuudet organisaationne kannalta.

Datan kerääminen auttaa myös organisaation sisäisissä keskusteluissa. Keräämäsi datan perusteella voit perustella väittämiäsi ja esitellä saavutettuja hyötyjä.

Kun alat kerätä dataa, varmista, että käytössäsi on standardisoitu työkalu datan keräämiseen. Näin toimimalla voit valita myöhemmin minkä tahansa ratkaisun datan prosessoimiseen ja analysointiin.

Älä hukkaa tärkeää dataa

Suorituskykyindikaattorisi ja liiketoiminnan tavoitteet saattavat muuttua ajan mittaan, Todennäköisimmin ne muuttuvat silloin, kun liiketoimintaympäristö muuttuu. Älä tuhlaa aikaa kehittämällä suorituskykyindikaattoreita, kun voisit olla jo keräämässä oppimisdataa. Kun alat kerätä oppimisdataa välittömästi, sinulle kehittyy parempi näkemys siitä, millaisia suorituskykyindikaattoreita oppimiseen liittyen kannattaa valita. Jos käytät ensin aikasi täydellisen suorituskykyindikaattorin kehittämiseen, ja alat kerätä dataa vasta sen jälkeen, olet saattanut jo hukata paljon hyödyllistä oppimisdataa.

Ohituskaista liiketoimintahyötyihin

Jos keräät oppimisdataa alusta alkaen, voit alkaa analysoida sitä heti kun tarve tulee eteen. Ajan myötä, kun dataa kertyy, pystyt saamaan siitä entistä enemmän irti.

Asiakasesimerkki: Aloita datasta, päätä liiketoimintahyötyihin

Valamis aloittaa datan keräämisen heti oppimisympäristön käyttöönotosta.

Tästä oli erityisen suurta hyötyä eräälle julkisen sektorin asiakkaallemme. Tämän asiakkaan alkuperäisenä tarkoituksena oli hyödyntää oppimisdataa vain tilastollisiin tarkoituksiin – raportointiin oppimisympäristön vuosittaisesta käyttöasteesta ja suoritetuista koulutuksista.

Kun dataa alkoi kertyä, uusia analytiikkaa koskevia ideoita syntyi. Vuosittaisen raportoinnin lisäksi oppimisdatan perusteella tehtiin datalähtöisiä päätöksiä digitaalisen oppimisen tarjonnan ja oppijoiden sitouttamisen kehittämisestä. Aina kun kysymyksiä ilmeni, pystyimme etsimään vastauksia kerätystä datasta.

Eräässä tapauksessa pystyttiin oppimisdatan avulla parantamaan laajaa oppimistarjontaa, jota hyödynsi arviolta yli 10 000 käyttäjää vuosittain. Seuraamalla oppijoiden etenemistä pystyimme osoittamaan, mitkä osat koulutuksesta veivät eniten aikaa, ja missä oppijoilla oli hankaluuksia sisällön kanssa. Vertasimme näitä osioita samantyyppiseen oppimissisältöön, jonka kanssa ei ollut vastaavia ongelmia, ja tutkimme, miksi se toimi paremmin. Muutimme sisältöä löydöksiemme perusteella ja onnistuimme näin vähentämään koulutuksen suorittamiseen kuluvaa aikaa peräti kahdella tunnilla.

Kahden tunnin ajansäästö oppijaa kohti tarkoittaa, että yli 10 000 oppijalla aikaa säästyi yhteensä yli 20 000 tuntia työaikaa, jonka he pystyvät nyt käyttämään johonkin muuhun.

Mitä opimme tästä? Vaikka organisaatio ei aluksi tiennyt, miten se voisi datasta hyötyä, se alkoi kuitenkin kerätä sitä. Myöhemmässä vaiheessa se pystyi kehittämään toimintaansa kertyneestä datamassasta saatujen tietojen perusteella.