В статье рассматривается применение методов интеллектуального анализа данных (Data Mining) для выявления ключевых предикторов академической успешности на основе цифрового следа студентов. На примере датасета OULAD продемонстрировано построение прогнозной модели логистической регрессии и кластеризации поведенческих паттернов обучающихся. Результаты показывают, что ключевыми факторами успеха являются регулярность учебной активности и дисциплина соблюдения сроков, а тактика «штурма» выступает значимым предиктором риска. Кластерный анализ позволил выделить пять устойчивых поведенческих типов студентов, что обосновывает необходимость дифференцированного педагогического подхода. Практическая значимость исследования заключается в возможности разработки на его основе систем раннего предупреждения проблем с успеваемостью и персонализированной поддержки обучающихся.