Start en dataverkenning
We bekijken samen de beschikbare data en richten de analyse in op dimensies zoals niveau en organisatie-eenheden.
We zoeken 1 à 2 instellingen voor een korte pilot van 6 tot 8 weken. Met de Markov Chain laten we zien hoe studenten doorstromen, uitvallen of diplomeren. Dit helpt instellingen beter plannen, hun capaciteit afstemmen en studenten gerichter ondersteunen.
We bekijken samen de beschikbare data en richten de analyse in op dimensies zoals niveau en organisatie-eenheden.
We bouwen het Markov Chain-model dat laat zien hoe studenten doorstromen of uitvallen. Binnen twee weken krijg je de eerste inzichten.
We bespreken de resultaten, visualiseren de patronen en bepalen waar verbeterkansen liggen.
Een Markov Chain is een wiskundig model dat inzicht biedt in hoe studenten zich door het onderwijs bewegen. Het model kijkt naar de kans dat een student volgend jaar nog studeert, een diploma behaalt of uitvalt. Door de huidige status als uitgangspunt te nemen, kunnen we patronen zichtbaar maken die vaak verborgen blijven in ruwe data.
In de praktijk betekent dit dat we met overgangskansen kunnen voorspellen hoeveel studenten doorstromen naar het volgende jaar of afstuderen, en waar het risico op uitval het grootst is. Dit helpt instellingen vooruit te kijken in plaats van terug te rapporteren.
Landelijk zien we dat het aantal mbo-studenten elk jaar licht daalt. Dat maakt het nog belangrijker om goed te begrijpen hoe studenten door het onderwijs bewegen: wie stroomt door, wie valt uit en waar liggen de kansen om begeleiding te verbeteren. Door deze patronen zichtbaar te maken met een Markov Chain kunnen instellingen gerichter inspelen op veranderingen en uitval voorkomen.
🎓 Markov-modellen worden al decennialang onderzocht, ook in het onderwijs, met positieve resultaten bij voorspellingen van doorstroom en uitval.
Meedoen aan de pilot of eerst even sparren? Kies wat past.
Tip: vermeld je instelling