详细内容或原文请订阅后点击阅览
为什么 L&D 团队坐拥他们从未使用过的数据金矿
大多数学习与发展团队都会收集大量学习者数据，但会根据完成率和调查分数做出决策。本文详细介绍了这些数据未被使用的原因、对话式 AI 分析如何改变访问模型，以及它对于如何设计、衡量和改进培训意味着什么。这篇文章首次发表在 eLearning Industry 上。
来源:eLearning行业 | 在线教育博客L&D 数据访问问题已解决
询问任何 L&D 专业人员他们跟踪哪些指标，您都会听到相同的答案：完成率、评估分数和培训后满意度调查。当问他们这些数字是否真的告诉他们学习是否发生了，或者是否会转移到工作中时，谈话很快就会变得不舒服。
企业学习中并不缺乏数据问题。学习管理系统 (LMS)、绩效平台和 HRIS 工具每天都会生成大量数据。问题是访问。大多数数据都锁定在需要数据分析师进行查询、需要商业智能 (BI) 仪表板进行可视化或需要 IT 票据进行检索的系统中。当 L&D 团队得到答案时，该计划已经运行，队列已经继续前进，并且纠正方向的窗口已经关闭。结果是，这个职业数据丰富，洞察力却匮乏，并且根据员工是否点击“完成”来做出数百万美元的培训决策。
我们依赖的指标是代理，而不是证据
完成率衡量的是访问情况，而不是学习情况。评估分数衡量的是人工条件下的回忆，而不是工作中的应用。满意度调查衡量员工对体验的感受，而不是体验是否改变了他们的行为。这些都没有什么用处。但他们都没有回答对企业真正重要的问题：
为什么学习数据未被使用：访问问题，而不是数据问题
这造成了结构性差距。想要了解为什么特定群体在培训后评估中表现不佳的 L&D 专业人员需要：