Unternehmen sind nicht erst seit der digitalen Revolution im Wandel. Nur wer aus Erfahrungen mit Kunden und Geschäftspartnern lernt und Produkte, Services und Prozesse stetig verbessert hat, konnte sich am Markt behaupten. Und ist ein Trend erstmal verschlafen, wird es schwer, den Vorsprung der Konkurrenz wieder aufzuholen - so wie für Nokia bei der Smartphone-Entwicklung.

Der Unterschied? Mit der einfacheren Verfügbarkeit von praktisch unbeschränkten IT-Ressourcen, beispielsweise über die Cloud, hat Data Analytics heute praktisch alle Anwendungsbereiche ergriffen. Egal, wie klein das Unternehmen ist: Es gibt jede Menge Anbieter von Analytics-Anwendungen wie Customer Analytics, Retail Analytics oder auch People Analytics. Die Versprechungen dieser Anbieter gehen von besserem Verständnis für die unternehmensinternen Prozesse über höhere Rentabilität bis hin zum Heilsversprechen, dass wir alle nur noch das tun werden, was uns Spaß macht.

Tatsächlich kann Data Analytics aber nur dann zum Unternehmenserfolg beitragen, wenn es einen nachhaltigen Mehrwert für die Kunden liefert. Deshalb sollten Unternehmen sich fragen, was sie vom Learning Analytics an Hochschulen lernen können. So wie Kunden in der Interaktion mit Unternehmen Daten produzieren, produzieren auch Studierende in der Interaktion ständig Daten.

Learning Analytics bezeichnet die Sammlung, Integration, Analyse und Interpretation dieser Daten mit dem Ziel, den Lernerfolg der Studierenden zu steigern. Damit steht der Mehrwert des "Kunden", also des Studierenden, im Mittelpunkt - und der Mehrwert des "Unternehmens" Hochschule hängt direkt vom Kundenerfolg ab. Im weiteren diskutieren wir das Vorgehen, die eingesetzten Methoden und die Herausforderungen bei Learning Analytics und übertragen diese Erkenntnisse auf Unternehmen.

Kundenerfolg erreichen

Um das Ziel "Kundenerfolg" zu erreichen, gehen Hochschulen beim Learning Analytics in vier Schritten vor. Dabei beziehen sich die ersten zwei Schritte auf die Erfahrungen aus der Vergangenheit:

1. Was ist passiert? (Beschreibung/Descriptive Analytics) Zunächst müssen Hochschulen Daten sammeln und zusammenführen. Konkret müssen viele Datenquellen integriert werden: Ergebnisdaten aus den Prüfungssystemen, Daten über den Lernprozess aus dem Learning Management System, persönliche Daten aus dem Studierendeninformationssytem (SIS) sowie Daten aus externen Quellen. Das gleiche gilt auch für Unternehmen: interne und externe Daten über Kunden müssen gesammelt, aufbereitet und für die folgenden Analyseschritte zugänglich gemacht werden.

2. Warum ist es passiert? (Diagnose/Diagnostic Analytics) Im Anschluss an die Datensammlung geht es an die Untersuchung der Daten. Learning Analytics-Daten weisen zwar nicht die klassischen vier V von Big Data auf (Gartners Volume, Velocity, Variety sowie niedrige Veracity). Trotzdem lohnt sich der Einsatz von Methoden aus dem Bereich der Künstlichen Intelligenz (dazu später mehr), denn es gibt viele mögliche Erklärungsfaktoren für den Lernerfolg von Studierenden. Genau wie für Unternehmen gilt auch hier: je umfangreicher der Datensatz und je flexibler die Methode, desto genauer die Erkenntnisse.

Im dritten und vierten Schritt geht es um die Zukunft:

1. Was wird passieren? (Vorhersage/Predictive Analytics) Sind die Zusammenhänge zwischen den Einflussfaktoren und dem Lernerfolg erfasst, kann es an die Vorhersage gehen. Wie durchfallgefährdet ist ein bestimmter Studierender? Oder für Unternehmen: Wie zufrieden ist ein bestimmter Kunde? Diese Antworten können Hochschulen und Unternehmen aus den Diagnose-Ergebnissen im zweiten Schritt ableiten. Doch Vorsicht: unterschiedliche Analysemethoden können für den gleichen "Kunden" ganz unterschiedliche Ergebnisse liefern. Daher gehört eine Robustheits-Analyse unbedingt zur Vorhersage.

2. Wie sollen wir handeln? (Empfehlung/Prescriptive Analytics) Dieser letzte Schritt ist die Königsdisziplin, denn sie leitet aus den vorhergehenden Analysen Handlungsempfehlungen ab. Durch Optimierungsmethoden oder Simulationen können Hochschulen ermitteln, wie sich eine Änderung des aktuellen Vorgehens auf den Lernerfolg auswirkt. Und Unternehmen: Anstatt über die Wirksamkeit bestimmter Aktionen zu spekulieren, können sie deren Konsequenzen präzise einschätzen.

An KI führt kein Weg vorbei

Die riesigen Datenmengen, die Hochschulen durch personalisiertes Lernen zur Verfügung stehen und die die Basis der vier skizzierten Schritte bilden, können natürlich nicht mehr manuell ausgewertet werden. Um aus den Daten Informationen über die Einflussgrößen für den Lernerfolg zu ziehen, kommen zunehmend Methoden aus Künstlicher Intelligenz (KI), Machine Learning (ML) und Deep Learning (DL) zum Einsatz. Doch was steckt hinter diesen Schlagwörtern?

Was brauchen Hochschulen, wovon profitieren Unternehmen tatsächlich? In seiner umfassenden Übersicht zur KI-Entwicklung "The Quest for Artificial Intelligence" schreibt KI- und Robotik-Pionier Nils John Nilsson, dass KI Maschinen intelligent machen soll und ihnen somit erlaubt, in ihrer Umgebung angemessen und vorausschauend zu funktionieren. Im einfachsten Fall kann das durch eine feste Regel passieren: Fällt ein Studierender durch den Probetest, bekommt er die Lerninhalte nochmal präsentiert. Oder: Steht die Vertragsverlängerung eines Kunden an, bekommt er Angebote zugeschickt. Aber welche Lerninhalte sind für welchen Studierenden besonders hilfreich, welche Angebote interessieren welchen Kunden?

Hier kommt Machine Learning ins Spiel. Dabei handelt es sich um statistische Methoden, mit deren Hilfe Maschinen aus Daten lernen können. Im Kern geht es darum, dass die fest vorgegebene Regel durch einen Datensatz ersetzt wird, an dem die Maschine mehr oder weniger selbständig lernen kann. Im überwachtem Lernen ("Supervised Learning") kann der Algorithmus auf eine Datenbank zugreifen, die die relevante Kategorisierung erfolgversprechend/nutzlos für jede einzelne Konstellation gleich mitliefert. Beim unüberwachten Lernen ("Unsupervised Learning") hingegen muss der Computer ohne vorgegebene Klassifikation auffällige Muster erkennen.

Algorithmen erfassen genaues Verhalten

Deep Learning ist eine Methode des ML, die sich an der Struktur des menschlichen Gehirns orientiert: Daten werden nicht direkt mit dem Ergebnis in Zusammenhang gesetzt. Stattdessen werden in vielen Einzelschichten jeweils unterschiedliche Informationen aus den Daten extrahiert, an die nächste Schicht weitergeleitet, dort weiterverarbeitet und erst ganz zum Schluss mit dem beobachteten Ergebnis in Beziehung gesetzt.

Das ist weniger kompliziert als es klingt: Für Studierende könnte beispielsweise im ersten Schritt erfasst werden, wie lange ein Studierender sich mit bestimmten Lernmaterialien beschäftigt hat. In den nächsten Schritten wird dann unterschieden, ob die Interaktion nur einmal oder wiederholt stattfand und direkt vor der Prüfung oder mit längerem Vorlauf. DL-Algorithmen können Studierende und Kunden in (fast) allen Facetten ihres Verhaltens erfassen und so den optimalen Verlaufspfad vorschlagen. Auch wenn der Einsatz von DL heute noch an vielen Hochschulen und Unternehmen Zukunftsmusik ist - das Potential ist enorm.

Im technischen Bereich liegen die Challenges vor allem im Bereich der Datenquellen und der notwendigen Ressourcen für die Analysen. Für Hochschulen ist ein umfassendes LMS ein erfolgversprechender Ansatz, das Datensilos oder Insellösungen vermeidet. Auch Unternehmen müssen auf integrative Ansätze setzen, um den gesamten Schatz der vorliegenden Daten heben zu können. Doch auch der besten Datensatz hilft nichts, wenn Ressourcen und Fähigkeiten zur Datenanalyse fehlen. Die Cloud bietet Rechenpower und Speicherplatz, und eine offene Architektur der eingesetzten Anwendung sowie eine große Nutzer-Community bieten Zugang zu Lösungen und Kompetenzen.

Rechenpower kommt aus der Cloud

Datenschutz und EU-DSGVO sind in aller Munde - und natürlich muss jede Analytics-Strategie die Datenschutzbestimmungen berücksichtigen. Beispielsweise muss die Datenspeicherung auch in der Cloud rechtskonform sein. Doch was in der technischen Umsetzung einfach aussieht, ist im Detail viel komplexer. Das Recht auf informationelle Selbstbestimmung gibt Studierenden genau wie Kunden die Hoheit über die eigenen Daten. Doch wem gehören die Daten, die während des Analytics-Prozess entstehen? Studierende beziehungsweise Kunden und Hochschulen beziehungsweise Unternehmen "produzieren" die Erkenntnisse gemeinsam.

Wer darf also wann und wie lange darauf zugreifen, was passiert beispielsweise nach dem Studienabschluss oder nach dem Ende einer Vertragsbeziehung mit den Daten? Auch darüber hinaus können Analytics-Prozesse zu ethischen Problemen führen. Angeblich treffen Algorithmen Entscheidungen nur auf Basis objektiv überprüfbarer Fakten. Aktuelle Untersuchungen zeigen jedoch: Algorithmen übernehmen die Vorurteile ihrer menschlichen Vorbilder. Mit dem falschen Vornamen gehen Versicherungsprämien rauf, und vielleicht werden auch Studierende mit der falschen Wohnadresse bei der Zulassung zu bestimmten Studiengängen benachteiligt.

Klares Bekenntnis zum Datenschutz

Wenn Data Analytics echte Auswirkungen haben und zu datenbasierten Entscheidungsmodellen führen soll, muss es als strategische Aufgabe betrachtet werden. Damit spielen Führung und Kultur eine zentrale Rolle bei der erfolgreichen Umsetzung. Im ersten Schritt steht die Entwicklung von Data Literacy im Fokus: Alle Beteiligten (Mitarbeiter und Studierenden beziehungsweise Kunden) müssen verstehen, welche Daten erhoben werden und was mit ihnen passiert.

Im zweiten Schritt müssen Prozesse entwickelt werden, die die Sorgen der verschiedenen Gruppen berücksichtigen: Studierende wollen nicht, dass ihnen jedes schlechte Zwischenergebnis und jede verpatzte Prüfung ewig nachhängt. Und Kunden wollen über den Einsatz ihrer Daten selbst bestimmen können. Hier hilft das Aufzeigen der Vorteile durch Analytics, volle Transparenz und ein klares Bekenntnis zum Datenschutz nach EU-DSGVO: Speicherung nur bei jederzeit widerrufbarem Opt-In. Mitarbeiter fürchten vielleicht, sich selbst überflüssig zu machen und in ihren Freiheiten eingeschränkt zu werden.

Doch ganz im Gegenteil kann Analytics Freiräume schaffen und helfen, sich auf effektive Maßnahmen zu konzentrieren. Kurzum: Ohne angemessene interne Prozesse, Berücksichtigung der Interessen aller Beteiligten und eine klare Verankerung in der Kultur sind datenbasierte Entscheidungsmodelle nicht umsetzbar.

Fazit: Data Analytics hilft Unternehmen, bessere Entscheidungen zu treffen und im Wettbewerb zu punkten. Um den nachhaltigen Unternehmenserfolg zu sichern, muss aber der Kunde und nicht das Unternehmen selbst im Mittelpunkt stehen. Deshalb können Unternehmen bei der Einführung und Umsetzung von Data Analytics von Hochschulen lernen: Learning Analytics stellt den Erfolg der Studierenden ins Zentrum der Strategie, des Vorgehens und der Methoden.