Les guides E-TIPI LEARNING · N° 24
Learning analytics : définition, quatre niveaux d'analyse et indicateurs utiles
Vos apprenants laissent des traces à chaque écran, chaque quiz, chaque questionnaire. Bien lues, elles disent ce qui marche dans une formation, ce qui bloque, et quoi changer.
Publié le
Rédaction E-TIPI, sous la direction d'Elian Chrebor
Prenons un exemple fictif. Le module de conformité affiche 92 % de réalisation. Le comité est content. Pourtant, six mois plus tard, les mêmes erreurs reviennent sur le terrain.
Le chiffre était juste. Il ne répondait simplement pas à la bonne question. Savoir qui a fini une formation ne dit pas ce qui a été compris, ni ce qui a changé au travail. C’est ce que cherche l’analyse des données d’apprentissage.
Qu’est-ce que le learning analytics ?
Les learning analytics désignent la collecte et l’analyse des traces laissées par les apprenants, pour comprendre comment ils apprennent et améliorer la formation. En français, on parle d’analytique de l’apprentissage ou d’analyse des données d’apprentissage.
Le domaine s’est structuré autour d’une conférence de chercheurs, la première conférence LAK, en 2011. La Society for Learning Analytics Research le définit comme la collecte, l’analyse, l’interprétation et la communication de données sur les apprenants, pour en tirer de quoi améliorer l’apprentissage et l’enseignement.
En entreprise, la démarche tient en trois verbes :
- collecter les traces : connexions, réalisations, réponses aux quiz, temps passé, questionnaires ;
- mesurer avec des indicateurs choisis à l’avance ;
- analyser pour décider : réécrire un module, relancer une équipe, revoir un parcours.
La différence avec le reporting est là. Le reporting compte ce qui s’est passé. L’analyse cherche pourquoi, et ce qu’il faut faire ensuite.
Quels sont les quatre niveaux d’analyse des données d’apprentissage ?
On distingue en général quatre niveaux, chacun répondant à une question. Ils vont du plus simple au plus exigeant. L’exemple qui suit est fictif : un parcours d’intégration suivi chaque année par 120 conseillers clientèle qui arrivent dans un réseau d’agences.
| Niveau | La question | Exemple sur le parcours d’intégration | Ce qu’il demande |
|---|---|---|---|
| Descriptif | Que s’est-il passé ? | 84 % des arrivants ont fini le parcours dans les 30 jours ; 78 % ont réussi le quiz final | Les données du LMS, bien rangées |
| Diagnostique | Pourquoi ? | Les abandons se concentrent sur le module 3, une vidéo de 18 minutes ; la question 6 du quiz est ratée par 6 arrivants sur 10 | Des données détaillées par écran et par question, et du temps pour les lire |
| Prédictif | Que va-t-il probablement se passer ? | Dans les promotions précédentes, les arrivants sans connexion la première semaine finissaient rarement dans les délais | Un historique de plusieurs promotions et une méthode prudente |
| Prescriptif | Que faut-il faire ? | Relance du manager au cinquième jour pour qui ne s’est pas connecté ; vidéo coupée en trois ; question 6 réécrite | Une décision humaine, puis une nouvelle mesure |
Le niveau descriptif est indispensable, mais il ne suffit pas. C’est souvent au niveau diagnostique qu’une équipe formation apprend le plus, pour un effort raisonnable. Les niveaux prédictif et prescriptif viennent ensuite, quand l’historique est assez long pour comparer.
Un point de vigilance : une prévision porte sur un groupe, pas sur une personne. Elle sert à proposer de l’aide plus tôt, pas à étiqueter un collaborateur.
D’où viennent les données d’apprentissage ?
Une analyse ne vaut que par ses données. Chaque source dit quelque chose, et chacune a ses angles morts.
| Source | Ce qu’elle apporte | Sa limite |
|---|---|---|
| Le LMS | Inscriptions, connexions, réalisations, attestations : qui a fait quoi, et quand | Ne dit rien de ce qui a été compris |
| Les modules SCORM | Statut (terminé, réussi), score, temps passé, et les réponses question par question si le module les envoie | Ne voit que ce qui se passe dans le module lancé depuis le LMS |
| xAPI et le LRS | Des activités plus variées, sous la forme « qui a fait quoi », y compris hors du LMS : simulation, mise en situation, lecture | Il faut décider à l’avance quelles traces enregistrer, sinon on accumule du bruit |
| Les quiz et évaluations | Les acquis, la réussite par question, la progression entre le début et la fin | La qualité des questions fait celle des résultats |
| Les questionnaires | Satisfaction à chaud, application au poste à froid, regard du manager | C’est du déclaratif, et le taux de réponse varie |
| Les sessions en présentiel | Présence, émargement, durée | Une présence ne dit pas si l’on a écouté |
| Le SIRH et les données métier | Emploi, entité, ancienneté ; parfois des indicateurs du terrain (erreurs, incidents, ventes) | Accès à négocier, finalité à justifier au regard du RGPD |
SCORM et xAPI sont deux normes qui se complètent : la première dit comment un module parle au LMS, la seconde enregistre des traces plus larges dans une base appelée LRS (Learning Record Store). Le détail est dans notre guide du format SCORM et des autres normes.
En pratique, les deux premiers niveaux d’analyse se font très bien avec le LMS, les modules SCORM, les quiz et les questionnaires. xAPI devient utile quand une part de l’apprentissage se passe ailleurs.
Quels indicateurs suivre au-delà du taux de complétion ?
Le taux de complétion dit qu’un module a été ouvert jusqu’au bout. C’est un indicateur de diffusion, pas d’apprentissage. Voici ceux qui disent davantage.
| Indicateur | Comment le lire | Ce qu’il signale |
|---|---|---|
| Progression avant / après | Écart de score entre un test de départ et le test final | Ce que la formation a apporté, et non ce que l’apprenant savait déjà |
| Réussite par question | Part de bonnes réponses à chaque question | Une question ratée par la majorité : notion mal expliquée ou question mal écrite. Réussie par tous : trop facile |
| Temps passé | La médiane plutôt que la moyenne, comparée à la durée prévue | Très court : le contenu a été survolé. Très long : difficulté, ou onglet resté ouvert |
| Point d’abandon | L’écran ou l’étape où l’on quitte le module sans y revenir | Un contenu trop long, un exercice bloquant, un problème technique |
| Délai de réalisation | Jours entre l’inscription et la fin, nombre de relances | Une formation qui passe après la charge de travail |
| Tentatives | Nombre d’essais avant réussite | Un seuil trop haut ou un contenu qui ne prépare pas au test |
| Niveau de compétence | Écart entre le niveau attendu pour l’emploi et le niveau validé, avant et après | Si la formation fait monter les bonnes compétences |
| Application au poste | Questionnaire à froid à l’apprenant et à son manager | Ce qui a changé au travail |
| Indicateur métier | Erreurs, incidents, réclamations, avant et après, sur la population formée | Un effet possible sur la performance, à lire avec prudence |
Reprenons le module de conformité de l’introduction (exemple fictif, 400 salariés inscrits). Le taux de réalisation est de 92 %. Mais le temps médian est de 6 minutes pour un module prévu en 15. Et la question 4, sur le cas qui pose problème au terrain, n’est réussie que par 38 % des apprenants, qui valident quand même grâce aux autres questions.
Trois indicateurs suffisent à expliquer les erreurs qui reviennent : le module a été survolé, et le point clé n’a pas été compris. La décision suit : réécrire la partie concernée, rendre la question 4 obligatoire pour valider, puis remesurer au trimestre suivant.
Les deux derniers indicateurs supposent de relier la formation aux compétences. Notre guide de la matrice de compétences montre comment mesurer les écarts par personne et par emploi.
Learning analytics ou tableau de bord formation : lequel choisir ?
Il ne faut pas choisir. Le tableau de bord formation présente, sur une vue, les indicateurs de suivi d’un dispositif ; les learning analytics sont la démarche qui choisit ces indicateurs, les explique et en tire des décisions. Les indicateurs à y mettre et la façon de le construire sont dans notre guide du tableau de bord formation.
Quels pièges faussent une analyse des données d’apprentissage ?
Les données d’apprentissage trompent facilement. Cinq erreurs reviennent souvent.
- Confondre activité et apprentissage. Des connexions nombreuses peuvent signaler un contenu difficile à trouver plutôt qu’un contenu apprécié.
- Tirer des conclusions d’un petit groupe. Par exemple, sur 12 apprenants, deux abandons font déjà 17 %. Attendez plusieurs sessions avant de juger un module.
- Prendre une corrélation pour une cause. Une équipe formée qui progresse a peut-être aussi changé de manager ou d’outil. Dites ce que vous constatez, pas plus.
- Transformer l’indicateur en objectif. Si l’on récompense le taux de complétion, on obtient des modules cliqués jusqu’au bout, sans savoir ce qui a été appris.
- Mesurer sans avoir de point de départ. Sans mesure avant la formation, aucun progrès ne peut être montré après.
Learning analytics et RGPD : que peut-on analyser sans surveiller ?
Les traces d’apprentissage sont des données personnelles. Le temps passé sur un module ou un échec à un quiz renseignent sur une personne identifiée. Le cadre est connu ; il suffit de l’appliquer dès le départ.
Une finalité claire. On analyse pour améliorer la formation et aider les apprenants. Une donnée collectée pour cela ne doit pas servir en cachette à autre chose, comme évaluer la productivité. Le RGPD demande aussi de ne garder que les données utiles à cette finalité, et pas plus longtemps que nécessaire.
L’information avant la collecte. Le Code du travail est net : aucune information concernant personnellement un salarié ne peut être collectée par un dispositif qui n’a pas été porté préalablement à sa connaissance (article L. 1222-4). Dites aux apprenants ce qui est enregistré, pourquoi, et qui le voit.
Le CSE, si l’outil permet de contrôler l’activité. Dans les entreprises de 50 salariés et plus, le comité social et économique est informé et consulté avant la mise en œuvre de moyens ou techniques permettant un contrôle de l’activité des salariés (article L. 2312-38). La fiche de la CNIL sur le contrôle de l’activité des personnes employées, datée du 9 juillet 2026, rappelle aussi l’exigence de proportionnalité.
Pas de surveillance individuelle déguisée. Le plus sûr est de travailler sur des groupes : par module, par entité, par promotion. Quelques règles simples aident :
- pas de vue d’équipe en dessous d’un nombre minimal de personnes, pour qu’on ne reconnaisse pas un collaborateur ;
- un accès au détail individuel réservé à ceux qui accompagnent la personne (son manager, son tuteur, l’équipe formation) ;
- aucun classement nominatif publié ;
- l’apprenant voit ses propres données.
Pas de décision automatique seule. L’article 22 du RGPD protège, sauf exceptions, contre une décision fondée exclusivement sur un traitement automatisé et qui affecte une personne de manière significative. Une alerte d’abandon peut proposer une relance ; elle ne doit pas décider d’une promotion ou d’une sanction. Dans un établissement d’enseignement ou de formation professionnelle, une IA qui évalue les résultats d’apprentissage d’une personne figure parmi les usages à haut risque du règlement européen sur l’IA, avec des obligations à partir du 2 décembre 2027 : voir notre page IA responsable.
Comment démarrer avec les learning analytics en cinq étapes ?
Inutile d’attendre un entrepôt de données. On commence petit, sur un dispositif qui compte.
- Partir d’une question. « Pourquoi les arrivants abandonnent-ils au module 3 ? » vaut mieux que « Que disent nos données ? ».
- Choisir un dispositif. Une formation obligatoire, un parcours d’intégration, une formation commerciale : un seul pour commencer.
- Mesurer le point de départ. Un test de positionnement avant la formation, et les indicateurs métier tels qu’ils sont aujourd’hui.
- Retenir trois indicateurs. Par exemple la réussite par question, le point d’abandon et l’application au poste à froid. Fixez pour chacun un seuil qui déclenche une action.
- Agir, puis remesurer. Modifiez une seule chose à la fois et comparez la session suivante. Sans nouvelle mesure, on ne sait pas si le changement a servi.
Avant l’étape 3, informez les apprenants et, s’il le faut, le CSE. Une démarche annoncée suscite moins de méfiance, et les questionnaires reçoivent plus de réponses.
Quelles données le LMS E-TIPI LEARNING met-il à votre disposition ?
Dans la plateforme LMS E-TIPI LEARNING, le suivi des apprenants est tracé selon xAPI. Les modules SCORM 1.2 et 2004 s’importent, à côté des vidéos, des PDF et des podcasts. Les modules créés dans E-TIPI s’exportent en SCORM 2004 4e édition.
Les questionnaires d’évaluation se construisent librement et partent avant la formation, à chaud et à froid, aux apprenants et aux managers. Vous pouvez ainsi suivre les quatre niveaux du modèle de Kirkpatrick, de la satisfaction aux résultats. La façon de placer quiz d’entraînement et évaluations finales dans un parcours est détaillée dans notre guide de l’évaluation formative et sommative.
La gestion des compétences relie les formations aux référentiels : chaque positionnement mesure l’écart entre le niveau attendu et le niveau validé, et le parcours de chacun se construit à partir de ces écarts. Le suivi des résultats et des évaluations est décrit sur la page évaluation de la formation et tableaux de bord.
Les données restent hébergées en France, chez Ikoula (groupe Sewan). Avec Lucca, les formations suivies remontent dans le SIRH. La plateforme dispose aussi d’une API REST pour se relier à vos autres outils.
