企业培训分析要先明确决策，再倒推数据

企业培训分析常常从手边的报表开始：完课率、平均分和同比变化摆在一起，再从中找可讲的结论。业务经理需要的是相反的顺序——先写清这次分析要支持哪个决策：下季度的投入放在哪条业务线，这批新人能否安排独立承接工作，哪门课需要重做。决策写成一句话，需要哪些数据、数据在哪一步产生，才谈得上确定。系统产不出这些数据时，先改采集方式，而不是在只有完成记录的报表上继续推算。

UMU 解决方案预约 Demo

先定要支持的决策，再定指标和数据

决策不同，需要的数据也不同

三类常见决策，需要的数据并不相同。判断投入放在哪条业务线，要看各团队在同一批内容上的掌握分布，而不是各自的完课率；判断一批新人能否独立承接工作，要看他们在岗位关键知识点上的作答，且作答须发生在安排之前；判断哪门课要重做，要看这门课内部答错集中在哪几处。三者的采集时点、颗粒度与归属对象都不一样，顺序不能反过来，用已有的报表去决定能分析什么。

三类误读会把结论带偏

倒推之后还要避开三类误读。其一，完课率高不等于掌握得好——完课记录只说明内容被打开过，不说明员工能否复述要点、能否在具体情形中作出判断。其二，平均分掩盖分布——同一个平均分，可能是全员中等，也可能是一半人掌握得好、另一半几乎没掌握，两种情况下该做的事完全不同。其三，同比变化不能直接归到培训——期间人员进出、业务结构调整都会改变这个数字，归因前先确认两期人员构成是否可比。

业务经理拿到的培训数据卡在三个环节

课程只要求看完，不要求答对

员工的学习过程以观看和阅读为主，中途不需要回答、复述或作出判断。过程里没有产生可比较的作答，事后无论怎样统计，可用的字段仍然只有是否完成这一类。

完成率与总分都是事后指标

现有系统给出的是完成率与考试总分。业务经理往往要等客户提出异议、订单条款出现分歧，才知道某类知识没有掌握；此时再安排补学，纠正的代价已经落在业务上。

结论已经形成，改课仍在排期

业务经理判断某门课的某几个知识点需要重讲，改动却要交给培训部门排进制作队列。等新版课程上线，业务口径可能又变过一轮，上一轮结论也就用不上了。

分析用的记录要在学习当时产生

作答发生在讲解的同一时点

UMU AI Generated Learning（AGL）用 AI 把企业文档组织成互动式课程，覆盖课程创建与员工学习两端。课程里设有学习卡片、选择题与案例模拟等节点，员工要在讲解的同时回答问题、复述要点、在给定情形中判断。与看完即结束的课件相比，分析需要的作答在学习当时产生，不必等结课测试再补。