Waarom de meeste L&D Data Initiatieven falen en wat u kunt doen om het te stoppen

Als u in Learning and Development werkt, weet u al dat data en learning analytics op dit moment hot topics zijn en dat het niet alleen maar modewoorden zijn; data en learning analytics hebben belangrijke voordelen en het vermogen om L&D te versterken als een strategische business unit binnen organisaties.

Ondanks de voordelen zien we deze data-initiatieven vaak mislukken.

Gemeenschappelijke belemmeringen voor succesvolle data-initiatieven

L&D professionals realiseren zich de potentiële voordelen van het gebruik van leer-gegevens, maar het wordt ook gezien als ingewikkeld, overweldigend en een last om te implementeren. In veel gevallen gaan data-initiatieven niet vooruit omdat ze niet de gewenste resultaten opleveren of omdat ze uiteindelijk kleinschalige proefprojecten zijn zonder strategische voordelen op lange termijn.

We hebben de vier meest voorkomende belemmeringen voor de uitvoering van een succesvol leer gegevens initiatief gezien.

1. De kennisbarrière
Omdat het gebruik van gegevens voor veel organisaties en experts nog relatief nieuw is, voelt het begin complex en tijdverslindend. Met andere woorden, het is moeilijk om te weten waar je moet beginnen met je gegevens.

2. Organisatorische barrière
Data-initiatieven vereisen organisatorische samenwerking en communicatie. Het is bijvoorbeeld belangrijk om IT te betrekken bij het bespreken van gegevensbeveiliging en -beschikbaarheid. Het op gang brengen van deze discussies met verschillende organisatorische belanghebbenden kan zeer moeilijk en tijdverslindend zijn om iedereen op één lijn te krijgen, vooral wanneer het concept van datagebruik voor iedereen nieuw is.

3. De Metrisch Barrière
Er is een zorgvuldige afweging nodig om de belangrijkste metrieken, KPI’s en analyses te definiëren die de gewenste zakelijke voordelen kunnen opleveren. Vooral wanneer de kennis van data niet diep genoeg is. Ook dit vraagt om cross-organisatorische communicatie.

4. Oplossingen
Er zijn veel oplossingen voor het verzamelen van gegevens en analyses. U kunt beschikken over meerdere leerplatforms, een LRS-oplossing en meerdere andere systemen die u inzicht kunnen geven. Het kan lastig zijn om alle systemen met elkaar te verbinden, om zo een groot beeld te krijgen van hoe uw leer initiatieven van invloed zijn op uw bedrijfsresultaten.

If you can’t measure it, you can’t improve it.
– Peter Drucker

De oplossing: Begin met het verzamelen van uw data

We hebben geleerd dat de beste manier om bovenstaande uitdagingen te overwinnen, is te beginnen met het verzamelen van uw leer-gegevens. In de praktijk betekent dit het implementeren van een oplossing voor het verzamelen van rijke leer-data met behulp van industriestandaarden. De huidige definitieve standaard voor het verzamelen van gegevens is xAPI, en de Learning Record Store (LRS) wordt gebruikt om de gegevens van het leerplatform op te slaan.

Door een grote stap voorwaarts te zetten door u te richten op het verzamelen van uw gegevens, plukt u drie grote voordelen:

1. Bouw uw fundament

Om datagestuurd te zijn, moet u beginnen met het verzamelen van uw data.
Zodra u de data verzamelt, verlaagt de kennis barrière. Eerst zult u eenvoudige visuele inzichten uit de data gaan zien, waardoor u vertrouwd raakt met de data. Al snel zullen u en uw collega’s de potentiële leer gegevens in uw organisatie begrijpen. Het verzamelen van de data helpt ook bij cross-organisatorische discussies. U kunt de leer gegevens gebruiken als bewijs om uw argumenten te onderbouwen en de voordelen te presenteren. Wanneer u begint met het verzamelen van de gegevens, kies dan voor een gestandaardiseerde gegevensverzameling stool. Op die manier kunt u later elke oplossing kiezen om de gegevens te verwerken en te analyseren.

2. Verlies geen vitale leer gegevens

Uw KPI’s en bedrijfsdoelstellingen kunnen in de loop van de tijd veranderen, en hoogstwaarschijnlijk zullen ze veranderen als gevolg van het veranderende landschap van het bedrijfsleven. Verspil geen tijd om te wachten met het ontwikkelen van uw KPI’s wanneer u uw leer gegevens kunt verzamelen. Door meteen te beginnen met het verzamelen van uw leer gegevens heeft u meer inzicht in hoe het leren gebruikt kan worden om elke KPI die u kiest te beïnvloeden. Als u te veel tijd neemt om de perfecte KPI’s te ontwikkelen en vervolgens begint met het verzamelen van de gegevens, bent u waarschijnlijk veel nuttige leer gegevens kwijt.

3. De snelle weg naar zakelijke voordelen

Als u vanaf het begin leer gegevens verzamelt, kunt u zo snel mogelijk beginnen met analyseren, maar naarmate uw data zich opstapelt, zullen uw inzichten uit de data ook groeien.

Voorbeeld van een klantverhaal: Begin met data, eindig met zakelijke voordelen

Valamis gebruikt de out-of-the box LRS-oplossing bij het aanleren van oplossingen implementaties, dus in ieder geval begint de dataverzameling op de eerste dag van de implementatie.

Bij een van onze klanten in de overheidssector heeft dit veel opgeleverd. De oorspronkelijke bedoeling van de klant was om de leer gegevens alleen te gebruiken voor statistische doeleinden – om jaarlijks de adoptiegraad van het platform te rapporteren en om opleidingen te voltooien.

Naarmate de data zich begon te verzamelen, ontstonden er nieuwe ideeën voor analytics. Naast de jaarlijkse rapportage werd de leer gegevens gebruikt om datagestuurde beslissingen te nemen voor de ontwikkeling van het digitale leeraanbod en voor het verbeteren van de betrokkenheid van de cursisten. Wanneer een vraag zich voordeed, konden we de verzamelde gegevens gebruiken voor antwoorden.

In één geval werd een groot jaarlijks trainingsaanbod met naar schatting 10.000+ deelnemers verbeterd met leer gegevens. Door de reizen van de cursisten te volgen, konden we vaststellen welke delen van de training het meest tijdverslindend waren en waar de cursisten problemen hadden met de inhoud. Vervolgens bezochten we een soortgelijk type leerinhoud dat werkte en resultaten opleverde, en evalueerden we waarom het beter werkte. Op basis van onze bevindingen hebben we wijzigingen in de inhoud aangebracht die niet zo goed werkten en hebben we de tijd die nodig was om de training af te ronden met twee uur weten te verminderen.

Bij het uitvoeren van de berekeningen betekende een vermindering van twee uur op de doorlooptijden een besparing van meer dan 20.000 uur voor meer dan 10.000 cursisten.

Het belangrijkste is dat, hoewel deze organisatie niet vanaf het begin wist wat ze met de gegevens konden doen, toch hebben ze de gegevens verzameld en vervolgens gehandeld op basis van het inzicht dat ze van alle gegevens hadden gekregen.