Ga naar de inhoud

Data & AI voor het mbo

Een mbo-instelling werkt met studenten op school én bij leerbedrijven, en dat zie je terug in de gegevens.

Inschrijvingen, resultaten, aanwezigheid, roosters, stages en de financiële administratie staan in verschillende systemen, en wat er bij een leerbedrijf gebeurt, staat vaak nog in losse formulieren. Wie wil weten hoe een opleiding of een groep studenten ervoor staat, begint daardoor met zoeken en samenvoegen. Data en AI brengen die bronnen samen, zodat teamleiders, loopbaanbegeleiders en bpv-coördinatoren met dezelfde cijfers werken.

Uitdagingen,

Mbo-instellingen hebben te maken met studenten die in het eerste jaar afhaken of van opleiding wisselen, met een instroom die per opleiding en regio sterk verschilt, en met opleidingen die moeten aansluiten op wat de regionale arbeidsmarkt vraagt. Studenten in de bol en de bbl volgen een ander ritme, en de beroepspraktijkvorming bij leerbedrijven moet geregeld en gevolgd worden. Roosters, lokalen en praktijkruimtes moeten elke periode opnieuw passen. En het gaat om gegevens van vaak jonge studenten, waar je zorgvuldig mee omgaat en waarvoor per rol duidelijk moet zijn wie wat mag zien.

Hoe wij ondersteunen,

Wij brengen studentadministratie, aanwezigheid, resultaten, roosters en de gegevens over beroepspraktijkvorming samen in één datafundament, en bouwen daarop rapportages voor teamleiders en bestuur over instroom, voortgang en uitval per opleiding en niveau. Met een overzicht van bpv-plaatsen en leerbedrijven zien coördinatoren eerder waar plekken tekortschieten. Een model dat signalen van verzuim en achterstand combineert, helpt loopbaanbegeleiders om eerder in gesprek te gaan. En we helpen medewerkers sneller de juiste informatie te vinden in regelingen, examenreglementen en procedures. Dit zijn enkele voorbeelden van wat er mogelijk is. Welke oplossing het beste past, hangt altijd af van de uitdaging en de instelling.

Bekijk alle oplossingen →

DSL in cijfers,

40

Data experts

10+

Jaar ervaring

200+

Projecten gerealiseerd

8,7

Klantwaardering

Neem contact op met onze experts,

Wil je weten wat wij voor jouw organisatie kunnen betekenen?

Younes Seghrouchni

Younes Seghrouchni

Managing Consultant GenAI & Data Strategy
Carmen Wolvius

Carmen Wolvius

Managing Consultant Data Science & AI
Stef Stoelwinder

Stef Stoelwinder

Business Development

Waar we dat doen,

Bekijk alle cases

Laatste blogs,

Lees hier onze laatste inzichten.

Bekijk alle blogs

Drie lessen uit onze AI-projecten

In twee jaar tijd begeleidden we tientallen AI-projecten, van een eerste verkenning tot een model dat elke nacht draait. Sommige liepen precies zoals…

Drie lessen uit onze AI-projecten

Responsible AI van principes tot praktijk

Artificial Intelligence ontwikkelt zich razendsnel. Vrijwel elke week verschijnen er nieuwe modellen en steeds meer organisaties experimenteren met…

Responsible AI van principes tot praktijk

De organisaties die dat doen,

Agrocare
Athlon
DPG Media
Rijkswaterstaat
Brocacef
WUA
Fokker
The Cirqle
Zorginstituut Nederland
AWVN
Independer
Gemeente Hollands Kroon

Veelgestelde vragen,

AI kan laten zien welke studenten in bol of bbl dreigen vast te lopen, waar bpv-plaatsen schaars worden en hoe de instroom per opleiding zich ontwikkelt. Ook maakt het regelingen en reglementen direct doorzoekbaar. Zo hebben teams en begeleiders eerder zicht op wat er speelt.

Bij één vraag die elke periode terugkomt, zoals welke studenten in het eerste jaar dreigen af te haken, hoeveel bpv-plaatsen er per opleiding nodig zijn of hoe de instroom per locatie loopt. Met de gegevens die er al zijn, is snel te zien wat een overzicht of voorspelling toevoegt.

Die pagina’s gaan over het onderwijs in het algemeen en over hogescholen en universiteiten. Hier gaat het om het mbo: studenten in de bol en de bbl, beroepspraktijkvorming bij leerbedrijven, opleidingen van entree tot niveau 4, en de aansluiting op de regionale arbeidsmarkt.

Ja. Door aanwezigheid, resultaten en gesprekken per student samen te brengen, zie je eerder welke studenten achterlopen of minder vaak komen. Een model kan die signalen combineren tot een seintje voor de loopbaanbegeleider. De begeleider beslist wat er gebeurt; wie welke gegevens mag zien, leggen we per rol vast.

Door gegevens over bpv-plaatsen, leerbedrijven en studenten op één plek te zetten. Coördinatoren zien dan per opleiding hoeveel plekken er zijn, hoeveel er nodig zijn en waar studenten nog zonder plek zitten. Zo kan de school eerder met leerbedrijven in gesprek.

Door per vraag te bepalen welke gegevens echt nodig zijn, waar mogelijk met geaggregeerde of gepseudonimiseerde gegevens te werken en toegang per rol te regelen. Een teamleider ziet de eigen opleiding, het bestuur het totaalbeeld. Vooraf stemmen we met de functionaris gegevensbescherming af wat er gebeurt.