Learning analytics: qué medir, cómo interpretarlo y cómo usarlo para mejorar el aprendizaje
La mayoría de las organizaciones miden solo el completion rate. Esta guía explica qué son los learning analytics, qué métricas realmente importan, cómo funciona la infraestructura de datos y cómo pasar de datos a decisiones de diseño.
La mayoría de los equipos de L&D pueden decirte cuántas personas completaron un curso. Muy pocos pueden decirte si esas personas aprendieron algo, si cambiaron su comportamiento en el trabajo o si la organización mejoró como resultado. Esa brecha entre datos de actividad y datos de impacto es el problema que los learning analytics intentan resolver.
Esta guía explica qué son los learning analytics, cómo se clasifican, qué métricas tienen valor real para el diseño instruccional y la toma de decisiones organizacionales, qué infraestructura técnica se necesita, y cómo interpretar los datos para producir mejoras concretas en las experiencias de aprendizaje.
En esta guía:
- Qué son los learning analytics
- Los cuatro niveles de analytics
- Qué métricas medir: más allá del completion rate
- La infraestructura de datos: LMS, xAPI y LRS
- Plataformas y herramientas de analytics
- De datos a decisiones de diseño
- Ética de los datos en el aprendizaje
- Errores más comunes
- Preguntas frecuentes
Qué son los learning analytics
Los learning analytics son la medición, recopilación, análisis e interpretación de datos sobre los aprendices y sus contextos, con el objetivo de entender y optimizar el aprendizaje y los entornos en que ocurre. Esta definición fue establecida por la Society for Learning Analytics Research (SoLAR) en 2011 y sigue siendo el marco de referencia del campo.
La definición es importante porque especifica el objetivo: no se trata de recopilar datos por recopilarlos — se trata de usarlos para mejorar el aprendizaje. Los datos sin interpretación ni acción son archivo, no analytics.
George Siemens y Phil Long, en su influyente artículo “Penetrating the Fog: Analytics in Learning and Education” (2011, EDUCAUSE Review), distinguen los learning analytics de la investigación educativa tradicional en un punto clave: mientras la investigación busca producir conocimiento generalizable, los analytics buscan producir decisiones en tiempo real sobre individuos y programas específicos.
Rebecca Ferguson (2012), en una revisión sistemática publicada en el International Journal of Technology Enhanced Learning, identificó que los principales impulsores del campo son: el crecimiento exponencial de datos generados en entornos digitales de aprendizaje, la reducción del costo del procesamiento de datos, y la presión organizacional por demostrar el ROI de las inversiones en formación.
Los cuatro niveles de analytics
La analítica de datos, aplicada al aprendizaje, opera en cuatro niveles de sofisticación progresiva. Cada nivel requiere más capacidad técnica y más datos que el anterior. Haz clic en cada nivel para ver qué implica:
Qué métricas medir: más allá del completion rate
El completion rate (tasa de finalización) es la métrica más reportada y la menos informativa sobre el impacto del aprendizaje. Completar un módulo no significa haberlo aprendido, ni haberlo transferido al trabajo.
La métrica más poderosa es la que conecta el aprendizaje con un resultado de negocio. Si después de un programa de formación en ventas el cierre de oportunidades mejoró un 12%, ese dato justifica el programa mejor que cualquier tasa de finalización.
La infraestructura de datos: LMS, xAPI y LRS
Para recopilar datos más allá del completion rate, se necesita una infraestructura técnica que capture lo que ocurre dentro de las experiencias de aprendizaje, no solo si fueron completadas.
LMS tradicional: qué puede y qué no puede medir
El LMS (Learning Management System) en su configuración estándar rastrea: acceso, tiempo de sesión, finalización y calificación en evaluaciones. Con SCORM como estándar de comunicación, la capacidad de reporte es limitada: básicamente, el LMS sabe si el módulo fue completado y qué calificación obtuvo el aprendiz. No sabe qué opciones eligió en los escenarios, cuánto tiempo tardó en cada sección específica o si interactuó con los elementos multimedia.
xAPI: el estándar que expandió los límites
xAPI (Experience API, también conocido como Tin Can API) es el estándar de comunicación que reemplaza las limitaciones de SCORM. Con xAPI, cualquier actividad de aprendizaje puede generar un “statement” que describe lo que ocurrió: “[nombre de persona] [verbo] [objeto] [en contexto] [con resultado]”. Por ejemplo: “María respondió correctamente el escenario de negociación en el módulo de ventas a las 10:23 del 15 de julio.”
Esto significa que xAPI puede rastrear aprendizaje en cualquier formato y contexto: una conversación de coaching, un video, una simulación, una búsqueda en la intranet, una lectura en el móvil. Ver guía completa de xAPI vs SCORM para la comparación técnica detallada.
LRS: el repositorio de datos de aprendizaje
El Learning Record Store (LRS) es la base de datos especializada que almacena todos los statements de xAPI. Es el componente que hace posible el análisis centralizado de datos de aprendizaje provenientes de múltiples fuentes. Algunos LMS incluyen un LRS integrado; en otros casos es un sistema separado que se conecta al LMS y a otras herramientas de aprendizaje.
Sin un LRS, los datos de xAPI no tienen dónde almacenarse y analizarse de manera centralizada.
Plataformas y herramientas de analytics
Una de las plataformas de analytics de aprendizaje más completas del mercado. Combina LRS con dashboards configurables, conectores con los principales LMS y capacidad de análisis de impacto en negocio. Permite conectar datos de aprendizaje con datos de desempeño de otras fuentes (RRHH, CRM). Pensada para equipos de L&D que quieren ir más allá del reporting estándar del LMS.
El LRS de código abierto más usado en el mercado. Permite almacenar y consultar statements de xAPI sin costo de licencia. La versión community es self-hosted; la versión cloud (HT2 Labs) tiene soporte y funcionalidades adicionales. Ideal para organizaciones con capacidad técnica interna que quieren control total sobre sus datos de aprendizaje.
Plataforma de experiencia de aprendizaje (LXP) con capacidades robustas de analytics. Rastrea el aprendizaje formal e informal — cursos, artículos, videos, podcasts, libros. Sus dashboards muestran tendencias de desarrollo de habilidades por persona, equipo y organización. La capa de analytics de habilidades es una de las más avanzadas del mercado.
Muchas organizaciones combinan un LRS (como Learning Locker) con Power BI o Tableau para construir dashboards personalizados sobre sus propios datos de aprendizaje. Esta arquitectura ofrece máxima flexibilidad analítica y permite cruzar datos de aprendizaje con datos de negocio de otras fuentes. Requiere capacidad técnica para configurar y mantener la integración.
De datos a decisiones de diseño
Tener datos es necesario pero no suficiente. La cadena de valor de los learning analytics va de datos a insights, y de insights a acciones de rediseño.
El ciclo de mejora continua
Ejemplos de decisiones de diseño basadas en datos
- La tasa de abandono aumenta en la sección 4.2 del módulo. Diagnóstico: el video de esa sección tiene 12 minutos. Acción: dividirlo en tres videos de 4 minutos con un knowledge check entre cada uno.
- El 78% de los aprendices falla la pregunta 7 del examen final. Diagnóstico: la pregunta evalúa un concepto que se mencionó una sola vez en el contenido sin ejemplos. Acción: agregar un escenario práctico sobre ese concepto antes del examen.
- Los aprendices del equipo de ventas completan el curso pero sus KPIs no mejoran. Diagnóstico: el contenido es genérico y no refleja los contextos de venta reales del equipo. Acción: rediseñar los escenarios con situaciones específicas de los clientes más frecuentes.
Qué hacer cuando los datos contradicen la intuición
Los datos a veces muestran patrones que contradicen lo que el equipo de L&D asumía. Un módulo que los diseñadores consideraban demasiado largo puede tener tiempos de acceso más altos que el promedio — señal de que los aprendices lo revisan varias veces, no de que están confundidos. Un curso con baja calificación en encuesta de satisfacción puede tener la mayor transferencia al trabajo. Cuando los datos contradicen la narrativa, la pregunta correcta es: ¿cuáles son los datos de mayor calidad para responder la pregunta que me importa?
Ética de los datos en el aprendizaje
La recopilación de datos sobre el comportamiento de los aprendices plantea preguntas que van más allá del diseño instruccional y afectan la confianza organizacional y los derechos individuales.
Transparencia sobre qué se recopila: Los colaboradores deben saber qué datos se registran sobre su comportamiento en los entornos de aprendizaje, con qué objetivo, durante cuánto tiempo y quién tiene acceso. La opacidad destruye la confianza en el programa.
Proporcionalidad: Recopilar datos sobre cada clic, pausa y movimiento de scroll puede ser técnicamente posible pero no siempre justificado. Los datos que se recopilen deben ser necesarios para los objetivos declarados del programa.
Uso exclusivo para mejora del aprendizaje: Hay una diferencia significativa entre usar datos de analytics para mejorar el diseño del programa y usarlos para vigilar o evaluar el desempeño individual de manera sancionatoria. Si los aprendices sienten que están siendo observados de manera punitiva, el efecto en el engagement es negativo.
Protección de datos sensibles: En jurisdicciones con regulaciones de privacidad de datos (GDPR, LGPD), los datos de aprendizaje tienen implicaciones de compliance. Los datos que revelen patrones de comportamiento individual son datos personales y requieren tratamiento adecuado.
Errores más comunes
Medir todo sin preguntas previas. Un dashboard lleno de métricas que nadie usa para tomar decisiones es una carga operacional, no un activo. Los analytics deben empezar con preguntas específicas que el equipo de L&D necesita responder.
Confundir actividad con aprendizaje. Una alta tasa de finalización no implica que se aprendió algo. Tiempo de sesión alto no implica engagement — puede ser inactividad con el módulo abierto. Las métricas de actividad son proxy del aprendizaje, no evidencia de él.
Reportar datos sin contexto. Un completion rate del 60% puede ser excelente para un programa voluntario de desarrollo y preocupante para un compliance obligatorio. Los datos sin contexto de referencia son difíciles de interpretar correctamente.
No actuar sobre los datos. Recopilar y reportar datos sin generar acciones de mejora es el error más costoso. Los analytics tienen valor solo cuando producen decisiones de diseño o de gestión del programa.
Ignorar la calidad de los datos. Un LMS que registra “completado” cuando el aprendiz hizo scroll hasta el final de la página, independientemente de si interactuó con el contenido, produce datos inútiles. Antes de analizar, hay que validar que los datos reflejan comportamiento real.
Preguntas frecuentes
¿Qué son los learning analytics?
Los learning analytics son la medición, recopilación, análisis e interpretación de datos sobre los aprendices y sus contextos de aprendizaje, con el objetivo de entender y optimizar el aprendizaje y los entornos en que ocurre. La definición fue establecida por la Society for Learning Analytics Research (SoLAR) en 2011. A diferencia de los reportes estándar del LMS, los learning analytics buscan producir insights que lleven a decisiones concretas de mejora del diseño o de la gestión del programa.
¿Qué diferencia hay entre learning analytics y los reportes del LMS?
Los reportes del LMS proporcionan datos de actividad: quién completó qué, cuándo y con qué calificación. Los learning analytics van más allá: analizan patrones en esos datos, los cruzan con otras fuentes (desempeño en el trabajo, datos de RRHH, comportamiento dentro de los módulos) y producen insights sobre por qué ocurren los patrones observados y qué acciones tomar. La diferencia es la de un tablero de instrumentos (LMS) versus un sistema de diagnóstico (analytics).
¿Para qué sirve xAPI en el contexto de learning analytics?
xAPI (Experience API) es el estándar técnico que permite registrar cualquier actividad de aprendizaje en formato estructurado: "[persona] [verbo] [objeto] [resultado]". Mientras SCORM solo puede reportar completion y calificación, xAPI puede registrar cada decisión tomada en un escenario, cada respuesta a un knowledge check, el tiempo exacto en cada sección, el dispositivo usado y cualquier otro parámetro relevante. Esos datos enriquecidos son los que alimentan los analytics significativos. Ver guía completa de xAPI vs SCORM para más detalle técnico.
¿Qué es un LRS y lo necesito para hacer learning analytics?
Un Learning Record Store (LRS) es la base de datos especializada que almacena los statements de xAPI generados por las experiencias de aprendizaje. Sin un LRS, los datos de xAPI no tienen dónde almacenarse de manera centralizada. Para analytics básicos basados en los reportes del LMS, no se necesita un LRS separado. Para analytics más avanzados que cruzan datos de múltiples fuentes o requieren xAPI, el LRS es un componente esencial de la infraestructura.
¿Cuáles son las métricas más importantes en learning analytics?
Las métricas más importantes dependen de las preguntas que el equipo de L&D necesita responder, pero en términos generales: ganancia de conocimiento (pre/post), tasa de abandono por sección (señala problemas de diseño), distribución de respuestas en evaluaciones (revela malentendidos frecuentes) y cambio en indicadores de desempeño en el trabajo (transferencia). El completion rate es la métrica más reportada y la menos informativa sobre impacto real.
¿Cómo conectar los datos de aprendizaje con los resultados del negocio?
La conexión requiere identificar un indicador de negocio que el programa de aprendizaje debería afectar (ventas, calidad, tiempo de resolución, reducción de incidentes) y medir ese indicador antes y después del programa, comparando grupos que recibieron la formación con grupos equivalentes que no. Esta metodología sigue la lógica del Nivel 4 de Kirkpatrick y del modelo de ROI de Phillips. El desafío es aislar el efecto del aprendizaje de otras variables que también pueden afectar el indicador.
¿Qué tamaño de organización necesita learning analytics avanzados?
Los analytics básicos (reportes del LMS, encuestas de satisfacción, pre y post-test) son viables para cualquier organización con un programa de formación estructurado. Los analytics más avanzados (LRS, xAPI, dashboards de impacto en negocio) requieren un volumen mínimo de datos para que los patrones sean estadísticamente significativos y un equipo con capacidad técnica para implementar y mantener la infraestructura. En la práctica, organizaciones con más de 500 empleados o con programas de formación a gran escala son los que más se benefician de inversiones en analytics avanzados.
¿Cómo presentar los datos de learning analytics a la dirección?
Los líderes de negocio no se interesan por tasas de finalización — se interesan por resultados de negocio. La presentación efectiva traduce los datos de aprendizaje a lenguaje de impacto: "el programa de ventas resultó en un incremento del 12% en el cierre de oportunidades en el trimestre siguiente" es más convincente que "el 94% de los vendedores completó el curso". Complementar con el costo del programa y el cálculo de ROI usando la metodología de Phillips cierra el argumento de valor.
¿Cuáles son los cuatro niveles de analytics aplicados al aprendizaje?
Los cuatro niveles son: (1) Descriptivo — describe qué ocurrió (completion rates, tiempo de sesión); (2) Diagnóstico — explica por qué ocurrió (análisis de causas de abandono o bajo desempeño); (3) Predictivo — anticipa qué va a ocurrir (identificación de aprendices en riesgo); (4) Prescriptivo — recomienda qué hacer (el sistema selecciona el próximo contenido óptimo para cada aprendiz). La mayoría de las organizaciones opera en el nivel 1 y aspira al nivel 2.
¿Qué consideraciones éticas hay en el uso de learning analytics?
Las consideraciones principales son: transparencia (los aprendices deben saber qué datos se recopilan y con qué fin), proporcionalidad (recopilar solo los datos necesarios para los objetivos declarados), uso exclusivo para mejora del aprendizaje y no para vigilancia sancionatoria, y cumplimiento de las regulaciones de privacidad de datos aplicables (GDPR, LGPD según la jurisdicción). La opacidad en el uso de datos de aprendizaje daña la confianza de los colaboradores en el programa y en la organización.
¿Cómo empezar con learning analytics si no tenemos experiencia?
El punto de partida es definir una pregunta específica que el equipo de L&D necesita responder: "¿por qué tiene esa tasa de abandono el módulo de seguridad?", "¿qué impacto tuvo el programa de liderazgo en las evaluaciones de desempeño?". Con esa pregunta definida, identificar qué datos ya existen que puedan responderla (reportes del LMS, encuestas, datos de RRHH) antes de invertir en infraestructura adicional. Los analytics más sofisticados se justifican cuando las preguntas básicas ya tienen respuesta y hay apetito organizacional por preguntas más complejas.
¿Qué herramientas de learning analytics existen para equipos pequeños?
Para equipos pequeños con presupuesto limitado, las opciones más accesibles son: los reportes nativos del LMS en uso (Moodle, TalentLMS, Teachable), complementados con Google Sheets o Excel para análisis adicionales; encuestas de seguimiento con Google Forms o Typeform para medir transferencia; y pre/post-tests diseñados en la misma herramienta de autor del curso. Learning Locker en su versión open source es una opción de LRS para quienes quieran explorar xAPI sin costo de licencia, aunque requiere capacidad técnica de instalación y mantenimiento.
