Dataminingmodellen De resultaten van datamining worden opgeslagen in een model. Dit model kan vervolgens voor vier doeleinden worden gebruikt:

1. De beschrijving van uw doelgroep met al hun kenmerken
Het betreft hier de beschrijving van onder andere de demografische kenmerken van uw leerlingen: waar komen ze vandaan, welke opleidingen volgen ze op uw school, hoe lang doen ze daar over, etcetera. Zaken als absentiegedrag, behaalde cijfers en behaalde diploma’s kunnen eveneens worden beschreven. U kunt ook uw docenten beschrijven aan de hand van hun kenmerken.

2. Invoervalidatie en invoersuggestie aan de hand van de kenmerken van uw doelgroep In de praktijk betekent invoervalidatie dat de gegevens die een medewerker invoert, worden gecontroleerd op waarschijnlijkheid. Als een invoer afwijkt van het model, krijgt de gebruiker hier een melding van. Een voorbeeld: als een school uit Leeuwarden een leerling invoert die woonachtig is in Goes, geeft Magister aan dat het niet waarschijnlijk is dat dit klopt, omdat er in het verleden nog nooit een leerling uit Goes op deze school heeft gezeten.

3. Het beschrijven van de relaties tussen kenmerken
In het model staan de verbanden beschreven, die tussen de diverse elementen bestaan. Dit zijn bekende én onbekende verbanden die door datamining boven water zijn gekomen. Er wordt bijvoorbeeld gezocht naar verbanden tussen de demografische kenmerken van de leerlingen en hun absentiegedrag of cijfers, en naar verbanden om te ontdekken welke leerlingen voortijdig de school verlaten en welke niet. Op basis hiervan kunt u extra ondersteuning geven aan leerlingen die mogelijk eerder zullen uitvallen. Kortom, met datamining kunnen relaties tussen de reeds bekende en onbekende verbanden in beeld worden gebracht.

4. Het doen van voorspellingen
Op basis van het model kunt u trends ontdekken en deze gebruiken om voorspellingen te doen. Een voorbeeld: door de profielkeuzes van de afgelopen jaren te relateren aan de kenmerken van de leerlingen, zou u op basis van de leerlingkenmerken van dit jaar de profielkeuzes voor het komende jaar kunnen voorspellen. Ook zou u op basis van de prestaties en andere kenmerken van een leerling in de 2e klas, kunnen zien hoe het leerlingen met dezelfde karakteristieken verging toen zij naar de Havo of naar het Vwo gingen. Die informatie kunt u gebruiken in uw advies voor deze specifieke leerlings.

Toekomst
Siebrand Dijkstra heeft zich intensief verdiept in datamining en ziet de waarde ervan voor Magister. Hij vertelt: ‘Datamining kun je zien als een vorm van kunstmatige intelligentie. Je hoeft er niet voor te programmeren. Je graaft in de informatie in je database en op basis van die inhoud kun je patronen vaststellen en voorspellingen doen. Dat is heel erg krachtig. Op dit moment onderzoeken we hoe we datamining concreet kunnen inzetten in onze producten. U zult er in De Fietsenstalling zeker nog vaker over lezen.’