A forma mais eficaz de otimizar a formação de colaboradores é tratar os dados de aprendizagem da mesma forma que as equipas de produto tratam os dados de comportamento dos utilizadores: recolhê-los sistematicamente, segmentá-los por público e agir com base no que revelam. O Learning Analytics é a disciplina que torna isto possível, transformando os sinais brutos de utilização do LMS (Learning Management System) em decisões acionáveis sobre conteúdo, formato e distribuição.
A Netflix, o Spotify e a Amazon construíram a sua vantagem competitiva com base na personalização orientada por dados. Os departamentos de formação podem aplicar a mesma lógica. Este artigo explica o que é o Learning Analytics, que métricas são mais importantes, como um modelo de dados pode ser usado para otimizar um LMS, e que novos modelos de formação emergem quando o analytics é devidamente utilizado.
O Learning Analytics é a medição, recolha, análise e comunicação de dados sobre os aprendentes e os seus contextos, com o objetivo de compreender e melhorar tanto a aprendizagem como os ambientes em que esta ocorre. Para as equipas de L&D (Learning and Development), é a ponte entre a atividade de formação e o impacto mensurável no negócio.
Os dados gerados pelos colaboradores à medida que utilizam ferramentas digitais e conteúdos de formação são um dos ativos mais subaproveitados em qualquer organização. Quando esses dados são estruturados e analisados, revelam quais os materiais de formação que promovem mudanças de comportamento, quais criam fricção e quais são simplesmente ignorados.
"É fundamentalmente diferente agir sobre os seus colaboradores e o seu nível de formação do que simplesmente medir os seus serviços."
Christophe Samson, CIO, Cdiscount e DG Peaksys, no podcast da Lemon Learning
O Learning Analytics serve três grupos distintos dentro de uma organização.
Os departamentos de formação e L&D utilizam o analytics para avaliar as causas profundas da ineficácia da formação em software e melhorar os programas em termos de duração, formato e cobertura de conteúdos.
As unidades de negócio e os gestores operacionais utilizam o analytics para compreender como os colaboradores interagem com ferramentas críticas para o negócio no dia a dia. Se um fluxo de trabalho de CRM (Customer Relationship Management) gera erros repetidos, os dados de utilização identificam essa fricção antes que se transforme em perda de receita.
As equipas financeiras e contabilísticas utilizam o analytics para quantificar o retorno do investimento em formação, identificando quais os programas que geram ganhos de produtividade mensuráveis e quais representam custos irrecuperáveis.
Analisar para antecipar. Observar padrões, como um guia de formação lançado repetidamente por colaboradores do mesmo departamento, ou um módulo abandonado no mesmo momento por grande parte dos formandos, permite que as equipas antecipem problemas antes de estes afetarem o desempenho. Os sinais preditivos nos dados de formação são tão valiosos como em qualquer outro domínio operacional.
Analisar para personalizar. A Aprendizagem Adaptativa, a abordagem que utiliza IA (Inteligência Artificial), dados comportamentais e design pedagógico para adaptar os percursos de formação às necessidades individuais, depende inteiramente de análises de qualidade. A Learning Analytics permite personalizar os programas por função, frequência de utilização das ferramentas, conhecimentos prévios ou histórico de feedback.
Analisar para envolver. A visibilidade sobre os hábitos de aprendizagem dos colaboradores apoia uma cultura de feedback contínuo. O reconhecimento de marcos de conclusão, o destaque do progresso e a apresentação de conteúdo relevante no momento certo dependem dos sinais fornecidos pela Learning Analytics.
Nem todos os dados são igualmente úteis. O objetivo é identificar métricas que relacionem o comportamento dos formandos com resultados relevantes para o negócio. A estrutura de quatro níveis apresentada abaixo fornece uma base prática para passar dos dados brutos à ação fundamentada.
| Nível | O que responde | Exemplo prático |
|---|---|---|
| Análise Descritiva | O que aconteceu? | 45% dos colaboradores abandonaram um módulo no mesmo ponto e nunca o retomaram. |
| Análise Diagnóstica | Por que aconteceu? | O módulo tinha 40 minutos de duração sem nenhum ponto de controlo; os formandos perderam o fio condutor quando foram interrompidos. |
| Análise Preditiva | O que é provável que aconteça a seguir? | Os novos colaboradores atribuídos ao mesmo módulo têm tendência a apresentar o mesmo padrão de abandono. |
| Análise Prescritiva | Que medida deve ser tomada? | Dividir o módulo em três segmentos mais curtos com verificações de conhecimento integradas; adicionar orientação na aplicação para o passo mais difícil. |
Dentro destes quatro níveis, as seguintes métricas oferecem a melhor relação sinal-ruído para a maioria das equipas de L&D:
Identifique qual o conteúdo educativo com melhor desempenho por formato (vídeo, PDF, questionário, percurso interativo) e qual o conteúdo associado a prioridades estratégicas de negócio (a implementação de uma nova plataforma de RH (Recursos Humanos), uma atualização de conformidade regulatória) que está efetivamente a ser consultado. Se conteúdo estrategicamente importante apresentar baixas taxas de abertura, o design da formação, e não o colaborador, é a primeira variável a examinar.
Um modelo de dados para a otimização do LMS é uma forma estruturada de relacionar os sinais de comportamento dos formandos com os resultados de negócio. Sem um modelo, os dashboards de análise produzem relatórios. Com um modelo, produzem decisões.
O ponto de partida é identificar quais os resultados de negócio que a formação pretende influenciar: integração mais rápida, menor taxa de erros, maior adoção de software, redução do volume de suporte. Cada resultado corresponde a pelo menos um sinal de aprendizagem mensurável.
Um modelo de dados prático para a otimização do LMS segue quatro passos:
Esta abordagem iterativa é o que distingue a otimização da aprendizagem orientada por dados de relatórios pontuais. O LMS torna-se um sistema vivo em vez de um repositório de conteúdos.
A segmentação por população de formandos é uma das etapas de maior valor em qualquer modelo de dados de LMS. Quais os departamentos que utilizam sistematicamente menos os conteúdos de formação associados às suas ferramentas principais? Quais as funções que apresentam maior diferença entre a conclusão da formação e a proficiência real na ferramenta? Estas questões não podem ser respondidas apenas com percentagens globais de conclusão.
Quando são identificadas lacunas ao nível da população, a resposta adequada nem sempre é mais formação. Por vezes, a lacuna reflete uma incompatibilidade no formato do conteúdo (um curso com muitos vídeos para uma equipa de campo com tempo limitado de ecrã), um conflito de horários, ou uma ferramenta que é genuinamente demasiado complexa para o caso de uso pretendido. A análise revela o problema real; a equipa de formação escolhe então a solução adequada.
A otimização da aprendizagem orientada por dados não consiste apenas em medir os programas existentes com mais rigor. Cria também as condições para modelos de formação genuinamente diferentes, que não seriam viáveis sem dados comportamentais.
Orientação na aplicação. As Plataformas de Adoção Digital (DAPs) incorporam a formação diretamente nas ferramentas de software que os colaboradores utilizam todos os dias. Em vez de pedir aos colaboradores que abandonem o seu fluxo de trabalho para consultar um LMS, uma DAP apresenta ajuda contextual, orientações passo a passo e notificações no exato momento em que são necessárias. A camada de análise de uma DAP regista quais os guias ativados, com que frequência, por que perfis de utilizador e em que etapas do fluxo de trabalho, fornecendo um sinal de dados muito mais rico do que um LMS autónomo consegue gerar.
Percursos de aprendizagem adaptativos. Quando a análise revela que um formando já demonstrou proficiência num tema (através de resultados de avaliações anteriores ou padrões de utilização confiante da ferramenta), os sistemas adaptativos podem omitir esse conteúdo e dar prioridade às áreas de necessidade real. Isto respeita o tempo dos colaboradores e concentra o esforço de formação onde produz maior retorno.
Reforço contínuo. Em vez de um único evento de formação no momento de integração ou de entrada em funcionamento, as plataformas orientadas por análise suportam a microaprendizagem contínua: conteúdo curto e direcionado, entregue a intervalos regulares com base nas lacunas de utilização observadas. A investigação demonstra consistentemente que a repetição espaçada melhora a retenção do conhecimento em comparação com a prática concentrada.
Formatos como SPOCs (Small Private Online Courses), salas de aula virtuais, jogos sérios e abordagens de aprendizagem mista tornam-se todos mais eficazes quando concebidos com base em análises em vez de suposições sobre o que os colaboradores precisam.
As plataformas que proporcionam hoje a melhoria de formação mais mensurável são aquelas que combinam uma camada de análise rica com a capacidade de disponibilizar o conteúdo certo, no formato certo, no momento certo, diretamente nas aplicações onde o trabalho realmente acontece. A solução de Aprendizagem e Desenvolvimento da Lemon Learning assenta precisamente neste princípio, proporcionando às equipas de L&D tanto o modelo de dados como o mecanismo de entrega para otimizar a formação de forma contínua.
A otimização da formação é o processo de utilização de dados, análises e ciclos de feedback para melhorar continuamente a conceção, a entrega e os resultados dos programas de formação. Envolve identificar o que funciona, eliminar o que não funciona, personalizar o conteúdo de acordo com as necessidades dos formandos e medir o impacto no desempenho e nos objetivos de negócio.
Qual é um exemplo de otimização de dados num contexto de aprendizagem?+Um exemplo prático é utilizar o painel de controlo de um Sistema de Gestão de Aprendizagem (LMS) para detetar que 45 por cento dos colaboradores abandonam um determinado módulo de e-learning a meio. A análise diagnóstica ajuda então a identificar se o abandono é causado pela duração do módulo, pela complexidade do conteúdo ou por uma incompatibilidade com a função do formando, para que a equipa de formação possa rever o módulo e voltar a medir as taxas de conclusão.
Quais são os quatro níveis de análise de aprendizagem?+Os quatro níveis são: (1) Análise Descritiva, que mostra o que aconteceu (por exemplo, taxas de abandono de módulos); (2) Análise Diagnóstica, que identifica por que aconteceu; (3) Análise Preditiva, que prevê o que é provável que aconteça a seguir; e (4) Análise Prescritiva, que recomenda ações para alterar o resultado esperado.
Como se utiliza um modelo de dados para otimizar um Sistema de Gestão de Aprendizagem?+Um modelo de dados para otimização de LMS relaciona dados de comportamento dos formandos (tempo no conteúdo, taxas de conclusão, pontuações em questionários, frequência de utilização de ferramentas) com resultados de negócio (produtividade, taxas de erro, pedidos de suporte). Ao segmentar estes dados por função, departamento ou antiguidade, as equipas de L&D podem identificar lacunas de conteúdo, retirar módulos com baixo desempenho e destacar os formatos que geram maior envolvimento, criando um ciclo de melhoria contínua.
Sarah supervisiona tudo o que diz respeito ao marketing inbound, explorando os diversos usos empresariais e tópicos relacionados com a adoção digital. As suas experiências anteriores incluem marketing B2C e de produto no espaço de escuta social, identificando tendências emergentes do setor.