Was ist Descriptive Analytics?

Wie funktioniert Descriptive Analytics?

Datenaggregation und Data Mining sind zwei Techniken, die bei Descriptive Analytics verwendet werden, um historische Daten zu ermitteln. Die Daten werden zunächst gesammelt und nach Datenaggregation sortiert, um die Datensätze für Analysten besser handhabbar zu machen.

Data Mining beschreibt den nächsten Schritt der Analyse und beinhaltet eine Suche nach den Daten, um Muster und Bedeutung zu identifizieren. Identifizierte Muster werden analysiert, um die spezifischen Möglichkeiten zu entdecken, wie die Lernenden mit den Lerninhalten und innerhalb der Lernumgebung interagiert haben.

Was kann Descriptive Analytics uns sagen?

Welche Art von Informationen Descriptive Analytics liefern kann, hängt von der lernanalytischen Fähigkeit des verwendeten Learning Management Systems (LMS) ab und worüber das System spezifisch berichtet.

Einige gemeinsame Indikatoren, die identifiziert werden können, sind das Engagement der Lernenden und die Leistung der Lernenden. Mit der Einbindung der Lernenden können Analysten die Teilnahme der Lernenden an dem Kurs und den Zugriff auf die Kursressourcen erkennen.

Leistungsdaten geben Analysten einen Einblick in den Erfolg der Lernenden in dem Kurs; diese Informationen können aus Daten von Assessments oder Aufgaben stammen. Es ist wichtig zu beachten, dass die aus Descriptive Analytics gewonnenen Erkenntnisse nicht dazu verwendet werden, Rückschlüsse oder Vorhersagen über die zukünftige Leistung eines Lernenden zu treffen.

Die Analysemethode soll einen strategischen Einblick geben, wo die Lernenden oder ein bestimmter Lernender mehr Unterstützung benötigt haben. Es kann auch Kursdesignern helfen, das Design des Lernens zu verbessern, indem es einen Einblick in das gibt, was gut gelaufen ist und was nicht gut gelaufen ist.

Beispiele für Descriptive Analytics

Viele LMS-Plattformen und Lernsysteme bieten Descriptive Analytics-Berichte mit dem Ziel, Unternehmen und Institutionen bei der Messung der Lernleistung zu unterstützen, um sicherzustellen, dass die Trainingsziele und -vorgaben erreicht werden.

Die Ergebnisse der Descriptive Analytics können schnell Bereiche identifizieren, die verbessert werden müssen – sei es die Verbesserung des Lerner-Engagements oder die Effektivität der Kursabwicklung.

Hier sind einige Beispiele dafür, wie Descriptive Analytics im Bereich der Learning Analytics eingesetzt wird:

• Verfolgung von Kursanmeldungen, Kurs-Compliance-Raten,
• Aufzeichnung, auf welche Lernressourcen wie oft zugegriffen wird
• Zusammenfassung der Anzahl der Beiträge eines Lernenden in einem Diskussionsforum
• Verfolgung von Aufgaben, Bewertungen und Noten
• Vergleich von Vor-Test- und Nach-Test-Bewertungen
• Analyse der Abschlussraten von Kursen nach Lernenden oder Kursen
• Zusammenstellung der Ergebnisse der Kursumfrage
• Ermittlung der Zeitspanne, die die Lernenden für den Abschluss eines Kurses benötigt haben

Welche Vorteile hat Descriptive Analytics?

Wenn Lernende am Online-Lernen teilnehmen, hinterlassen sie bei jeder Interaktion in der Lernumgebung eine digitale Spur.

Das bedeutet, dass Descriptive Analytics im Online-Lernen Einblicke in Verhaltensweisen und Leistungsindikatoren gewinnen kann, die sonst nicht bekannt wären.

Hier sind einige Vorteile bei der Nutzung dieser Informationen:

• Schnell und einfach über den Return on Investment (ROI) berichten, indem Sie zeigen, wie die Leistung die Geschäfts- oder Zielvorgaben erreicht hat.
• Identifizieren Sie Lücken und Leistungsprobleme frühzeitig – bevor sie zu Problemen werden.
• Identifizieren Sie spezifische Lernende, die zusätzliche Unterstützung benötigen, unabhängig davon, wie viele Lernende oder Mitarbeiter es gibt.
• Identifizieren Sie erfolgreiche Lernende, um positives Feedback oder zusätzliche Ressourcen anzubieten.
• Analysieren Sie den Wert und die Auswirkungen von Kursentwicklungs- und Lernressourcen.

Wie unterscheidet sich Descriptive Analytics von Predictive Analytics und Prescriptive Analytics?

Descriptive Analytics konzentriert sich ausschließlich auf historische Daten.

Sie können sich Predictive Analytics so vorstellen, dass Sie diese historischen Daten verwenden, um statistische Modelle zu entwickeln, die dann Prognosen über zukünftige Möglichkeiten liefern.

Prescriptive Analytics geht einen Schritt weiter und nimmt die möglichen prognostizierten Ergebnisse und prognostiziert Konsequenzen für diese Ergebnisse.