Due to the growth of e-learning and the recent changes on student learning preferences and behavior, the scientific community has proposed new approaches to support the application of active learning strategies and gamification. This work presents a solution to identify "bottlenecks" in courses, with the purpose of reducing effort of professors and students on the learning process. The solution includes data mining and clustering using Self-Organizing Map (SOM) to verify the course tasks with the highest error rates and then to group its errors by similarity. Thus it was possible to prioritize interventions at the points that most hinder students' progress. The approach was successfully applied in an industrial automation e-learning.Resumo. Diante do novo perfil dos estudantes e do crescimento do e-learning, a comunidade científica vem propondo métodos para produção de cursos gamificados e que utilizam metodologias ativas. Nesse contexto, este trabalho oferece uma contribuição para identificar "gargalos" em cursos gamificados, com propósito de reduzir o esforço de professores e alunos no processo de ensino e aprendizagem. A solução contemplou mineração de dados e clusterização através do Self-Organizing Map (SOM) para identificar as atividades com maior incidência de erros e agrupar os tipos de erros por similaridade. Assim, foi possível priorizar intervenções nos pontos que mais atrapalham o progresso dos estudantes. A abordagem foi aplicada com sucesso em um e-learning de automação industrial.O resultado dessas mudançasé que o processo tradicional de ensino e aprendizagem, orientado em conteúdos e centrado no professor, vem se tornando cada vez mais