Consultancy
Van data naar impact
Cefero staat garant voor een holistische, procesgerichte aanpak waarin zowel praktisch als strategisch vooruitgang wordt geboekt. We zien dat data-geïnformeerd werken loont, maar ook dat de implementatie ervan een uitdaging blijft voor onderwijsorganisaties.
Onze focus: Hoe kom je via quick wins naar duurzame verandering?
Bij dit soort uitdagingen helpt Cefero graag. We onderscheiden drie type projecten:
Resultaten vanuit een data strategie
“We hebben een nieuwe data warehouse, maar gebruikers maken nog steeds hun eigen overzichten.” Of: “Er zijn veel collega’s die zelf met data aan de slag gaan, maar het overzicht ontbreekt.” Klinkt dit bekend? In dat geval helpt een data strategie.
Een data strategie is een toekomstgericht plan waarin het waarom en het hoe van data-geïnformeerd werken staat beschreven. Wat zijn precies de behoeftes vanuit de onderwijsorgansatie? En wat belemmert data professionals om deze behoeftes te vervullen? Aanvullend op deze organisatorische vragen, kiest Cefero een kleine, concrete casus. Door deze hands-on casus komen alle stakeholders en drempels snel in het vizier.
Uiteindelijk ligt er een voorstel voor een realistische data strategie. Dit zorgt voor overzicht en biedt concrete handvaten voor verbetering, zodat data door je organisatie gaat stromen.
Dezelfde projectmethodiek kan ook op teamniveau worden toegepast.
Actiegerichte inzichten door analyse
Wat zijn ze nu weer van plan in Den Haag? En hoe moeten we daar als instelling mee omgaan? Naast regulier informatiebehoeftes, hebben instellingen ook vaak te maken met veranderingen uit de buitenwereld. Vaak zijn deze vragen te urgent en te breed voor een regulier data science project. Zo geeft een dalende KPI een signaal, maar nog geen oorzaak of oplossingsrichting. Voor dit soort kwesties is het gemakkelijke en wetenschappelijk correcte antwoord: “We weten niet waar het aan ligt, want dit hebben we niet in een specifiek experiment onderzocht”.
Daarmee is het onderwijs echter niet geholpen. Vaak kan door het combineren van verschillende databronnen en pragmatisch denken toch een waarschijnlijke oorzaak worden benoemd. Of er kunnen een aantal oorzaken worden uitgesloten. Vervolgens kan er toch snel een data-geïnformeerd advies volgen.
Dit is met name interessant bij strategische vraagstukken. Neem bijvoorbeeld een scenario-verkenning. Vaak worden de scenario’s ‘gelijkwaardig’ naast elkaar gezet. Vanuit een data science perspectief kan de waarschijnlijkheid worden ingeschat. Dit helpt vervolgens om scherpe en onderbouwde keuzes te maken.
Grip op de toekomst door machine learning
Het is ieder jaar weer een spannend moment: Hoeveel studenten staan er op 1 september voor de deur van het lokaal? En hoe ziet de 1 oktober telling eruit voor je gehele instelling? Vaak kan er op basis van data uit landelijke bronnen, eventueel verrijkt met data uit eigen SIS (Student Informatie Systeem) een goede inschatting worden gemaakt van het aantal studenten komend jaar.
Een onderbelicht punt hierbij is de doorstroom. Immers, het jaar na de verhoogde instroom is ook het aantal studenten in jaar 2 toegenomen. Zo kan de totale vraag naar onderwijs vroegtijdig worden ingeschat.
Dit maakt een adequate planning mogelijk. Op gebied van financiën, maar ook qua roostering en personeelsinzet. Zo kun je als instelling of opleiding tijdig bijsturen en alle studenten efficiënt passend onderwijs en faciliteiten bieden.