О чём кейс

Онлайн-платформа с длинными учебными программами заметила неприятную закономерность: студентов удавалось хорошо привлекать, но часть из них «терялась» уже в первые недели. Кто-то переставал заходить, кто-то зависал на сложных модулях, кто-то откладывал обучение до бесконечности.

Проблема была не только в контенте. Команда поняла, что одинаковый учебный маршрут для всех работает слабо: одни студенты шли быстро, другим нужна была поддержка, третьим — другая подача и ритм. Тогда платформа внедрила AI-систему, которая:

прогнозировала риск отсева,
выявляла момент потери вовлечённости,
рекомендовала персональные интервенции,
помогала наставникам вовремя включаться,
адаптировала учебный путь под поведение студента.

Что получилось

-29% снижение отсева на пилотных программах
+18% рост доли студентов, дошедших до финального модуля
+24% рост вовлечённости в первые 30 дней
-35% снижение числа студентов, «застрявших» без движения более 10 дней
+16% рост завершения домашних заданий в срок

В чём была реальная проблема

Снаружи всё выглядело просто:
«Студенты не доходят до конца курса».

Но внутри проблема распадалась на несколько разных сценариев.

Что увидела команда

1. Потеря темпа в начале
Если студент выпадал в первые 2–3 недели, шанс вернуть его резко снижался.

2. Одинаковый маршрут для разных людей
Новички, опытные специалисты и те, кто совмещает учёбу с работой, шли по одной схеме.

3. Наставники реагировали поздно
Обычно человека замечали, когда он уже давно перестал быть активным.

4. Не было понятной системы приоритизации
Кому писать первым? Кого можно вернуть? Где проблема в контенте, а где — в мотивации? Всё это решалось вручную и не всегда точно.

Что сделали

Вместо абстрактной «персонализации обучения» платформа собрала практическую систему из трёх слоёв.

1. Риск-модель отсева

Модель считала вероятность того, что студент:

перестанет учиться,
сорвёт дедлайн,
выпадет из ритма,
не дойдёт до следующего ключевого этапа.

2. Сегментация по учебному поведению

Система различала типы студентов:

стабильные и самостоятельные,
мотивированные, но перегруженные,
быстро теряющие ритм,
нуждающиеся в поддержке,
застревающие на сложных темах.

3. Следующее лучшее действие

Для каждой ситуации AI не просто ставил риск, а рекомендовал действие:

напомнить,
предложить короткий повтор,
дать упрощённый вход в тему,
отправить наставника,
предложить другой темп,
вернуть через мотивационное сообщение,
подсветить ближайшую достижимую цель.

На каких данных это работало

Команда быстро поняла: мало смотреть только на факт входа в систему.

Использовали:

частоту входов на платформу,
длительность сессий,
прогресс по модулям,
результаты тестов,
сроки выполнения заданий,
количество попыток,
паузы между активностями,
взаимодействие с наставниками,
участие в вебинарах и чатах,
глубину просмотра уроков,
повторные просмотры сложных материалов,
историю завершения прошлых курсов,
ответы на опросы и NPS,
календарные паттерны активности.

Особенно полезными оказались не абсолютные значения, а изменения в поведении.
Например: не просто «студент мало заходит», а «студент резко снизил активность после третьего модуля».

Что система считала тревожным сигналом

Вот несколько примеров сигналов риска:

Сигнал	Что это могло значить
длинная пауза после активного старта	потеря темпа или перегруз
много попыток на одном задании	тема слишком сложная
просмотр уроков без выполнения ДЗ	пассивное потребление без продвижения
резкое падение активности после дедлайна	демотивация после неуспеха
отсутствие контакта с наставником при низком прогрессе	студент остаётся один на сложном этапе
быстрый «пролист» материалов	формальное прохождение без усвоения

Как это изменило процесс

Раньше

наставники видели общую группу студентов;
вручную искали, кто выпадает;
реагировали в основном по факту проблемы;
коммуникация была массовой и одинаковой;
часть студентов терялась слишком рано.

После

система ежедневно подсвечивала риск-группы;
наставник видел, кто требует срочного внимания;
студенту приходил не общий пуш, а релевантная поддержка;
для части людей менялся темп или формат прохождения;
команда работала не «по списку», а по вероятности отсева и шансу возврата.

Что дало наибольший эффект

Самый сильный результат дали не сложные алгоритмы сами по себе, а своевременные интервенции.

Лучше всего сработало:

напоминание в правильный момент, а не по расписанию;
помощь на конкретной трудной теме;
контакт наставника в первые признаки выпадения;
дробление большой задачи на короткие шаги;
адаптация ритма для занятых студентов;
быстрый возврат после первой паузы, а не после третьей.

Результаты пилота

По удержанию

Метрика	До	После
Отсев в первые 6 недель	100% базовый уровень	71%
Доля студентов, дошедших до финального модуля	62%	80%
Доля студентов с паузой более 10 дней	100%	65%

По вовлечённости

Метрика	До	После
Активность в первые 30 дней	100%	124%
Выполнение ДЗ в срок	58%	74%
Участие в рекомендованных активностях	34%	57%

По операционной работе наставников

Метрика	До	После
Время на ручной поиск проблемных студентов	100%	54%
Доля реактивных коммуникаций	100%	63%
Доля студентов, с которыми наставник связался до фактического выпадения	28%	61%

Почему проект сработал

1. Решали не «мотивацию вообще», а конкретные точки выпадения

Команда нашла места, где студенты чаще всего ломали ритм:

после первого дедлайна,
на сложных практических заданиях,
после длинных модулей без быстрых результатов,
в периодах высокой внешней занятости.

2. AI был встроен в работу наставников

Если модель просто ставит риск, но никто не действует — пользы мало. Здесь рекомендации сразу попадали в рабочий контур команды сопровождения.

3. Персонализация была прагматичной

Платформа не пыталась полностью собирать «уникальный курс на каждого». Она адаптировала только то, что реально влияло на удержание:

темп,
приоритеты,
подсказки,
формат поддержки,
моменты контакта.

4. Мерили не только engagement, но и завершение

Команда смотрела на реальные бизнес-метрики, а не на красивые цифры посещаемости.

Что оказалось трудным

Короткая активность не всегда означает реальную вовлечённость

Студент мог часто заходить, но почти не продвигаться.

Не все причины отсева лежат в продукте

Иногда человек уходит из-за работы, семьи, здоровья или смены приоритетов.

Есть риск «перекоммуницировать»

Если слать слишком много напоминаний, это начинает раздражать и даёт обратный эффект.

Нужна аккуратность с рекомендациями

Если система начинает слишком навязчиво упрощать путь, можно ухудшить качество обучения ради удержания.

Что не стали автоматизировать полностью

Платформа не передала AI весь учебный процесс.

Сознательно оставили за людьми:

оценку сложных кейсов демотивации,
живую коммуникацию в чувствительных ситуациях,
изменение академической логики программы,
финальные решения по академическим исключениям,
наставническую работу там, где нужен человеческий контакт.

AI здесь был не «цифровым преподавателем», а инструментом раннего сигнала и персонального сопровождения.

Примеры интервенций

Сценарий	Что делала система
студент выпал после первого дедлайна	предлагала короткий план возврата + сообщение от наставника
студент застрял на теме	рекомендовала упрощённый разбор, повтор, дополнительные примеры
студент учится нерегулярно из-за работы	предлагала мягкий темп и дробление задач
высокая мотивация, но низкий результат	поднимала приоритет наставнической помощи
пассивный просмотр без выполнения	подталкивала к ближайшему простому действию

Что говорила команда

«Раньше мы пытались спасать всех одинаково. Теперь понимаем, кому и как помогать».

«Самый ценный эффект — мы начали видеть риск до того, как студент пропал».

«Неожиданно большой вклад дали простые вещи: правильный тайминг сообщений и помощь на конкретной теме».

«AI не сделал обучение волшебным, но сделал сопровождение намного точнее».

Что дальше

После пилота платформа решила развивать систему в сторону более глубокой адаптации.

В планах:

персональные траектории по уровню подготовки,
прогноз вероятности успешного трудоустройства после курса,
AI-помощник для наставников,
автоматическая суммаризация прогресса студента,
рекомендации по пересборке сложных модулей,
более точный анализ причин отсева по сегментам.

Вывод

Этот кейс хорошо показывает, что в образовании AI особенно полезен не там, где он пытается заменить преподавателя, а там, где помогает не потерять студента вовремя.

Что получила платформа:

ниже отсев,
выше завершение программ,
больше вовлечённость,
лучше работа наставников,
более точное сопровождение вместо массовых одинаковых касаний.

Итог: AI помог превратить сопровождение обучения из реактивного в упреждающее.

Риск-модель отсева

Похожие статьи

Поделиться в соц. сетях

Комментарии