Det er et ordtak vi alle har hørt i en historieklasse eller et annet sted: De som ikke lærer av fortiden, er dømt til å gjenta den. Denne tankegangen kan også gjelde for data analytics – spesielt når det kommer til prediktiv analyse. Å lære fra tidligere erfaringer er faktisk nøkkelen til å få prediktiv analyse til å fungere.

Dataanalytikere er i stand til å bruke tidligere resultater til å avdekke de mest sannsynlige utfallene i fremtiden. Mange høyskoler og universiteter bruker prediktiv analyse for å redusere frafallet av studenter. La oss ta en titt på hvordan de gjør det, og hvilken informasjon de bruker for å ta de mest informerte beslutningene.

Utfordringene ved frafall

For ulike typer skoler er det ulike typer problemer som påvirker frafall. For noen er det akademisk eller økonomisk – kursene er for vanskelige, og studenten kan ikke opprettholde sine karakterer, eller skolen er for dyr, og studenten tviler på hvorvidt det er verdt bekostningen å fortsette. Men det kan være andre situasjonsfaktorer som spiller inn. Som for eksempel, om en student er det første familiemedlemmet som tar høyere utdanning. Den studenten får kanskje ikke støtte hjemmefra, og dette kan være noe en skole må ta hensyn til.

Men dette vet skolene allerede. Eventuell informasjon som kan få innvirkning på studentens mulighet til å bli på skolen er registrert og samlet inn av institusjoner. Mange høyskoler og universiteter gjennomfører også selv undersøkelser enten i løpet av skolens første uker eller i løpet av sommerferier (eller begge deler). Dette gjøres for å få en følelse av hvordan studentene gjør det og for å kunne måle studentenes trivsel på skolen.

Dataene bak prediktiv analyse

Selv om årsakene til at en skole kan se en økning i frafall kan skyldes forskjellige faktorer fra skole til skole, er det data de alle har til felles når det gjelder å redusere frafallet. De har alle data som kan brukes til å finne ut hvordan de kan få flere studenter til å lykkes med studiene.

For eksempel, Bellarmine University i Kentucky benyttet seg av prediktiv analyse i et forsøk på å redusere frafallet. Vi skal nå se på noen av variablene som skolen brukte i modellen. Den øverste variabelen i modellen var elevers high school GPA, den gir en rask oversikt over studentenes engasjement over flere år med videregående skole. Andre variabler var om studenten var aktiv i sport, og personlig problemer – hvordan studenten følte seg ved ulike kontrollpunkter i løpet av året på Bellarmine. Det var også andre variabler som bosted og forelderens utdanningsnivå, som skolen vurderte, men som ikke endte opp i modellen.

Bellarmine, som enhver skole som jobber med prediktiv modellering, visste at de ikke kunne ta hensyn til hver eneste faktor som kan bidra til at en student slutter. De kunne imidlertid bruke disse viktige faktorene, som historisk har vist seg å indikere frafall, og bruke dem som verktøy sammen med de andre ressursene som er tilgjengelige for å forbedre kommunikasjon og tiltak når det gjelder frafall.

 

Mer enn bare dataene

Det spiller ingen rolle om en skole endrer hele sin teknologiske infrastruktur for å identifisere de studentene som trenger hjelp, hvis skolen faktisk ikke kan hjelpe de. Det må være effektive støttesystemer som gjør at skolen kan gå inn og gjøre en forskjell. Tilpasninger kan selvfølgelig gjøres, men strukturen for støtten må være på plass. En skole kan ikke begynne fra bunnen av med støtte når de er nødt til å gjøre en påvirkning umiddelbart.  

En grunn til at Bellarmine hadde suksess med dataene de brukte, var fordi de også hadde støttesystemer på plass som de visste kunne hjelpe de studentene som ble indentifisert med behov for støtte. Målet for skolens Student Success Center er at studentene skal finne suksess i løpet av deres første år og vedlikeholde det til endt utdanning.

Noen skoler tar reaktive skritt for å forbedre seg. For eksempel, offentlige undersøkelser foretas og skolen anerkjenner at frafalls-tallene er høye, så de setter sammen noe for å løse problemet. De skolene som er mest suksessfulle, er de som er proaktive, og foretar justeringer som vil tilfredsstille undersøkelsene, men som også blir gjort fordi det er en del av skolens visjon, og ikke bare fordi de vil bli fulgt opp på området.  

Prediktiv analyse kan begynne med å se på feiltrinn i fortiden og prøve å fikse dem for fremtiden … men den fremtiden kan innebære å se tilbake til suksessene fra fortiden og prøve å gjenta det som fungerte.

Er du interessert i å lære mer om prediktiv analyse, les mer her

Tonje I. Hanssen

Tonje er marketing & communications manager i Dimensional Insight Norway. Hun har en bachelor i internasjonal markedsføring og master of science i ledelse og organisasjons psykologi, begge fra Handelshøyskolen BI.