Besser studieren: Algorithmen schaffen Luft nach oben

Informationsberge, Zahlenhalden und Textwüsten: So schaut die Datenlandschaft rund um den MSc Business Administration im Jahr 2017 aus. Als Ute Eisenkolb damit beginnt, Daten zu ihrem Studiengang zusammenzutragen, steht sie vor der Vielfalt und Menge ungeordneter Informationen. Heute bricht sie gemeinsam mit ihren Kolleginnen und Kollegen aus der Forschung auf in Richtung einer Analyse, die dem Wirrwarr mit System – und dank Machine Learning – automatisch zu Leibe rückt.

«Wir wollen unsere Studienangebote weiterentwickeln », begründet Ute Eisenkolb ihren Entscheid mit dem Laboratory for Web Science (LWS) zusammen nach einer wegweisenden Lösung für ihren Informationsnotstand zu suchen. Sie verantwortet den Studiengang MSc Business Administration und hat 2017 damit begonnen, Daten zusammenzutragen, diese zu kategorisieren und sich einen systematischen Überblick zu verschaffen. 

Innerhalb der gegebenen Ressourcen führt das aber natürlich nur begrenzt zu den gewünschten Insights. Ute Eisenkolb geht deshalb auf das LWS zu und erkundigt sich nach Möglichkeiten, die Datenaufbereitung zu professionalisieren. Die Vision: Ein Weg, um möglichst automatisiert zu neuen Erkenntnissen und Verbesserungsmöglichkeiten beim eigenen Produkt zu gelangen.
 

Potenzial von Daten ausschöpfen

Automatisierung ist dabei entscheidend. Denn wie viele Führungspersonen hat Ute Eisenkolb wenig Zeit für Datenaufbereitung, Kategorisierungen, Labelings, statistische Auswertungen und was sonst noch alles dazu gehört, wenn aus der Datenflut ein Springbrunnen neuer Ideen gemacht werden soll. Sie erhofft sich bessere, datenbasierte Entscheidungsgrundlagen.

Das LWS versteht den Pain Point und zeigt Lösungen: Mithilfe von Machine Learning- und Deep Learning-Algorithmen sollen ab Februar 2020 Computer frühzeitig Trends ersichtlich machen und Entscheide für Änderungen beim MSc Business Administration ermöglichen. Mittelfristig könnte das gesamte Angebot der Schule von der Initiative profitieren. «Konkret entwickeln wir zwei Werkzeuge für den MSc Business Administration», erklärt Martina Perani, die das Projekt als Forscherin leitet, «die geplante Datenanalyse-Suite beinhaltet die beiden Tools ‹Trendsentdecker› und ‹Students@Risk›».
 

Trends und Risiken automatisch erkennen

Die Datenanalyse-Tools sollen nach 15 Monaten Konzeptions- und Entwicklungszeit helfen, zwei Fragen zu beantworten, die sich Ute Eisenkolb als Studiengangsleiterin immer wieder stellt. «Ich will einerseits wissen, wie ich meinen Studiengang verbessern kann, welche Themen Studierende und die Wirtschaft bewegen», führt sie aus. Andererseits geben auch Hintergründe eines Studienabbruchs Aufschluss. Die Tools ‹Trendsentdecker› und ‹Students@Risk› sollen hier Zusammenhänge und Insights liefern. Wichtig bei der Analyse sind insbesondere auch das Erkennen von Veränderungen und das Entdecken bisher unerkannter Zusammenhänge von Variablen über längere Zeiträume hinweg. Aber auch auf die Wahrnehmung der Schule wird sich die Initiative auswirken, so Ute Eisenkolb: «Durch die intelligente Handhabung kundenbasierter Daten sind kundenrelevante Entscheidungen möglich. Damit schafft das Projekt grössere Nähe zu unseren Studierenden und Interessenten.»

Das Aufräumen kommt vor dem Analysieren

Ganz so weit ist man heute allerdings noch nicht. Denn, so betont Forscherin Martina Perani, bevor man sich mit den Algorithmen und Analysen befassen kann, muss zuerst gesammelt, kategorisiert, geordnet und aufbereitet werden.

Schliesslich liegen heute die zu analysierenden Daten nicht nur über mehrere Systeme verstreut, sondern sie sind auch sehr unterschiedlich. So sammelt und vereinheitlicht das Projekt Motivationsschreiben, Datenbankeinträge und verschiedene andere Dateiformate. Die Datenquellen sind zudem teilweise schon zehn Jahre alt und in so langer Zeit verändert sich einiges. Entsprechend wichtig ist die Datenbereinigung, damit diese Uneinheitlichkeiten die Resultate nicht verfälschen. 

Wie immer wenn Machine Learning zur Anwendung kommen soll, ist aber nicht nur die Qualität, sondern auch die Menge der verfügbaren Daten für den Erfolg mitentscheidend, erklärt Martina Perani: «Bis jetzt haben wir Daten von rund 400 Studierenden. Das Risiko für unseren Machine Learning-Ansatz besteht darin, dass das nicht ausreichen könnte, um die Algorithmen ausreichend zu trainieren.»

Fernziel: Generalistische Analysetools

Wenn aber die Daten aufbereitet und die Algorithmen trainiert sind, sollten die beiden Tools ‹Trendsentdecker› und ‹Students@Risk› künftig Ideen liefern sowie Trends und neue Bedürfnisse der Studierenden zutage fördern. 

Hat das Projekt Erfolg, steht der grosse Anfang aber erst noch bevor. Martina Perani betont, dass die an der FFHS entwickelten Tools konsequent auf Modularität und Erweiterbarkeit konzipiert werden. Denn – so viel steht für alle am Projekt Beteiligten jetzt schon fest – das Fernziel ist natürlich ein Tool, das ganz verschiedene Fragestellungen rund um einen Studiengang behandeln kann. 

Ute Eisenkolb bringt die Langzeiterwartung auf den Punkt: «Die Analyse-Tools sollen dereinst ganz generell für die intelligente, automatisierte Datenauswertung angewendet werden.» Und das vielleicht weit über den MSc Business Administration und über die FFHS hinaus.