Интеллектуальный анализ образовательных данных представляет собой технологию обработки больших объемов информации, собранной с помощью образовательных порталов, для оценки качества учебного контента и прогнозирования образовательных результатов. При использовании данной технологии применяются различные методы анализа данных: поиск аномалий и ассоциаций, классификация, кластерный, регрессионный и факторный анализ. Каждый из этих методов использует специальные инструменты, такие как электронные таблицы, высокоуровневые языки программирования (Python или R), аналитические low-code платформы (Loginom, Orange) или специализированные модули аналитики, внедренные в образовательные порталы. В статье раскрываются возможности модуля «Аналитика», встроенного в LMS Moodle, для отслеживания и оптимизации образовательного процесса. Авторы дают рекомендации по настройке и использованию этого модуля в учебном процессе. Модуль «Аналитика» позволяет без навыков программирования создавать прогнозы успешности освоения отдельного учебного курса, не требует предобработки данных для анализа и дает возможность быстро принимать меры по совершенствованию учебного процесса на основе результатов прогноза. Однако модуль имеет и ряд недостатков (ограниченность признаков и моделей прогнозирования, высокие требования к вычислительным мощностям для запуска обучения моделей и построения прогнозов), поэтому администраторы образовательных порталов часто отключают его. В связи с этим был проведен эксперимент по обучению модели классификации для предсказания экзаменационных оценок студентов на основе деятельности обучающихся на образовательном портале МГТУ им. Г. И. Носова. В ходе эксперимента были взяты данные об активности студентов на образовательном портале университета за один учебный год, построены модели машинного обучения для предсказания экзаменационной оценки по отдельному студенту и предмету. Результаты эксперимента показали, что точность предсказания оценки студента на промежуточной аттестации (по метрике F1) составляет 74 %. Это подтверждает эффективность использования учебной аналитики на основе данных пользователей образовательных платформ.