Datavisualisering gjør markedsføring av utdanning mer strategisk

Når informasjon fra markedsføring, nettside, CRM, opptak og økonomi kobles sammen og visualiseres riktig, kan rapportering bli til et verktøy for bedre beslutninger og mer strategisk styring.

I moderne studentrekruttering finnes det tall nesten overalt. Vi kan måle trafikk, søk, annonsekostnader, videovisninger, leads, søknader, tilbud, aksepter, registrerte studenter, frafall, geografi, studieprogrammer og målgrupper.

Likevel kan det være overraskende krevende å svare presist på de viktigste spørsmålene. Hva driver utviklingen? Hvor i studentreisen mister vi potensielle studenter? Hvilke programmer har høy interesse, men svak konvertering? Hvilke kanaler skaper etterspørsel, og hvilke fanger opp en etterspørsel som allerede finnes? Er svake søknadstall et markedsføringsproblem, et konverteringsproblem eller et tegn på at selve utdanningstilbudet møter svakere etterspørsel?

Etter mange års praktisk arbeid med datavisualisering i markedsføring og studentrekruttering er jeg blitt stadig mer opptatt av denne forskjellen. Et godt dashboard handler ikke først og fremst om å rapportere flere tall. Det handler om å gjøre organisasjonen bedre i stand til å forstå hva som skjer, hvorfor utviklingen kan se ut som den gjør, og hvor det er mest fornuftig å sette inn tiltak.

Mange tall gir ikke nødvendigvis et felles virkelighetsbilde

Det er lett å anta at mer data gir bedre beslutninger. Det gjelder bare dersom informasjonen settes inn i en sammenheng som gjør den relevant for beslutningene organisasjonen faktisk skal ta.

Uten denne sammenhengen kan mer data skape det motsatte: flere rapporter, flere diskusjoner om hvilke tall som er riktige og større avstand mellom dem som kjenner systemene og dem som har ansvaret for å prioritere.

I utdanningsinstitusjoner blir dette særlig tydelig fordi informasjonen ofte ligger på tvers av flere funksjoner. Markedsføring sitter på kanal-, kampanje- og webdata. Opptak kjenner søknadene, tilbudene og statusene. Økonomi ser kostnader, budsjetter og inntekter. Fagmiljøene kjenner kapasitet, innhold og kvalitet, mens ledelsen trenger å forstå hvordan alle disse delene påvirker hverandre.

Dersom informasjonen presenteres hver for seg, kan alle ha korrekte tall og samtidig sitte med forskjellige bilder av virkeligheten.

Association for Institutional Research har beskrevet nettopp denne utfordringen i høyere utdanning. Organisasjonen fremhever institusjonell analyse som arbeidet med å samle, analysere og gjøre data om til informasjon som støtter beslutninger, og understreker samtidig at bruken av data ikke kan begrenses til ett kontor eller én funksjon. Profesjonelt skjønn, institusjonens mål og konteksten rundt tallene må inngå i vurderingen.

Det er her datavisualisering får sin strategiske verdi. Oppgaven er ikke å gjøre rapportene penere, men å gjøre sammenhengene tydeligere.

Et dashboard er først nyttig når det hjelper noen å forstå noe

Stephen Few har vært en sentral stemme innen dashboarddesign og definerer et dashboard som en visuell fremstilling av den viktigste informasjonen som trengs for å følge ett eller flere mål, samlet slik at utviklingen kan overvåkes raskt. Hans arbeid er samtidig en lang kritikk av dashboards som fylles med informasjon, grafikk og dekorasjon uten at det blir tydelig hva brukeren faktisk skal forstå.

Det er en kritikk jeg også må ta til meg selv. Gjennom årene har jeg bygget dashboards som i ettertid åpenbart inneholdt for mye informasjon, for mange grafer og for mange muligheter til å filtrere. Ambisjonen var gjerne å gjøre mer innsikt tilgjengelig, men resultatet kunne bli at mottakeren måtte arbeide unødvendig hardt for å finne det viktigste. Erfaringen har gjort meg mer opptatt av hva som kan tas bort enn av hva som kan legges til.

Det gir et godt utgangspunkt for utdanningsmarkedsføring. Et dashboard er ikke godt fordi det inneholder mange diagrammer, filtre eller avanserte funksjoner. Det er godt dersom det gjør det lettere å oppdage et problem tidligere, forstå en utvikling bedre eller ta en mer informert beslutning.

For meg er dette forskjellen mellom rapportering og datavisualisering som styringsverktøy. Rapporten kan fortelle at søknadene ligger fem prosent bak fjoråret. Et godt styringsbilde bør hjelpe oss videre til spørsmålene om hvilke programmer som står for nedgangen, når avviket oppstod, om trafikken har endret seg, om konverteringsratene har falt, og om utviklingen ser lik ut i alle målgrupper og geografier.

Verdien oppstår når visualiseringen hjelper oss fra resultatet og nærmere en mulig forklaring.

Studentreisen gjør enkle kanalrapporter utilstrekkelige

Markedsføring av utdanning har en egenskap som blir særlig tydelig når vi forsøker å måle effekten: Studentens beslutning utvikler seg gjerne gjennom mange kontaktpunkter over tid.

I MBA-oppgaven min, A Marketing Approach for Higher Education, undersøkte jeg blant annet beslutningsprosessen og faktorene som påvirker valg av høyere utdanning. Studentene vurderte gjerne flere institusjoner, beslutningstiden kunne være lang, og både rasjonelle og emosjonelle vurderinger spilte inn.

Dette har direkte betydning for hvordan markedsdata bør tolkes. En student kan først oppdage et fagområde gjennom en video, besøke nettsiden senere, søke etter institusjonen noen uker etterpå, lese en studenthistorie, snakke med en rådgiver, bli eksponert for annonser på nytt og til slutt komme tilbake gjennom et Google-søk når søknaden sendes.

Dersom vi spør hvilken kanal som «skaffet» studenten, ber vi i praksis dataene om et enklere svar enn reisen tillater.

EducationDynamics viser dette tydelig i sin gjennomgang av attribusjonsmodeller for høyere utdanning. De beskriver hvordan first-touch, last-touch og modeller som fordeler verdi mellom flere kontaktpunkter gir forskjellige perspektiver på den samme reisen, og understreker at potensielle studenter ofte møter markedsføringen flere ganger før de tar kontakt eller søker studieplass.

Google beskriver attribusjonsmodeller på tilsvarende måte: som regler eller datadrevne metoder for å fordele verdi mellom kontaktpunktene som inngår i veien mot en viktig handling. GA4s attribusjonsrapporter kan dessuten vise hvilke kanaler som starter, assisterer og avslutter slike konverteringsløp.

Det betyr ikke at attribusjon er verdiløst. Tvert imot kan det gi svært nyttig innsikt, men modellene må behandles som forskjellige perspektiver på reisen og ikke som et endelig fasitsvar på hva som «skaffet» studenten.

Vi bør følge studenten lenger enn til søknad

En annen begrensning ved mange markedsrapporter er at de stopper for tidlig. Kampanjen produserer et lead eller en søknad, og rapporteringen avsluttes omtrent der markedsplattformens egne data slutter.

For en utdanningsinstitusjon er nettopp dette ofte tidspunktet hvor de virkelig interessante forskjellene begynner.

Higher Education Marketing argumenterer i sin gjennomgang fra 2026 for at attribusjon i høyere utdanning bør koble kampanjer og kontaktpunkter til utviklingen videre gjennom søknad, tilbud og faktisk enrollment. De fremhever samtidig behovet for felles programkoder, statusdefinisjoner, tidsstempler og kampanjeidentifikatorer dersom markedsføring og opptak skal kunne tolke reisen på samme måte.

Dette er etter min mening et avgjørende skifte. Hvis én kanal produserer mange leads som sjelden blir søkere, mens en annen produserer færre leads som ofte ender som registrerte studenter, gir kostnad per lead alene et utilstrekkelig styringsbilde.

Det samme gjelder studieprogrammer. Høy trafikk er ikke nødvendigvis det samme som høy etterspørsel, og mange søknader betyr ikke nødvendigvis at et program vil få høy aksept eller sterke studenttall ved oppstart. Jo lenger gjennom reisen dataene kan kobles på en pålitelig måte, desto bedre kan vi forstå hvor den reelle effekten oppstår.

Visualisering gjør mønstre synlige før sluttresultatet gjør det

Den kanskje største verdien i et godt dashboard er at det kan gjøre utviklingen synlig før den blir åpenbar i de endelige studenttallene.

Tenk på et studieprogram hvor trafikken vokser kraftig, mens andelen som går videre til søknad faller. Interessen finnes tilsynelatende, men noe skjer mellom nysgjerrighet og handling. Forklaringen kan ligge i programbeskrivelsen, prisinformasjonen, opptakskravene, konkurransen eller andre deler av studentens vurdering.

Et annet program kan ha gode søknadstall, men stadig svakere overgang fra tilbud til aksept. Da bør man være forsiktig med å konkludere med at løsningen er flere annonser eller flere leads. Problemet kan ligge senere i reisen, for eksempel i konkurrerende tilbud, økonomiske hensyn, manglende oppfølging eller i at tilbudet ikke oppleves attraktivt nok når valget blir konkret.

Et tredje program kan se dyrt ut dersom vi bare vurderer kostnad per søknad, men samtidig ha høy akseptgrad og mange søkere som faktisk møter til studiestart. Kostnad per registrert student kan da fortelle en helt annen historie enn kostnad per søknad.

Selv dette må ses i sammenheng med verdien av studenten. En institusjon kan rasjonelt akseptere en høyere rekrutteringskostnad for et treårig program enn for en kortere utdanning, fordi den forventede inntekten og den økonomiske verdien over studieløpet er større. Det relevante spørsmålet er derfor ikke bare hva det koster å skaffe en søknad, men hva det koster å rekruttere en student sett opp mot verdien av den studenten over tid.

Dette er noe av det viktigste datavisualisering kan tilføre studentrekrutteringen. Den gjør det mulig å skille bedre mellom oppmerksomhet, interesse, intensjon og faktisk valg, uten å late som at én enkelt metric kan representere hele reisen.

Tidlige signaler og sluttresultater bør leses sammen

Søknader, aksepter og registrerte studenter er avgjørende resultatmål, men de kommer relativt sent i prosessen. Når et stort avvik først blir synlig i registrerte studenter, er mange av mulighetene til å påvirke årets rekruttering allerede passert.

Derfor er det nyttig å følge tidligere signaler samtidig. Utvikling i søkevolum, relevant nettsidetrafikk, engasjement på studieprogramsidene, interesseregistreringer, påbegynte søknader og konverteringsrater kan gi indikasjoner på hvordan markedet beveger seg før sluttresultatet foreligger.

De tidlige signalene må imidlertid behandles med forsiktighet. Mer trafikk kan skyldes en kampanje uten at den kommersielle interessen er sterkere, og flere leads kan være verdiløse dersom kvaliteten faller tilsvarende. Poenget er derfor ikke at tidlige indikatorer skal erstatte søknader og studiestart, men at de kan hjelpe institusjonen med å forstå retningen tidligere.

Et godt styringsbilde lar oss se de tidlige signalene og sluttresultatene i sammenheng, slik at vi ikke først oppdager problemet når rekrutteringsåret praktisk talt er over.

Et dashboard bør bygges rundt beslutninger, ikke datakilder

Mange dashboardprosjekter starter etter min erfaring i feil ende.

Spørsmålet blir raskt om løsningen skal bygges i Data Studio, Power BI eller et annet BI-verktøy. Deretter diskuterer man filtre, grafer, datakoblinger og hvordan rapporten skal se ut. Verktøyene er naturligvis viktige, men de bør komme etter at formålet er avklart.

Det første spørsmålet bør være hvilken beslutning dashboardet skal gjøre oss bedre i stand til å ta.

En markedsfører som skal optimalisere kampanjer trenger detaljert informasjon om kostnader, volum, søkeord, målgrupper og konverteringer. En leder trenger sjelden den samme detaljgraden, men må raskt kunne se utviklingen mot mål, vesentlige avvik, risiko og hvor organisasjonen bør rette oppmerksomheten.

Opptak kan igjen ha andre behov: søknadsstatus, tilbud, ja-svar, utvikling mot forventet volum og grupper som trenger oppfølging. Økonomi kan være mer opptatt av kostnad og økonomisk verdi på programnivå.

Det er ingen grunn til at alle disse behovene skal presses inn på én skjerm. Den operative rapporten, markedsrapporten og lederrapporten kan bygge på det samme datagrunnlaget, men presentere informasjonen på helt forskjellige måter.

Et godt dashboard bør gjøre det mulig å gå fra «hva» til «hvor»

Jeg liker å tenke på et godt styringsdashboard som en bevegelse fra helhet mot forklaring.

Først bør brukeren kunne se hva som skjer. Ligger vi foran eller bak målet, og hvordan utvikler de viktigste resultatene seg? Deretter bør det være mulig å se hvor det skjer. Er utviklingen konsentrert til bestemte studieprogrammer, campuser, markeder, studieformer eller målgrupper?

Først når dette bildet er klart, gir det mening å gå videre til mulige forklaringer i kanaldata, trafikk, konverteringsrater, kampanjer og andre underliggende signaler.

Denne rekkefølgen er særlig viktig i lederrapportering. Hvis man starter med hundre detaljerte markedsmetriker, tvinges mottakeren til selv å konstruere helhetsbildet. Et godt dashboard bør gjøre det motsatte: etablere helheten først og la detaljene være tilgjengelige når et avvik trenger forklaring.

Fundamentet ligger under grafene

Et profesjonelt utseende dashboard kan skape en farlig form for trygghet dersom datagrunnlaget under ikke er godt nok. Før visualiseringen kommer datamodellen, definisjonene og koblingene mellom systemene. Dersom disse er uklare, vil et flott dashboard bare presentere usikkerheten mer overbevisende.

I studentrekruttering finnes det mange tilsynelatende enkle spørsmål som raskt blir kompliserte. Hva teller som én søknad dersom samme person søker flere studieprogrammer? Når er en student «akseptert»? Hvordan håndteres avslag, ventelister, flere opptak eller bytte av program? Skal resultatene knyttes til datoen studenten først viste interesse, søkte, fikk tilbud eller startet?

Dette er ikke små tekniske detaljer. Definisjonene påvirker hvordan organisasjonen tolker utviklingen og hvilke beslutninger den tar.

Higher Education Marketing sitt arbeid med attribusjon i CRM peker på det samme problemet: felles program- og intake-koder, statusdata og kampanjeidentifikatorer må henge sammen dersom markedsføringsaktiviteten skal kunne kobles til faktiske enrollment-resultater på en troverdig måte.

Hvis markedsføring teller personer, opptak teller søknader og økonomi teller registrerte studenter uten at forholdet mellom dem er tydelig definert, vil mye tid gå med til å diskutere tallene i stedet for utviklingen de skal beskrive.

En felles datamodell og tydelige definisjoner er derfor ikke bare et analyseprosjekt. De er en forutsetning for at organisasjonen skal kunne ha et felles styringsgrunnlag.

Dårlig visualisering kan skjule mer enn den forklarer

Datavisualisering har også sine egne fallgruver. Et dashboard med for mange KPI-er gjør det vanskelig å forstå hva som faktisk er viktig. Et dashboard uten relevant sammenligningsgrunnlag kan få normal variasjon til å fremstå dramatisk. Et gjennomsnitt kan skjule at enkelte studieprogrammer utvikler seg svært forskjellig, mens en imponerende prosentvis vekst kan vise seg å komme fra et svært lavt utgangspunkt.

Designet må derfor understøtte prioriteringen. De viktigste signalene bør være lette å finne, avvik må kunne oppdages raskt, og sammenligninger må være meningsfulle. Samtidig bør brukeren kunne bevege seg videre til detaljene når noe trenger forklaring.

Few har gjennom sitt arbeid med dashboards argumentert nettopp for enkelhet, prioritering og muligheten til å oppfatte kritisk informasjon raskt fremfor å fylle skjermen med dekorasjon og unødvendig kompleksitet.

Datavisualisering er dermed ikke grafisk pynt på analysen. Hvordan dataene presenteres påvirker også hvor enkelt eller vanskelig det blir å forstå dem.

Fra rapportering til styring

For meg oppstår den virkelige verdien når dashboardet begynner å forandre samtalen. I stedet for å konstatere at Google Ads er blitt dyrere, kan man undersøke hvilke studieprogrammer kostnadsveksten gjelder, om trafikken har endret seg samtidig, og hvordan utviklingen ser ut videre fra søknad til aksept og studiestart.

I stedet for å konstatere at man trenger flere leads, kan organisasjonen oppdage at interessen allerede er tilstrekkelig, men at for få beveger seg videre fra interesse til søknad.

I stedet for å si at en kanal «ikke fungerer», kan man undersøke om kanalen har en rolle tidlig i studentreisen som ikke fanges godt nok av rapporteringen. EducationDynamics' sammenligning av attribusjonsmodeller illustrerer nettopp hvordan samme studentreise kan få svært forskjellig kanalfordeling avhengig av om man ser på første kontakt, siste kontakt eller flere kontaktpunkter samlet.

Og i stedet for å diskutere at søknadstallene generelt er svake, kan man se hvor svakheten faktisk ligger. Enkelte studieprogrammer eller regioner kan ligge foran fjoråret samtidig som noen få store programmer trekker totalen kraftig ned.

Forskjellen mellom disse samtalene er grunnleggende. Rapportering beskriver hva som har skjedd, mens strategisk styring forsøker å forstå hvilke deler av utviklingen organisasjonen faktisk kan påvirke og hvilke tiltak som derfor bør prioriteres.

Datavisualisering kan flytte markedsføring nærmere strategien

Henry Zheng beskriver strategic analytics i høyere utdanning som bruk av data og analyse for å støtte langsiktige strategiske valg, blant annet gjennom markedsanalyse, konkurranseforståelse, benchmarking og analyser som kombinerer informasjon fra forskjellige deler av institusjonen. Han peker også eksplisitt på arbeidsmarked, studentenes behov, programdesign, pris og enrollment management som områder hvor slike analyser kan støtte universitetsledelsen.

Det er interessant fordi mye av den samme informasjonen ofte finnes i eller rundt markedsfunksjonen.

Data om søkeetterspørsel, konkurrenter, konvertering, geografiske forskjeller og utvikling på programnivå kan naturligvis brukes til å optimalisere markedsføring. Men de kan også gi signaler om større strategiske spørsmål: Har et program mistet relevans? Oppstår det ny etterspørsel vi ikke møter? Finnes det målgrupper vi ikke betjener godt nok? Bør porteføljen, studieformen eller kommunikasjonen endres?

Da flytter datavisualiseringen seg fra rapportering av markedsaktiviteter til et bredere spørsmål om hvordan institusjonen forstår markedet den opererer i.

Et felles datagrunnlag kan også bygge kultur

En effekt jeg mener ofte undervurderes, er hva et godt felles styringsbilde gjør med samarbeidet.

Når marked, opptak, økonomi, fagmiljø og ledelse diskuterer den samme utviklingen med utgangspunkt i samme data og samme definisjoner, blir samtalene gjerne mer presise.

Man bruker mindre tid på å forsvare hvert sitt tall og mer tid på å forstå hva utviklingen betyr.

Dette harmonerer godt med Association for Institutional Research (AIR) sine anbefalinger om at bruk av institusjonelle data ikke bør foregå i siloer, og at beslutningsstøtte må fungere på tvers av strategiske, taktiske og operative nivåer. Organisasjonen understreker dessuten at data bør fortolkes sammen med profesjonelt skjønn, institusjonens mål og andre kontekstuelle forhold.

Det betyr ikke at data erstatter erfaring. Tall kan vise at et studieprogram utvikler seg annerledes enn forventet, men forklarer ikke automatisk hvorfor. Her trengs kunnskap om markedet, studentene, konkurransen, programmet og hva som faktisk har skjedd gjennom sesongen.

Data uten kontekst kan bli mekanisk, mens erfaring uten data lett kan bli anekdotisk. Den strategiske verdien oppstår når de to brukes sammen.

Tallene representerer menneskelige beslutninger

I utdanningsmarkedsføring finnes det også en viktig påminnelse bak all denne teknologien. En søker er ikke bare en rad i et datasett, og en registrert student er ikke bare en konvertering.

Bak mønstrene ligger mennesker som vurderer faglig interesse, fremtid, økonomi, risiko, identitet og om de tror de vil passe inn. Det er nettopp derfor den samme markedsaktiviteten kan påvirke forskjellige studenter på forskjellige tidspunkt og på forskjellige måter.

God datavisualisering reduserer ikke denne kompleksiteten til ett tall. Den hjelper oss i stedet med å se mønstre i mange individuelle beslutninger, slik at institusjonen kan stille bedre spørsmål og kommunisere mer presist.

Dette er også grunnen til at jeg mener dataarbeidet bør knyttes tilbake til studenten. AIR løfter eksplisitt frem et studentorientert perspektiv og advarer mot siloer som overser at studenten opplever institusjonen som en helhet, ikke som separate administrative funksjoner.

Utdanningsinstitusjoner trenger bedre innsikt, ikke flere rapporter

Jeg tror det ligger et betydelig uutnyttet potensial i datavisualisering for mange utdanningsinstitusjoner.

Ikke nødvendigvis fordi de mangler data. Utfordringen er oftere at informasjonen ligger i forskjellige systemer, tolkes med ulike definisjoner eller presenteres på en måte som gjør det vanskelig å se sammenhengene.

Det er forskjell på å vite at et program har 300 søknader og å forstå hvorfor det ligger foran eller bak forventet utvikling. Det er forskjell på å vite hva man brukte i Google Ads og å forstå hvilken rolle søk spiller gjennom studentreisen. Det er forskjell på å rapportere kostnad per søknad og å forstå hva det faktisk koster å rekruttere en student som møter til studiestart.

Datavisualisering bør derfor ikke behandles som en støttefunksjon som produserer rapporter når noen ber om dem. Riktig brukt kan den bli en del av institusjonens styringssystem og bidra til å oppdage utvikling tidligere, prioritere ressursene bedre og skape et mer felles bilde av markedet og studentreisen.

Markedsføring blir ikke mer strategisk fordi dashboardet har flere grafer. Den blir mer strategisk når organisasjonen bruker data til å forstå hvilke problemer den faktisk forsøker å løse, hvor innsatsen bør settes inn og om tiltakene virker.

Da blir datavisualisering mer enn presentasjon av resultater. Den blir et verktøy for læring, prioritering og bedre beslutninger.

Kilder

• McInerney, S. V. (2020). A Marketing Approach for Higher Education. University of Agder.
• Few, S. (2013). Information Dashboard Design: Displaying Data for At-a-Glance Monitoring. 2nd edition. Analytics Press.
• Few, S. (2007). Dashboard Confusion Revisited. Perceptual Edge.
• Moran, B. (2020). Marketing Attribution Models for Higher Ed. EducationDynamics.
• Higher Education Marketing (2026). Marketing and Admissions Attribution Beyond “Leads”: Connecting Campaigns to Enrollments in Your CRM.
• Google Analytics Help. Get started with attribution, Change the reporting attribution model for key events og Key event attribution paths report.
• Swing, R. L. & Ross, L. E. (2016). Statement of Aspirational Practice for Institutional Research. Association for Institutional Research.
• Zheng, H. (2023). Strategic Analytics and Its Applications in University Decision Making. Association for Institutional Research.