कैसे अपने मास्टरक्लास सामग्री में सुधार करने के लिए एनालिटिक्स का उपयोग करें

ऑनलाइन शिक्षा के प्रतिस्पर्धी परिदृश्य में, एक मास्टरक्लास बनाना जो वास्तव में शिक्षार्थियों के साथ अनुनादित करता है, केवल महान विषय की विशेषज्ञता से अधिक की आवश्यकता होती है। यह एक डेटा-संचालित दृष्टिकोण की मांग करता है जो कच्चे संख्या को क्रियाशील अंतर्दृष्टि में बदल देता है। एनालिटिक्स आपके दर्शकों के दिमाग में एक खिड़की प्रदान करते हैं, न केवल वे जो क्लिक करते हैं बल्कि वे कैसे महसूस करते हैं, जहां वे संघर्ष करते हैं, और जब वे असंतुलन करते हैं। इन पैटर्नों का व्यवस्थित रूप से विश्लेषण करके, आप अपनी सामग्री वितरण को परिष्कृत कर सकते हैं, शिक्षार्थियों के परिणामों को अनुकूलित कर सकते हैं, और एक मास्टरक्लास का निर्माण कर सकते हैं जो एक भीड़दार बाजार में खड़ा है।

क्यों एनालिटिक्स आपके मास्टरक्लास के लिए कम्पास हैं

गुट भावनाओं और anecdotal प्रतिक्रिया केवल आपको अब तक ले सकती है। एनालिटिक्स सबूतों के साथ धारणाओं को प्रतिस्थापित करते हैं, जिससे आप निर्णय लेने में सक्षम होते हैं जो वास्तविक उपयोगकर्ता व्यवहार द्वारा समर्थित होते हैं। इनट्यूशन से अंतर्दृष्टि तक यह बदलाव यह है कि असाधारण सीखने के अनुभवों से औसत पाठ्यक्रम को अलग करता है। जब आप एनालिटिक्स को प्रभावी ढंग से लाभ उठाते हैं, तो आप कर सकते हैं:

• उच्च प्रभाव वाले पाठों की पहचान करें: निर्धारित करें कि कौन से मॉड्यूल सबसे अधिक सगाई, पूरा करने और सकारात्मक प्रतिक्रिया उत्पन्न करते हैं, फिर किस काम पर डबल डाउन करते हैं।
• Rescue संघर्ष अनुभाग: पिनपॉइंट सटीक क्षण जहां शिक्षार्थियों को खराब तरीके से छोड़ दें या स्कोर करें, जिससे आप लक्षित सुधारों के साथ हस्तक्षेप करने की अनुमति दें।
• ]अपने दर्शकों को बताएं: यह समझें कि कैसे अलग-अलग शिक्षार्थी समूह - शुरुआती, उन्नत छात्र, कॉर्पोरेट टीम - अलग-अलग अपनी सामग्री के साथ बातचीत करते हैं, और तदनुसार अपने दृष्टिकोण को दर्ज करते हैं।
• Validate सामग्री निर्णय: उन्हें मोटे तौर पर बाहर रोलिंग से पहले नए प्रारूपों, लंबाई या शिक्षण शैलियों की प्रभावशीलता का परीक्षण करें।
• निवेश पर ब्याज वापसी:] अपने मास्टरक्लास के मूल्य को प्रदर्शित करने के लिए पूरा होने की दरों, संतुष्टि स्कोर और रेफरल व्यवहार जैसे ट्रैक मेट्रिक्स।

उदाहरण के लिए, डिजिटल मार्केटिंग पर एक मास्टरक्लास एनालिटिक्स के माध्यम से खोज सकता है जो शिक्षार्थियों ने एसईओ मूल सिद्धांतों पर लगातार अनुभाग को फिर से देख लिया लेकिन भुगतान विज्ञापन पर वीडियो से आगे बढ़ना। यह पैटर्न बताता है कि एसईओ सामग्री अच्छी तरह से प्राप्त है लेकिन पूरक संसाधनों की आवश्यकता हो सकती है, जबकि विज्ञापन मॉड्यूल दर्शकों को भ्रमित या अप्रासंगिक हो सकता है। डेटा के बिना, ऐसी अंतर्दृष्टि छिपी हुई रहती है।

मास्टरक्लास सफलता के लिए मैटर

सभी डेटा बिंदु समान रूप से मूल्यवान नहीं हैं। सही मीट्रिक पर ध्यान केंद्रित करने से आप विश्लेषण पैरालिसिस और एक्शनेबल संकेतों पर शून्य से बचने में मदद मिलती है। यहां महत्वपूर्ण संकेतकों में एक गहरा रूप है, हर मास्टरक्लास निर्माता को ट्रैक करना चाहिए:

पूर्णता दर और ड्रॉप-ऑफ अंक

पूर्णता दर उन शिक्षार्थियों के प्रतिशत को मापती है जो आपके पूरे पाठ्यक्रम या व्यक्तिगत पाठ को समाप्त करते हैं। एक कम समग्र पूर्णता दर अक्सर संरचनात्मक मुद्दों पर इंगित करती है: सामग्री जो बहुत लंबे, बहुत मुश्किल है, या स्पष्ट प्रगति में कमी है। ड्रॉप-ऑफ पॉइंट्स भी अधिक दानेदार हैं - वे सटीक दूसरे या स्लाइड दिखाते हैं जहां एक उपयोगकर्ता निकास होता है। वीडियो सामग्री के लिए, यह हीटमैप के माध्यम से देखा जा सकता है जो बताता है कि कौन से क्षण फिर से देख या छोड़ दिए जाते हैं। उदाहरण के लिए, 15 मिनट के वीडियो के 10 मिनट के निशान पर एक ड्रॉप-ऑफ स्पाइक आपको ध्यान खो सकता है, जिससे सेगमेंट को छोटे टुकड़ों में संपादित या तोड़ने की आवश्यकता होती है।

सगाई का समय और ध्यान पैटर्न

इसके अलावा क्या शिक्षार्थी एक सबक खत्म करते हैं, सगाई का समय आपको बताता है कि वे कितनी गहराई से बातचीत करते हैं। क्या वे पूर्ण रूप से वीडियो देख रहे हैं? क्या वे पूरक सामग्री पर अतिरिक्त मिनट खर्च करते हैं? जैसे कि विशिया और विमेओ ऐसे उपकरण विस्तृत सगाई ग्राफ प्रदान करते हैं जो दर्शकों के ध्यान में चोटी और घाटियों को दिखाते हैं। एक सबक पर एक छोटी औसत दृश्य अवधि जो एक कोर अवधारणा को कवर करती है, वह संकेत दे सकती है कि शिक्षार्थी पहले से ही विषय को जानते हैं - या कि आपका स्पष्टीकरण बहुत घनी है। गुणात्मक प्रतिक्रिया के साथ इस मीट्रिक को जोड़ीकर आपको कारण को समझने में मदद करता है।

प्रश्नोत्तरी और आकलन स्कोर

Quzes सिर्फ ग्रेडिंग के लिए नहीं हैं; वे नैदानिक उपकरण हैं। यदि आपके दर्शकों का एक महत्वपूर्ण हिस्सा किसी दिए गए मॉड्यूल पर 70% से कम स्कोर करता है, तो यह स्पष्ट संकेत है कि सामग्री को स्पष्टीकरण या पुनर्गठन की आवश्यकता होती है। गलत उत्तरों में पैटर्न की तलाश करें: शिक्षार्थियों को लगातार एक विशेष शब्द या अवधारणा को गलत तरीके से समझने के लिए? इस डेटा का उपयोग अपने स्पष्टीकरण को संशोधित करने, उदाहरण जोड़ने या एक समर्पित समीक्षा अनुभाग बनाने के लिए करें। इसके विपरीत, स्कोर जो बोर्ड भर में बहुत अधिक हैं, वे संकेत दे सकते हैं कि आपके आकलन बहुत आसान हैं, पर्याप्त रूप से शिक्षार्थियों को चुनौती देने में विफल रहे हैं।

गुणात्मक प्रतिक्रिया और संवेदन विश्लेषण

क्वांटिटेटिव डेटा आपको बताता है कि क्या हो रहा है, लेकिन गुणात्मक प्रतिक्रिया बताती है कि क्यों। सर्वेक्षण प्रतिक्रियाएं, चर्चा मंच पोस्ट, और प्रत्यक्ष ईमेल टिप्पणियां संदर्भ प्रदान करती हैं कि केवल संख्याओं को पकड़ नहीं सकता है। उदाहरण के लिए, एक कम पूर्णता दर "ऑडियो गुणवत्ता खराब थी" या "छीलने वाले को चोट लग गई" जैसी टिप्पणियों के साथ हो सकती है। भावनाओं विश्लेषण उपकरण (जैसे, सर्वेक्षण प्रतिक्रियाओं या चैट लॉग पर) का उपयोग करके आप पैमाने पर प्रतिक्रिया को वर्गीकृत करने में मदद कर सकते हैं, जैसे कि तकनीकी मुद्दों, सामग्री अंतराल, या विशिष्ट प्रशिक्षकों के लिए प्रशंसा।

डिवाइस, स्थान, और एक्सेस पैटर्न

यह जानने के लिए कि कैसे और कहाँ आपके शिक्षार्थियों को अपने मास्टरक्लास को एक्सेस करने के लिए सामग्री डिजाइन और तकनीकी वितरण दोनों को प्रभावित करता है। मोबाइल उपकरणों पर अधिकांश उपयोगकर्ता हैं? फिर आपको यह सुनिश्चित करने की आवश्यकता है कि आपके वीडियो मोबाइल-अनुकूल हैं, कैप्शन वैध हैं, और टचस्क्रीन पर काम करते हैं। भौगोलिक डेटा को लाइव सत्रों या समय क्षेत्र के लिए सह-आधारित पाठ्यक्रमों के लिए विचार करने की अनुमति दी जा सकती है। इसके अतिरिक्त, एक्सेस पैटर्न पर नज़र रखने के लिए - जैसे कि सप्ताह के दिन या दिन का समय-समय पर - आपको यह समझने में मदद करता है कि शिक्षार्थी सबसे ग्रहणशील होते हैं, जिससे आपको समय ईमेल याद दिलाने वालों या अधिकतम उपस्थिति के लिए लाइव क्यू एंड ए सत्र की अनुमति मिलती है।

एक अधिक व्यापक गाइड के लिए जिस पर मेट्रिक्स को प्राथमिकता दी जाती है, क्लास सेंट्रल रिपोर्ट हजारों ऑनलाइन पाठ्यक्रमों से बेंचमार्क प्रदान करता है, और Thinkific's blog on course metrics रचनाकारों के लिए कार्रवाई योग्य सलाह प्रदान करता है।

कैसे अपने मास्टरक्लास के लिए एनालिटिक्स को इकट्ठा करने के लिए

आपके द्वारा उपयोग किए जाने वाले उपकरण आपके डेटा की गहराई और गुणवत्ता को आकार देंगे। नीचे विभिन्न संग्रह विधियों पर एक विस्तारित नज़र है और उनमें से सबसे अधिक कैसे प्राप्त करें।

लर्निंग मैनेजमेंट सिस्टम (LMS)

सबसे लोकप्रिय LMS प्लेटफॉर्म-शिक्षित, सोची, काजाबी और LearnWorlds-निर्मित विश्लेषण डैशबोर्ड के साथ आते हैं। ये आम तौर पर कुल पाठ्यक्रम पूरा होने की दर, पाठ-विशिष्ट प्रगति, प्रश्नोत्तरी स्कोर और कभी-कभी प्रति पृष्ठ खर्च करते हैं। हालांकि, मूल विश्लेषण सीमित हो सकता है। गहरी खुदाई करने के लिए, कच्चे डेटा निर्यात करने या एपीआई एकीकरण का उपयोग करके डेटा को कस्टम विश्लेषण डैशबोर्ड में फीड करने के लिए विचार करें। उदाहरण के लिए, Directus]] के साथ, आप अपने LMS डेटा को हेडलेस CMS से जोड़ सकते हैं, जो एक लूप आधारित सामग्री प्रदर्शन पर एक प्रतिक्रिया बनाने के लिए स्वचालित रूप से व्यवहार के साथ डेटा को अपडेट करता है।

वीडियो होस्टिंग प्लेटफॉर्म

यदि आपका मास्टरक्लास वीडियो पर भारी निर्भर करता है, तो Wistia, Vimeo जैसे प्लेटफॉर्म, और यूट्यूब समृद्ध सगाई विश्लेषण प्रदान करते हैं। Wistia के "heatmaps" बिल्कुल दिखाते हैं जहां दर्शक रिवाइंड, रोकें, या छोड़ते हैं। Vimeo "attention span" graph प्रदान करता है जो बेंचमार्क के खिलाफ आपके वीडियो के प्रदर्शन की तुलना करते हैं। यूट्यूब के विश्लेषण में दर्शकों की अवधारण और वास्तविक समय की सगाई शामिल है। इन उपकरणों का उपयोग न केवल ड्रॉप-ऑफ पॉइंट की पहचान करने के लिए किया जाता है बल्कि यह भी कि दृश्य तत्व (जैसे, स्लाइड, प्रदर्शन, बात करने वाले प्रमुख) लंबे समय तक ध्यान रखते हैं। अधिक उन्नत विश्लेषण के लिए, API के माध्यम से वीडियो विश्लेषण को एम्बेड करने पर विचार करें।

वेबसाइट एनालिटिक्स (Google Analytics)

मास्टरक्लास के लिए एक कस्टम वेबसाइट या लैंडिंग पृष्ठ पर होस्ट किया गया है, Google Analytics अनिवार्य है। विशिष्ट कार्यों को कैप्चर करने के लिए इवेंट ट्रैकिंग सेट करें: वीडियो नाटकों, प्रश्नोत्तरी शुरू, डाउनलोड क्लिक और प्रस्तुतियाँ फॉर्म करें। अपने विपणन अभियानों की प्रभावशीलता को ट्रैक करने के लिए UTM पैरामीटर का उपयोग करें। इसके अलावा, Google Analytics की कोहोर्ट विश्लेषण सुविधा आपको यह देखने देती है कि किस तरह सीखने वालों के समूह जो उसी समय आगे बढ़े थे, यह पता चलता है कि हाल के बदलावों में सामग्री को बनाए रखने में सुधार कर रहे हैं। उन्नत उपयोगकर्ता Google Analytics 4 के लिए घटनाओं को धक्का दे सकते हैं और कस्टम रिपोर्ट बना सकते हैं जो कोर्स सगाई के साथ उपयोगकर्ता जनसांख्यिकीय को मर्ज कर सकते हैं।

सर्वेक्षण उपकरण

सर्वेक्षण शिक्षार्थी धारणा के लिए एक सीधी रेखा है। प्रत्येक मॉड्यूल के बाद या पाठ्यक्रम पूरा होने के बाद प्रतिक्रिया एकत्र करने के लिए सर्वेमोनकी, टाइपफॉर्म या गूगल फॉर्म जैसे उपकरणों का उपयोग करें। नेट प्रमोटर स्कोर (NPS) सर्वेक्षण विशेष रूप से समग्र संतुष्टि और सिफारिश की संभावना को मापने के लिए उपयोगी हैं। अपने मास्टरक्लास प्लेटफॉर्म के अंदर सर्वेक्षण लिंक एम्बेड करें या उन्हें ईमेल स्वचालन के माध्यम से भेजें। प्रतिक्रिया दरों में वृद्धि करने के लिए, सर्वेक्षणों को शॉर्ट (3-5 प्रश्न) रखें और भविष्य के पाठ्यक्रमों पर मुफ्त संसाधन या छूट जैसे प्रोत्साहन प्रदान करें। अधिक निष्क्रिय दृष्टिकोण के लिए, प्रत्येक पाठ के अंत में इन-प्लेटफॉर्म रेटिंग विजेट (जैसे, सितारों या अंगूठे / नीचे) को एकीकृत करें।

डायरेक्टस और मॉडर्न डेटा स्टैक के साथ कस्टम एनालिटिक्स

जो रचनाकारों के लिए परम नियंत्रण चाहते हैं, एक कस्टम एनालिटिक्स पाइपलाइन का निर्माण शक्तिशाली हो सकता है। डायरेक्टस जैसे हेडलेस सीएमएस का उपयोग करके, आप सभी शिक्षार्थियों को संरचित डेटाबेस में डेटा स्टोर कर सकते हैं, फिर इसे मेटाबेस या टेबलाऊ जैसे दृश्यकरण टूल से जोड़ सकते हैं। यह आपको कस्टम डैशबोर्ड बनाने की अनुमति देता है जो सर्वेक्षण प्रतिक्रियाओं, समर्थन टिकटों और यहां तक कि सोशल मीडिया के उल्लेखों के साथ प्रगति डेटा को जोड़ती है। इसके अलावा, आप सीमाओं के आधार पर कार्यों को स्वचालित कर सकते हैं: यदि एक सबक की ड्रॉप-ऑफ दर 40% से अधिक है, तो एक चेतावनी एक सामग्री समीक्षा कार्य को ट्रिगर करती है। यह दृष्टिकोण विशेष रूप से बड़े पैमाने पर मास्टरक्लास प्लेटफार्मों या उद्यम प्रशिक्षण कार्यक्रमों के लिए मूल्यवान है।

डेटा को सामग्री सुधार में कैसे अनुवाद करें

डेटा एकत्र करना केवल लड़ाई का आधा हिस्सा है। वास्तविक मूल्य आपके निष्कर्षों पर अभिनय करने में निहित है। अपने मास्टरक्लास के लिए अमूर्त वृद्धि में विश्लेषणात्मक बदलाव लाने के लिए इन चरणों का पालन करें।

चरण 1: संदर्भ के साथ सगाई पैटर्न का विश्लेषण करें

उच्च स्तरीय रुझानों के लिए अपने विश्लेषणात्मक डैशबोर्ड की समीक्षा करके शुरू करें। कौन से मॉड्यूल की उच्चतम पूर्णता दर है? कौन से वीडियो सबसे लंबे औसत दृश्य अवधि दिखाते हैं? कौन से सबक सबसे अधिक चर्चा मंच गतिविधि उत्पन्न करते हैं? लेकिन सतह के स्तर की संख्या पर रुक नहीं है। हमेशा "why" को गुणात्मक डेटा के साथ क्रॉस-रिफरेंसिंग द्वारा पूछते हैं। उदाहरण के लिए, यदि "उन्नत कैलकुलस" पर एक सबक उच्च सगाई है लेकिन कम प्रश्नोत्तरी स्कोर, शिक्षार्थियों को जिज्ञासा से बाहर देख सकते हैं लेकिन कोर अवधारणाओं को समझने में विफल हो सकते हैं - अधिक अभ्यास समस्याओं या चरण-दर-चरण ब्रेकडाउन की आवश्यकता को भूलने के लिए।

चरण 2: विशिष्ट समस्या क्षेत्रों की पहचान करें

कमजोर स्पॉट खोजने के लिए डेटा में नीचे ड्रिल करें 60% से नीचे की पूरी दर के साथ सबक देखें, एक वीडियो की पहली तिमाही में 70% से अधिक अंक हासिल करने वाले प्रश्नोत्तरी स्कोर या उच्च ड्रॉप-ऑफ अंक प्राप्त करें। यह देखने के लिए हीटमैप का उपयोग करें कि क्या एक सामान्य क्षण है जहां शिक्षार्थी जमानत। पाठ आधारित सामग्री के लिए, स्क्रॉल मैप्स या टाइम-ऑन-पेज मीट्रिक की समीक्षा करें। पहले पते पर उनके प्रभाव से पहले शीर्ष 5-10 समस्या क्षेत्रों की "गर्म सूची" बनाएं।

चरण 3: शिक्षार्थियों से इकट्ठा प्रासंगिक प्रतिक्रिया

डेटा एक समस्या को इंगित कर सकता है लेकिन हमेशा मूल कारण नहीं। उन शिक्षार्थियों तक पहुंचें जो खराब रूप से गिर गए या स्कोर किए गए थे। उस पाठ के बारे में विशिष्ट प्रश्नों को पूछने वाला एक छोटा ईमेल या सर्वेक्षण भेजें: क्या यह बहुत लंबा था? बहुत तेजी से? भ्रमित? मिसिंग पूर्वापेक्षा? यह प्रत्यक्ष प्रतिक्रिया अक्सर उन मुद्दों को उजागर करती है जो अकेले विश्लेषण नहीं कर सकती हैं, जैसे कि अस्पष्ट निर्देश या तकनीकी ग्लिच। इसके अलावा, उच्च प्रदर्शन वाले शिक्षार्थियों को यह समझने के लिए कि किस ने उनके लिए सामग्री क्लिक किया - आप कहीं और प्रतिकृति कर सकते हैं।

चरण 4: लक्षित सामग्री समायोजन को लागू करें

अपने विश्लेषण के आधार पर, ध्यान केंद्रित परिवर्तन करें। आम समायोजन में शामिल हैं:

• ]Break up long videos: स्प्लिट 20 मिनट व्याख्यान 5-7 मिनट खंडों में, प्रत्येक एक स्पष्ट सीखने के उद्देश्य के साथ।
• ]इंटरेक्टिव तत्वों को जोड़ें: पुनः प्रयास शिक्षार्थियों के लिए ज्ञात ड्रॉप-ऑफ बिंदुओं पर क्विज़, पोल या प्रतिबिंब संकेत डालें।
• ]Improve स्पष्टीकरण: अम्ब्रिटिक मार्गों को फिर से लिखना, वास्तविक दुनिया के उदाहरणों को जोड़ना, या कठिन अवधारणाओं के लिए पूरक PDF बनाना।
• ]Adjust pacing: गति को बढ़ाने या वितरण को धीमा करने के लिए कितनी जल्दी सीखने वाले आकलन के लिए जवाब दे रहे हैं।
• अपग्रेड उत्पादन गुणवत्ता: यदि एनालिटिक्स खराब ऑडियो सेक्शन के बाद ड्रॉप-ऑफ दिखाते हैं, तो फिर से रिकॉर्ड करें कि बेहतर उपकरण के साथ उस हिस्से को।
• ]एक से अधिक सीखने वाले पथ प्रदान करें: उन्नत शिक्षार्थियों के लिए वैकल्पिक गहरी गोता लगाने के लिए विभाजन डेटा का उपयोग करें जबकि शुरुआती लोगों के लिए कोर पथ को सुलभ बनाए रखें।

स्टेप 5: अपने बदलाव के प्रभाव की निगरानी करें

समायोजन को लागू करने के बाद, डेटा इकट्ठा करने के लिए पर्याप्त समय देने के लिए (उदाहरण के लिए, दो सप्ताह या 100 नए शिक्षार्थियों)। फिर परिवर्तन से पहले और बाद में प्रमुख मीट्रिक की तुलना करें। पूर्णता दर में सुधार हुआ? प्रश्नोत्तरी स्कोर बढ़ गया? ड्रॉप-ऑफ अंक शिफ्ट हो गए? यदि संभव हो तो A / B परीक्षण का उपयोग करें: नए शिक्षार्थियों के एक हिस्से और दूसरे के लिए संशोधित संस्करण को प्रदर्शित करें, फिर तुलना करें। यह वैज्ञानिक दृष्टिकोण मान्य है कि आपका परिवर्तन वास्तव में प्रभावी हैं, न केवल संयोगात्मक है।

चरण 6: अपने दर्शकों को टेलरेड एक्सपीरियंस के लिए सेगमेंट करें

एनालिटिक्स अलग शिक्षार्थी खंडों को प्रकट कर सकता है: कॉर्पोरेट समूह जो काम के समय तक पहुंचते हैं, शौकियों जो सप्ताहांत पर देखते हैं, या छात्र जो वीडियो पर टेक्स्ट पसंद करते हैं। इस डेटा का उपयोग सामग्री वितरण को व्यक्तिगत बनाने के लिए करें। उदाहरण के लिए, उन लोगों को पूरक पढ़ने के साथ ईमेल फॉलो-अप भेजें जो आपके वीडियो पाठ पर कम समय बिताते हैं। या शिक्षार्थियों के लिए एक अलग "एक त्वरित ट्रैक" बनाएं जो लगातार 90%+ प्रश्नोत्तरी पर स्कोर करते हैं। विभाजन न केवल सगाई में सुधार करता है बल्कि व्यक्तिगत सीखने की भावना को भी बढ़ावा देता है, जो प्रतिधारण और मुंह के संदर्भों को बढ़ा सकता है।

उन्नत एनालिटिक्स: गोइंग बेयोन्ड बेसिक मैट्रिक्स

एक बार जब आपने मूलभूत सिद्धांतों को हासिल किया है, तो उन्नत विश्लेषणात्मक तकनीकों का पता लगाने के लिए भी गहन अंतर्दृष्टि प्राप्त करें।

Cohort Analysis

वे नामांकित तारीख से समूह शिक्षार्थियों, फिर समय के साथ अपने व्यवहार की तुलना करते हैं। इससे आपको पता चलता है कि आपके पाठ्यक्रम के लैंडिंग पृष्ठ, मूल्य निर्धारण या सामग्री संरचना में हाल के बदलाव एक अलग तरह के शिक्षार्थी को आकर्षित कर रहे हैं- जो अलग-अलग तरीके से जुड़ सकते हैं। उदाहरण के लिए, एक बड़े सामग्री के ओवरहाल के बाद साइन अप करने वाले शिक्षार्थियों की एक सहसंधि उच्च पूर्णता दर दिखा सकती है, जो आपकी अद्यतन की प्रभावशीलता की पुष्टि करती है।

प्रिडिकेटिव एनालिटिक्स एंड अर्ली चेतावनी प्रणाली

मशीन लर्निंग मॉडल (यहां तक कि सरल) का उपयोग करके आप भविष्यवाणी कर सकते हैं कि कौन से शिक्षार्थियों को शुरुआती सगाई डेटा के आधार पर छोड़ने का जोखिम होता है- जैसे कि पहले सप्ताह में कम वीडियो पूरा होने। स्वचालित अलर्ट तब प्रशिक्षक से व्यक्तिगत ईमेल या एक अध्ययन समूह में शामिल होने के लिए एक नौजवान को पसंद नहीं कर सकते। ऐसी प्रणाली का निर्माण एक उपकरण के साथ एकीकरण की आवश्यकता हो सकती है जैसे डायरेक्टस एक सरल पायथन स्क्रिप्ट के साथ संयुक्त, लेकिन यहां तक कि मैन्युअल हस्तक्षेप अंगूठे के नियम के आधार पर (जैसे, "यदि उपयोगकर्ता ने 5 दिनों तक लॉग इन नहीं किया है, तो याद दिलाने वाला भेज सकते हैं) प्रभावी हो सकता है।

शिक्षार्थी टिप्पणियों पर प्राकृतिक भाषा प्रसंस्करण (एनएलपी)

यदि आपके पाठ्यक्रम में एक चर्चा मंच या टिप्पणी अनुभाग है, तो एनएलपी शिक्षार्थी पदों के भावनाओं और विषयों का विश्लेषण कर सकता है। इससे पहले कि यह प्रश्नोत्तरी स्कोर में दिखाई देता है, या सतह सकारात्मक प्रतिक्रियाओं को उजागर कर सकता है जिसे आप विपणन सामग्री में उजागर कर सकते हैं। MonkeyLearn या यहां तक कि पाइथन में VADER का मुफ्त संस्करण भी स्केल पर टेक्स्ट को प्रोसेस कर सकता है। अधिकांश रचनाकारों के लिए, एक सरल दृष्टिकोण मैन्युअल रूप से प्रत्येक सप्ताह टिप्पणियों का एक नमूना टैग करना और पैटर्न के लिए देखना है।

एनालिटिक्स का उपयोग करते समय आम पिटफॉल से बचने के लिए

सबसे अच्छे इरादे के साथ भी, निर्माता अक्सर उन जालों में आते हैं जो एनालिटिक्स के मूल्य को कम करते हैं।

• Vanity metrics: सगाई या पूरा होने पर विचार किए बिना विचार या संकेत-अप को स्पष्ट करना सफलता की झूठी भावना दे सकता है। ऐसे मीट्रिक पर ध्यान दें जो सीखने के परिणामों से संबंध रखते हैं।
• ]छोटे नमूना आकार की पहचान: केवल एक मुट्ठी भर शिक्षार्थियों से डेटा के आधार पर बड़ी सामग्री परिवर्तन करना अतिसंचालन का कारण बन सकता है। जब तक आप सांख्यिकीय रूप से सार्थक डेटा (कम से कम 30-50 शिक्षार्थियों प्रति पाठ) नहीं है तब तक प्रतीक्षा करें।
• Analysis paralysis: सामग्री पर iterating के बजाय डैशबोर्ड का अध्ययन बहुत समय बिताना। एक नियमित समीक्षा अनुसूची (जैसे, साप्ताहिक) सेट करें और उस समय को सीमित करें जब आप प्रति सत्र खर्च करते हैं।
• ]]] प्रतिक्रिया एकत्र करना लेकिन कभी भी सीखने वालों के साथ विश्वास करने के लिए उस पर काम नहीं करना। हमेशा अपने इनपुट के आधार पर किए गए बदलावों को संवाद करें, भले ही एक सरल घोषणा के माध्यम से।
• ]एक डेटा स्रोत पर ओवर-रिलीइंग: गुणात्मक अंतर्दृष्टि के साथ मात्रात्मक संयोजन एक पूर्ण तस्वीर देता है। एक उच्च ड्रॉप-ऑफ दर बोरिंग सामग्री या एक तकनीकी बग के कारण हो सकती है -सर्विस आपको बता सकते हैं कि कौन सा।

एक सतत सुधार संस्कृति का निर्माण

सबसे सफल मास्टरक्लास रचनाकारों का इलाज एनालिटिक्स एक बार की परियोजना के रूप में नहीं बल्कि एक सतत चक्र के रूप में होता है। एक लय स्थापित करें: डेटा एकत्र करें, विश्लेषण करें, कार्य करें, मॉनिटर करें। प्रक्रिया में अपनी टीम या समुदाय को शामिल करें, अंतर्दृष्टि साझा करें और मस्तिष्क के संचालन समाधान। समय के साथ, आप एक अंतर्ज्ञान विकसित करेंगे जिसके लिए मैट्रिक आपके विशिष्ट दर्शकों और सामग्री के प्रकार के लिए सबसे अधिक मायने रखता है।

याद रखें कि डेटा एक उपकरण है, एक ताक़त नहीं है। यह पैटर्न को हाइलाइट कर सकता है, लेकिन रचनात्मकता और सहानुभूति को उन समाधानों को विकसित करने की आवश्यकता होती है जो वास्तव में सीखने को बढ़ाते हैं। शिक्षण की कला के साथ विश्लेषणात्मक के रिगर को ब्लेंड करें, और आपका मास्टरक्लास एक सम्मोहक, प्रभावी और लाभदायक शैक्षिक उत्पाद में विकसित होगा।

शिक्षा में विश्लेषिकी पर आगे पढ़ने के लिए, ] के संसाधनों का पता लगाने के लिए लर्निंग एनालिटिक्स रिसर्च नेटवर्क और Harvard Business Publishing's अंतर्दृष्टि on learning analytics]. For a headless CMS के साथ कस्टम एनालिटिक्स पाइपलाइनों के निर्माण में गहरी गोताखोर करने के लिए, Directus प्रलेखन ] को एकीकरण के उदाहरणों के लिए देखें।