Training Analytics: ottimizza la formazione

Il modo più efficace per ottimizzare la formazione dei dipendenti è trattare i dati di apprendimento nello stesso modo in cui i team di prodotto trattano i dati sul comportamento degli utenti: raccoglierli sistematicamente, segmentarli per pubblico e agire in base a ciò che rivelano. Il Learning Analytics è la disciplina che rende possibile tutto ciò, trasformando i segnali grezzi di utilizzo dell'LMS (Learning Management System) in decisioni operative riguardo a contenuti, formato e distribuzione.

Netflix, Spotify e Amazon hanno costruito il loro vantaggio competitivo sulla personalizzazione guidata dai dati. I dipartimenti di formazione possono applicare la stessa logica. Questo articolo spiega cos'è il Learning Analytics, quali metriche contano di più, come un modello di dati può essere utilizzato per ottimizzare un LMS e quali nuovi modelli di formazione emergono quando l'analytics viene applicata correttamente.

Che cos'è il Learning Analytics e perché è importante per la formazione?

Il Learning Analytics è la misurazione, la raccolta, l'analisi e la reportistica dei dati relativi agli studenti e ai loro contesti, con l'obiettivo di comprendere e migliorare sia l'apprendimento sia gli ambienti in cui esso si svolge. Per i team L&D (Learning and Development), rappresenta il ponte tra l'attività formativa e l'impatto aziendale misurabile.

I dati generati dai dipendenti mentre utilizzano strumenti digitali e contenuti formativi sono tra le risorse più sottoutilizzate in qualsiasi organizzazione. Quando tali dati vengono strutturati e analizzati, rivelano quali materiali formativi favoriscono il cambiamento dei comportamenti, quali creano attrito e quali vengono semplicemente ignorati.

"È fondamentalmente diverso agire sui propri dipendenti e sul loro livello di formazione rispetto al semplice monitoraggio dei propri servizi."

Christophe Samson, CIO, Cdiscount e DG Peaksys, nel podcast Lemon Learning

Chi trae vantaggio dal Learning Analytics?

Il Learning Analytics serve tre gruppi distinti all'interno di un'organizzazione.

I dipartimenti di formazione e L&D utilizzano l'analytics per valutare le cause profonde dell'inefficacia della formazione software e migliorare i programmi in termini di durata, formato e copertura dei contenuti.

Le business unit e i responsabili operativi utilizzano l'analytics per capire come i dipendenti interagiscono quotidianamente con gli strumenti critici per il business. Se un flusso di lavoro CRM (Customer Relationship Management) genera errori ripetuti, i dati di utilizzo fanno emergere quell'attrito prima che si trasformi in una perdita di ricavi.

I team finanziari e contabili utilizzano l'analytics per quantificare il ritorno sull'investimento nella formazione, identificando quali programmi generano incrementi di produttività misurabili e quali rappresentano costi senza ritorno.

Tre motivi per investire nel Learning Analytics

Analizzare per anticipare. Osservare i pattern, come una guida di formazione avviata ripetutamente dai dipendenti dello stesso reparto, o un modulo abbandonato allo stesso timestamp dalla maggior parte dei discenti, permette ai team di anticipare i problemi prima che influiscano sulle prestazioni. I segnali predittivi nei dati di formazione sono preziosi quanto lo sono in qualsiasi altro dominio operativo.

Analizzare per personalizzare. L'Adaptive Learning, l'approccio che utilizza l'IA (Intelligenza Artificiale), i dati comportamentali e il design pedagogico per adattare i percorsi formativi alle esigenze individuali, dipende interamente dalla qualità dell'analytics. Le Learning Analytics consentono di personalizzare i programmi per ruolo, frequenza di utilizzo degli strumenti, conoscenze pregresse o cronologia dei feedback.

Analizzare per coinvolgere. La visibilità sulle abitudini di apprendimento dei dipendenti supporta una cultura del feedback continuo. Il riconoscimento dei traguardi di completamento, la valorizzazione dei progressi e la proposta di contenuti pertinenti al momento giusto dipendono tutti dai segnali forniti dalle Learning Analytics.

Quali metriche monitorare per ottimizzare la formazione con i dati?

Non tutti i dati sono ugualmente utili. L'obiettivo è identificare le metriche che collegano il comportamento dei discenti ai risultati rilevanti per il business. Il framework a quattro livelli di seguito fornisce una struttura pratica per passare dai dati grezzi all'azione informata.

I quattro livelli delle Learning Analytics

Metriche chiave per l'ottimizzazione della formazione

All'interno di questi quattro livelli, le seguenti metriche offrono il rapporto segnale/rumore più elevato per la maggior parte dei team L&D:

• Tassi di completamento e di abbandono per modulo, ruolo e reparto, segmentati per identificare se il basso completamento riflette un problema di contenuto o un vincolo di pianificazione.
• Tempo trascorso sul contenuto, che distingue tra contenuti che mantengono l'attenzione e contenuti che vengono saltati o affrontati frettolosamente.
• Tassi di accesso ripetuto, che indicano un coinvolgimento elevato o una persistente difficoltà con un argomento.
• Punteggi delle valutazioni nel tempo, per misurare la ritenzione delle conoscenze oltre il periodo immediatamente successivo alla formazione.
• Frequenza di utilizzo degli strumenti dopo la formazione, il proxy più chiaro per valutare se la formazione si è tradotta in un reale cambiamento comportamentale.
• Volume dei ticket di supporto relativi a una specifica applicazione, prima e dopo un intervento formativo.

Identificare quale contenuto educativo performa meglio per formato (video, PDF, quiz, walkthrough interattivo) e quale contenuto legato alle priorità strategiche del business (il lancio di una nuova piattaforma HR (Human Resources), un aggiornamento sulla conformità normativa) viene effettivamente consultato. Se i contenuti strategicamente importanti hanno tassi di apertura bassi, il design della formazione, non il dipendente, è la prima variabile da esaminare.

Come costruire un modello di dati per ottimizzare il tuo LMS

Un modello di dati per l'ottimizzazione dell'LMS è un modo strutturato di collegare i segnali comportamentali dei discenti ai risultati di business. Senza un modello, i dashboard di analytics producono report. Con un modello, producono decisioni.

Mappare i dati sui risultati: il cuore del miglioramento dell'LMS

Il punto di partenza è identificare quali risultati di business la formazione è destinata a influenzare: onboarding più rapido, minori tassi di errore, maggiore adozione del software, riduzione del carico di supporto. Ogni risultato corrisponde ad almeno un segnale di apprendimento misurabile.

Un modello di dati pratico per l'ottimizzazione dell'LMS segue quattro passaggi:

1. Definisci il risultato. Ad esempio: ridurre il tempo per raggiungere la competenza per i nuovi utenti di un sistema ERP finanziario (Enterprise Resource Planning) da 90 giorni a 60 giorni.
2. Identifica gli indicatori comportamentali. Quali moduli di formazione sono storicamente correlati a un raggiungimento della competenza più rapido? Quali flussi di lavoro dell'applicazione generano il maggior numero di errori nei primi 30 giorni?
3. Segmenta i dati. Scomponi i dati su completamento, tempo impiegato e tasso di errore per ruolo, anzianità, sede e reparto. I dati aggregati nascondono i modelli che contano.
4. Chiudi il ciclo. Utilizza l'analisi prescrittiva per modificare il percorso di formazione, poi misura nuovamente. Il modello migliora a ogni iterazione.

Questo approccio iterativo è ciò che distingue l'ottimizzazione dell'apprendimento basata sui dati dalla reportistica occasionale. L'LMS diventa un sistema dinamico piuttosto che un semplice archivio di contenuti.

Identificare le lacune formative a livello di popolazione

La segmentazione per popolazione di discenti è una delle fasi a più alto valore in qualsiasi modello di dati LMS. Quali reparti utilizzano sistematicamente in modo insufficiente i contenuti formativi legati ai loro strumenti principali? Quali ruoli mostrano il divario maggiore tra il completamento della formazione e la competenza effettiva nell'uso degli strumenti? A queste domande non si può rispondere con semplici percentuali di completamento aggregate.

Quando vengono identificate lacune a livello di popolazione, la risposta appropriata non è sempre una maggiore formazione. A volte il divario riflette un'incompatibilità nel formato dei contenuti (un corso con molti video per un team sul campo con poco tempo davanti allo schermo), un conflitto di pianificazione, o uno strumento che è genuinamente troppo complesso per il caso d'uso previsto. L'analisi porta alla luce il problema reale; il team di formazione sceglie poi la soluzione giusta.

Quali nuovi modelli di formazione consente l'analisi dei dati?

L'ottimizzazione dell'apprendimento basata sui dati non riguarda solo la misurazione più attenta dei programmi esistenti. Crea anche le condizioni per modelli di formazione genuinamente diversi, che non sarebbero realizzabili senza dati comportamentali.

Guida integrata nell'applicazione. Le piattaforme di adozione digitale (DAP) incorporano la formazione direttamente all'interno degli strumenti software che i dipendenti utilizzano ogni giorno. Invece di chiedere ai dipendenti di uscire dal loro flusso di lavoro per consultare un LMS, una DAP fornisce aiuto contestuale, procedure guidate passo dopo passo e notifiche push esattamente nel momento del bisogno. Il livello di analisi di una DAP registra quali guide vengono attivate, con quale frequenza, da quali profili utente e in quali fasi del flusso di lavoro, fornendo un segnale di dati molto più ricco di quanto possa generare un LMS autonomo.

Percorsi di apprendimento adattativi. Quando l'analisi rivela che un discente ha già dimostrato competenza su un argomento (attraverso punteggi di valutazione precedenti o schemi di utilizzo sicuro degli strumenti), i sistemi adattativi possono saltare quel contenuto e dare priorità alle aree di reale necessità. Ciò rispetta il tempo dei dipendenti e concentra lo sforzo formativo dove produce il maggiore ritorno.

Rinforzo continuo. Invece di un singolo evento formativo all'onboarding o al go-live, le piattaforme basate sull'analisi supportano il microlearning continuo: contenuti brevi e mirati erogati a intervalli regolari in base alle lacune di utilizzo osservate. La ricerca mostra costantemente che la ripetizione distanziata migliora la ritenzione delle conoscenze rispetto alla pratica concentrata.

Formati come gli SPOC (Small Private Online Courses), le aule virtuali, i serious game e gli approcci di blended learning diventano tutti più efficaci quando sono progettati sulla base delle informazioni derivanti dall'analisi piuttosto che su supposizioni su ciò di cui i dipendenti hanno bisogno.

Le piattaforme che oggi offrono il miglioramento della formazione più misurabile sono quelle che combinano un ricco livello di analisi con la capacità di erogare il contenuto giusto, nel formato giusto, al momento giusto, direttamente all'interno delle applicazioni in cui il lavoro avviene realmente. La soluzione Learning and Development di Lemon Learning è costruita esattamente su questo principio, offrendo ai team L&D sia il modello di dati che il meccanismo di erogazione per ottimizzare la formazione in modo continuativo.