神策数据：从方法到实践，看教育行业学习产品体验升级该怎么做

“双减”政策加速在线教育行业转型，如何借助数据的力量驱动学习产品体验升级、帮助企业实现数字化转型是教育企业当前面临的重要挑战。

本文将从方法到实践，结合环球网校学习产品体验升级的两大关键要素，解读数据驱动下的学习产品体验升级之道，为更多教育企业的数字化经营提供参考。

学习产品体验升级是企业转型“法宝” 

一、政策趋势下的认知变化

每当行业发生巨变，意味着机会即将到来。2021 年 7 月 24 日，“双减”政策正式实施，对整个教育行业带来了前所未有的震荡。

神策数据教育事业部负责人虎志强表示：“双减”之前，在线教育行业的定位是互联网 + 教育，持续开拓新的教学模式，并引以为豪；头部企业主要包括 K12 和外语两大类，聚焦国内市场，以跑马圈地、粗放型转化增长为运营常态。“双减”之后，在线教育回归教育本质，全行业降温，定位转变为“为国家的转型发展提供人才”，尤其要与公立校进行服务错配；素质教育和职业教育成为最有前景的两大类目；一些不愿意放弃已经建立起来的平台和运营模式的企业，开始将目光转向国外市场；与此同时，在线教育企业的运营模式开始陆续转向私域增长、精细化运营等。

在认知层面，在线教育企业经历了“双减”政策之后，也发生了明显的变化，主要表现在 3 方面：

第一，疯狂获客到“耐心”留客。“双减”之前，我们日常所看到的的信息流广告、朋友圈广告中，在线教育相关内容占据了绝大比例，尤其是 K12 教育；而“双减”之后，更多的是素质教育和职业教育在持续获客，K12 相关广告基本上没有了。

第二，品牌轰炸到“稳住”口碑。口碑是购买的核心影响因素，包括教学质量和配套服务，只有这两者都得到满足才会提升用户的学习效率和满意度，从而构建核心竞争力。之前，K12 是一个新兴产业，通常会通过品牌轰炸在用户心中建立品牌认知，让用户产生信任，表现形式大多是媒体电视广告、地铁广告等。而“双减”政策实施之后，在线教育企业更多地在考虑如何稳住口碑，避免因为政策和大环境变化对已经积累的品牌口碑带来负面影响。

第三，本末倒置到“回归”本质。“双减”之前，有些在线教育企业会将 80% 的成本投入到获客上，教研教学上投入的成本可能不到 10%，甚至有的企业先获客后生产课程，这是一种本末倒置的行为。“双减”之后，整个教育行业回归教育的本质——基于教研教学提供学习产品。

综合来说，“双减”政策带来核心变化是学习产品体验升级和服务升级，因此我们可以得出一个结论，学习产品体验升级是教育企业转型的“法宝”。

二、当前学习产品体验面临的问题

1、学员的个性化需求难以满足

所有的教育场景都在倡导“因材施教”，但在线教育大部分是线上大班课、直播课程或者录播课，提供的内容千篇一律，很难做到针对不同学员提供不一样的课程。虽然也有一对一或小班教学的尝试，但却面临着“无法通过规模化平摊成本”的困境。

也就是说，当前学习产品体验难以实现规模化和个性化的平衡。

2、学习场景化不够

线下课堂通常是班级化教学，学生和老师、学生和学生之间会有互动，基于连接点和交互过程形成学习的场景域；而线上课程通常是隔着屏幕，缺少互动、感知等。

3、学习效率低、效果差

这个问题反映了整体的学习结果，线上课程相较于线下课程的整体学习效率偏低，极其依赖学员的自觉性，缺少外部监督。

三、数据助力学习产品升级

从神策数据基于数据流的企业运营框架 SDAF 的角度，虎志强详细拆解了数据如何助力学习产品升级。

Action：学员自主学习

通常情况下，我们会在学习初期为用户提供可学习、可互动的产品功能和内容。尤其是在冷启动阶段，对同类型用户无重点无差异，多以直播/录播、题集、解析等形式呈现。

Feedback：学习数据采集

以数据反馈用户学习情况。具体包括用户学习过程中的数据，如观看直播数据、查看讲义的数据、答题数据等；学习结果数据，如错题合集数据、学习报告数据等。

Sense：学习情况评估

基于 Feedback 环节采集到的学习数据，对用户整体学习情况进行评估。

一方面，确定学习指标体系，如学习时长、做题数量、完课率、考试通过率等。另一方面，构建用户学习画像体系，如活跃偏好、课程偏好、学习状态、完课情况、学业水平等。

在这两个体系之上，结合算法模型，比如记忆曲线模型、掌握程度模型，研究用户知识点掌握情况，判断用户目前是否处于即将遗忘的节点等。

Decision：学习路径调整

基于学习评估的情况，结合算法模型能力给出个性化编排策略，并对学习内容和形式进行个性化编排，生成新的学习路径，如题集、每日一练。

更具体一点，我们也可以回归学员的学习路径，从学前、学中、学后三个阶段梳理数据助力学习产品升级的落地思路。

学前：对用户进行诊断、测试，根据所处学习阶段匹配相应的内容，冷启动阶段为用户制定个性化的学习计划。

学中：过程监督，帮助用户纠正不足，并基于行为数据，动态调整复习规划。

学后：以图表的方式记录学习情况，生成数据评估报告，让用户能够及时掌握自己的学习情况。同时，对学习结果进行评估，在下一个学习周期为其推荐更合适的学习内容。

数据驱动学习产品体验升级实践 

在做教学研究的过程中，我们会发现，学员的个性化需求越来越明显。但与此同时，当我们基于学员数据做进一步洞察时，可以看到大部分学员的个性化需求，特别是在学习场景中，大多源自于他们的学习进度、学习态度、学习条件、学员在学习过程中产生的交互等。那么如何满足学员的个性化需求呢？

环球网校智能化学习线负责人林怡哲强调，在线教育企业的本质应是以人为本，也就是以学员为本，我们不能仅仅满足于内容的生产与交付，而是要将学员的个性化需求融入我们的教学、学习、练习、测评、评估等教学设计中，以数据驱动满足更多学员的个性化需求。

基于环球网校多年数字化实践，林怡哲认为，数据驱动学习产品体验升级过程中有两个关键要素：

1、场景化应用：数据能力与个性化学习产品产出建立强关联和强应用场景

从教育基本点出发，我们可以清晰地认识到，现有的教育框架很难全面满足学员的个性化需求。

小班课、1V1 教学类似传统的线下教学，老师在备课的时候不仅会考虑到教学内容，还会考虑学员的学习情况、学习状态等。举个例子，当某个单元学习结束后，老师通过测评发现 80% 的学生已经充分掌握了该知识点，那么接下来会做针对性的教学内容调整——下一次课程中弱化对该知识点的讲解，但仍旧会照顾到剩余 20% 的学生。这是小班课的优点，它能够关注更多学生的个性化学习需求。

但传统的线上教学中，老师所讲解的内容大多是整套生产的，在完成内容交付之后，学员需要根据自己的时间、需求去学习，除了录制错误、文案错误、讲义错误等，课程内容不会再因为其他原因做任何调整。

另外，虽然传统线上教学和线下教学都有「效果评估」的环节，但很明显，线下教学的效果评估的效率和质量要比线上教学的评估都更好。

那么，要想将 1V1 小班教学模式更广泛地应用于互联网教育中，就需要我们有足够的数据支撑，因为小班教学之所以能够做得更好，是因为该模式能够从内容到课程设计等各个环节都理解学员、了解学员。

但此时，又会面临新的问题：虽然有做合规数据采集，但却很难分辨哪些数据可以使用。因此，环球网校对整个教学框架做了升级，如下图所示：

首先，环球网校满足老师“备学员”和“备内容”的需求，设立对应的教学目标、教学问题，共同融合进入智能化系统。然后，将智能系统分为三层：认知层、感知层和算法层，并通过这三个层次拆解对应学员的学习情况。最后，系统和老师共同决策，机器学习和人类决策并行。

基于该框架，学员在学习、练习和反馈过程中的数据都会通过合规途径被实时记录，老师也能够根据数据做实时处理和反馈。

另外，将学员的入学测评加入线上教学过程，及时掌握学员在学习、效果评估等不同阶段的学习情况，不断进行学习路径处理、学习内容调整、课后练习推送等。这里值得强调一下，目前环球网校的题目筛选都是依靠算法来进行匹配的，能够针对学员的学习情况做最合适的题目推荐。

在这个框架搭建起来之后，学习内容本身也需要着重关注、解决。

学习内容在教育行业里面通常是一个大的单元。布鲁姆认知领域中，将目标拆解为记忆、理解、应用、分析、评价、创造六层，但实际上只需要三层就够了——记忆、理解、综合应用。比如职业教育本身的考证业务，学员最直接的目的是通过考试、获得证书，因此环球网校在对知识点进行拆解时，通常不会涉及具体的实操。通过拆解知识图谱，将行业知识变成一个个的知识点，然后通过知识点之间的关系链接成图谱，就能够解决学习路径上最大的难题，学员便可以按图索骥去学习。

2、数据体系：建立适用于企业所处赛道的数据获取与分析的数据体系

这里我们着重讲述一下基于数据体系对学员知识点掌握程度的计算。

通常情况下，学员是否掌握了某个知识点，需要凭借老师的教学经验来判断，那我们如何让算法系统拥有像老师一样的能力和状态，实现对学员掌握程度的计算呢？我们应该收集学员的哪些数据呢？参数该如何转化呢？

在学习数据系统搭建过程中，环球网校结合自建系统与神策的前端采集方案，将客户端、后端服务、业务数据库和埋点上报多种数据源导入数据库，在大数据平台中进行机器学习、批量数据计算、流式/近线计算等，以此来为学员提供服务，这其中就包括知识点掌握程度的计算与服务，以及对知识点掌握程度变化幅度的监控服务。在这个过程中，环球网校不仅会监控业务变化，也会对系统本身的变化进行监测。除此之外，智能出题、用户跟踪、数据质量与监控等也都需要我们通过该系统架构进行调度。

基于以上数据系统，环球网校将学习类数据拆成 11 个大类，并进一步细分为 148 个详细指标，结合上述计算能力抽象出学员的学习效率、学习态度、记忆能力、理解能力、吸收能力、分析能力等。举个例子，在学员学习过程中，学习效率其实就是每单位的投入产出比，那它是指单位时间内做了多少道题目吗？单位时间内刷了多少课程视频吗？不是的，它是指单位时间内学员掌握了多少知识点，基于此继续下钻才会需要我们进一步统计学员刷了多少课程视频、花了多少时间等细节。

在某些教育产品中，判断学员是否掌握某个知识点的唯一依据是“学员答对了该知识点相关的题目”。但这并不是最科学、合理的。比如，我们在刷题过程中经常会遇到这样的场景：当你按顺序做完第四道题，突然发现第一道题好像选错了，那么你会回到第一道题去修改你的答案，那么如果仅仅通过结果来判断学员是否掌握该知识点的话，很容易会误判学员的知识点掌握情况。因此，在环球网校的判断规则里，很多字段都与学员学习路径中根据时间序列产生的行为强相关，并不是简单地将答对题目等同于掌握知识点。环球网校强调，学习数据不仅包括学习记录，还包括学习行为。

另外，关于知识点掌握程度的计算，也有不少人了解过空间强化理论，它是指在教学过程中新的概念或技巧被吸收，同时学过的概念和技巧被强化，利用掌握状态数据，为学习者提供能够时时更新的推荐活动序列。但与此同时，在产品层面也需要增加多种维度，比如增加收集用户是否有基础的数据、题目增加多维度标签、学习材料增加对学员的影响等。

在环球网校内部，通过老师与学员的线下交流、学习结果的数据，学员在学习过程中主动发起的沟通、答疑等数据，以及学员的学习行为包括学员答每一道题时的行为序列等，来支持智能算法系统的搭建。当完成了知识图谱、学员知识点掌握程度的计算、学员画像的构建，那么就能够根据学员的学习情况、学习状态安排对应的课程和题目。举个例子，基础好、学习能力强的学员 A 在学习两个视频之后，就不需要重复学习了；而基础一般、学习进度缓慢的同学 B 不仅需要重复学习这两个视频，还需要额外做很多题目，虽然在测评中两个人都能够答出正确结果，但是系统会根据学员的学习行为，通过智能算法来判断这两个学员的知识点掌握程度，然后去做针对性的决策。

不容忽视的是，机器学习和人工决策始终会存在一定差别。因此环球网校将人工服务加入系统，学员学习结果会自动提交给教研老师、班主任、教学老师等，他们将基于经验给予进一步的反馈，通过综合评判提升算法准确度。

在环球网校的智能化学习产品解决方案中，规划了两条学习路径，以满足学员个性化的学习需求：无论学员是从头到尾跟着平台制定的路线学习，还是按照自己的思路学习，环球网校都可以通过一系列计算为学员提供最合适的内容。具体如下：

在练习过程中，设置大量的反馈和交互，课中弹题练习、课后作业练习、复习题每日一练、章节巩固练习等，都是基于算法去实现的。

在评估环节，通常会通过试卷的形式来完成，因为单道题覆盖的知识面比较狭窄，很难辅助判断学员的整体学习情况。

在反馈环节，可能会推送给学员一封学习报告，也可能是一道题，通过不同形式的反馈让学员了解自己目前的学习情况。比如，学员刚进入环球网校云私塾时，需要完成入学测试，相关题目通常是根据学员的历史学习记录进行计算推荐的。当学员做完题目后，系统会更新学员的知识点掌握状态，然后判断哪些内容是必须要复习的。

以上便是一个完整的 SDAF 闭环。环球网校也会通过情感、知觉、互动、工具、知识、记忆、分析、决策，融合了所有的算法，类似人类的大脑去实现闭环。

最后，再次强调，环球网校能够根据学员的学习结果做智能分析和实时诊断，然后推送个性化的复习内容，以帮助学员提升学习效率，同时及时督促，提醒学员温故知新。整体来说，环球网校的云私塾能够在满足学员个性化需求的基础上，真正提升学员的学习效率。