Inteligencia Empresarial

LIBRO
BLANCO
INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
1 EDICIN
Libro Editado por Oficina de Cooperacin Universitaria, S.A.

De todas las ediciones en castellano y en ingls
Oficina de Cooperacin Universitaria, S.A.
C/ Arequipa, 1 bloque 1 platas 3 y 5, 28043 Madrid. Espaa.
Tel: (+34) 91 382 21 40
www.ocu.es
info@ocu.es
Reservados todos los derechos de uso de este ejemplar. Su infraccin puede ser constitutiva de delito contra la
propiedad intelectual. Prohibida su reproduccin total o parcial, comunicacin pblica, tratamiento informtico
o transmisin sin permiso previo y por escrito. Para fotocopiar o escanear algn fragmento, debe solicitarse
autorizacin a EVEREST (info@everest.es), como titular de la obra, o a CEDRO (Centro Espaol de Derechos
Reprogrficos, www.cedro.org).
ISBN: 978-84-695-8892-5
Diseo y maquetacin: Naya 01 Design
Oficina de Cooperacin Universitaria (OCU) es una empresa de servicios tecnolgicos propiedad de las universidades
pblicas de Alcal, Carlos III de Madrid, Castilla-La Mancha, Rey Juan Carlos, Salamanca y Valladolid y del Grupo Santander basada en las ideas de cooperacin y servicio. Est especializada en el diseo, desarrollo, implantacin, mantenimiento y evolucin de sistemas informticos para todas las reas de la gestin universitaria (gama de sistemas
UNIVERSITAS XXI). Con ms de 270 profesionales, ofrece servicios a 100 universidades en 8 pases.
OCU ha promovido la realizacin de esta obra, y agradece a los participantes sus esfuerzos y contribuciones, en especial al profesor Daniel Carrasco, miembro del equipo de direccin del proyecto, a la par que miembro del equipo de
autores.
OCU como empresa proveedora a universidades de productos, soluciones y consultora en el mbito de la Inteligencia
Institucional valora muy positivamente el libro resultante de este interesante proyecto colaborativo, y emplaza a cualquier interesado a sumarse a la comparticin de ideas e iniciativas, para lo cual puede dirigirse a la direccin
libroii@ocu.es
Tanto el libro en su versin electrnica como el material complementario estn disponibles para su descarga en la web
de OCU: www.ocu.es.
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES
EQUIPO DE TRABAJO
DIRECCIN
AUTORES
D. JUAN JESS ALCOLEA PICAZO

Director de UNIVERSITAS XXI-INTELIGENCIA
INSTITUCIONAL
D. JUAN JESS ALCOLEA PICAZO

INSTITUCIONAL
D. DANIEL CARRASCO DAZ

Catedrtico de Economa Financiera y
Contabilidad de la Universidad de Mlaga.
D. STEVE BAILEY
Senior Adviser, JISC Infonet
D. SANTOS PAVN DE PAULA

Director general de Oficina de
Cooperacin Universitaria
D. MANUEL RIVERA SEGU
Director de Comunicacin de
Oficina de Cooperacin Universitaria
D. DANIEL CARRASCO DAZ

Catedrtico de Economa Financiera y
Contabilidad de la Universidad de Mlaga.
D. FERNANDO CASANI FERNNDEZ
DE NAVARRETE
Director del depto. de Organizacin de
Empresas de la Universidad Autnoma de
Madrid
D. HENRY CHILDERS
Senior Director, Enterprise Information &
Analytics, University of Arizona (Estados
Unidos)
D. JUAN HERNNDEZ ARMENTEROS
Profesor titular del departamento de
Economa de la Universidad de Jan
D PILAR LAGUNA SNCHEZ
Decana de la Facultad de Ciencias Jurdicas
y Sociales de la Universidad Rey Juan Carlos
D. LUIS MEDIERO OSL
Gerente de la Universidad de Salamanca
D MARA JESS MORALES CAPARRS
Directora de Secretariado de Investigacin y
Transferencia de la Universidad de Mlaga
INDICE_
D. ROBERTO MORENO SERRANO

Director de UNIVERSITAS XXIINVESTIGACIN
D. SANTOS PAVN DE PAULA
Director general de Oficina de Cooperacin
Universitaria
D. BODO RIEGER
Head of the Business Administration
department. Computer science and business
management support. University of
Osnabruck (Alemania)
D. MANUEL RIVERA SEGU
Director de Comunicacin de Oficina de
Cooperacin Universitaria
D. DANIEL SNCHEZ TOLEDANO
Profesor Titular del departamento de
Contabilidad y Gestin de la Universidad de
Mlaga
D ROSA SANTERO SNCHEZ
Vicedecana de Calidad e Innovacin,
Universidad Rey Juan Carlos
D. SEBASTIN VENTURA SOTO
Profesor Titular de Ciencias de la
Computacin e Inteligencia Artificial de la
Universidad de Crdoba
D. AARON WALZ
Director of Decision Support, Administrative
Information Technology Services (AITS),
University of Illinois (Estados Unidos)
COLABORADORES
D LAURA BACHILLER CRESPO
Directora de UNIVERSITAS XXI
D NATIVIDAD BLASCO DE LAS HERAS
Presidenta del Consejo Econmico y Social
de la Comunidad Autnoma de Aragn
D. JOAO CARVALHO
Presidente do Colgio da Especialidade de
Contabilidade Pblica de Portugal
D. FERNANDO CHAPARRO
Director del Centro de Gestin del
Conocimiento y la Innovacin de la
Universidad del Rosario (Colombia)
D. ROBERTO LEAL LOBO
Director del Instituto Lobo de Brasil
D. JORDI MONTSERRAT GARROCHO
Gerente de la Universidad Nacional de
Educacin a Distancia
D. JOS LUIS PARIENTE FRAGOSO
Director de la Divisin de Estudios de
Posgrado e Investigacin de la Direccin
General de Innovacin Tecnolgica,
Universidad Autnoma de Tamaulipas
(Mxico)
D. MIGUEL NGEL PAVN DE PAULA
Director general de AUGE
D. RAFAEL ZORRILLA TORRAS
Vicegerente de Posgrado y Campus Madrid
de la Universidad Carlos III de Madrid
NDICE
LIBRO BLANCO DE
INTELIGENCIA INSTITUCIONAL
EN UNIVERSIDADES
INDICE_
INTRODUCCIN
11
Introduccin al Libro Blanco de Inteligencia Institucional
PARTE I: LA INTELIGENCIA INSTITUCIONAL

17
1. Los datos como recurso estratgico
45
2. Los aspectos tecnolgicos
77
3. Los aspectos organizativos
129
4. Identificacin de oportunidades y desarrollo de soluciones
153
5. Modelo de madurez
179
6. Nuevos campos de aplicacin: Minera de datos educativos
PARTE II: CASOS DE ESTUDIO

235
Introduccin
245
Caso 1 - Universidad de Arizona
311
Caso 2 - Universidad de Illinois
391
Caso 3 - Universidad de Osnabrck
PARTE III: OPORTUNIDADES DE APLICACIN

459
Introduccin
467
1. Cmo es la oferta docente de mi Universidad?
487
2. Se adeca la oferta docente a la demanda?
503
3. Es efectiva la actividad docente?
519
4. Cmo es la plantilla de empleados de la Universidad?
541
5. Cul es el coste de las titulaciones?
585
6. Cmo est captando recursos de I+D+I la Universidad?
617
7. Cmo es el perfil de la actividad de I+D+I de mi Universidad?
637
8. Cul es el peso relativo de las Obligaciones y Derechos Reconocidos de

la Universidad?
BIBLIOGRAFA
697
Bibliografa
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES INTRODUCCIN
PRLOGO
La Inteligencia Institucional es un conjunto de procesos y mtodos que permiten transformar los datos
de una organizacin en informacin significativa para su desarrollo estratgico, tctico y operativo. La
publicacin que la Oficina de Cooperacin Universitaria ha editado pretende exponer el significado y las
posibilidades que la aplicacin de la Inteligencia Institucional tiene para las Universidades.
Now, what I want is, Facts. Teach these boys and girls nothing but Facts. Facts alone are wanted in life. 1
(Hard Times, Charles Dickens). Esta escena de la escuela descrita en las primeras frases de Tiempos Difciles nos permite recordar que el problema hoy no es la ausencia de datos en nuestras Universidades,
sino la dificultad que tenemos para tratar, combinar, explicar y ofrecer esos datos de manera til para las
personas que trabajan en las mismas.
La inteligencia institucional va ms all de los enfoques centrados exclusivamente en los cuadros de
mandos para la direccin, teniendo como uno de sus objetivos primordiales el acceso autnomo a la
informacin analtica por parte de todo aquel que pueda beneficiarse de ella para el ptimo desempeo
de las funciones que le son propias en la institucin. Las nuevas herramientas permiten que una gran
variedad de usuarios pueda, no solo acceder a informacin analtica a travs de canales preparados por
terceros, sino tambin personalizarlos, e incluso construir nuevos canales que cubran sus necesidades
particulares sin depender de los expertos continuamente.
Una cuestin interesante es cmo la Inteligencia Institucional aplicada al seguimiento estratgico puede
llegar a cuestionar las propias lneas estratgicas y a evidenciar las debilidades de algunos de los indicadores o de los objetivos definidos en la estrategia.
La publicacin ana con xito varias partes de diferente naturaleza: la presentacin de la propia disciplina de Inteligencia Institucional, expuesta en la primera parte; los casos de estudio presentados en la
segunda, y las propuestas de anlisis plasmadas en la tercera parte. Como se hace notar en la primera
parte del libro, resulta interesante destacar el relieve que el Educational Data Mining ha adquirido en un
espacio de tiempo muy corto. Resulta tambin notable la inclusin de una herramienta de anlisis, el
modelo de madurez, para que las Universidades puedan determinar el momento en que se encuentran
en el camino de la aplicacin de la Inteligencia Institucional. Es una herramienta de autoevaluacin
que puede resultar muy til para determinar la posicin de partida y las estrategias y pasos a seguir.
11
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PRLOGO
Tanto en la primera parte, como en los tres interesantes casos de estudio descritos en la segunda parte
sobre las Universidades de Arizona, Illinois y Osnabrck, se plantea el dilema de la colaboracin entre
los tcnicos informticos y los gestores funcionales en el proceso de implantacin y explotacin de la
Inteligencia Institucional. Sin dejar de reconocer el importante papel que juegan los tcnicos informticos y sus unidades, en mi opinin, slo la implicacin muy profunda de los responsables de las reas
funcionales, en especial la acadmica y la de investigacin, puede permitir una aplicacin efectiva en el
largo plazo de la Inteligencia Institucional. La tentacin a vencer es, pues, que sean los expertos en las
herramientas los que definan los productos a obtener. En este sentido, la poltica organizativa denominada Responsibility Center Management, aplicada en la Universidad de Arizona, expresa muy bien la
importancia de la plena involucracin de los responsables de la actividad principal en la implantacin de
la inteligencia institucional.
La tercera parte atiende a un objetivo claro: el xito comienza con las preguntas adecuadas. Y tras elegir
un conjunto reducido de grandes preguntas relativas sobre todo a las actividades docentes e investigadoras, y a los costes de las mismas, se expresa con todo detalle un posible desarrollo analtico a seguir para
darles respuesta. La posibilidad creciente de la comparacin de los datos analticos con otras Universidades y con el conjunto de las Universidades espaolas aade un valor muy significativo a los resultados, porque tambin del conjunto de las Universidades vamos disponiendo de datos ms completos. En
este sentido debe subrayarse la contribucin que ha venido haciendo la CRUE con la publicacin de los
estudios de Juan Hernndez Armenteros, que contienen una informacin en cifras muy valiosa de las
Universidades espaolas.
La Oficina de Cooperacin Universitaria es un proyecto singular en el mbito del sector pblico espaol.
Las aplicaciones informticas que ha desarrollado en colaboracin con los gestores universitarios han
permitido a muchas Universidades espaolas e iberoamericanas avanzar de forma sustancial en el control de su gestin y en los servicios que ofrecen. El impulso por parte de OCU de la puesta en marcha de
las herramientas que despliegan la Inteligencia Institucional ser un nuevo hito tanto en la mejora de la
direccin estratgica como en facilitar que los distintos centros que gestionan la Universidad puedan hacerlo con plena responsabilidad. Y este libro ser una herramienta muy til, y un acicate, para recorrer
ese camino siempre complejo.
16 de octubre de 2013
Rafael Zorrilla Torras
Universidad Carlos III de Madrid
1. Pues bien; lo que yo quiero son datos. No les enseis a estos muchachos y muchachas otra cosa que datos. En la vida slo son
necesarios los datos.
12
INTRODUCCIN
LIBRO BLANCO DE
INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autores
Juan Jess Alcolea Picazo

INSTITUCIONAL, Oficina de Cooperacin Universitaria
Santos Pavn de Paula
Director General de la Oficina de Cooperacin
Universitaria
INTRODUCCIN
LIBRO BLANCO DE
EN UNIVERSIDADES
En los ltimos aos se ha desencadenando un inters generalizado en la aplicacin de las tcnicas y tecnologas de la inteligencia de negocio o business intelligence a la gestin Universitaria. Este inters est
ms que justificado, dado el tremendo valor potencial que la aplicacin de esta disciplina puede aportar
a la gestin universitaria en todos sus mbitos y a todos los niveles. Sin embargo, conseguir una adopcin
y aplicacin efectiva, que haga realidad esa propuesta de valor en toda su extensin, dista de ser una
cuestin trivial: estamos hablando de aplicar una disciplina compleja a una institucin compleja y en un
trasfondo de rpidos y profundos cambios en el panorama de la educacin superior a nivel internacional.
En este contexto, la Oficina de Cooperacin Universitaria (OCU), en una lnea ya tradicional de publicacin de libros orientados a impulsar la excelencia en la gestin universitaria, ha decidido abordar el
proyecto de creacin y publicacin de esta obra, con el fin de facilitar a las instituciones de educacin superior la adquisicin plena de esa capacidad que nosotros hemos elegido denominar Inteligencia Institucional y cuya aplicacin eficaz estamos convencidos que puede suponer un autntico salto cualitativo
en la calidad de la gestin y por tanto de los resultados de la Universidad.
El libro no solo se ha nutrido de la experiencia prctica de OCU, adquirida tras ms de diez aos apoyando
a las Universidades en sus iniciativas de inteligencia institucional, sino que ha contado adems con la
inestimable participacin de mltiples expertos en educacin superior de diversas reas y de diferentes
pases e idiomas, cuya coordinacin se ha llevado a cabo mediante la constitucin de un Comit Cientfico-Acadmico que ha actuado de orientador, revisor y soporte a los participantes. Estos han puesto
su buen hacer al servicio de esta obra en diferentes actividades y grupos de trabajo, fruto de los cuales
han ido surgiendo, a veces de manera directa y otras como resultado de la fusin y consolidacin de
diversas aportaciones, muchos de los contenidos de este libro. Nos llena de satisfaccin poder afirmar
que el trabajo con todos y cada uno de ellos ha supuesto para nosotros una experiencia tremendamente
enriquecedora, que nos ha permitido constatar su tremenda calidad profesional y humana. Vaya por
delante nuestro ms sincero agradecimiento a todos y cada uno de ellos, sin cuya participacin este libro
no habra sido posible.
Este libro no se trata de un manual tcnico, aunque introduzca algunas cuestiones bsicas relativas al
componente tecnolgico. Por el contrario, su objetivo es introducir al lector en los principales aspectos
que deben ser tenidos en cuenta para una adquisicin exitosa de la Inteligencia Institucional, la mayora
de los cuales no son de mbito tecnolgico. Los destinatarios de esta obra son, por tanto, aquellas autori14
dades que estn valorando la posibilidad de embarcar a su institucin en una iniciativa de

inteligencia institucional, as como todas aquellas personas que de una manera u otra se
encuentran implicadas en ella.
El objetivo es claro: allanar el camino, presentando el conocimiento adquirido fruto de la experiencia de aquellos que ya han emprendido este viaje, de forma que sea posible conocer,
de antemano, tanto los desafos que ser necesario enfrentar y las recomendaciones para
superarlos, como las mltiples recompensas y los atajos ms directos para llegar hasta ellas.
El libro est estructurado en tres partes bien diferenciadas. La parte I es una descripcin
general de la disciplina y sus principales implicaciones, y tiene los siguientes objetivos:
Que el lector entienda cual es la propuesta de valor de esta disciplina, y conozca sus
implicaciones tcnicas, organizativas y metodolgicas.
Dotar al lector de una herramienta que le permite evaluar el nivel de madurez de una
iniciativa de inteligencia institucional, identificando fortalezas y debilidades
Dar a conocer las posibilidades del que, a nuestro juicio, constituye el gran siguiente
avance en esta disciplina: la minera de datos educativos.
La parte II acoge tres casos de estudio realizados sobre Universidades que presentan un
alto grado de madurez en la aplicacin de la inteligencia institucional, fruto de su amplio
recorrido en esta disciplina. Se trata de las Universidades de Arizona (EEUU), Illinois (EEUU)
y Osnabrck (Alemania). Sus objetivos principales son:
Presentar al lector experiencias reales que ilustren con detalle como Universidades de
referencia en esta disciplina han afrontado el proceso de adquisicin de la inteligencia
institucional
Ilustrar la aplicacin prctica del modelo de madurez presentado en la parte I del libro
Finalmente, la parte III contiene el planteamiento de diversas preguntas de inters en el

mbito de la gestin universitaria cuya respuesta requiere necesariamente de la capacidad
de generar informacin analtica. Su objetivo es ilustrar, con diversos ejemplos, oportunidades de aplicacin de la disciplina a necesidades compartidas por todas las instituciones.
La elaboracin de un libro de esta naturaleza ha supuesto para nosotros un esfuerzo intenso
y una dedicacin constante a lo largo de algo ms de un ao de trabajo. Esperamos sinceramente que este esfuerzo haya contribuido al logro de los objetivos marcados, y que esta
obra suponga realmente un recurso prctico al servicio de todas aquellas instituciones que
quieran explotar a un nuevo nivel el que, hoy da, constituye uno de los activos ms importantes en cualquier organizacin: sus datos.
15
PARTE I
LA INTELIGENCIA
INSTITUCIONAL
LIBRO BLANCO DE
INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
LOS DATOS COMO

RECURSO ESTRATGICO
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 1 - PARTE I
Autores

Santos Pavn de Paula
Director General de la Oficina de Cooperacin
Universitaria
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE 1 CAPTULO I: LOS DATOS COMO RECURSO ESTRATGICO
CAPTULO 1
LOS DATOS COMO
RECURSO ESTRATGICO
1. LOS DATOS COMO RECURSO ESTRATGICO:

LA INTELIGENCIA INSTITUCIONAL
Uno de los hechos recientes ms significativos en la educacin superior es el aumento
explosivo de datos disponibles. La cantidad de datos que se recogen y almacenan est
creciendo rpidamente, sin embargo, esto no est suponiendo ningn beneficio para los
gestores.
Prediction of student academic performance by an application of data mining techniques, 2011 International Conference on Management and Artificial Intelligence.
1.1. LOS DATOS COMO RECURSO

Gozan los datos que atesoramos en nuestra institucin de la consideracin de recurso estratgico, es
decir - citando a la RAE de recurso de importancia decisiva para el desarrollo de la propia institucin?
O siguen, por el contrario, siendo considerados solo como un subproducto de la automatizacin de
procesos mediante sistemas informticos? De la respuesta que demos a esta pregunta surgen muchas
consecuencias, como veremos a lo largo de este captulo.
Es un hecho que cualquier institucin de educacin superior de hoy da alimenta a sus sistemas informticos de gestin y de apoyo de docencia con un flujo constante de datos, lo que desemboca, a medio plazo,
en el almacenamiento de millones de datos relativos a la actividad de la institucin.
Este almacenamiento surgi, inicialmente, fruto de la necesidad de gestin automatizada de las operaciones de la institucin, y lo que se les pide a los datos almacenados en primera instancia es precisamen20
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE I CAPTULO 1: LOS DATOS COMO RECURSO ESTRATGICO
te eso: que sirvan de soporte para las operaciones diarias que se llevan a cabo en el seno de los mltiples
procesos administrativos y docentes que se dan en una Universidad: admitir, matricular, calificar, titular,
disear y ejecutar los presupuestos, generar las nminas, administrar los espacios, inventariar los recursos materiales, etc.
Ahora bien, el almacenamiento de esta cantidad ingente de datos tiene, obviamente, un coste asociado: el propio trabajo de adquisicin de los datos, el software a travs del cual se registran, el hardware y
software de almacenamiento requerido, las redes de comunicaciones que los transportan, los sistemas
de copia de respaldo, los sistemas de control y seguridad (ya que el almacenamiento de determinados
tipo de datos no puede hacerse de cualquier manera, sino que est regulado por distintas normativas),
etc.
Sin embargo, el hecho de tener un dato almacenado no tiene valor alguno, excepto cuando ese dato almacenado es accedido para un fin til para la Universidad. Por tanto, el valor efectivo que los datos almacenados estn retornando a la institucin es directamente proporcional a la frecuencia con la que estos
son accedidos y a la utilidad efectiva que su acceso y consumo supone para la Universidad.
Considerando los datos como un recurso, la pregunta clave es: Est
la institucin obteniendo todo el valor potencial que puede ser extrado de los datos de que dispone?. Puesto que los datos constituyen un recurso ya adquirido, disponible y en constante crecimiento,
parece razonable plantearse si se est haciendo una explotacin eficaz de ellos, y si cabe un retorno mayor de la inversin permanente
que supone su adquisicin y almacenamiento.
Si nos ceimos al contexto inicial en el que surge originalmente la
necesidad de almacenamiento de datos (el soporte automatizado a
las operaciones), vemos que el tipo de valor que reporta su acceso
es esencialmente instrumental u operativo. Por ejemplo, durante el
proceso de admisin se necesita mecanizar y acceder, entre otros
datos, a la va de ingreso y a la nota de preinscripcin de los estudiantes para determinar si entran o no en el correspondiente cupo
de admitidos. Disponer de estos datos mecanizados nos permite automatizar este proceso mediante un sistema informtico, y por tanto llevarlo a cabo de manera ms rpida y fiable. De igual modo, los
resultados acadmicos reflejados en actas son hoy en da tambin
un dato ampliamente mecanizado, lo que nos permite no pocas
ventajas operativas a la hora de gestionar cada expediente.
Puesto que los datos

constituyen un recurso
ya adquirido, disponible y
en constante crecimiento,
parece razonable
plantearse si se est
haciendo una explotacin
eficaz de ellos, y si cabe
un retorno mayor de la
inversin permanente que
supone su adquisicin y
almacenamiento
Ahora bien, este tipo de usos de carcter operacional, no suponen apenas un valor aadido ni diferencial
para ninguna institucin, en el sentido de que, con pequeas diferencias, se tata de la norma, puesto
que todas las instituciones almacenan y utilizan estos datos para poder llevar a cabo procesos ms o
menos automatizados de admisin y calificacin apoyados en sistemas informticos.
21
Sin embargo, puesto que los datos ya estn mecanizados, otros tipos de explotacin son posibles: por
ejemplo, un equipo decanal podra decidir acceder a los datos que se han almacenado como resultado
de las gestiones automatizada mencionadas en el prrafo anterior, a los registros de va de ingreso, nota
de preinscripcin y resultados acadmicos de los estudiantes con el fin de analizar si existe una correlacin entre las condiciones de acceso y el posterior nivel de rendimiento en el estudio cursado. Este tipo
de utilizacin de los datos es cualitativamente distinto al anterior, no porque accedamos a un conjunto
de datos distinto se trata de los mismos datos -, sino por el tipo de utilidad que se persigue: el fin no es
llevar a cabo una operacin administrativa sobre muchos subconjuntos discretos y aislados de datos (decidir si cada aspirante debe o no ser admitido, o calificar a cada estudiantes de tal o cual asignatura), sino
llevar a cabo una explotacin analtica de los datos sobre el conjunto total de datos de acceso y resultados
acadmicos, con el fin de obtener de ellos un conocimiento til y por tanto valioso.
El valor que puede producir

la explotacin analtica
de los datos s puede ser
diferencial, en tanto en
cuanto puede serlo el
conocimiento resultante de
tal anlisis y las acciones
que de l se deriven
El valor que puede producir la explotacin analtica de los datos

s puede ser diferencial, en tanto en cuanto puede serlo el conocimiento resultante de tal anlisis y las acciones que de l se deriven;
por ejemplo: una institucin que haga el anlisis sugerido en el prrafo anterior puede llegar a concluir, de forma emprica y demostrable, que en determinados estudios s existe una correlacin entre
ciertas condiciones de ingreso (va de acceso y notas de acceso, por
ejemplo), con el rendimiento posterior de los estudiantes en determinadas materias clave, lo que puede llevar a la hiptesis de que en
esos casos existe un problema de capacitacin y preparacin previa
en determinadas disciplinas.
La adquisicin de este conocimiento podra llevar, por ejemplo, a la

decisin de ofertar cursos de nivelacin para los nuevos estudiantes que se encuentran en esos grupos de riesgo, con el fin de que
mejore su desempeo posterior en el estudio. A su vez, esta mejora
en el desempeo podra tener varias consecuencias a medio plazo, por ejemplo, que la Universidad fuera
ms atractiva para los potenciales estudiantes que accedan por determinadas va de ingreso, al presentar
resultados, tiempos y costes medios de graduacin inferiores al resto de Universidades de su zona gracias
a los efectos de esa nivelacin.
Estos dos ejemplos de uso de los datos (los proceso de admisin y calificacin, y el anlisis de correlacin
entre va de acceso y rendimiento) se basan fundamentalmente en el mismo conjunto de datos almacenados, sin embargo, el primero es instrumental, y si bien es obligatorio (hay que llevar a cabo el proceso de admisin y hay que calificar), no genera un valor aadido, diferencial. El segundo es analtico, opcional (nadie
nos obliga a realizar tal anlisis de correlacin), pero s genera un valor aadido y diferencial en tanto en
cuanto genera un conocimiento que nos permite tomar decisiones de accin bien informadas y dirigidas
hacia la resolucin de una situacin problemtica antes probablemente ignorada, o quiz solo intuida.
Veamos las principales diferencias entre una explotacin puramente operacional de los datos y una explotacin analtica de los mismos.
22
Tipo de explotacin
Operacional
Analtica
Naturaleza
Accesos repetitivos muy frecuentes a

subconjuntos pequeos de datos
Accesos poco frecuentes a

macroconjuntos muy grandes de datos
Valor resultante
Instrumental, soporte a las operaciones
Estratgico, soporte a las decisiones
Carcter
Obligatorio
Opcional
mbito
Eminentemente local (la utilizacin

de los datos ocurre en el mismo nivel
organizativo en el que se adquieren y
gestionan)
Potencialmente global (la utilizacin de

los datos puede y suele ocurrir en niveles
organizativos distintos a aquel en el que
se adquieren y gestionan)
Ejemplo
Obtencin de un listado de clase
Anlisis de la distribucin de estudiantes

por clase en un determinado estudio
El valor potencial de la explotacin analtica de los datos es muy

alto. Se trata de un valor estratgico, diferencial, y en la actualidad
con un nivel muy bajo de aprovechamiento en la mayora de las instituciones.
La sistematizacin y consolidacin de la explotacin analtica de los
datos en las instituciones de educacin superior es el siguiente gran
paso lgico en el camino hacia la excelencia en la gestin. El reto
es crear un contexto cultural, organizativo y tecnolgico que haga
posible y potencie esta actividad a todos los niveles.
El reto es crear un contexto

cultural, organizativo y
tecnolgico que haga
posible y potencie esta
actividad a todos los niveles
1.2. LA EXPLOTACIN ANALTICA DE LOS DATOS: UNA NECESIDAD

Y UNA REALIDAD CRECIENTES
En los ltimos aos se percibe un inters creciente por la explotacin analtica de los datos en el mbito
de la educacin superior. Sirva como ejemplo ilustrativo de esta realidad el caso espaol: el porcentaje de
Universidades espaolas que declaraba ya disponer o estar implantando un sistema data warehouse1 en
2009 era del 46%. En el ao 2012, esa cifra casi se ha duplicado, siendo el 83% las Universidades espaolas
embarcadas en iniciativas de data warehousing2.
En efecto, el contexto actual no solo posibilita, sino que, cada vez ms, tambin obliga a incluir la explotacin analtica de los datos como parte integrante y esencial de las capacidades y la cultura organizacional
de las instituciones de educacin superior:
Posibilita, dada la ms que suficiente madurez de las tcnicas, herramientas y disciplinas dedicadas a
este fin, con una amplia oferta de productos y servicios en el mercado, y al alcance de las Universidades.
23
Obliga, puesto que nunca fueron tan altas las exigencias de eficiencia, eficacia, rendimiento de cuentas y transparencia para las instituciones de educacin superior, y nunca hasta ahora operaban estas
en un espacio tan globalizado, exigente y cambiante.
Repasemos algunos de los principales motivos que han impulsado este inters creciente por parte de las
Universidades en la explotacin analtica de los datos:
Madurez en la gestin automatizada: en la actualidad, las Universidades han alcanzado un alto grado
de automatizacin y mecanizacin en sus procesos de gestin a travs de sistemas informticos consolidados. La proliferacin de sistemas ERP3 especializados en gestin universitaria facilitan la captura
y almacenamiento sistemtico de grandes cantidades de datos en formatos estructurados. Como ya
hemos comentado anteriormente, una vez consolidado el proceso de automatizacin, la evolucin natural en el camino hacia la madurez y la excelencia en la gestin pasa por la explotacin analtica de
esos grandes volmenes de datos que ya estn disponibles en la gran mayora de las instituciones.
onsolidacin de una cultura de aseguramiento de calidad: Fruto de polticas educativas nacionales

C
e internacionales, las iniciativas de evaluacin, acreditacin y aseguramiento de la calidad se han
instaurado con fuerza en el mbito de la educacin superior en los ltimos aos, y estn en un fuerte
proceso de consolidacin. Este tipo de iniciativas requieren necesariamente de un alto nivel de madurez en el tratamiento y la explotacin analtica de los datos, ya que suelen hacer un uso intensivo
de indicadores, promoviendo la monitorizacin permanente y el anlisis y toma de decisiones basada en el conocimiento emprico como un pilar clave para la mejora continua.
Incremento en las exigencias de supervisin y rendicin de cuentas por parte de entidades externas: El control y anlisis externo por parte de entidades internacionales, gubernamentales, financiadoras, etc. es cada vez mayor, estando obligadas las instituciones en muchos casos al envo peridico
de la mayor parte de sus datos a este tipo de entidades externas, donde son objeto de anlisis y comparacin, muchas veces con importantes efectos mediticos y frecuentemente con implicaciones
directas en la financiacin pblica, e indirectas en la financiacin privada. Es, por tanto, fundamental
garantizar la calidad y correccin de los datos proporcionados y su correcta interpretacin, para lo
cual es necesario que las instituciones de educacin superior tengan la capacidad de analizar y comprender estos datos internamente, ya que en caso contrario estn en riesgo de quedar en evidencia
cuando actores externos demuestren un conocimiento ms profundo de su realidad que ellas mismas, o incluso lleguen a conclusiones errneas fruto de datos incompletos o de mala calidad que las
instituciones no saben o no pueden validar.
Creciente valor de la transparencia: La transparencia como valor institucional, as como las polticas
pblicas de impulso a la transparencia4 estn siendo objeto de un gran desarrollo a nivel internacional, obligando en muchos casos a las instituciones pblicas, a travs de leyes especficas, a poner
1. Un data warehouse o almacn de datos es una base de datos especialmente diseada y alimentada para dar soporte a la explotacin
analtica de los datos.
2. Fuente: Informes UNIVERSITIC, Conferencia de Rectores de las Universidades Espaolas (CRUE).
3. Un sistema ERP (del ingls Enterprise Resource Planning) es una aplicacin informtica que automatiza las reas principales de gestin y
operaciones de una organizacin. El producto de OCU, UNIVERSITAS XXI, es un ejemplo de ERP especializado en gestin universitaria.
24
a disposicin de la sociedad, de manera proactiva, todos aquellos datos que puedan ser de inters
pblico, y a atender en unos plazos determinados las demandas de informacin adicional que puedan ser solicitadas por parte de cualquier ciudadano. Esta exposicin pblica requiere un nivel alto
de autoconocimiento y de garanta de calidad de los datos presentados y de las conclusiones que de
ellos se derivan, as como una agilidad en la obtencin de informacin que ser difcil de obtener
sin una adecuada infraestructura tcnica y organizativa dedicada a la obtencin y el anlisis de la
informacin.
Globalizacin y competencia: La globalizacin y virtualizacin

de la educacin superior y la coyuntura de crisis econmica en
la que se encuentra inmersa la mayor parte del mundo en 2013,
crea un contexto en el que la captacin de ms y mejores estudiantes y docentes e investigadores, as como la competicin
por fuentes de ingresos externas es una preocupacin fundamental, ya que en ocasiones est en juego la viabilidad econmica de la propia institucin o de alguno de sus estudios. En
este sentido, aquellas instituciones que sean capaces de analizar su realidad con mayor agilidad y profundidad, de tomar
decisiones fundamentadas en el conocimiento emprico obtenido a travs del anlisis permanente, y de medir el impacto
real de esas decisiones, estarn en una situacin de clara ventaja respecto al resto para desenvolverse con xito en el contexto
actual.
Todas estas realidades conforman un contexto en el que adquirir la

capacidad de poder realizar una explotacin analtica de los datos
eficaz, gil y con garantas ya no es tanto un lujo como una necesidad cada vez ms acuciante.
aquellas instituciones que

sean capaces de analizar su
realidad con mayor agilidad
y profundidad, de tomar
decisiones fundamentadas
en el conocimiento
emprico obtenido a travs
del anlisis permanente, y
de medir el impacto real
de esas decisiones, estarn
en una situacin de clara
ventaja
1.3. LA INTELIGENCIA INSTITUCIONAL

1.3.1. BUSINESS INTELLIGENCE E INTELIGENCIA INSTITUCIONAL
El reconocimiento de la importancia estratgica que la explotacin analtica de los datos tiene en una
empresa es algo que dio lugar, a finales de la dcada de los noventa, a la disciplina, hoy ampliamente
extendida, de la business intelligence o inteligencia de negocio5. Sin embargo, como hemos visto, la im-
4. En el caso espaol, las Universidades Pblicas son explcitamente citadas como entidades sujetas a la legislacin que sobre transparencia se est gestando en el momento de redaccin de esta obra..
5. Segn la versin inglesa de Wikipedia, la inteligencia de negocios es el conjunto de teoras, metodologas, procesos, arquitecturas y
tecnologas que transforman los datos brutos en informacin significativa y til para los propsitos del negocio.
25
portancia y el valor potencial de la explotacin analtica de los datos no es patrimonio exclusivo de la

empresa privada, sino comn a cualquier organizacin, sea del mbito que sea.
Centrndonos en la realidad que nos ocupa, hemos elegido el trmino inteligencia institucional6 para
referirnos a la aplicacin y adaptacin de esas tcnicas y tecnologas de inteligencia de negocio, surgidas
en el mbito empresarial, al servicio de las instituciones de educacin superior. Puesto que es un nombre
largo, inteligencia institucional suele abreviarse de forma coloquial como i2.
El uso de este trmino est lejos de ser unnime: otro trmino alternativo bastante extendido para referirse a la aplicacin de la inteligencia de negocio a las instituciones de educacin superior en el mbito
anglosajn es Academic analytics, y se sigue usando mucho tambin el trmino que hace referencia a
la disciplina original: Business Intelligence o, abreviado, BI. En cualquiera de los tres casos, nos estamos
refiriendo a lo mismo.
Existen varios motivos que nos hacen utilizar un trmino distinto y especfico, como es inteligencia
institucional, en lugar de seguir usando el trmino original business intelligence, para referirnos a la
aplicacin de la inteligencia de negocio a las Universidades. Principalmente, son los siguientes:
El trmino business (negocio) no es, en general, bien recibido cuando lo aplicamos a un contexto
universitario, especialmente pblico. Puede tener connotaciones negativas que hagan percibir la disciplina como algo ajeno, propio de otros mbitos o sectores, e improcedente en la Universidad.
Los objetos de anlisis varan mucho al movernos desde el mbito de las empresas al mbito de la
educacin superior. Al haber nacido y haber evolucionado en un contexto empresarial, la literatura,
los modelos y las herramientas preconstruidas de inteligencia de negocio centran sus anlisis tradicionalmente en conceptos clave para las empresas (stock, producto, cliente, margen, rentabilidad, etc.), que son secundarios o inexistentes en el mbito de la educacin superior. Esto quiere
decir que es necesario definir modelos de anlisis especficos, a medida de la misin de la educacin
superior, ya que los tradicionalmente existentes son de difcil aplicacin, o insuficientes para la amplia realidad universitaria.
Si bien las tcnicas y herramientas para la explotacin analtica de los datos son comunes, la realidad
universitaria es muy distinta a la empresarial. Las Universidades son instituciones con una estructura organizativa muy compleja y muy distinta a las encontradas habitualmente en empresas. La
fuerte descentralizacin y autonoma de las unidades docentes y administrativas que la componen,
la existencia de estructuras organizativas paralelas, la temporalidad de los equipos de gobierno, los
equilibrios polticos fruto del sistema participativo de eleccin interna, la amplitud y complejidad de
la misin Universitaria, etc. hacen que el contexto en el que se debe aplicar la explotacin analtica
de los datos sea mucho ms complejo, y tenga que enfrentar retos y situaciones especficas y distintas a las habitualmente encontradas en empresas.
6. Del ingls Institutional Intelligence, trmino introducido con esta acepcin en 2005 por Eric Donohue y Debra Friedman, de la Universidad de Washington por aquel entonces, y popularizado en 2007 por Dave Wells en el artculo Institutional Intelligence: Applying business
intelligence principles to higher education, publicado en la revista Campus Technology.
26
1.3.2. UNA DEFINICIN DE INTELIGENCIA INSTITUCIONAL

Decir que la inteligencia institucional es la aplicacin y adaptacin de la inteligencia de negocio al caso
particular de las instituciones de educacin superior es, en realidad, decir poco, ya que el trmino inteligencia de negocio es un trmino difuso que acoge multitud de definiciones e interpretaciones. Por tanto,
en un esfuerzo por concretar, hemos acuado la siguiente definicin:
Inteligencia Institucional es la capacidad de la Universidad para dar a cada miembro
de la comunidad universitaria acceso autnomo a toda aquella informacin analtica
de valor para el ptimo desempeo de sus funciones, a travs de canales especializados y
permanentes, obteniendo una utilizacin eficaz de los mismos.
Esta definicin contiene varios aspectos que conviene remarcar, a
saber:
Hablamos de una capacidad de la institucin como un todo,

es decir, en palabras de la RAE, de una aptitud, talento o cualidad que dispone a alguien para el buen ejercicio de algo. No
hablamos de software. Preguntar por inteligencia institucional
no equivale a preguntar por la existencia de un data warehouse,
(un reduccionismo, por otra parte, bastante extendido).
Esta capacidad busca un objetivo claro: potenciar el ptimo

desempeo de las funciones de cada uno en la Universidad, y
tiene un mbito potencial global: todos los miembros de la comunidad universitaria7.
Un acceso ptimo a la informacin analtica no puede darse de

cualquier manera, sino que tiene que cumplir tres requerimientos fundamentales: La autonoma en el acceso a la informacin
por parte del destinatario, la especializacin de los canales a
las necesidades particulares y especficas que las funciones de
cada destinatario dicten, y el sostenimiento en el tiempo de los
canales entregados (en oposicin a soluciones momentneas
de utilidad y vigencia efmeras).
La condicin de utilizacin eficaz (es decir, citando a la RAE:

logrando el efecto que se desea o se espera) de la informacin
analtica puesta a disposicin de los destinatarios es un requerimiento clave para que podamos hablar de inteligencia insti-
Inteligencia Institucional
es la capacidad de la
Universidad para dar
a cada miembro de la
comunidad universitaria
acceso autnomo a toda
aquella informacin
analtica de valor para el
ptimo desempeo de
sus funciones, a travs de
canales especializados y
permanentes, obteniendo
una utilizacin eficaz de los
mismos.
7. Los sistemas de inteligencia de negocio han estado tradicionalmente dirigidos casi exclusivamente a perfiles de muy alto nivel en la
pirmide organizativa. Hoy, sin embargo, se reconoce que no hay ninguna razn para limitar el valor potencial que estos sistemas pueden
ofrecer restringiendo, a priori, sus destinatarios.
27
tucional. Lograr esta utilizacin eficaz es uno de los retos principales en esta disciplina, y tiene mucho que ver con la cultura institucional.
Pongamos algunos ejemplos muy resumidos del tipo de canales a los que se refiere la definicin. La inteligencia institucional podra dar a una Universidad la capacidad de crear y dar acceso, permanente y con
autonoma para los destinatarios a canales de distribucin de informacin que permitan:
Al gerente acceder a informacin diaria de ejecucin de los presupuestos de gastos e ingresos, entre
la que se incluyen diversas mtricas y comparativas que ponen de manifiesto desviaciones o potenciales anomalas, ya sea por comparacin con la lnea base prevista o con ejecuciones de ejercicios
previos.
A las unidades de retencin identificar los patrones habituales de abandono en cada estudio, as
como la identificacin de estudiantes en riesgo, asignndoles una probabilidad de desercin basada
en los datos histricos previos
A los decanos analizar la evolucin de la matrcula en sus centros a lo largo del tiempo, acompaada
de indicadores de tendencia y ponindolos en el contexto global de la Universidad y de la evolucin
demogrfica de la regin geogrfica en la que operan
Al vicerrector de Investigacin conocer la actividad investigadora y produccin cientfica actual e

histrica de cada uno de los departamentos y grupos de investigacin, as como el nivel de xito en
la captacin de fondos externos
A los departamentos conocer las tendencias y previsiones respecto a la demanda de asignaturas

optativas y de libre eleccin de cuya docencia son responsables
A las comisiones de calidad obtener los indicadores de rendimiento clave de cada estudio, junto con
informacin de evolucin, tendencias, y valoracin respecto a los objetivos marcados en cada caso
Etc.
Ahora bien Cmo se obtiene esta capacidad? Cmo adquirimos la inteligencia institucional? La respuesta a esta pregunta es compleja y extensa, y se desarrolla a lo largo de todo este libro; no obstante,
tenemos una respuesta corta, de un prrafo, que condensa la descripcin del contexto ideal en el que esta
capacidad (la inteligencia institucional) se adquiere y desarrolla con mximas garantas de xito. Es la
siguiente:
Esta nueva capacidad institucional se consigue a travs de un programa incremental
formalmente establecido, orientado por los usuarios, dirigido por un comit de alto nivel
en el contexto de una estrategia especfica, y ejecutado por una unidad dedicada, con el
apoyo del rea de TI y las reas administrativas clave.
Desglosamos a continuacin, elemento a elemento, los conceptos clave de la definicin anterior, explicando y justificando cada uno:
28
Programa: entendido no en su acepcin de software, sino como un conjunto de proyectos y ser-
vicios interrelacionados orientados a cubrir una determinada

necesidad, destacando la permanencia en el tiempo de los
servicios como caracterstica fundamental, y en oposicin a la
simplificacin de concebir la inteligencia institucional como un
mero proyecto (normalmente de despliegue de software o de
construccin de un data warehouse), que por definicin tiene
una fecha de inicio y una fecha de fin.
Esta nueva capacidad

institucional se consigue
a travs de un programa
incremental formalmente
establecido, orientado por
los usuarios, dirigido por un
comit de alto nivel en el
contexto de una estrategia
especfica, y ejecutado por
una unidad dedicada, con
el apoyo del rea de TI y
las reas administrativas
clave.
incremental: porque es imposible identificar y cubrir la totalidad de los objetivos en un solo esfuerzo, la inteligencia institucional debe construirse al ritmo que cada Universidad se marque, paso a paso, en proyectos cortos, acotados, que juntos van
sumando y creando esa nueva red de canales de distribucin de
informacin analtica a medida, en un proceso de exploracin,
descubrimiento y aprendizaje conjunto para todos los implicados.
formalmente establecido: es decir, un programa autorizado

y comunicado, con entidad oficial, una iniciativa institucional
gestionada, en oposicin a una iniciativa individual o local
basada ms en el voluntarismo de los participantes que en el
cumplimiento de una directriz institucional.
orientado por los usuarios: porque no podemos esperar una

utilizacin eficaz si no dejamos que los destinatarios sean la referencia clave y constante a la hora de disear los canales de distribucin de informacin analtica.
Ellos son los que luego habrn de usar estos canales para, aplicando su criterio y su juicio experto,
transformar la informacin en conocimiento, y el conocimiento a su vez en decisiones, generando
as el valor para la institucin. Constituyen por tanto el polo hacia el que deben dirigirse todos los
esfuerzos, garantizando as la idoneidad de los canales de informacin para el desempeo de sus
funciones de manera ptima.
dirigido por un comit de alto nivel: porque es necesaria una visin institucional global capaz de
priorizar las distintas necesidades segn los intereses generales de la institucin (que no siempre
coinciden con algunos intereses locales). Porque es necesario definir nuevas polticas y normativas
que vertebren la iniciativa, y garantizar la participacin adecuada de todos los agentes implicados
en la produccin y consumo de informacin analtica, que suelen estar dispersos en multitud de
unidades, y frecuentemente sin un marco organizativo comn que las cohesione. Porque a veces hay
que vencer resistencias que solo desde la alta direccin8 pueden ser gestionadas adecuadamente.
en el contexto de una estrategia especfica: porque la iniciativa es lo suficientemente amplia y

compleja como para que la improvisacin no sea una opcin de xito. Porque es necesario establecer
8. Uno de los principios ms arraigados hoy en da en la disciplina de la inteligencia de negocio, independientemente del sector en el que se
aplique, es que sin un liderazgo de alto nivel, activo y sostenido en el tiempo, cualquier iniciativa de este tipo estar abocada al fracaso o, en
el mejor de los casos, a unos resultados locales muy discretos y poco sostenibles.
29
los objetivos y beneficios esperados que justifican la iniciativa, as como su temporalidad, y criterios
de xito a partir de los cuales poder medir el progreso. Porque es necesario prever los medios y los
enfoques con los que se afrontarn los diversos aspectos de la iniciativa.
ejecutado por una unidad dedicada: porque el desarrollo de la inteligencia institucional es un

servicio cuya prestacin requiere especializacin y dedicacin. La existencia de una unidad de inteligencia institucional, cuya misin es el soporte y la promocin activa de la explotacin analtica
de los datos en la institucin, es clave para la articulacin eficaz de la cadena de valor del dato, y su
existencia formal es una de las principales garantas de xito de la iniciativa.
con el apoyo de tecnologas de la informacin: porque la tecnologa es la que hace posible la iniciativa, y es necesario disponer de plataformas software y hardware slidas y flexibles, as como de la
capacidad de desarrollar utilizando las herramientas especializadas correspondientes.
y de las reas administrativas clave: porque son las que disponen del conocimiento tcnico y funcional experto en sus respectivos dominios de gestin, las que adquieren y administran los datos
en origen, y las nicas, por tanto, capacitadas para validar la correccin de la informacin analtica
producida y diagnosticar los problemas de calidad de datos que, con toda seguridad, surgen en el
contexto de cualquier iniciativa de business intelligence.
Todos estos aspectos sern desarrollados con mayor profundidad en captulos posteriores.
1.4. LA CADENA DE VALOR DEL DATO

La inteligencia institucional puede verse como el resultado de la implantacin exitosa y generalizada de
un tipo especial de cadena de produccin, lo que denominaremos la cadena de valor del dato.
En este tipo de cadena de produccin, consideramos como materia prima a los datos. Esta materia prima debe pasar por una serie de procesos de transformacin a lo largo de una cadena de valor que la va
enriqueciendo, para dar lugar finalmente a un producto de alto valor aadido y con efectos prcticos:
la decisin.
Este proceso de transformacin del dato se suele representar como una cadena de valor que parte de
los datos y los va enriqueciendo a travs de varios estadios consecutivos de valor creciente. Veamos una
primera representacin simplificada de esta cadena de valor:
30
CUADRO 1
DESCRIPCIN: Cadena de valor - De los datos a la decisin.
FUENTE: Elaboracin propia
CAPTURA, ESTRUCTURACIN, ALMACENAMIENTO

DATOS
VALOR
INTEGRACIN, AGREGACIN, COMBINACIN

INFORMACIN
PRESENTACIN, INTERPRETACIN, ANLISIS, JUICIO EXPERTO
CONOCIMIENTO
APLICACIN, PRCTICA, ACCIN

DECISIN
Veamos en qu consisten cada uno de los cuatro productos obtenidos en las diferentes etapas de esta
cadena de valor:
Dato: Constituye la materia prima. Para el caso que nos ocupa, consideraremos al dato como la representacin de una realidad discreta, circunscrita a un contexto reducido, de carcter operacional,
y por tanto de aplicacin directa limitada a ese contexto. Por ejemplo, una nota de un 5 en lgebra
lineal, es un dato.
Informacin: Se construye mediante la agregacin, combinacin y contextualizacin de muchos

datos con un propsito determinado. Retomando el ejemplo que ponamos en el apartado 1, una
grfica de evolucin de la tasa de rendimiento de un determinado estudio en los ltimos 5 aos clasificada por va de acceso de los estudiantes, es informacin: surge de la agregacin y combinacin
de miles de datos que provienen de varios contextos operacionales (acceso, matrcula, resultados
acadmicos), contextualizndolos a lo largo del tiempo, y con un propsito determinado (analizar la
evolucin del rendimiento de los estudiantes y buscar posibles correlaciones entre este y la va de
acceso a la Universidad).
Conocimiento: El resultado de interpretar y analizar informacin adecuadamente presentada, persiguiendo el descubrimiento o la constatacin (o refutacin) emprica de una realidad compleja antes
desconocida o solo intuida.
31
Por ejemplo, aplicando la interpretacin y el juicio experto a una informacin similar a la del ejemplo anterior, se podra llegar al conocimiento de la siguiente realidad: los estudiantes que acceden a
los estudios de ingeniera a travs de una determinada va de acceso presentan de forma sistemtica
un rendimiento muy bajo en determinadas materias bsicas de matemticas, lo que frecuentemente desemboca en el fracaso (abandono) de una proporcin muy alta de este colectivo de estudiantes.
Este conocimiento de la realidad est basado en la interpretacin de informacin emprica y cuantificable, que a su vez ha sido producida a partir de la agregacin de miles de datos.
Decisin: Es el resultado final de la cadena de valor, que puede ser desde decidir no hacer nada,
hasta ejercer una o varias acciones, normalmente para modificar algunas de las realidades constatadas mediante el conocimiento en la fase anterior. Por ejemplo, el conocimiento adquirido en
el paso anterior relativo al mal rendimiento sistemtico en asignaturas con un fuerte componente
matemtico de determinados colectivos de estudiantes que acceden por una determinada va a un
cierto estudio, nos puede llevar a la decisin de ofertar cursos de nivelacin9 en matemticas a los
estudiantes de nuevo ingreso que accedan por esa va, con el fin de mejorar su preparacin y aumentar el rendimiento de este colectivo, disminuyendo as la desercin.
Usando el ejemplo expuesto en la explicacin de las cuatro etapas, podramos resumir el proceso de
puesta en valor de los datos de la siguiente manera: hemos partido de un conjunto de varios miles de
datos de actas y de preinscripcin, y los hemos convertido en un curso de nivelacin en matemticas para
los estudiantes de nuevo ingreso que accedan al estudio por una determinada va.
Este es el fin ltimo que persigue la inteligencia institucional, y en esto radica su propuesta de valor: en
la transformacin sistemtica de datos en decisiones informadas, pertinentes y orientadas a la mejora, a
cualquier nivel, y en cualquier mbito.
1.4.1. LOS PARTICIPANTES EN LA CADENA DE VALOR DEL DATO

Existe un error de enfoque ampliamente arraigado sobre el que debemos estar prevenidos. Consiste en
creer que el aspecto ms importante en la cadena de valor del dato es el tecnolgico. El resultado de esta
creencia es, normalmente, el planteamiento de la inteligencia institucional como un proyecto de construccin o implantacin de software asignado exclusivamente al rea de Tecnologas de la Informacin.
Sin embargo, las posibilidades de xito a medio/largo plazo de este tipo de enfoque reduccionista hacia lo
tecnolgico10 son muy pocas, porque la realidad es que los aspectos funcionales y organizativos son mu-
9. Este tipo de cursos se suelen denominar en Espaa cursos cero

10. Un sntoma muy claro de este tipo de enfoques es que el objetivo de la iniciativa se describa casi exclusivamente en trminos tecnolgicos. Implantar un data warehouse, por ejemplo, nunca debera ser el objetivo de una iniciativa de inteligencia institucional. El error de este
planteamiento es hacer del medio, un fin. Sin embargo, no es raro (y es hasta cierto punto lgico) encontrar planteamientos de este tipo
cuando Tecnologas de la Informacin es el nico responsable de la iniciativa.
32
cho ms crticos que los tecnolgicos para la adecuada produccin

de informacin a travs de la cadena de valor.
Esto no quiere decir que la tecnologa no sea importante: como en
las cadenas de produccin tradicionales, la tecnologa es un componente bsico que nos permite articular y automatizar una gran
parte de los procesos de transformacin y distribucin. Sin embargo, la cadena de valor debe ser operada y supervisada por personal
especializado en cada una de sus fases, sin cuya participacin no
podremos garantizar unas determinadas propiedades irrenunciables en el producto final.
El siguiente diagrama muestra las etapas de la cadena de valor, el
subproducto que se genera en cada etapa, los colectivos que la hacen funcionar, en qu etapas de la cadena acta cada uno, y cuales
son las principales propiedades que debe garantizar cada fase.
Este es el fin ltimo que

persigue la inteligencia
institucional, y en esto
radica su propuesta de
valor: en la transformacin
sistemtica de datos en
decisiones informadas,
pertinentes y orientadas a
la mejora, a cualquier nivel,
y en cualquier mbito
UNIDADES
ADMINISTRATIVAS
UNIDAD DE INTELIGENCIA INSITUCIONAL
USUARIOS
FINALES
PERTINENCIA DE LA INFORMACIN
CALIDAD DE LOS DATOS
CUADRO 2
DESCRIPCIN: Cadena de valor del dato- Participantes y propiedades

DATOS

INFORMACIN
REALIDAD
CONOCIMIENTO
JUICIO EXPERTO, APLICACIN PRCTICA, ACCIN

DECISIN
33
Como se observa, los colectivos protagonistas encargados de llevar a buen trmino esta cadena de valor
son tres (ntese que existen reas de solapamiento entre ellos), a saber:
1)
Las unidades administrativas: es decir, los servicios de gestin acadmica, recursos humanos, gestin econmica, investigacin, etc. Ellos son los expertos funcionales en sus dominios de gestin
especfica, y ellos son los que capturan los datos que modelizan la realidad de la institucin en sus
sistemas de gestin, lo cual posibilita todo el tratamiento posterior. Puesto que estn en el inicio del
proceso, cualquier problema que se origine en su mbito se arrastrar y afectar a todas las etapas
posteriores de la cadena de valor, por lo que su participacin y vinculacin permanente es absolutamente crtica. Como vemos en el diagrama, sus mbitos de accin son:
Etapa de datos: se trata de su mbito exclusivo, y consiste en la obtencin de los datos de partida,
a travs de su captura, estructuracin y registro en los sistemas operacionales pertinentes.
Etapa de informacin: se trata de su mbito secundario, compartido con la unidad de inteligencia institucional, donde deben ejercer de supervisores de las labores de generacin de informacin a travs de la integracin, agregacin y combinacin de los datos que han puesto a
disposicin, y garantes de la correccin funcional de la informacin resultante.
2)
Para la unidad de
inteligencia institucional, la
produccin generada por la
cadena de valor del dato es
el fin ltimo, la razn de su
existencia, y el rasero por el
que debe medirse su xito
34
La unidad de inteligencia institucional: su existencia es crucial puesto que son los expertos en las tcnicas y tecnologas
de business intelligence y su aplicacin a la gestin universitaria. Su misin est directamente vinculada a la produccin de
informacin y conocimiento al servicio de los usuarios finales.
Para la unidad de inteligencia institucional, la produccin generada por la cadena de valor del dato es el fin ltimo, la razn
de su existencia, y el rasero por el que debe medirse su xito, ya
que esta unidad es la responsable directa de la prestacin del
servicio de inteligencia institucional. Por este motivo, esta unidad constituye el autntico motor de la cadena, en una suerte
de traccin central, dada su posicin en la misma, y ejerce
una labor fundamental de coordinacin y transmisin entre
las etapas anteriores, operadas por las unidades administrativas, y las posteriores, operadas por los usuarios finales consumidores de la informacin. Como se observa en el diagrama,
sus mbitos de accin en la cadena de valor son:
Etapa de informacin: son los encargados de disear, construir y mantener los procesos de integracin, agregacin y combinacin de los datos extrados de la etapa anterior, con el apoyo del
conocimiento experto de las unidades administrativas.
Etapa de conocimiento: son los encargados de disear, construir y mantener los canales de distribucin de informacin que permitan y faciliten la interpretacin y el anlisis por parte de los
usuarios finales. Lgicamente, son asistidos por estos en las labores de diseo de tales canales,
para garantizar que se adecuan al uso y tipo de anlisis especfico de cada caso y cada perfil de
usuario.
3) Los usuarios finales: son, potencialmente, todos los colectivos

que conforman la comunidad universitaria. Docentes, administrativos, estudiantes, directivos, aspirantes, egresados, investigadores, etc. Su responsabilidad en la cadena de valor es vital,
pues son los nicos capaces de generar el producto final buscado que provee el autntico valor para la institucin: las decisiones informadas. Todas las etapas previas, y la propia cadena
en s, son irrelevantes si, una vez que la informacin se pone a
disposicin de los destinatarios, no se produce una adquisicin
de conocimiento y una aplicacin efectiva de ese conocimiento
adquirido. Como se observa en el diagrama, sus mbitos de accin en la cadena de valor son:
el usuario final aplica

su juicio experto al
conocimiento adquirido
para producir una decisin
efectiva en su mbito
de responsabilidad. Aqu
es donde se produce el
autntico valor, este es
el resultado ltimo que
justifica todo el esfuerzo
previo
Etapa de conocimiento: deben colaborar activamente junto con la unidad de inteligencia institucional en el diseo
de los canales de distribucin de la informacin, para que
se adecuen al mximo al tipo de anlisis requerido para la
produccin de conocimiento, y deben hacer efectivo ese
uso de forma sistemtica.
Etapa de Decisin: se trata de su mbito exclusivo, y de la

culminacin de todo el proceso llevado a cabo en la cadena
de valor: el usuario final aplica su juicio experto al conocimiento adquirido para producir una
decisin efectiva en su mbito de responsabilidad. Aqu es donde se produce el autntico valor,
este es el resultado ltimo que justifica todo el esfuerzo previo.
La importancia de estos tres colectivos para el funcionamiento de la cadena de valor del dato es crtica,
por los siguientes motivos:
No puede faltar ninguno. Sin la participacin eficaz y vinculacin permanente de estos tres colectivos, la cadena de valor no puede darse.
El mal desempeo de cualquiera de ellos, lastra los resultados de toda la cadena: malos datos de
partida dificultan la generacin de informacin fiable. Informacin mal integrada o deficientemente
presentada dificulta la obtencin de conocimiento. El conocimiento obtenido pero no aplicado es
baldo.
Dada su importancia, tres de las dimensiones que forman parte del modelo de madurez de inteligencia
institucional propuesto en el captulo 5 estn explcitamente dedicadas a valorar la calidad e intensidad
de la vinculacin de estos tres colectivos en la iniciativa de inteligencia institucional.
Propiedades fundamentales: Calidad de los datos y pertinencia de la informacin
Como podemos apreciar en el cuadro 2 (pg. 29), una cadena de valor del dato bien implantada debe
garantizar dos propiedades fundamentales, sin las cuales la fiabilidad y/o utilidad de sus resultados se
vern comprometidas. Se trata de las siguientes:
35
1)
la inteligencia institucional
requiere que las unidades
administrativas deban
garantizar que los datos
que gestionan son de
calidad para un nuevo
tipo de explotacin
(analtica) que puede
ocurrir fuera de ellas. Esta
nueva responsabilidad,
si no est articulada y
respaldada por un contexto
organizativo y de reparto
de responsabilidades claro,
es una fuente de tensiones
y conflictos constante
La calidad de los datos: Existen mltiples definiciones del concepto de calidad de datos. Nosotros preferimos la definicin
de J.M Juran11, general y sencilla de entender: consideramos
que un conjunto de datos es de calidad si da cobertura suficiente a todos sus usos previstos en las operaciones, la toma de
decisiones, y la planificacin.
Desde este punto de vista, a la hora de incluir una nueva fuente de

datos en el sistema de inteligencia institucional, es frecuente encontrar conjuntos de datos que, siendo perfectamente aptos para las
operaciones diarias, no lo son para la explotacin analtica. El motivo es que tanto los procesos de adquisicin de esos datos como sus
polticas de almacenamientos fueron diseados teniendo en mente exclusivamente la primera de las coberturas mencionadas en la
definicin anterior de calidad de datos: la operativa. Sin embargo,
la inteligencia institucional requiere que las unidades administrativas deban garantizar que los datos que gestionan son de calidad
para un nuevo tipo de explotacin (analtica) que puede ocurrir fuera de ellas en contextos de planificacin y de toma de decisiones.
Esta nueva responsabilidad, si no est articulada y respaldada por
un contexto organizativo y de reparto de responsabilidades claro, es
una fuente de tensiones y conflictos constante.
La calidad de los datos debe asegurarse fundamentalmente durante

las dos primeras etapas de la cadena de valor, y su garanta debe
estar embebida en los procesos de captura, estructuracin, almacenamiento, integracin, agregacin y combinacin de los datos. Las
unidades administrativas, como propietarias de los datos fuente,
deben garantizar la calidad de los mismos en su sistema de origen, y certificar la correccin de la
informacin producida en la segunda etapa, y la unidad de inteligencia institucional debe implementar los controles adecuados que permitan la verificacin de esta calidad en los procesos de adquisicin y transformacin de los datos.
2) La pertinencia12 de la informacin: Esta propiedad debe asegurarse fundamentalmente durante las

dos ltimas etapas, y su garanta debe estar embebida en los procesos de presentacin, interpretacin, anlisis y aplicacin prctica de la informacin. La responsabilidad de la pertinencia de la informacin es fundamentalmente compartida entre el rea de inteligencia institucional, como artfice de
los productos de informacin que son generados y puestos a disposicin de los distintos destinatarios,
y los diversos colectivos de usuarios, que son los que tienen, en ltima instancia, la llave de la genera-
11. J. M. Juran, Quality Control Handbook, New York, NY: McGraw-Hill, 1951
12. Pertinencia en el sentido de utilidad para su propsito, para los fines que se persiguen. Esto, por supuesto, implica conocer y definir esos
fines con exactitud, y hacerlo en trminos funcionales, de negocio, expresados en el mbito de actuacin del usuario final.
36
cin de valor mediante la aplicacin prctica del conocimiento adquirido, y por tanto son los que deben definir y juzgar si la informacin entregada es pertinente para los fines perseguidos en cada caso.
La importancia de la pieza central: la unidad de inteligencia institucional
Si nos fijamos de nuevo en la estructura propuesta en el cuadro 2 (pg. 29) para la cadena de valor del
dato, vemos con claridad por qu es esencial la existencia de la unidad de inteligencia institucional.
Como ya hemos comentado antes, esta unidad es el motor de toda la iniciativa, y ejerce un papel crtico al
ser la va de conexin entre los colectivos a ambos extremos de la cadena: las unidades administrativas,
que recogen y producen los datos base, y los colectivos de usuarios finales consumidores de informacin,
que utilizaran productos basados en esos datos para la toma de decisiones en, potencialmente, cualquier
mbito de la gestin universitaria.
Como veremos en captulos posteriores, la creacin (o identificacin) de esta unidad, el establecimiento
de su misin y recursos, y su situacin en el organigrama es uno de los aspectos iniciales ms importantes a la hora de adquirir la capacidad de la inteligencia institucional, y de cuyo acierto depende en gran
medida la velocidad y efectividad con que esta capacidad se consolide, por dos motivos fundamentales:
Garanta de Compromiso: Es el nico de los tres colectivos participantes en la cadena de valor cuya
existencia est ligada y justificada por la existencia de la iniciativa de inteligencia institucional. Por
tanto, est, por definicin, comprometida con la iniciativa, mientras que las unidades administrativas y los usuarios finales estn solo implicados en la misma.
Garanta de Especializacin: Es el nico de los tres colectivos cuya misin es exclusivamente la ejecucin y promocin de la iniciativa inteligencia institucional, lo que le permite la focalizacin y especializacin exclusiva.
Si bien esta unidad suele acabar apareciendo con el tiempo, cuando la iniciativa sale de un estado experimental y se desea su consolidacin, lo habitual es que sea la gran ausente en los primeros compases de la
mayora de las iniciativas de inteligencia institucional, asumiendo temporalmente su papel otras unidades
(Informtica, Calidad, Planificacin) que, lgicamente, no pueden ofrecer el mismo nivel de compromiso,
especializacin, ni visin global.
1.5. DOS ESCENARIOS OPUESTOS

Para entender mejor el valor que puede aportar a una institucin la implantacin efectiva de la cadena
de valor del dato a travs de una iniciativa de inteligencia institucional, nada mejor que presentar dos
escenarios opuestos.
37
1.5.1. EN AUSENCIA DE UNA INICIATIVA DE INTELIGENCIA

INSTITUCIONAL
Este escenario representa una situacin en la que la explotacin analtica de los datos no se encuentra
formalizada como tal en la institucin, y por tanto la cadena de valor del dato no est articulada. Las
situaciones que suelen encontrarse en este escenario son:
Las unidades administrativas (que adquieren y gestionan los datos en origen) estn continuamente
atendiendo peticiones de datos a medida con fines analticos por parte de diversos rganos directivos de la Institucin o de otras unidades y reas funcionales. No existe normalizacin alguna en los
canales, los tiempos de atencin ni el formato de solicitud ni entrega de la informacin, sino que
cada peticin es atendida y procesada de forma individual y totalmente ad hoc por parte de cada
unidad administrativa. El conjunto de peticiones de datos que llegan a cada unidad forman, de facto,
una carga de trabajo adicional considerable, y genera una compleja red interna, oculta, no gestionada y de coste no cuantificado, de flujos de distribucin de informacin en la institucin.
Los peticionarios de datos con fines analticos no tienen una ventanilla nica en la que solicitar
la informacin que necesitan, sino que tienen que dirigirse a la unidad administrativa que gestiona
(o creen que gestiona) los datos que necesitan, o en su defecto a Tecnologas de la Informacin. La
disponibilidad, canales, formatos, tiempos de respuesta, criterios aplicados, etc. dependern de las
circunstancias de cada unidad en el momento de la peticin. Los cruces de informacin procedente
de unidades distintas deben ser realizados por el propio peticionario a su propio riesgo. La informacin entregada y las conclusiones obtenidas no son revisadas ni sancionadas por ninguna entidad
que se responsabilice de su fiabilidad.
Esta incertidumbre genera

por defecto un clima de
cautela y reticencia en el
acceso, que no facilita la
distribucin y explotacin
analtica de la informacin
incluso en casos legtimos y
deseables
38
No existe una poltica clara sobre a qu datos puede acceder

quin, ni un proceso establecido de solicitud y aprobacin o
denegacin de acceso, ni un responsable claro de tomar la decisin. Esta incertidumbre genera por defecto un clima de
cautela y reticencia en el acceso, que no facilita la distribucin
y explotacin analtica de la informacin incluso en casos legtimos y deseables.
No existe especializacin en la atencin a las peticiones de datos, esto es, dependiendo de quien las atienda en cada unidad,
los criterios tcnicos y funcionales para la obtencin de los
datos pueden ser diferentes. No se conocen o registran de manera formal los criterios seguidos para atender cada peticin,
ni existen garantas de que la misma peticin hecha en dos
momentos diferentes o atendida por dos personas distintas de
la unidad administrativa sea resuelta con los mismos criterios
y por tanto llegue a los mismos resultados.
Las soluciones que se entregan tienen un tiempo de vida efmero, puesto que se conciben y gestionan como peticiones aisladas, sin vocacin de continuidad, sin un enfoque a largo plazo y sin un
mantenimiento posterior, lo que implica, normalmente, un retrabajo cuando, meses despus llega
la misma peticin u otra similar. Las soluciones entregadas no constituyen canales de distribucin
de datos, sino volcados offline que tienen por tanto su vigencia restringida al momento de la peticin, y que no dan autonoma al destinatario para la obtencin posterior de esa misma informacin
en otros momentos.
La atencin a estas peticiones de datos compiten con el trabajo especfico de la unidad administrativa que gestiona el dato, cuya actividad est ligada a cuestiones operativas, a veces de misin
crtica (matricular, generar las nminas, etc.). Conforme la demanda de este tipo de peticiones crece,
la capacidad de atenderlas por parte de las unidades administrativas que gestionan los datos se va
quedando pequea, con lo que los peticionarios empiezan a obtener la informacin que necesitan
en plazos cada vez ms largos, a menudo teniendo que tomar decisiones o haciendo pblica informacin basada en datos caducos, incompletos o imprecisos, o en el peor de los escenarios- renunciando a ella.
Los mismos trminos funcionales se interpretan de formas dispares dentro de la organizacin. No

existen definiciones consensuadas y frecuentemente se hacen asunciones dispares sobre el significado o alcance de trminos funcionales bsicos (nmero de empleados, alumnos de nuevo
ingreso, etc.). Circulan internamente resultados diferentes para el mismo concepto, lo cual genera
desconfianza, y puesto que la trazabilidad de los clculos es compleja por haber sido atendidos de
manera ad-hoc y espordica, frecuentemente estos resultados divergentes nunca llegan a consolidarse o aclararse.
Con el incremento de la frecuencia y complejidad de las peticiones de datos, las unidades administrativas no son capaces de atender algunas peticiones porque el sistema de gestin con el que
operan no dispone de salidas de datos en el formato o con la relacin de datos solicitada por el
peticionario, y no se dispone de herramientas especficas para la extraccin y presentacin gil de
datos. Se requiere entonces la participacin de personal tcnico (habitualmente del rea de tecnologas de la informacin) para que extraiga y formatee los datos directamente desde las bases de
datos, accediendo a bajo nivel mediante consultas SQL o scripts complejos, aumentando el tiempo,
el coste, la complejidad y la incertidumbre en cuanto a los criterios de los resultados obtenidos.
A medio plazo, el resultado de este tipo de escenarios, en el contexto

actual de demanda creciente de informacin, es bastante negativo:
Descontento y frustracin por parte de los diversos peticionarios de informacin, puesto que sienten que sus peticiones se
atienden tarde, se entienden mal, no son fiables, suponen una
carga y no constituyen una solucin permanente a sus necesidades. Este contexto nos acaba llevando a la resignacin: no es
posible obtener la informacin, o es tan costoso, y los resultados
tan cuestionables, que no merece la pena el esfuerzo.
Descontento y frustracin por parte de los proveedores de los
Este contexto nos acaba

llevando a la resignacin:
no es posible obtener
la informacin, o es tan
costoso, y los resultados
tan cuestionables, que no
merece la pena el esfuerzo
39
datos en las unidades administrativas, que sienten que la atencin a estas peticiones compiten con
su misin principal y sus tareas diarias, que no tienen ni las herramientas ni el tiempo necesario
para atenderlas en condiciones, y que en ocasiones les cargan con una responsabilidad que no les
corresponde.
Un esfuerzo, y por tanto un coste, oculto y no gestionado, dedicado a tratar de atender las peticiones
de datos en este contexto, obteniendo a cambio un valor muy limitado.
1.5.2. CON UNA INICIATIVA DE INTELIGENCIA INSTITUCIONAL

EFICAZMENTE IMPLANTADA
Todos los datos

institucionales identificados
como relevantes para
la produccin de
informacin analtica,
independientemente de su
origen, naturaleza y destino,
son recogidos e integrados
en este almacn central
40
Este escenario representa una situacin en la que existe un contexto de soporte formal a la explotacin analtica de los datos bien
consolidado en la institucin, es decir, hemos sido capaces de instaurar, de forma consciente y efectiva a travs de una iniciativa de
inteligencia institucional, esa cadena de valor del dato que nos permite transformarlos de manera sistemtica en conocimiento eficaz
al servicio de la comunidad universitaria. Las caractersticas de este
escenario son:
Un sistema dedicado: Se consolidan en un solo sistema central (data warehouse) los datos de las diversas reas de gestin,
unificando el tratamiento y especializando el modelo de almacenamiento para facilitar el anlisis. Todos los datos institucionales identificados como relevantes para la produccin de
informacin analtica, independientemente de su origen, naturaleza y destino, son recogidos e integrados en este almacn
central, lo que facilita su procesamiento y consumo con fines
analticos.
Un servicio dedicado: Se establece, a travs de la unidad de inteligencia institucional, una ventanilla nica al servicio de la comunidad universitaria en todo lo relativo a la explotacin analtica
de los datos institucionales, a disposicin de todo aqul que tenga legtima necesidad, con personal
especializado asignado. Los usuarios saben que es a este servicio al que deben dirigir sus necesidades de informacin, independientemente de la naturaleza de ests y del origen de los datos que las
compongan. Las unidades administrativas quedan liberadas de la atencin directa y completa a las
peticiones de informacin del resto de la comunidad universitaria (si bien, como se ha visto antes,
son participantes clave en la cadena de valor del dato, aunque en etapas muy especficas y con responsabilidades concretas).
Las polticas de acceso a los datos estn establecidas, y existe un proceso conocido para tramitar las
nuevas peticiones de acceso, unos criterios para resolverlas, y un rgano con potestad encargado de
definir y mantener las polticas de acceso correspondientes.
Consenso sobre el significado de los trminos funcionales: se identifican, consensuan y publican los
significados de los trminos funcionales y los criterios de clculo relativos a la informacin que se
produce en la cadena de valor, frecuentemente ms ambiguos y sujetos a interpretacin de lo que
puede parecer a priori.
Capacidad de autoservicio para los usuarios: el producto que se entrega para atender una peticin
ya no es, en general, un volcado esttico de datos, sino un canal de distribucin de informacin on-line, dinmico, hecho a medida de la necesidad del destinatario, y de forma que constituye una solucin permanente y mantenida en el tiempo, accesible en cualquier momento, sin que el peticionario
original tenga que realizar ulteriores solicitudes ni dependa de terceros para acceder a la misma
informacin actualizada.
Facilidad de anlisis de los datos: el acceso a los datos se realiza a travs de canales y herramientas especializadas para este fin, a travs de formatos que facilitan el consumo de la informacin, la
exploracin interactiva, la navegacin, y el anlisis desde diversos puntos de vista, as como su consumo en otras herramientas ofimticas habituales mediante la exportacin en diversos formatos.
Existe un marco formal para el dialogo entre los actores operacionales y analticos: al existir un reparto claro de responsabilidades en cuanto al tratamiento de los datos, y una unidad que coordina y
cataliza las distintas necesidades de informacin, los conflictos relativos a la calidad de los datos y/o
la pertinencia de la informacin, encuentran dentro de la cadena de valor del dato un marco oficial y
gestionado, liderado por la unidad de inteligencia institucional, en el que ser tratados y solucionados.
El resultado a medio plazo en este tipo de escenarios es el siguiente:
Satisfaccin por parte de los peticionarios de datos con fines analticos, que encuentran un marco
formal, estructurado, especializado y gestionado de soporte para la atencin a sus necesidades de
explotacin de datos, y que les provee de canales dinmicos de acceso a la informacin que necesitan
para el ptimo desempeo de sus funciones, dotndoles de autonoma.
Satisfaccin por parte de las unidades administrativas que gestionan los datos en origen, que se
sienten parte de una iniciativa global, formal y reconocida en la que son participantes estrictamente
en los mbitos que les son naturales, y se ven liberados de la responsabilidad de la atencin directa y
completa a las peticiones de informacin analtica que llegan del resto de la institucin.
Un esfuerzo, y por tanto un coste, conocidos y gestionados, dedicados a atender las necesidades de
explotacin analtica de los datos en la institucin con un alto valor aadido.
1.6. LA RESISTENCIA AL CAMBIO

Por muy deseables y prometedores que sean los resultados que se pueden obtener al poner en marcha
una iniciativa de inteligencia institucional, la realidad es que en la mayora de las ocasiones, es necesario
gestionar una considerable resistencia al cambio. La resistencia al cambio casi siempre es fruto del miedo. Revisemos los principales miedos que una iniciativa de inteligencia institucional puede despertar:
41
A veces, no queremos saber,

o no queremos que otros
sepan, porque esto nos
plantear un conflicto que
no queremos enfrentar
Miedo a tener que tomar decisiones: a veces, como consecuencia de un determinado anlisis, surgen con claridad situaciones
que han permanecido ocultas (o ignoradas) durante bastante
tiempo, pero que, una vez salen a la luz, exigen una decisin,
decisin que puede no ser fcil. A veces, no queremos saber, o
no queremos que otros sepan, porque esto nos plantear un
conflicto que no queremos enfrentar.
Miedo a la crtica fruto del escrutinio: el acceso autnomo, sin

censura, por parte de usuarios finales a conjuntos de datos
que tradicionalmente han estado celosamente administrados
por determinadas personas o unidades, suele generar reticencias a los custodios, al perder la exclusividad en la entrega (y
a menudo, interpretacin) de esos datos a terceros, y ante la
posibilidad de que determinada carencias en la gestin o el almacenamiento de los datos, ocultas hasta el momento, salgan
a la luz.
Miedo a perder poder o importancia: si solo yo soy capaz de desentraar los misterios del modelo
de datos del sistema X para extraer la informacin que el resto de la institucin requiere, eso me
pone en una situacin de poder. Ese poder desaparece cuando el sistema X es integrado en el data
warehouse y todos esos datos que solo yo poda obtener son extrados y cargados en un entorno en
el que todo el mundo puede analizarlos de forma autnoma.
ser un eslabn en una

cadena de valor formal
cuyo resultado puede
ser una decisin de gran
calado, es ciertamente una
responsabilidad no menor
Miedo a una sobrecarga de trabajo: habitualmente, datos que

son perfectamente vlidos para las operaciones diarias, no lo
son para la explotacin analtica y el anlisis estadstico. Por
este motivo, tras la incorporacin de una nueva fuente de datos
a un data warehouse, suelen surgir, de golpe, muchas carencias de este tipo que, con frecuencia, puede suponer una carga
de trabajo temporal pero intensa para la unidad que gestiona
los datos en origen, o incluso cambios en su operativa de trabajo, lo que puede dar lugar a este tipo de resistencia.
Miedo a asumir nuevas responsabilidades: ser un eslabn en

una cadena de valor formal cuyo resultado puede ser una decisin de gran calado, es ciertamente una responsabilidad no
menor que, con la formalizacin de una iniciativa de inteligencia institucional, suele hacerse explcita e ineludible.
En general la empata basada en el entendimiento de los miedos del otro, las actitudes inclusivas basadas
en propuestas del tipo todos ganamos, y las directrices argumentadas pero firmes son los mejores caminos para neutralizar o mitigar estas resistencias, que, por cierto, no siempre son frontales, y por tanto
a veces hay que desenmascarar con tacto.
42
1.7. RESUMEN Y CONCLUSIONES

Los datos tienen el potencial de ser uno de los recursos ms importantes con los que cualquier organizacin cuenta hoy en da.
La inteligencia institucional consiste en la implantacin efectiva
de una cadena de valor del dato, para transformar estos - a travs
de diversas etapas - en decisiones informadas con impacto real en
la institucin, extrayendo, de esta forma, un importantsimo valor
aadido de un recurso que ya poseemos.
Esta capacidad no slo posibilita una gestin excelente a todos los
niveles, sino que, lejos ya de tratarse de un lujo, constituye una necesidad imperiosa para enfrentar con xito los mltiples retos que
el complejo contexto actual impone a las instituciones universitarias. En cierto modo, se trata de reconocer la importancia y la necesidad de formalizar y potenciar una actividad de distribucin de
datos con fines analticos que, en muchos casos, ya se est haciendo
en cierta medida, pero de forma bsica, fragmentada, descoordinada y frecuentemente insatisfactoria.
se trata de reconocer
la importancia y la
necesidad de formalizar
y potenciar una actividad
de distribucin de datos
con fines analticos que,
en muchos casos, ya se
est haciendo en cierta
medida, pero de forma
bsica, fragmentada,
descoordinada y
frecuentemente
insatisfactoria
No obstante, la implantacin efectiva de esa cadena de valor del

dato dista de ser una tarea trivial, y requiere de un marco formal
que articule esa transformacin de los datos crudos en informacin al servicio de los intereses de la institucin, implicando a todos
los actores necesarios en la cadena de forma armnica y coordinada. Solo as, adecuadamente apoyada en una estructura formal, puede promocionarse una cultura analtica que impulse el saludable hbito del anlisis y la mejora continua a todos los niveles. Esta cultura
analtica debe impulsarse, de forma activa, desde el equipo de gobierno, potenciando y reconociendo
positivamente el uso de la informacin en la toma de decisiones a cualquier nivel.
Se trata de una empresa que puede parecer inmensa, y que no estar exenta de resistencias internas,
pero que est al alcance de cualquier institucin, puesto que, como veremos en posteriores captulos,
puede - y debe - abordarse de forma incremental, gradual, al ritmo y con la intensidad que cada institucin quiera y pueda asumir en base a sus necesidades y posibilidades. Afrontada de este modo, los
primeros xitos no tardarn en llegar, y, a partir de entonces, la cadena de valor del dato ya no dejar de
producir cada vez ms y mejores resultados.
43
LOS ASPECTOS
TECNOLGICOS
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 2 - PARTE I
Autor

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE I CAPTULO 2: LOS ASPECTOS TECNOLGICOS
CAPTULO 2
LOS ASPECTOS
TECNOLGICOS
1. LOS ASPECTOS TECNOLGICOS

Desde que la disciplina del business intelligence se populariz a principios de la dcada de los 90, las
tcnicas y tecnologas especializadas han tenido ms de veinte aos para progresar. Gracias a esta evolucin, que ha sido y sigue siendo - intensa debido al grandsimo inters que la disciplina ha despertado
desde sus inicios, disponemos en la actualidad de una oferta tecnolgica amplia, madura y diversa, y de
unas tcnicas bsicas de diseo y construccin consolidadas y de aplicacin generalizada.
Si bien el aspecto tecnolgico no es el nico ni el ms crtico en una iniciativa de inteligencia institucional (como ya hemos comentado en el captulo anterior, los aspectos funcionales y organizativos nos
plantearn con seguridad retos ms complejos), juega un papel fundamental obvio, por lo que tener
al menos un conocimiento general de los principales conceptos de
mbito tecnolgico es necesario para poder entender, a un cierto
nivel de detalle, los diversos planteamientos y enfoques posibles a
la hora de afrontar una iniciativa de inteligencia institucional.
disponemos en la
actualidad de una oferta
tecnolgica amplia, madura
y diversa, y de unas
tcnicas bsicas de diseo
y construccin consolidadas
y de aplicacin
generalizada
46
Este captulo no pretende, en ningn caso, ser una referencia del

estado del arte en cuanto a las tcnicas y tecnologas actuales de
business intelligence (lo cual, dada la velocidad a la que evolucionan,
hara que quedara obsoleto en muy poco tiempo), ni pretende sustituir a los grandes manuales clsicos en tcnicas de data warehousing
y business intelligence. Su objetivo es otorgar al lector no familiarizado con los aspectos ms tcnicos de esta disciplina un nivel de compresin bsico sobre los fundamentos tcnicos y tecnolgicos ms
importantes y ms generalizados, y de la importancia y el impacto
que estos pueden tener en la iniciativa de inteligencia institucional.
1.1. LOS RESULTADOS DE LA TECNOLOGA:

LOS TIPOS DE PRODUCTOS DE DATOS
Denominaremos producto de datos a cualquier sistema cuya funcionalidad est centrada en el procesamiento de datos y la presentacin de resultados con fines analticos y/o de toma de decisiones en un
contexto especfico, con unos destinatarios concretos y unos fines claramente especificados.
Estos productos de datos son la cara visible de las iniciativas de inteligencia institucional, y constituyen
el catlogo, la oferta interna de soluciones que la unidad de inteligencia institucional pone a disposicin
de los usuarios. Constituyen, por tanto, la realizacin explcita de la potencialidad general de un sistema
de inteligencia institucional, y , en trminos de la cadena de valor del dato, actan como los canales que
ponen la informacin en manos de los usuarios finales en los formatos adecuados para que estos extraigan el conocimiento pertinente.
Considerando el tipo de funcionalidad estndar que aportan, y los
requerimientos tecnolgicos que implican, podemos hacer una clasificacin general en cuatro grandes tipos de productos de datos:
Informes on-line parametrizados
Navegacin de datos ad-hoc
Paneles de control
Productos analticos avanzados
Es importante entender la naturaleza de cada tipo y sus caractersticas, porque saber elegir el tipo de producto de datos ms adecuado
para cada necesidad de informacin y perfil de usuario es clave para
la aceptacin y el uso efectivo por parte de los destinatarios.
saber elegir el tipo de

producto de datos ms
adecuado para cada
necesidad de informacin
y perfil de usuario es clave
para la aceptacin y el uso
efectivo
A continuacin haremos una pequea exposicin de cada uno de ellos.
1.1.1. INFORMES ON-LINE PARAMETRIZADOS

Se trata de representaciones de la informacin generalmente sencillas que suelen ser accedidas de manera exclusiva (es decir, se visualiza nicamente el informe que se desea consumir). La informacin que
proporcionan est centrada normalmente en aspectos muy especficos. La informacin suele presentarse
a un nivel de detalle medio/alto. El soporte operacional y la distribucin peridica de informacin recurrente y de estructura muy estable suelen ser los usos clsicos de este tipo de producto de datos.
Estos informes tienen dos particularidades que los diferencian de la entrega de un informe en papel o un
envo por correo de un informe en PDF:
47
Son on-line, es decir, el usuario puede obtenerlos y refrescar sus contenidos bajo demanda en cualquier momento, otorgndoles as autonoma en el acceso a la informacin que proveen.
Ofrecen al usuario una serie de opciones limitadas y preestablecidas para personalizar algunos o
todos los siguientes aspectos de la informacin presentada:
48
La naturaleza de la informacin mostrada: por ejemplo, un usuario puede elegir en un informe

orientado a analizar la evolucin de la matrcula, entre visualizar el nmero de estudiantes
matriculados o el nmero de crditos matriculados, es decir, dos maneras alternativas de medir
una misma realidad funcional.
El alcance de la informacin mostrada: es decir, el usuario puede filtrar la informacin por

determinados conceptos. Por ejemplo, en el informe de evolucin de matrcula, puede filtrar la
informacin para que slo se muestre la matrcula de un determinado centro, de un determinado tipo de estudio, de un determinado tipo de asignatura, etc.
El formato de salida en que la informacin es representada: por ejemplo, el usuario puede

seleccionar si desea ver la informacin de evolucin de matrcula en trminos de valores absolutos, en porcentajes de variacin interperiodo, en formato tabular o en formato de grfica
de barras.
Los criterios de clasificacin y agregacin de la informacin presentada: por ejemplo, el usuario puede elegir la inclusin o exclusin de diversos elementos normalmente organizativos
en los que la informacin es desglosada y totalizada. Por ejemplo, incluir o excluir el centro o
el tipo de asignatura en un informe de recuento de matrculas.
Pueden permitir al usuario la navegacin por las jerarquas existentes en los datos mostrados: lo
que se conoce como operaciones de navegacin vertical por los datos: drill down o drill up, una
funcionalidad estndar hoy da en cualquier plataforma de business intelligence. La operacin de
drill down permite al usuario partir de la visualizacin de datos muy agregados y poder ir aumentando el nivel de detalle paso a paso, a travs de los diversos niveles de una jerarqua determinada.
La operacin de drill up es la contraria, y nos permite ir agregando cada vez ms los datos a niveles de detalle ms resumidos. Poniendo un ejemplo, el informe de evolucin de matrcula puede
inicialmente mostrar la informacin de evolucin de matrcula a nivel de toda la Universidad, y
permitir al usuario que vaya desagregando esa informacin a travs de la jerarqua predefinida con
8 niveles siguientes: Universidad --> centro --> estudio --> plan de estudios --> curso --> asignatura
--> grupo --> estudiante. La funcionalidad de poder desglosar un dato agregado, paso a paso, en los
diversos conceptos que lo componen, hasta el mximo nivel de detalle, es una de las funcionalidades ms apreciadas por los usuarios de este tipo de productos de datos. De esta forma, el mismo
informe sirve tanto para obtener la informacin de que hay 22.313 estudiantes matriculados en
total en la Universidad, y para saber, a travs de sucesivas operaciones de drill down (activadas
normalmente haciendo click en un dato numrico determinado o en el encabezado de una fila o columna), los nombres y apellidos de los 49 estudiantes que cursaron la asignatura derecho romano,
de segundo curso, del plan 2009, del estudio Grado en Derecho, de la Facultad de Ciencias Jurdicas,
en el curso 2012/13.
Pueden permitir al usuario la reestructuracin de representacin de las tablas o matrices presentadas: es decir, cambiar el
posicionamiento de filas y/o columnas, sacarlas fuera de la tabla, excluirlas, etc.
Pueden permitir al usuario la posibilidad de exportar la informacin presentada a los formatos ms habituales (Excel, fichero separado por comas, formatos imprimibles como PDF, etc.)
Pueden estar vinculados a otros informes a travs de enlaces

en los propios datos, creando as rutas de navegacin lgica
por la informacin, en la que cada informe est especializado
en la presentacin de un determinado tipo y/o nivel de informacin. Est navegacin en horizontal se suele denominar
drill-through, y si se hace siguiendo patrones de anlisis lgicos y naturales para el usuario, puede aportar un valor aadido
tremendo a este tipo de productos de datos al suministrar un
proceso guiado de anlisis de la informacin.
La combinacin y el buen uso de todas estas posibilidades por parte

del desarrollador puede dar lugar a informes on-line parametrizados con un grado de libertad tan amplio, que el usuario final puede
tener la sensacin de estar ante un producto de navegacin de datos
ad-hoc (ver siguiente categora), aunque en sentido estricto no sea
as, sin que por el contrario perciba la mayor complejidad habitual
de ese otro tipo de soluciones.
Y Ver Figura 1 (pg. sig.)
poder desglosar un dato

agregado, paso a paso,
en los diversos conceptos
que lo componen, hasta el
mximo nivel de detalle, es
una de las funcionalidades
ms apreciadas por los
usuarios de este tipo de
productos de datos
La combinacin y el
buen uso de todas estas
posibilidades por parte
del desarrollador puede
dar lugar a informes online parametrizados con
un grado de libertad tan
amplio, que el usuario final
puede tener la sensacin
de estar ante un producto
de navegacin de datos
ad-hoc
49
FIGURA 1
DESCRIPCIN: Ejemplo de informe on-line parametrizado en UNIVERSITAS XXI INTELIGENCIA INSTITUCIONAL
50
FIGURA 2
DESCRIPCIN: El mismo informe anterior, con las posibilidades de interaccin para el usuario desplegadas. Ntese el selector de mtricas (arriba), la ordenacin de filas (iconos de tringulos opuestos en curso 2011-12), la posibilidad de modificar la estructura de
la tabla arrastrando y soltando sus elementos (representado por las pestaas de agarre en los ttulos), la posibilidad de hacer drill
down en los subtipos de estudio, el selector de formato (en el centro), y las opciones de refrescar los datos, imprimirlos, o exportarlos.
51
1.1.2. NAVEGACIN DE DATOS AD-HOC

Este tipo de producto de datos permite al usuario navegar por la informacin de una o varias reas
de anlisis sin una limitacin preconcebida en la naturaleza, tipo, nivel de agregacin o formato de la
informacin que se desea obtener. Ofrecen al usuario el catlogo de todos los elementos de informacin
disponibles, y le permiten ir construyendo de forma libre e interactiva la salida de informacin deseada
mediante la combinacin de estos elementos, normalmente en una estructura matricial base que puede
ser complementada con mltiples representaciones grficas y de otros tipos.
FIGURA 3
DESCRIPCIN: Ejemplo de navegacin de datos ad-hoc en UNIVERSITAS XXI INTELIGENCIA INSTITUCIONAL. En el panel de la
izquierda puede observarse la lista de elementos de informacin disponibles para el analista. En el panel de la derecha, la matriz que
el usuario ha ido creando mediante el procedimiento de arrastrar y soltar los elementos elegidos. En el momento de la captura, la
matriz combinaba seis elementos de informacin elegidos por el usuario: n de estudiantes matriculados, rama, tipo de estudio, ao
acadmico, gnero y modalidad.
El tipo de uso ms comn de los productos de navegacin de datos ad-hoc es el anlisis exploratorio,
donde no hay una idea preconcebida del resultado final, y normalmente ocurre en un contexto de formulacin/contrastacin de hiptesis o de bsqueda de anomalas. Tambin es habitual su utilizacin en
la generacin de juegos de datos a medida, con el objetivo de exportarlos y tratarlos con tcnicas estadsticas avanzadas en herramientas externas especializadas.
52
Normalmente, la libertad y la potencia de este tipo de productos

de datos tienen el precio de una mayor complejidad de uso, y de
tal variedad de posibilidades que frecuentemente los usuarios menos expertos se ven abrumados. En estas ocasiones, como hemos
comentado en el punto anterior, un juego de informes on-line parametrizados bien diseados y con una buena lgica de navegacin,
puede resultar una solucin mucho ms adecuada para usuarios
menos expertos, al menos en primera instancia.
1.1.3. PANELES DE CONTROL

Este tipo de productos de datos permiten al usuario acceder a una
combinacin de salidas de informacin simultneas y complementarias entre s, conformando un canal de distribucin de informacin muy rico en cuanto a la naturaleza mltiple y heterognea (pero integrada y coherente) de la informacin presentada. Es
precisamente esta simultaneidad en la visualizacin de mltiples
salidas de informacin la que permite que cada elemento de informacin enriquezca y a su vez sea enriquecido por los que le rodean,
aportndose contexto mutuamente, y generando un producto de
datos en el que el valor informativo del resultado final es mayor que
la suma de las partes que lo componen.
La informacin suele presentarse por defecto altamente agregada
y en formatos de representacin muy compactos. Normalmente las
salidas de tipo grfico predominan sobre las vistas tabulares.
El tipo de uso ms
comn de los productos
de navegacin de datos
ad-hoc es el anlisis
exploratorio, donde no hay
una idea preconcebida
del resultado final, y
normalmente ocurre en un
contexto de formulacin/
contrastacin de hiptesis
o de bsqueda de
anomalas
Es precisamente esta
simultaneidad en la
visualizacin de mltiples
salidas de informacin
la que permite que cada
elemento de informacin
enriquezca y a su vez sea
enriquecido por los que
le rodean, aportndose
contexto mutuamente
53
FIGURA 4
DESCRIPCIN: Ejemplo de un panel de control de UNIVERSITAS XXI INTELIGENCIA INSTITUCIONAL. La pestaa mostrada presenta diversas salidas de informacin orientadas al anlisis de alto nivel de la matrcula en la Universidad.
Al igual que en el caso de los informes on-line parametrizados, los paneles de control se pueden vincular
a otros, e incluso a informes individuales, configurando as rutas de navegacin de alto valor aadido.
Los paneles de control pueden tener muy diversos usos, desde la monitorizacin de indicadores clave de
rendimiento, en cuyo caso las salidas de informacin estn centradas en la medicin y valoracin de una
serie de indicadores respecto a los valores objetivos explicitados1, hasta el seguimiento y anlisis contextualizado y en profundidad de diversos procesos de negocio.
1.1.4. PRODUCTOS ANALTICOS AVANZADOS

Este tipo de productos de datos surgen de la aplicacin de un amplio abanico de tcnicas avanzadas
1. El caso ms conocido de este tipo de paneles de control orientados a la monitorizacin de indicadores son los Cuadros de mando integral, o Balanced Scorecards.
54
de estadstica, minera de datos, aprendizaje automtico e inteligencia artificial. Permiten, mediante la

generacin de modelos especializados, ofrecer a los usuarios funcionalidades sofisticadas tales como:
la prediccin de eventos futuros (por ejemplo, la desercin en los estudiantes)
el descubrimiento de conocimiento oculto (por ejemplo, que los ms de cien departamentos de la

Universidad pueden agruparse en un nmero pequeo de tipologas claramente diferenciadas, o
que en un determinado plan de estudios existen asignaturas cuya matrcula y resultados estn
fuertemente correlacionados)
la proyeccin de escenarios posibles para anlisis del tipo qu pasara si? (por ejemplo, impacto
econmico de aumentar o disminuir el nmero de plazas ofertadas en primer curso en tal o cual
titulacin)
la generacin automtica de recomendaciones para el apoyo a la toma de decisiones orientadas a

optimizar determinados resultados configurables (por ejemplo, la confeccin automtica de una matrcula recomendada con una seleccin de asignaturas que maximice la probabilidad de xito).
FIGURA 5
DESCRIPCIN: Ejemplo de generacin automtica de un modelo de clasificacin orientado a la prediccin de abandono en un conjunto
de prueba, representado como un rbol de decisin
55
Es cada vez ms frecuente

que este tipo de productos
avanzados retornen
sus resultados (...) a los
mismos sistemas de
gestin de la Universidad
de cuyos datos bsicos
se nutrieron inicialmente,
incorporndolos as en los
procesos operacionales
La utilizacin de este tipo de productos avanzados puede darse tanto en contextos operacionales (por ejemplo, la valoracin del riesgo de abandono para cada estudiante es una ayuda operativa clara
para un departamento de retencin), como analticos (por ejemplo,
la clasificacin de los departamentos en tipologas con el fin de entender las diferencias entre ellos y disear polticas acadmicas especficas).
Es cada vez ms frecuente que este tipo de productos avanzados retornen sus resultados nuevos datos de alto valor aadido, derivados del procesamiento masivo de los datos bsicos de entrada - a los
mismos sistemas de gestin de la Universidad de cuyos datos bsicos se nutrieron inicialmente, incorporndolos as en los procesos
operacionales y creando por tanto una suerte de crculo virtuoso
de enriquecimiento mutuo.
Tanto en el captulo Tendencias de futuro y nuevos campos de
aplicacin como en alguno de los casos de estudio de la parte II se
expondrn, con cierto nivel de detalle, algunos ejemplos y tcnicas
relativas a esta amplia categora de productos de datos.
1.2. ARQUITECTURA ESTNDAR DE UN SISTEMA DE INTELIGENCIA

INSTITUCIONAL
Tras acercarnos a la cara visible de la inteligencia institucional, es decir, a los distintos tipos de productos de datos que una plataforma de inteligencia institucional puede ofrecer a los usuarios, vamos a hacer
una exposicin general de las partes que no se ven, pero que constituyen la base tecnolgica imprescindible para que esos productos de datos puedan ser construidos.
Aunque el perfil del lector no sea tcnico, es importante entender, aunque sea a nivel general, el papel
que juegan los diferentes componentes y cmo se relacionan entre si, para entender la complejidad del
montaje tecnolgico necesario y no caer en la excesiva trivializacin del mismo, fruto del efecto iceberg
(es decir, la trivializacin fruto del hecho de que la mayor parte de la complejidad est oculta para el usuario final), del que con cierta frecuencia nos quejamos los profesionales del business intelligence.
La arquitectura de la gran mayora de los sistemas de business intelligence es la siguiente:
56
CUADRO 1
DESCRIPCIN: Arquitectura general de un sistema de business intelligence
SISTEMAS
FUENTE
PROCESOS DE
EXTRACCIN,
TRANSFORMACIN
Y CARGA
PLATAFORMA
DE BUSINESS
INTELLIGENCE
AC
EC
RRHH
DATA
WAREHOUSE
INV
OTROS
Como se muestra en el diagrama, en un anlisis de alto nivel podemos identificar cuatro elementos tecnolgicos principales, a saber:
Los sistemas fuente: que constituyen el origen de los datos
Los procesos de extraccin, transformacin y carga: ms conocidos por procesos ETL2, que son los
canales por los que los datos de los sistemas fuente fluyen hasta el data warehouse.
El data warehouse: que es la base de datos central donde se consolidan todos los datos provenientes
de los diversos sistemas fuente.
La plataforma de business intelligence: que es la encargada de, utilizando los datos almacenados en el
data warehouse para elaborar la informacin correspondiente, ejecutar y poner los diversos productos de datos a disposicin de los usuarios finales.
2. Del ingls: Extract, Transform, Load.

57
En los apartados siguientes hacemos un repaso algo ms detallado de la naturaleza y funciones de cada
uno de estos cuatro componentes.
1.2.1. LOS SISTEMAS FUENTE

Se denomina sistema fuente a todos aquellos sistemas que aportan datos al data warehouse. Normalmente se trata de los sistemas de gestin internos de la Universidad, o ms en concreto, de las bases de
datos en las que estos se apoyan. Sin embargo, no es extrao que se incluyan tambin entre los sistemas
fuente otros orgenes de datos no tan sofisticados, como ficheros EXCEL, o ficheros XML, que suelen contener datos internos que estn siendo gestionados de forma ms o menos manual, o datos de contexto
que se obtienen de fuentes externas.
no es infrecuente
replantearse, como paso
previo al lanzamiento
de una iniciativa de
inteligencia institucional, y
normalmente fruto de un
pre-anlisis de viabilidad,
la sustitucin de aquellos
sistemas de gestin que
presentan muy pobres
cualidades como sistemas
fuente
Los sistemas fuente condicionan fuertemente toda la iniciativa de

inteligencia institucional, en tanto en cuanto impactan directamente en la complejidad del montaje tcnico necesario para alimentar
el data warehouse, en el esfuerzo de mantenimiento, y en la calidad
de la informacin que los usuarios finales recibirn a travs de los
productos de datos. Por este motivo, no es infrecuente replantearse,
como paso previo al lanzamiento de una iniciativa de inteligencia
institucional, y normalmente fruto de un pre-anlisis de viabilidad,
la sustitucin de aquellos sistemas de gestin que presentan muy
pobres cualidades como sistemas fuente, por otros que ofrezcan
ms garantas y una mayor adecuacin para el tratamiento analtico posterior de los datos que se gestionan en su seno.
Veamos los principales aspectos de los sistemas fuente que condicionan de algn modo al sistema de inteligencia institucional, as
como el tipo de impacto que suponen:
Controles de calidad de los datos
El nivel de garanta que el sistema fuente ofrece respecto a la calidad de sus datos, normalmente mediante la implementacin de
controles y validaciones en los canales de entrada de datos, condicionar enormemente la magnitud
del esfuerzo de construccin de los procesos ETL y la calidad de la informacin entregada a travs de los
productos de datos. Las bases de datos relacionales, que son con diferencia los orgenes de datos ms habituales hoy da, ya disponen hace tiempo de los mecanismos necesarios para garantizar las propiedades
bsicas:
58
La integridad referencial: que garantiza la validez de las relaciones entre los datos almacenados. Por
ejemplo, impide que existan asignaturas asociadas a departamentos que no existen.
La normalizacin de los datos: que refuerza la unicidad en los conceptos almacenados y previene la
redundancia fruto de la existencia de mltiples versiones de la misma entidad.
Los controles de obligatoriedad: que garantiza la existencia de determinados datos que se consideran imprescindibles a la hora de registrar una nueva entidad en el sistema.
No obstante, estos mecanismos pueden ser no usados, o desactivados en determinados casos. Un uso
adecuado de estos mecanismos por parte del sistema fuente garantizar una calidad mnima de los datos almacenados que facilitar todo el procesamiento posterior a lo largo de la cadena de valor. Un sistema fuente que no pueda garantizar estos tres aspectos debera ser seriamente cuestionado como origen
de datos apto para el sistema de inteligencia institucional.
Integracin
La realidad de la gestin universitaria requiere con frecuencia de la utilizacin del mismo concepto o
entidad en mbitos de gestin distintos. Por ejemplo, el departamento es una entidad que se utiliza en
el mbito de la gestin acadmica, por su papel en la docencia; en el mbito de la gestin de la investigacin, por su papel en la actividad investigadora, y en el mbito de los recursos humanos, al tratarse de la
unidad organizativa a la que se adscribe un profesor cuando es contratado. Si los sistemas de gestin acadmica, de investigacin, y de recursos humanos operan de manera desconectada entre si, tendrn cada
uno su lista de departamentos, con la que operan internamente. El problema de estas situaciones es que
el nmero, la codificacin, y la descripcin de los departamentos son, con una alta probabilidad, distintos
en cada sistema. De esta forma, podemos tener los siguientes registros del mismo departamento real:
Depto. de derecho romano, con el cdigo interno 43513, en el sistema de gestin acadmica
Departamento de Derecho Romano, con el cdigo interno D-83 en el sistema de gestin de la investigacin
D. DERECHO ROMANO y D. DERECHO ROMANO I, con cdigos 0037 y 0248, respectivamente en el

sistema de gestin de recursos humanos
Es decir, la situacin relativa a una nica entidad real (un departamento determinado, en este caso),
queda efectivamente registrada de forma fragmentada en 4 espacios de datos inconexos entre s y de
difcil vinculacin automtica.
Lo que ocurre en estos casos es que para posibilitar anlisis unificados sobre entidades que estn fragmentadas en los diversos sistemas de gestin, los procesos de carga del data warehouse tienen que hacer
el trabajo adicional de integrar esas entidades fragmentadas, unificndolas en una nica entidad, que
ser la que se maneje en el espacio de anlisis en el que operan los usuarios finales. Este tipo de integraciones, si bien habituales, suponen un esfuerzo (y por tanto un coste) adicional y un incremento en
la complejidad de los procesos de mantenimiento, que pueden ser evitados si los sistemas de gestin se
encuentran ya integrados entre s3, garantizando en origen la unicidad de los conceptos que son compartidos por dos o ms de ellos.
3. Esta integracin de datos en origen es una de las ventajas impliciticas de la utilizacin de sistemas ERP universitarios que incluyen en su
alcance la gestin completa e integrada de los principales mbitos de la Universidad.
59
Estabilidad
La estabilidad hace referencia a la cantidad y severidad de los cambios que el modelo de datos del sistema fuente sufre a lo largo del tiempo. Debe tenerse en cuenta que cada cambio en el modelo de datos de
un sistema fuente debe llevar asociado un anlisis de impacto en los procesos de extraccin transformacin y carga del data warehouse, y en las ocasiones en que este se produzca, requiere la adaptacin, en
algn punto, de estos procesos, y puede que de otros elementos dependientes (modelo de datos del data
warehouse, informes, etc.) a la nueva situacin. Por tanto, el coste de los cambios en el sistema fuente se
ve ampliado por el coste de las adaptaciones a esos cambios en el
ETL, el data warehouse y los productos de datos vigentes.
cuanto ms estable sea

un sistema fuente, y ms
maduro y controlado est
el proceso de gestin de
cambios en el mismo,
menor ser el esfuerzo y
el coste de adaptaciones
necesario en el sistema de
inteligencia institucional
Evidentemente, utilizar como sistema fuente un sistema de gestin

poco consolidado, de desarrollo o implantacin reciente (o en curso),
sometido a un volumen de cambios intenso fruto de los ajustes habituales en los primeros momentos tras una puesta en produccin
o tras finalizar el desarrollo, implicar someter al sistema de inteligencia institucional a un estrs intenso, e implicar una carga de
trabajo y por tanto un coste adicional que hay que tener presente.
Por regla general, cuanto ms estable sea un sistema fuente, y ms
maduro y controlado est el proceso de gestin de cambios4 en el
mismo, menor ser el esfuerzo y el coste de adaptaciones necesario
en el sistema de inteligencia institucional, y mas sencilla la gestin
de la dependencia entre ambos.
Poltica de gestin del cambio en los datos

El nivel de profundidad con el que los sistemas fuente reflejan la historia y los cambios de los datos que
gestionan, impacta directamente sobre el planteamiento que de la informacin histrica debe hacerse
en el sistema de inteligencia institucional. As -poniendo ejemplos extremos- no ofrecen las mismas
facilidades ni posibilidades un sistema fuente que, ante un cambio en un dato, simplemente sobrescribe
el valor anterior (que queda efectivamente perdido) sin ni siquiera llevar una bitcora que refleje la
fecha de ltima modificacin, que otro que implemente una historizacin completa de los cambios que
van sufriendo las entidades que gestiona, y es capaz de reconstruir el estado de cualquier entidad en un
momento dado del tiempo.
El nivel de soporte que el sistema fuente tenga de la gestin de los cambios impactar directamente en
4. El anlisis de impacto y la adaptacin permanente de los procesos ETL a los cambios que los sistemas fuente van sufriendo constituye una parte esencial del proceso de mantenimiento en un sistema de inteligencia institucional. Una causa de conflictos muy comn en
entornos poco maduros en los que las unidades administrativas no son conscientes de formar parte de la cadena de valor del dato, es
la aplicacin unilateral de cambios en los sistemas fuente sin que se produzca el anlisis previo necesario del impacto en el sistema de
inteligencia institucional..
60
el tipo de poltica de extraccin de datos, es decir, si son extracciones completas o incrementales (solo de
los datos que han cambiado desde la ltima extraccin), en la manera en la que la historia es reflejada en
el modelo de datos del data warehouse, en la viabilidad de poder analizar situaciones histricas previas a
su implantacin, e incluso en las polticas de backup5.
1.2.2. LA PIEZA CENTRAL: EL DATA WAREHOUSE

El data warehouse es, sin duda, el componente ms extendido y ms conocido de la disciplina de la inteligencia institucional, hasta tal punto que a veces se toman como lo mismo. Sin embargo, el data warehouse es una herramienta, mientras que la inteligencia institucional es la capacidad de usar esa herramienta
(y otras) de forma efectiva para posibilitar que la comunidad universitaria tome decisiones informadas
y de valor.
Ahora bien Qu es exactamente un data warehouse? Pues no es,
ni ms ni menos, que una base de datos que cumple una serie de
caractersticas, y que es distinta a las bases de datos habituales que
utilizan los sistemas de gestin (gestin econmica, gestin acadmica, gestin de la investigacin, gestin de recursos humanos, etc.),
en varios sentidos:
el data warehouse es una

herramienta, mientras que
la inteligencia institucional
es la capacidad de usar esa
herramienta (y otras) de
forma efectiva
est separada de ellas, y de hecho idealmente reside y se ejecuta en un hardware distinto y dedicado6, en un entorno especialmente configurado para manejar grandes volmenes de datos
y atender consultas muy complejas.
desde un punto de vista tcnico, su estructura interna, es decir,

la manera en la que los datos se almacenan y relacionan entre
s en su interior, es especial: est orientada a facilitar el anlisis y la relacin entre los diversos elementos de informacin que almacena. Normalmente en un data warehouse el almacenamiento de
los datos se realiza siguiendo un modelo denominado multidimensional, cuya principal particularidad es estar formado por estructuras denominadas estrellas o esquemas en estrella, llamadas
as por la forma que adoptan al ser representadas en un diagrama: una tabla central, denominada
tabla de hechos, rodeada de varias tablas conectadas a ella, denominadas dimensiones.
[ Ver Figura 6 (pg. sig.)

5. En entornos en los que los sistemas fuente no tienen ninguna capacidad para reflejar los cambios, el data warehouse se convierte en
el nico sistema capaz de ir registrando, desde el momento de su implantacin, la historia de los datos que va extrayendo de los sistemas
fuente. En estos casos, la criticidad de los backups del data warehouse es mucho mayor que en casos en los que la preservacin de la
historia est garantizada por los propios sistemas fuente, y una eventual prdida de datos del data warehouse puede ser resuelta mediante
la recarga completa del mismo.
6. Uno de los principales motivos que justifican que el data warehouse disponga de su propia base de datos y resida en un hardware dedicado, es evitar que compita por recursos y afecte al rendimiento de otros sistemas de gestin que dan soporte a operaciones de misin crtica:
matricular, calificar, generar las nminas, etc.
61
FIGURA 6
DESCRIPCIN: Ejemplo de un modelo en estrella, llamados as por la forma peculiar a la que dan lugar al ser representados en un
diagrama de relaciones: una tabla central (denominada tabla de hechos) y varias tablas que la rodean (denominadas dimensiones).
las reas temticas

constituyen la principal
unidad de medida de
alcance funcional de alto
nivel de un data warehouse
62
desde un punto de vista lgico, funcional, est estructurada en

reas temticas, que son agrupaciones lgicas de datos relacionados entre s por formar parte del contexto de un mismo
proceso o realidad administrativa o funcional de la Universidad7. Este concepto es de suma importancia, pues las reas temticas constituyen la principal unidad de medida de alcance
funcional de alto nivel de un data warehouse. Un rea temtica
est basada, normalmente, en uno o ms modelos en estrella.
Tcnicamente, a este conjunto de modelos en estrella especializados en un rea de anlisis determinada se les denomina
datamarts.
Desde un punto de vista de contenidos, almacena (idealmente) todos los datos procedentes de todos
los sistemas de gestin de la Universidad que sean relevantes para el anlisis, y adems, es capaz de
almacenar la historia de los cambios que los datos originales han ido sufriendo a lo largo del tiempo
en los casos en los que esto sea necesario. Tambin es frecuente que almacene informacin de origen
externo que ayuda a poner en contexto la informacin interna.
Conceptos bsicos de modelado multidimensional

El modelo multidimensional es el estndar de facto para el diseo de modelos de datos en sistemas data
warehouse. Es de utilidad conocer al menos los conceptos bsicos de este enfoque, ya que en la mayor
parte de las implementaciones ser el lenguaje que hablen los tcnicos y al que necesariamente habr
que traducir los requerimientos de anlisis de los usuarios finales. Los conceptos bsicos son siete:
Mtrica
Tabla de hechos
Dimensin
Atributo
Jerarqua
Estrella
rea temtica
A continuacin se describen someramente, en orden lgico:

Las mtricas son todas aquellas magnitudes de inters para el anlisis que pueden medirse de forma
numrica. Pueden ser muy sencillas o muy elaboradas. Ejemplos de mtricas son: el nmero de estudiantes matriculados, el importe abonado en nminas, el importe de financiacin externa en proyectos de
investigacin, el nmero de empleados, los crditos matriculados, la tasa de abandono de una cohorte,
etc. Aquellas mtricas que comparten un mismo contexto funcional y de anlisis se agrupan en tablas
de hechos, que normalmente estn especializadas en una nica rea funcional: por ejemplo la tabla de
hechos de matrcula puede agrupar las mtricas: nmero de crditos, nmero de asignaturas, importe
de matrcula.
Las dimensiones son todos aquellos conceptos funcionales de alto nivel por los que es interesante clasificar, filtrar y agrupar las mtricas. Por ejemplo: plan de estudios, centro, asignatura, departamento, curso
acadmico, grupo de investigacin, proyecto, profesor, etc.
7. Por ejemplo, rea temticas tpicas en un data warehouse de una Universidad son: acceso, matriculados, egresados, resultados acadmicos, becas, abandono, nminas, proyectos de investigacin, etc. Cada una de ellas almacena los datos necesarios en las estructuras adecuadas para poder analizar la realidad a la que hacen referencia a travs de los diversos tipos de productos de datos expuestos anteriormente.
63
Las dimensiones estn compuestas de atributos. Los atributos son los diversos elementos descriptivos
(normalmente textuales) que caracterizan una dimensin. Por ejemplo, la dimensin plan de estudios,
suele contener al menos los atributos: nombre del plan, rama, estudio, tipo de estudio.
Una de las ventajas de los

modelos en estrella frente
a los modelos relacionales
normalizados de los
sistemas de gestin, es la
facilidad con la que estas
combinaciones de datos
son llevadas a cabo y la
velocidad con la que las
consultas son resueltas por
la base de datos, aunque
involucren el acceso a
millones de registros
A su vez, algunos de estos atributos pueden formar jerarquas: secuencias ordenadas de atributos en las que cada valor de un atributo representa un nivel de desagregacin de la informacin mayor y est relacionado con un nico valor del atributo anterior. Por
ejemplo, en la dimensin plan de estudios, los conceptos rama -->
estudio --> plan, forman una jerarqua, puesto que cada plan de estudios est asociado a un nico estudio, y cada estudio est asociado a una nica rama. La definicin explcita en el modelo de datos
del data warehouse de las jerarquas que existen, de manera natural, en las dimensiones, permiten a los productos de datos ofrecer al
usuario, de forma automtica, la funcionalidad de poder desglosar
la informacin navegando por los diversos niveles de agregacin
que componen las jerarquas8.
El cruce entre las tablas de hechos (que contienen mtricas) y las dimensiones (que contienen atributos a veces estructurados en jerarquas) definen las estrellas, y son estas estrellas las que determinan
el alcance de los anlisis que ser posible realizar con la plataforma
de BI, por ejemplo: nmero de crditos (mtrica), nmero de asignaturas (mtrica), importe de matrcula (mtrica) por plan de estudios
(dimensin), por centro (dimensin), por asignatura (dimensin),
por departamento (dimensin), por curso acadmico (dimensin),
por profesor (dimensin). Una de las ventajas de los modelos en estrella frente a los modelos relacionales normalizados de los sistemas de gestin, es la facilidad con la que
estas combinaciones de datos son llevadas a cabo y la velocidad con la que las consultas son resueltas por
la base de datos, aunque involucren el acceso a millones de registros.
Por ltimo, las reas temticas son agrupaciones lgicas de estrellas que ofrecen informacin sobre mbitos de anlisis similares o relacionados. Por ejemplo, un rea temtica de presupuestos podra agrupar
las estrellas de presupuesto de gastos y presupuesto de ingresos.
En la siguiente figura se muestra un esquema en el que aparecen reflejados y relacionados entre s los
siete conceptos:
8. Como ya se ha comentado en el apartado relativo a los tipos de productos de datos, esta funcionalidad se denomina drill down/up.
64
CUADRO 2
DESCRIPCIN: Principales conceptos del modelado multidimensional y relacin entre ellos.
REA TEMTICA
Se compone de una o varias
ESTRELLAS
Contiene una
Contiene varias
TABLA DE HECHOS
DIMENSIONES
Contiene una o varias
Contiene uno o varios
MTRICAS
ATRIBUTOS
Pueden formar una o varias
JERARQUAS
1.2.3. PROCESOS DE EXTRACCIN, TRANSFORMACIN Y CARGA

Los procesos de extraccin, transformacin y carga son programas encargados de extraer los datos de los
sistemas fuente, aplicarles los controles y las transformaciones necesarias para obtener las propiedades
requeridas adaptndolos al modelo destino, y cargar los resultados en el data warehouse.
Es importante resaltar que este es el componente de mayor complejidad, y que por tanto la mayor parte del esfuerzo total de construccin y mantenimiento de un sistema de inteligencia institucional
se invierte en los procesos ETL9. Esta complejidad es debida a que
son los procesos ETL los que deben proporcionar la lgica necesaria
que permite:
la poltica de historizacin de la informacin en el data warehouse (en ocasiones con muy poca ayuda de los sistemas
fuente, como ya hemos comentado en el punto anterior)
la integracin de los datos que estn desintegrados en origen
la mayor parte del esfuerzo

total de construccin y
mantenimiento de un
sistema de inteligencia
institucional se invierte en
los procesos ETL
9. El porcentaje estimado vara entre el 50% y el 80%, dependiendo de la fuente.

65
el clculo de mtricas complejas a partir de la combinacin de datos simples
la transformacin de los datos desde un modelo fuente muy complejo (habitualmente centenares
de tablas) y altamente normalizado (relacional) a un modelo destino (multidimensional) mucho ms
compacto y desnormalizado.
La latencia de los datos

En la gran mayora de los casos, la ejecucin de los procesos ETL se realiza peridicamente y en franjas de
tiempo de baja actividad en los sistemas de los que extrae los datos (que habitualmente coincide con los
periodos nocturnos). Pueden convivir distintas periodicidades de carga, dependiendo de la criticidad de
los datos que se extraen, de la velocidad de obsolescencia de los mismos, de las restricciones temporales
en las necesidades de anlisis que deben ser atendidas con ellos, etc.
habitualmente la
informacin que produce
el sistema de inteligencia
institucional refleja una
realidad que tiene un
cierto retraso respecto al
momento actual, es decir,
existe un cierto desfase
temporal
Las frecuencias de carga habituales suelen ser mensuales, semanales y diarias. Esto quiere decir que los datos disponibles en el data
warehouse en determinadas reas temticas reflejarn la situacin
del mes anterior, de la semana anterior, o del da anterior. Por tanto,
habitualmente la informacin que produce el sistema de inteligencia institucional refleja una realidad que tiene un cierto retraso respecto al momento actual, es decir, existe un cierto desfase temporal,
que como hemos visto, variar normalmente, dependiendo del caso,
entre un mes y un da. Este desfase temporal se conoce como latencia de los datos.
Se pueden aplicar tcnicas y tecnologas que permiten al sistema

de inteligencia institucional disminuir e incluso eliminar este desfase temporal entre los datos almacenados en los sistemas fuente y
los presentados a travs de los productos de datos, cuando existen
situaciones en las que es crtico que el tiempo de reaccin ante una
determinada realidad registrada en un sistema de gestin sea mnimo (de minutos o segundos). No obstante, en el momento actual, la gran mayora de las necesidades
de anlisis habituales en el entorno de la educacin superior no suelen exigir latencias menores al da10.
El uso de herramientas especializadas
Si bien originalmente los procesos de extraccin, transformacin y carga solan desarrollarse a mano
utilizando para ello cualquier lenguaje de programacin de propsito general capaz de interactuar con
bases de datos, este enfoque demostr pronto claros problemas de escalabilidad, al generar un software
con serias dificultades de mantenibilidad, fruto de la complejidad inherente de estos procesos, de las frecuentes necesidades de modificacin, ya sea por cambios en el modelo destino, o cambios en el modelo
origen, y del volumen de datos que es necesario procesar.
10. En algunos de los casos de estudio de la parte II se vern algunas excepciones a esto.
66
Esta situacin dio lugar al nacimiento de un nuevo tipo de herramientas, denominadas herramientas
ETL, orientadas a facilitar el desarrollo y mantenimiento de procesos de extraccin, transformacin y
carga. La propuesta de valor de estas herramientas frente al enfoque de desarrollo a mano usando un
lenguaje de programacin tradicional se basa fundamentalmente en:
La eliminacin de la necesidad de escribir cdigo, debido a la

capacidad de diseo visual de la lgica de extraccin, transformacin y carga, basada en la seleccin, combinacin y parametrizacin de un amplio rango de operadores que van siendo
aplicados, secuencialmente o en paralelo, a un flujo determinado de datos. La lgica de procesamiento de datos definida por
el diseador es automticamente transformada por la herramienta en cdigo ejecutable optimizado, ya sea por parte de un
intrprete o compilador de un lenguaje de propsito general,
por la propia base de datos, o por un motor de ejecucin especializado que la herramienta provea.
La lgica de procesamiento
de datos definida
por el diseador es
automticamente
transformada por la
herramienta en cdigo
ejecutable optimizado
Sus capacidades de depuracin de la lgica desarrollada, permitiendo la ejecucin paso a paso de los procesos de carga, y la
inspeccin de los resultados intermedios que se van generando.
La inclusin de motores de planificacin y control de procesos, que permiten planificar de forma sencilla la ejecucin de los procesos ETL diseados, con las frecuencias deseadas y con un amplio rango
de opciones de parametrizacin y flujos de control.
La disponibilidad de funcionalidades de data profiling11 integradas en la herramienta, que facilitan

enormemente la deteccin y el diagnstico precoz, durante los procesos de desarrollo, de situaciones
problemticas en los datos almacenados en las estructuras fuente.
El uso de este tipo de herramientas est hoy da muy consolidado, y es la manera ms habitual de afrontar el proceso de desarrollo y mantenimiento de los procesos ETL de cualquier data warehouse.
11. El Data profiling o perfilado de datos consiste en el anlisis automtico de los datos contenidos en las tablas de un determinado sistema
fuente, y la generacin de diversas estadsticas y medidas sobre ellos. Permiten identificar, entre otras cosas, muchos problemas de calidad
de datos en las etapas tempranas del desarrollo.
67
FIGURA 7
DESCRIPCIN: Ejemplo de uno de los pasos de un proceso ETL en UNIVERSITAS XXI INTELIGENCIA INSTITUCIONAL. Las flechas representan flujos de datos, los iconos iniciales tablas origen, el icono final tabla destino, y los iconos intermedios operaciones con los
datos que viajan por los flujos. La lgica aqu representada genera automticamente aproximadamente unas 200 lneas de cdigo.
1.2.4. LA PLATAFORMA DE BUSINESS INTELLIGENCE
La plataforma de BI
constituye la capa final
de todo el entramado, y
su papel es determinante,
pues es la parte que queda
expuesta al colectivo
ms importante de todos
los implicados en la
inteligencia institucional:
los usuarios
La plataforma de BI constituye la capa final de todo el entramado,

y su papel es determinante, pues es la parte que queda expuesta al
colectivo ms importante de todos los implicados en la inteligencia
institucional: los usuarios. Una plataforma de BI adquiere habitualmente la forma de una suite de componentes integrados entre s12 y
especializados en determinadas funcionalidades. Son estos componentes los que nos permiten construir y publicar los diversos tipos
de productos de datos y los servicios asociados.
El nmero, naturaleza y funcin de los componentes que se incluyen en las plataformas de BI es una cuestin en permanente evolucin, ya que se trata de uno de los principales mbitos de competicin entre los diferentes fabricantes de software, por lo que en esta
exposicin introductoria nos limitaremos a describir a nivel general
los cuatro grandes tipos de componentes estndar presentes en todas las plataformas de este tipo, que son:
Un gestor de metadatos estructurales
Un sistema de seguridad
12. Es decir, con una interfaz de usuario unificada y con uso compartido y no redundante de los recursos comunes.
68
Unas herramientas de desarrollo
Un motor de publicacin y ejecucin
A continuacin describiremos brevemente la funcin de cada uno.

El gestor de metadatos13 estructurales
Para que la plataforma de BI pueda prestar todo el elenco de funcionalidades relativas al diseo, desarrollo y publicacin de productos de datos, debe conocer todos los detalles relativos a la estructura, tipologa,
relacin y naturaleza de los datos almacenados en el data warehouse. A esta informacin la denominamos metadatos estructurales, y permiten a la plataforma de BI identificar y caracterizar los elementos
clave del modelo multidimensional (reas temticas, estrellas, tablas de hechos, mtricas, dimensiones,
atributos, jerarquas, etc.)
Esta caracterizacin permite a la plataforma hacer un tratamiento correcto y especializado de cada elemento de informacin en el data warehouse. Por ejemplo: el conocimiento por parte de la plataforma de
cuales son las jerarquas, y de cmo estn formadas, es el que le permite ofrecer funcionalidades automticas de navegacin vertical (drill down, drill up) en los informes.
La mayor parte de las plataformas de BI estn preparadas para entender los modelos multidimensionales, y esta es una de las mltiples ventajas de utilizar este enfoque de diseo: como ya hemos comentado
antes, se trata del estndar de facto y por tanto los modelos de datos as diseados son fcilmente explotables y aprovechables por prcticamente cualquier plataforma de BI del mercado.
Una funcionalidad interesante de los gestores de metadatos estructurales es la importacin automtica
de modelos, es decir, la adquisicin de estos metadatos estructurales de una fuente externa, que puede
ser la propia base de datos en la que reside el modelo, u otra herramienta de diseo multidimensional
(normalmente la misma con la que se han diseado los procesos ETL). Esto evita el trabajo de tener que
introducir y mantener estos metadatos de forma manual, y aprovecha que ya estn definidos en alguna
otra parte.
El sistema de seguridad
El control de acceso a la informacin es, obviamente, un aspecto nuclear en cualquier iniciativa de inteligencia institucional. Por ello, las plataformas de BI ofrecen diversas funcionalidades orientadas a poder
restringir, dependiendo del usuario conectado, al menos:
A qu productos de datos puede acceder: por ejemplo, a qu informes o paneles de control.
13. Como tantos otros en el mbito de la business intelligence, metadato es un concepto difuso y que se usa con mltiples acepciones. La
definicin ms habitual es que se trata de datos que describen a otros datos. En esta seccin hablamos de metadatos estructurales, es
decir, datos que describen la estructura de otros datos.
69
Que datos puede ver en cada uno de ellos: por ejemplo, los datos de toda la Universidad o solo los
datos especficos de su unidad organizativa14.
Que acciones puede realizar en la plataforma: por ejemplo, acceder a datos de detalle mediante drill
down, modificar informes, etc.
Frecuentemente estos permisos se establece basndose en una gestin de roles e identidades externa,
normalmente provista por el sistema de directorio (LDAP) de la Universidad. Combinando los diferentes
tipos de permisos con la gestin de identidades y roles, es posible implementar casi cualquier poltica de
acceso a datos que la Universidad defina.
El componente de seguridad tambin suele incorporar un sistema de auditora capaz de registrar quin
y cundo accede a qu producto de datos, y qu datos consulta.
A pesar de las mltiples posibilidades a la hora de restringir el acceso, nuestra recomendacin general es
mantener las restricciones de acceso al mnimo razonable, debido a tres razones fundamentales:
La transparencia, la facilidad de acceso y la visibilidad de la informacin son algunos de los objetivos de un sistema de inteligencia institucional. El valor de la informacin entregada es
mayor si esta se presenta contextualizada en el marco de otras
realidades comparables de referencia. Es obvio, por ejemplo,
que si soy un director de departamento me aporta ms valor
ver los datos de mi departamento posicionados en el contexto
general de todos los departamentos de la Universidad, con la
posibilidad incluso de hacer comparaciones detalladas entre
ellos, que tener solo una vista aislada de mi propia informacin.
Aunque sea polticamente incorrecto decirlo, lo cierto es que

hay un atractivo especial en poder ver la informacin de los
dems, por lo que no hay que desdear el valor que una poltica
de acceso permisiva (hasta lo razonable) puede ejercer como
gancho para el fomento del uso y el acceso a la plataforma de
inteligencia institucional.
El valor de la informacin
entregada es mayor si esta
se presenta contextualizada
en el marco de otras
realidades comparables de
referencia
hay un atractivo especial en
poder ver la informacin de
los dems
Por ltimo, y aunque no sea un motivo de peso suficiente para decantarse por un enfoque u otro, no
hay que olvidar el coste de gestin y mantenimiento que generan las polticas de restricciones de acceso complejas y muy restrictivas, y las complicaciones que puede surgir, especialmente con la gestin
de excepciones.
14. Este tipo de restriccin de seguridad se conoce como seguridad granular o seguridad a nivel de registro. Si bien es posible implementarla en la plataforma de BI, es frecuente delegar este tipo de seguridad en la propia base de datos, para garantizar que estas restricciones
se aplican en todo caso e independientemente de la va de acceso a los datos (sea o no a travs de la plataforma de BI).
70
Las herramientas de desarrollo

La finalidad de las herramientas de desarrollo es permitir y facilitar
la construccin de los diversos productos de datos: informes, paneles de control, etc. Habitualmente estas herramientas estn diseadas para facilitar y guiar al mximo todo el proceso de desarrollo,
de forma que puedan llegar a ser utilizadas sin requerir excesiva
experiencia tcnica, con el fin de que la capacidad de crear nuevos
productos de datos est tambin al alcance de usuarios funcionales
avanzados tras la capacitacin correspondiente. Es importante sealar en este punto que para cumplir este objetivo, la capacitacin
en la herramienta tiene que ir necesariamente acompaada de una
capacitacin en los datos.
la capacitacin en la
herramienta tiene que
ir necesariamente
acompaada de una
capacitacin en los datos
FIGURA 8
DESCRIPCIN: Detalle de la herramienta de desarrollo de informes en ORACLE BUSINESS INTELLIGENCE, plataforma BI de UNIVERSITAS
XXI INTELIGENCIA INSTITUCIONAL.
71
El motor de ejecucin
El motor de ejecucin es el componente que se encarga de hacer funcionar los productos de datos construidos con las herramientas de desarrollo, ejecutndolos bajo demanda directa o planificada. La ejecucin consiste, en esencia, en la generacin de las consultas adecuadas a la base de datos del data warehouse, la recogida de las respuestas (los datos retornados), su procesamiento (agregaciones, clculos
derivados) y su formateo y publicacin a travs del medio correspondiente segn el diseo especificado
por el desarrollador.
Los motores de ejecucin suelen contar con sistemas de optimizacin que permiten soportar la ejecucin
simultnea de varios productos de datos destinados a diversos usuarios sin que esto tenga por qu producir una degradacin perceptible, haciendo uso de diversas tcnicas (cacheo de datos a varios niveles,
uso de varios motores en paralelo, etc.).
1.3. OPCIONES DE ADQUISICIN DE UNA SOLUCIN DE

En esencia, y desde el punto de vista tecnolgico, una solucin de inteligencia institucional se compone
de dos grandes tipos de componentes:
La tecnologa base de BI (herramientas ETL, base de datos para el data warehouse, plataforma de BI)
Los productos de datos que se desarrollan usando esa tecnologa base
A la hora de plantearse el lanzamiento de una iniciativa de inteligencia institucional, hay dos preguntas
clave relativas a la adquisicin de estos dos tipos de componentes cuya respuesta tendr un gran impacto
en toda la evolucin posterior, y que cada institucin atendiendo, a su contexto y a su estrategia, deber
plantear y responder.
Las preguntas a las que nos referimos son:
Utilizamos tecnologa base de un nico fabricante, o mezclamos componentes de diversos fabricantes?
La respuesta a esta pregunta depender de muchos factores especficos de cada institucin.
Los principales beneficios de usar una tecnologa base de BI de un nico fabricante son:
72
Mayor facilidad - y por tanto menor coste - de desarrollo: los diversos componentes estn ms integrados entre s a todos los niveles, y se comparten los recursos lgicos necesarios, de forma que estos
son nicos y no redundantes (por ejemplo, los metadatos estructurales o los modelos de seguridad).
Mayor facilidad - y por tanto menor coste de mantenimiento: menor complejidad global, existencia
de un punto de soporte y atencin al cliente nico, y mayor estabilidad al evitar el estrs tecnolgico
de tener que someterse a los diversos ritmos no alineados de evolucin de cada producto individual.
Modelos de licenciamientos ms sencillos
Por el contrario, combinar elementos de distintos fabricantes tiene el beneficio de darnos libertad para
elegir el mejor o el que ms nos interese en cada categora por cuestiones propias; por ejemplo: el fabricante A para la base de datos porque ya tenemos licencia, el fabricante B para la herramienta ETL
porque trae conectores pre-construidos para dos de los cinco sistemas de gestin, el fabricante C para
los informes on-line porque es muy barato y aunque es difcil de usar tenemos mucho personal ya formado en la casa, y el fabricante D para los paneles de control y cuadros de mando porque es el mejor
del mercado.
Es necesario analizar los pros y contras especficos de cada opcin en cada caso individual, y no solo a la
luz de la inversin inicial requerida, sino atendiendo tambin a los costes recurrentes de mantenimiento
y evolucin posteriores.
Compramos una solucin de inteligencia institucional pre-construida? Contratamos a un proveedor
externo para que nos la construya? La construimos nosotros?
En este caso, nuestra recomendacin es combinar las tres opciones. Es decir:
Para empezar y tener resultados en tiempos cortos, es ideal adquirir una solucin preconstruida. Sin
embargo, nuestra experiencia es que los sistemas BI preconstruidos, si bien suponen un buen punto
de partida, nunca se ajustan totalmente a las necesidades, particularidades y expectativas de cada
institucin, y por tanto deben permitir una personalizacin y una evolucin a medida posteriores.
Cuando llegue el momento de evolucionar la solucin adquirida para ajustarla a las necesidades propias de la institucin, lo ideal es, si la Universidad dispone del personal adecuado, llevar a cabo esas
personalizaciones y ampliaciones mediante equipos mixtos, que incluyan tanto a personal externo
del proveedor como a personal tcnico de la Universidad, con el fin de que exista una transferencia
de conocimiento eficaz y una capacitacin prctica que permita a la Universidad adquirir su propia
capacidad de desarrollo y evolucin.
Una vez adquirida la capacidad de desarrollar, la Universidad podr decidir, segn su situacin e
intereses en cada momento, hasta qu punto la evolucin y el mantenimiento de la solucin se lleva
a cabo total o parcialmente mediante recursos externos o personal interno.
No se recomienda en ningn caso afrontar una iniciativa de inteligencia institucional sin contar con
personal experimentado en las tcnicas y tecnologas de business intelligence y especializado en el sector
de la educacin superior. Esta es una disciplina en la que el conocimiento profundo del sector en el que
opera la organizacin es tan valioso o ms que la competencia tcnica. Por este motivo, es muy frecuente
la contratacin de consultores expertos en ambas cuestiones, especialmente las primeras etapas de la
iniciativa de inteligencia institucional.
73
1.4. RESUMEN Y CONCLUSIONES
Esta es una disciplina en

la que el conocimiento
profundo del sector en el
que opera la organizacin
es tan valioso o ms que la
competencia tcnica
Las iniciativas de inteligencia institucional se concretan en la generacin de una serie de productos de datos especficos, dirigidos
a colectivos especficos, y con una utilidad clara siempre relacionada con la generacin de informacin analtica de valor. Existen
diversos tipos de productos de datos (informes on-line, paneles de
control, etc.) especializados en necesidades diversas. Es importante
elegir el tipo adecuado que cubra cada necesidad especfica, atendiendo siempre a las caractersticas de los destinatarios.
Por otro lado, se debe entender que tras la cara visible, compuesta
por esos productos de datos - a veces de aspecto engaosamente
sencillo- , existe un esfuerzo de desarrollo y mantenimiento, y una
serie de componentes tecnolgicos complejos (los procesos ETL, el
data warehouse, la plataforma de BI) cuya integracin y funcionamiento armnico hacen posible su existencia.
Tanto la eleccin de los componentes tecnolgicos bsicos, como de la estrategia para obtener o desarrollar los productos de datos necesarios que se construyan sobre ellos, tendrn un impacto grande a corto y
largo plazo en la iniciativa de inteligencia institucional, por lo que son decisiones que deben plantearse
explcitamente y tomarse de forma consciente valorando las ventajas e inconvenientes de las diversas
posibilidades.
Por ltimo, no debemos olvidar que estamos hablando de aplicar una disciplina compleja (la BI) a una
institucin compleja (la Universidad), por lo que es esencial contar al menos en las primeras etapas, con
el apoyo de personal especializado en las tcnicas y tecnologas de business intelligence, y con experiencia en los diversos mbitos de gestin de las instituciones de educacin superior.
74
75
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE I CAPTULO 3: LOS ASPECTOS ORGANIZATIVOS
LOS ASPECTOS
ORGANIZATIVOS
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 3 - PARTE I
Autor

77
CAPTULO 3
LOS ASPECTOS
ORGANIZATIVOS
identificar formalmente a
los implicados y establecer
modelos organizativos
que articulen de manera
armnica sus interacciones
es una medida de gran
impacto para el xito de la
iniciativa
La inteligencia institucional es una disciplina cuyos resultados son,

necesariamente, fruto de la interaccin directa e indirecta de mltiples agentes que desempean su funcin en muy diversos mbitos
dentro de la Universidad, siendo este uno de los principales motivos
de su complejidad. Por tanto, identificar formalmente a los implicados y establecer modelos organizativos que articulen de manera
armnica sus interacciones es una medida de gran impacto para el
xito de la iniciativa.
El liderazgo y el impulso efectivos y constantes, la coordinacin e
interlocucin entre las diversas reas implicadas, el establecimiento y reparto claro de funciones y responsabilidades entre los participantes, y la definicin correspondiente de objetivos y criterios de
xito no pueden darse sin un modelo organizativo comprensible y
claramente explicitado.
Existe el riesgo de que la visibilidad prominente del aspecto tecnolgico haga que sea este el que prime
a la hora de repartir responsabilidades, asignando todo el peso de la iniciativa casi exclusivamente a la
estructura pre-existente de Tecnologas de la Informacin como una ms de sus (mltiples) responsabilidades. Nuestra experiencia es que este enfoque acaba sistemticamente en situaciones de fracaso o, en
el mejor de los casos, producen resultados muy discretos.
En este capitulo identificaremos cuales son los diferentes agentes que toman parte en una iniciativa de
inteligencia institucional y las actividades principales que cada uno debe asumir y llevar a cabo. El objetivo
fundamental de este captulo es que pueda ser utilizado como referencia que permita a la Universidad confrontar su realidad organizativa concreta con el modelo general aqu descrito, identificando posibles carencias
o la ausencia de algn agente implicado o de alguna actividad en su iniciativa de inteligencia institucional.
78
1. AGENTES IMPLICADOS
Como vimos en el captulo 1, la inteligencia institucional consiste,
en esencia, en implantar de manera efectiva una cadena de valor
del dato, cuya estructura representbamos de la siguiente manera:
Existe el riesgo de que

la visibilidad prominente
del aspecto tecnolgico
haga que sea este el
que prime a la hora de
repartir responsabilidades,
asignando todo el peso
de la iniciativa casi
exclusivamente a la
estructura pre-existente
de Tecnologas de la
Informacin
UNIDADES
ADMINISTRATIVAS
UNIDAD DE INTELIGENCIA INSITUCIONAL
USUARIOS
FINALES
PERTINENCIA DE LA INFORMACIN
CALIDAD DE LOS DATOS
CUADRO 1
DESCRIPCIN: Cadena de valor del dato

DATOS

INFORMACIN
REALIDAD
CONOCIMIENTO
JUICIO EXPERTO, APLICACIN PRCTICA, ACCIN

DECISIN
79
Como ya vimos, esta cadena de valor requiere de la participacin permanente de tres tipos de colectivos
distintos, a saber:
1)
El conjunto de unidades administrativas en las que se gestionan los diversos conjuntos de datos
operacionales con los que se alimenta a la plataforma de inteligencia institucional.
2) La unidad de inteligencia institucional, en cuyos hombros descansa la responsabilidad ltima de la

iniciativa y la prestacin de los servicios en ella incluidos, y que constituye el engranaje central que
articula y coordina la participacin e interaccin con y entre el resto de agentes.
3) Diversos colectivos de usuarios finales, que pueden pertenecer a cualquiera de los mbitos de actividad de la comunidad universitaria, y cuya participacin es clave para determinar el tipo de productos
de datos que la cadena de valor debe generar para permitirles la obtencin de conocimiento til, aplicable a las funciones que deben desempear.
Sin embargo, aparte de estos tres agentes directamente implicados, existen otros tres agentes, que si
bien no aparecen representados en el diagrama por tener una implicacin ms indirecta en el proceso de
transformacin de los datos, son igualmente esenciales para que la instauracin de la cadena de valor del
dato pueda llevarse a cabo con garantas. Son los siguientes:
4) Un rgano de direccin que operara por encima de la cadena de valor, que lidera la iniciativa de
inteligencia institucional a alto nivel y garantiza su alineacin permanente con los intereses de la
institucin. Puede ser un rgano ya existente, o un nuevo rgano colegiado que se cree explcitamente para asumir esta direccin.
5) Una unidad tcnica de apoyo, que operara por debajo de la cadena de valor, que se encarga de
proveer y mantener la tecnologa base, es decir, el hardware y el software requerido, y los servicios
asociados. Lgicamente este papel suele asignarse al rea de Tecnologas de la Informacin, a travs
de una o varias de las unidades que la componen.
el ecosistema bsico
en el que se desarrolla la
consta fundamentalmente
de seis tipos de agentes
cuya implicacin
permanente y efectiva es
necesaria para producir
resultados relevantes y
sostenibles
80
6) Una o varias unidades especiales, que denominaremos unidades de uso intensivo de datos, que operaran al mismo nivel
que la cadena de valor, jugando en muchos casos varios roles
fuente de datos, proveedor, usuario y por tanto potencialmente implicadas en todas las etapas. Son unidades que normalmente ya existan antes de la iniciativa de inteligencia institucional, y que tienen especial relevancia en diversas labores
relativas al tratamiento de los datos dentro de la institucin, y
que por tanto deben ser integradas en las iniciativas de inteligencia institucional de forma privilegiada.
Por tanto, el ecosistema bsico en el que se desarrolla la inteligencia institucional consta fundamentalmente de seis tipos de agentes
cuya implicacin permanente y efectiva es necesaria para producir
resultados relevantes y sostenibles. He aqu el motivo por el cual el
establecimiento de contextos organizativos capaces de orquestar de
forma eficaz y armnica la participacin de todos ellos es absolutamente esencial.

El siguiente diagrama representa estos seis tipos de agentes. Las flechas representan los
principales flujos de interaccin entre ellos. Las cajas apiladas representan multiplicidad.
Est representado en tres niveles, asignando a cada nivel una atribucin clave que figura a
la derecha de cada uno de ellos.
CUADRO 2
DESCRIPCIN: Agentes implicados y flujos principales de interaccin en una iniciativa de inteligencia institucional
Establecimiento,
priorizacin
y supervisin
de objetivos
RGANO DE DIRECCIN DE INTELIGENCIA INSTITUCIONAL
UNIDAD
TCNICA
DE APOYO
UNIDADES DE USO INTENSIVO

DE DATOS
UNIDAD DE INTELIGENCIA
INSTITUCIONAL
USUARIOS
INDIRECTOS
UNIDADES
ADMINISTRATIVAS
USUARIOS DIRECTOS
Ntese la posicin central y privilegiada de la unidad de inteligencia institucional en prcticamente todos los flujos de interaccin,
orquestando a travs suyo la participacin del resto de implicados,
como responsable principal de los productos y servicios ofertados
en el contexto de la iniciativa. De ah su importancia fundamental,
y por eso es clave que esta unidad tenga una alta capacidad de coordinacin e interlocucin con el resto de implicados, y disponga de
la legitimidad y los canales necesarios para que esta interlocucin
sea eficaz.
Es importante sealar que los agentes aqu representados representan perfiles genricos, y que en el mundo real, existirn reas que
desempeen ms de un papel, por ejemplo:
Tanto las unidades administrativas como las unidades de uso

intensivo de datos suelen ser tambin usuarias finales de determinados productos de datos.
En ocasiones, la unidad de inteligencia institucional asume

tambin en su seno el rol de unidad tcnica de apoyo.
Desarrollo
y soporte
de productos
de datos
Especificacin
de necesidades
y uso efectivo
es clave que esta unidad

tenga una alta capacidad
de coordinacin e
interlocucin con el resto
de implicados, y disponga
de la legitimidad y los
canales necesarios para
que esta interlocucin sea
eficaz
81
En su papel de coordinador central, la unidad de inteligencia institucional tiene una responsabilidad doble: asumir la ejecucin de sus propias actividades y coordinar/supervisar/apoyar la ejecucin de todas
las actividades asignadas al resto de implicados. No se debe subestimar la dificultad ni la carga de trabajo
que supone esta funcin de coordinacin global de la iniciativa en su conjunto.
En las siguientes secciones iremos recorriendo y profundizando algo ms en cada uno de los agentes
identificados y las actividades principales que deben asumir. El objetivo de este captulo no es presentar
una lista exhaustiva y una definicin detallada de todas las posibles actividades que cada agente debe
llevar a cabo en el marco de una iniciativa de inteligencia institucional, sino identificar aquellas que, en
nuestra experiencia, tienen una relevancia grande para la iniciativa pero son, en ocasiones, improvisadas o afrontadas de manera deficiente, lo que acaba lastrando la iniciativa de manera muy seria.
El siguiente diagrama un resumen de estas actividades, asocindolas a los agentes que deben llevarlas
a cabo:
CUADRO 3
DESCRIPCIN: Distribucin de las actividades principales entre los agentes implicados
RGANO DE
DIRECCIN
DEFINIR LA
ESTRATEGIA DE
INTELIGENCIA
INSTITUCIONAL
DISEAR Y DOTAR
DE PERSONAL A
LA UNIDAD DE
INTELIGENCIA
INSTITUCIONAL
UNIDAD DE
INTELIGENCIA
INSTITUCIONAL
CONCRETAR OBJETIVOS
Y DEFINIR PROYECTOS
DISEAR Y LLEVAR
A CABO ACCIONES DE
DIVULGACIN
FORMAR A LOS
USUARIOS
CREAR Y EVOLUCIONAR
EL CATLOGO DE
PRODUCTOS DE DATOS
DISEAR Y OBTENER
LA APROBACIN
DE LOS NUEVOS
PRINCIPIOS, POLTICAS
Y NORMATIVAS
NECESARIAS
CREAR Y MANTENER
EL ESPACIO WEB DE LA
INSTITUCIONAL
APROBAR Y
PRIORIZAR OBJETIVOS
Y PROYECTOS
DAR SOPORTE
OPERATIVO, CORRECTIVO
Y EVOLUTIVO
REPRESENTAR Y
APOYAR LA INICIATIVA
ADMINISTRAR
USUARIOS Y PERMISOS
MONITORIZAR EL USO
GESTIONAR LOS
CAMBIOS
82
UNIDADES
ADMINISTRATIVAS
UNIDAD TCNICA DE
APOYO
UNIDADES DE USO
INTENSIVO DE DATOS
ATENDER LOS
PROBLEMAS DE
CALIDAD DE DATOS
ESTABLECER Y
MANTENER EL NIVEL
DE SERVICIO DE LA
PLATAFORMA
PARTICIPAR EN
LOS PROCESOS DE
INCORPORACIN DE
DATOS EN EL DATA
WAREHOUSE
APORTAR
CONOCIMIENTO
TCNICO Y FUNCIONAL
ESPECIALIZADO SOBRE
LOS DATOS
CERTIFICAR LOS
PRODUCTOS DE
DATOS PUESTOS A
DISPOSICIN DE LOS
USUARIOS
GESTIONAR LAS
DEPENDENCIAS ENTRE
LA PLATAFORMA
DE INTELIGENCIA
INSTITUCIONAL Y EL
SISTEMA DE GESTIN
RESOLVER
PROBLEMAS TCNICOS
ESTABLECER Y
EJECUTAR POLTICAS
DE BACKUP
OPTIMIZAR EL
RENDIMIENTO
ACTUALIZAR
EL SOFTWARE Y
HARDWARE BASE
SUPERVISAR LAS
CARGAS DE DATOS
USUARIOS FINALES
IMPLICARSE DE
FORMA EFECTIVA
EN EL PROCESO
DE ADQUISICIN Y
EXPLOTACIN DE LA
INFORMACIN
2. EL RGANO DE DIRECCIN DE INTELIGENCIA

INSTITUCIONAL
CUADRO 4
DESCRIPCIN: posicin del rgano de direccin de inteligencia institucional en el diagrama de interacciones entre los agentes implicados
UNIDAD
TCNICA
DE APOYO

DE DATOS
UNIDADES
ADMINISTRATIVAS
INSTITUCIONAL
USUARIOS
INDIRECTOS
USUARIOS DIRECTOS
Establecimiento,
priorizacin
y supervisin
de objetivos
Desarrollo
y soporte
de productos
de datos
Especificacin
de necesidades
y uso efectivo
Independientemente del nombre que se le de a este rgano en cada institucin, habitualmente toma la
forma de un comit en el que pueden estar representados:
Uno o varios representantes del equipo de gobierno de la Universidad, como directores ltimos de
la iniciativa
El responsable de la unidad de inteligencia institucional
El responsable de la unidad tcnica de apoyo
Los responsables de las unidades administrativas que participan en la iniciativa
Los responsables de las unidades de uso intensivo de datos
Representantes de los colectivos de usuarios
En ocasiones este rgano de direccin no es monoltico, sino que se separa en dos niveles, uno ejecutivo
y otro consultivo, compuesto por uno o varios comits asesores. Independientemente de la forma que
tome, las funciones que debe hacer frente son las mismas.
En los siguientes puntos repasamos las principales actividades asociadas al rgano de direccin de inteligencia institucional.
83
2.1. DEFINIR LA ESTRATEGIA DE INTELIGENCIA INSTITUCIONAL

La inteligencia institucional es una iniciativa que requiere un fuerte componente estratgico, en tanto
en cuanto va a afectar la manera en que la informacin uno de los recursos ms crticos en cualquier
organizacin de hoy da - es generada, distribuida y consumida en la institucin. Por tanto, una de las
primeras actividades que el rgano de direccin debe llevar a cabo consiste en disear y explicitar la
estrategia de inteligencia institucional1.
En general, la estrategia incluir todas aquellas declaraciones y directrices que conforman el marco general en el que la iniciativa es concebida y llevada a cabo, y debe definir, al menos:
La justificacin: La inteligencia institucional debe partir de un anlisis de situacin que justifique y

legitime la iniciativa
Sin objetivos bien definidos

la iniciativa carecer
de metas, y la ausencia
de metas impide, por
definicin, alcanzar el xito
Los objetivos: Sin objetivos bien definidos la iniciativa carecer

de metas, y la ausencia de metas impide, por definicin, alcanzar el xito. Estos objetivos, si bien a nivel estratgico sern de
carcter general, deben estar lo suficientemente claros como
para permitir a los implicados trazar lneas maestras a lo largo
de las cuales concebir productos y servicios estratgicamente
pertinentes2.
Los medios: la identificacin de los agentes implicados, el reparto de responsabilidades y la asignacin de fondos: la puesta en marcha y mantenimiento de la iniciativa de inteligencia
institucional requerir una inversin inicial y una financiacin
sostenida, y es responsabilidad del rgano de direccin de inteligencia institucional definir las fuentes de financiacin que
permitirn la adecuada prestacin de los servicios encomendados y la consecucin de los objetivos. Los costes vendrn
principalmente derivados de:
Personal propio: fundamentalmente el equipo que conformar la unidad de inteligencia institucional
Recursos tecnolgicos: adquisicin y mantenimiento del hardware y software en que se basa la

solucin de inteligencia institucional.
Servicios de profesionales externos: generalmente consultora, formacin y desarrollo.
1. Sugerimos al lector interesado la bsqueda en internet de los trminos University business intelligence strategy para encontrar mltiples ejemplos reales de estrategias de inteligencia institucional de acceso pblico y de diversas Universidades alrededor del mundo. No nos
olvidamos del lector desinteresado, al cual saludamos desde aqu :-).
2. Debe evitarse la definicin de objetivos demasiado genricos o laxos. Definir como nico objetivo Apoyar los procesos de toma de decisiones est bien como concepto general de base, pero aporta poca luz a la hora de definir cmo y en qu aspectos concretos la inteligencia
institucional va a aportar valor a la Universidad.
84
La hoja de ruta: La dimensin temporal, el ciclo esperado mediante el cual se llevar a cabo la consecucin de los objetivos y
el ritmo esperado de consecucin de los mismos, junto con los
hitos de alto nivel ms relevantes.
Evidentemente, la estrategia de inteligencia institucional debe ser,

como poco, conocida y compartida por los siete grupos de agentes
implicados descritos en el apartado 1 de este captulo, en tanto en
cuanto sern directamente afectados por ella.
la estrategia de inteligencia
institucional debe ser
conocida y compartida
por todos los agentes
implicados
2.2. DISEAR Y DOTAR DE PERSONAL A LA UNIDAD DE

Una vez se ha identificado la necesidad de instaurar una unidad de inteligencia institucional, hay que
disear el equipo de trabajo que la constituir y su estructura, es decir:
Identificar el tipo de organizacin que tendr la unidad de inteligencia institucional, es decir, si tendr entidad propia o se tratar de una unidad virtual compuesta por miembros de diversas reas.
Establecer donde se ubica esta unidad en el organigrama de la Institucin.
Decidir qu personas cubrirn los roles necesarios y asegurar la dedicacin necesaria de cada uno
de ellos, ya sea mediante la asignacin formal y completa a la unidad de inteligencia institucional o
mediante compromisos concretos y claros de dedicacin.
En la seccin dedicada a la unidad de inteligencia institucional en este mismo captulo se analizan estos
tres puntos con ms detalle, as como las distintas opciones y sus implicaciones. Como veremos, la composicin del equipo y el tipo de vinculacin de sus miembros puede ser muy variable: la clave es que se
sea coherente con el momento, el alcance, los objetivos y la estrategia de la Institucin.
Es de crucial importancia no solo el diseo y la designacin de la
unidad de inteligencia institucional, sino tambin la definicin
explcita y difusin de su misin y atribuciones en la institucin.
Nuestra experiencia es que la no asignacin de esta unidad y difusin de su responsabilidad explcita de llevar adelante la iniciativa
de inteligencia institucional, y la correspondiente disolucin de esta
responsabilidad de forma poco definida en la institucin, generar
una situacin de orfandad efectiva que en ltima instancia acabar reduciendo la iniciativa a poco ms que una declaracin de
intenciones.
Es de crucial importancia
no solo el diseo y la
designacin de la unidad de
inteligencia institucional,
sino tambin la definicin
explcita y difusin de su
misin y atribuciones
85
2.3. DISEAR Y OBTENER LA APROBACIN DE LOS NUEVOS

PRINCIPIOS, POLTICAS Y NORMATIVAS NECESARIAS
La inteligencia institucional requiere el establecimiento de una serie de principios, polticas y normativas orientadas a formalizar el marco de uso legtimo, regir los flujos de trabajo y determinar las responsabilidades de los diversos agentes implicados. Identificar, disear, canalizar y conseguir la aprobacin
y el apoyo de estas nuevas polticas y normativas por parte del rgano de gobierno de la institucin es
fundamental, pues constituyen un marco esencial sin el cual la indefinicin y la participacin nicamente basada en el voluntarismo individual lastraran toda la iniciativa.
La identificacin y propuesta de estas nuevas polticas y normas debe correr a cargo del rgano de direccin
de inteligencia institucional, por tratarse de cuestiones especializadas relativas generalmente a la gestin
formal de los datos y el reparto de responsabilidades derivadas. Es una tentacin frecuente considerarlas
como cuestiones de sentido comn que no requieren ser formalizadas, sin embargo, nuestra experiencia
nos dice que es mejor no hacer asunciones y especificar formalmente como mnimo lo siguiente:
Las cuestiones de
visibilidad y acceso
generarn conflictos
si no estn bien
especificadas, por lo que
es clave establecer con
claridad quien ostenta la
propiedad de los datos
y, en su caso, cuales son
las atribuciones que esta
propiedad conlleva
86
Propiedad y acceso a los datos: de cara a poder definir quin

puede decidir el uso y visibilidad de los diferentes conjuntos
de datos que la Universidad gestiona, es necesario establecer
de quin es la propiedad de cada uno de ellos. Las cuestiones
de visibilidad y acceso generarn conflictos si no estn bien
especificadas, por lo que es clave establecer con claridad quien
ostenta la propiedad de los datos y, en su caso, cuales son las
atribuciones que esta propiedad conlleva. Un caso sencillo
es atribuir la propiedad a la institucin y el acceso a quien
legtimamente lo requiera, enunciando un principio similar al
siguiente basado en casos reales - la propiedad de los datos
creados u obtenidos dentro de la Institucin pertenecen a la Institucin como un todo, y no a ninguna unidad, departamento
o individuo concretos, y deben ser puestos a disposicin de todo
aqul que demuestre legtima necesidad para el buen ejercicio de
sus funciones en la institucin. Lgicamente, bajo este principio
general, tocar definir los procedimientos que permitan definir
la poltica de acceso concreta para los casos generales previsibles a cada uno de los diversos conjuntos de datos recogidos en
la plataforma de inteligencia institucional: Puede un director
de departamento consultar los datos relativos a la actividad investigadora de otros departamentos diferentes al suyo? Puede
un decano consultar la informacin de matriculados y egresados de titulaciones de otros centros? Aqu las polticas varan
mucho de una institucin a otra, desde las ms restrictivas a las
de mxima transparencia.
Calidad de los datos: Para poder asegurar la calidad de los datos, y el correcto tratamiento de los
problemas asociados, es necesario establecer quin tiene la responsabilidad de garantizar esta calidad. Por ejemplo, establecer que cada unidad administrativa tiene la responsabilidad de asegurar la
calidad de los datos recogidos y producidos en su mbito de gestin tanto para su explotacin operacional como analtica nos permite allanar el camino a la hora de encauzar los problemas de calidad
de datos que inevitablemente aflorarn a lo largo de la vida de cualquier solucin de inteligencia
institucional.
Fuentes de informacin institucional autorizadas: Normalmente, la puesta en marcha de una iniciativa de inteligencia institucional implica la asimilacin y sustitucin paulatina de una serie de
canales de distribucin de informacin previamente existentes (en muchas ocasiones, redundantes, oficiosos e incoherentes entre s). Establecer con claridad cules son los canales oficiales para la
obtencin de la informacin nos ayudar a ir sustituyendo esas fuentes de informacin previas e ir
integrando a sus destinatarios como usuarios de la plataforma de inteligencia institucional.
2.4. APROBAR Y PRIORIZAR OBJETIVOS Y PROYECTOS

Una vez lanzada la iniciativa, y segn se van identificando necesidades especficas, los objetivos de alto
nivel establecidos en la estrategia de inteligencia institucional se irn materializando en objetivos ms
concretos, asociados a los cuales se definirn proyectos para su consecucin. Por ejemplo, una Universidad preocupada por un rendimiento comparativamente bajo de sus estudiantes respecto a otras instituciones similares, podra tener entre sus objetivos estratgicos obtener una determinada mejora en
ciertas mtricas de rendimiento. Este objetivo estratgico de la institucin podra dar lugar al establecimiento del siguiente objetivo general por parte del rgano de direccin de inteligencia institucional:
Distribuir a las autoridades acadmicas toda la informacin necesaria sobre rendimiento estudiantil que les permita la realizacin de un diagnostico de situacin y en su caso
el diseo de un plan de mejora, as como las herramientas necesarias para realizar un
seguimiento del impacto real del mismo en las mtricas de rendimiento oficiales.
Este objetivo general, aun siendo todava bastante abstracto, prepara el terreno lo suficiente como para
que una unidad de inteligencia institucional competente sepa materializarlo en mltiples objetivos especficos, cada uno de ellos asociado a uno o varios proyectos, relativos, por ejemplo a la construccin
de distintos productos de datos dirigidos a las diversas autoridades acadmicas y especializados en su
mbito de responsabilidad especfico.
Por ejemplo, la unidad de inteligencia institucional podra plantear la creacin de un sistema de identificacin temprana de estudiantes en riesgo de bajo rendimiento, dirigido a los tutores y consejeros, que
les permita activar acciones individuales preventivas, o un sistema de anlisis de rendimiento en titulaciones para los decanos, que les permita identificar los puntos (periodos, asignaturas) que ms estn
lastrando las mtricas de rendimiento y poder centrarse as en analizar los puntos calientes de cada
titulacin para poder disear acciones de mximo impacto, etc.
87
La funcin del rgano de direccin es aprobar o no estos objetivos especficos y los proyectos asociados, en funcin de los intereses y los objetivos de la institucin en cada momento.
2.5. REPRESENTAR Y APOYAR LA INICIATIVA
El apoyo, la promocin y
la divulgacin activa de la
iniciativa de inteligencia
institucional en la
Universidad por parte de
su rgano de direccin es
fundamental
El apoyo, la promocin y la divulgacin activa de la iniciativa de inteligencia institucional en la Universidad por parte de su rgano de
direccin es fundamental, debiendo estar disponible para gestionar
las anomalas y los conflictos de alto nivel que vayan surgiendo,
garantizando la cooperacin de todos los implicados y escalando al
equipo de gobierno aquellas cuestiones cuya resolucin requiera la
toma de medidas que se escapan de sus competencias.
Es fundamental, para ejercer un apoyo efectivo, que los miembros
del rgano de direccin dispongan de una visin clara del valor que
la iniciativa est suponiendo o supondr para la institucin, de forma que se puedan exponer resultados y beneficios concretos que
justifiquen los esfuerzos requeridos. Esto est garantizado si previamente se ha hecho un planteamiento estratgico adecuado, tal y
como mencionbamos en el primer punto de este apartado.
3. LA UNIDAD DE INTELIGENCIA INSTITUCIONAL

CUADRO 5
DESCRIPCIN: posicin de la unidad de inteligencia institucional en el diagrama de interacciones entre los agentes implicados
UNIDAD
TCNICA
DE APOYO

DE DATOS
88
INSTITUCIONAL
USUARIOS
INDIRECTOS
UNIDADES
ADMINISTRATIVAS
USUARIOS DIRECTOS
Establecimiento,
priorizacin
y supervisin
de objetivos
Desarrollo
y soporte
de productos
de datos
Especificacin
de necesidades
y uso efectivo
La constitucin de una unidad de inteligencia institucional es una

de las medidas ms relevantes para el xito de la iniciativa, ya que
su existencia garantiza de forma permanente la ejecucin, soporte
y coordinacin de todos los esfuerzos que hacen posible la creacin
de los productos y la prestacin de los servicios relativos a la inteligencia institucional. La denominacin de unidad de inteligencia
institucional que usamos en el libro es genrica, y en la realidad
este tipo de unidades toma nombres diversos: algunos tan explcitos como el aqu propuesto, y otros ms generales, como unidad de
soporte a la toma de decisiones, unidad de datos, unidad de gestin
de la informacin, etc. Naturalmente, no es el nombre lo ms importante, sino su existencia con los fines que aqu exponemos.
La constitucin de una
unidad de inteligencia
institucional es una de las
medidas ms relevantes
para el xito de la iniciativa
Qu es una unidad de inteligencia institucional y por qu es tan necesaria?

Para entender el papel de esta unidad es necesario antes introducir
el concepto de centro de competencia de inteligencia de negocio3.
Se trata de unidades organizativas que surgen en el mbito de la
empresa privada, durante los primeros aos de la dcada del dos mil
como respuesta al alto ndice de fracaso4 que los proyectos de Business Intelligence venan sufriendo histricamente, y tras constatar
que este fracaso tena sus races ms en cuestiones organizativas,
funcionales y de alineacin entre diferentes reas, que en cuestiones tecnolgicas.
este fracaso tena sus

races ms en cuestiones
organizativas, funcionales
y de alineacin entre
diferentes reas, que en
cuestiones tecnolgicas
La unidad de inteligencia institucional no es ms que la traslacin

de esta idea de centro de competencia de inteligencia de negocio
al contexto especfico de las instituciones de educacin superior. La
misin fundamental de esta unidad es desarrollar, dar soporte, evolucionar, promover y coordinar las
actividades de explotacin analtica de la informacin en la Institucin. Es, por tanto, el equipo que debe
llevar a cabo los proyectos y servicios que conforman la iniciativa de inteligencia institucional, con el fin
de conseguir los objetivos definidos por el rgano de direccin que hemos presentado en el punto anterior, en el que ya anticipbamos que la designacin de esta unidad, la definicin clara y difusin activa de
su papel en la institucin, de su misin y atribuciones, y de cmo estas encajan en la estrategia general
de la Universidad son fruto de la definicin explcita de una estrategia de inteligencia institucional.
Dado su papel absolutamente central en la iniciativa (ver cuadros 1 y 2 en este mismo captulo), para
poder llevar a cabo su misin, y sin perjuicio de otras habilidades transversales, la unidad de inteligencia
3. En ingles, Business Intelligence Competency Center, ms comnmente referenciados por su acrnimo: BICC. Este tipo de unidad fue
propuesto inicialmente por Gartner (Ver The Business Intelligence Competency Center: An Essential Business Strategy, Gartner, 2002).
4. entre el 50% y el 80% de proyectos fallidos, dependiendo de la fuente.
89
institucional debe, idealmente, combinar de forma efectiva habilidades encuadradas en cuatro reas de
competencia fundamentales, como podemos ver en el siguiente diagrama:
CUADRO 6
DESCRIPCIN: Competencias clave de la unidad de inteligencia institucional
Capacidad de entender en
profundidad los procesos
administrativos y de gestin
Capacidad de interlocucin
con perfiles funcionales
Capacidad de coordinacin
interdepartamental
Capacidad de gestin de
proyectos y procesos
Liderazgo
90
COMPETENCIAS
FUNCIONALES
COMPETENCIAS
DE GESTIN
COMPETENCIAS
ANALTICAS
COMPETENCIAS
TECNOLGICAS
Capacidad de aplicar
tcnicas y disciplinas de
anlisis avanzadas
Capacidad de desarrollar e
interpretar modelos complejos
Capacidad de desarrollo de
productos de datos sobre la
plataforma de BI
Capacidad de dar soporte
tcnico y formacin en los
productos y herramientas de BI
Competencias de Gestin: proporcionan la capacidad de coordinar a todos los implicados y equipos

de trabajo, de establecer y gestionar los diversos objetivos y proyectos que vayan surgiendo bajo la
iniciativa de inteligencia institucional, de definir e instaurar procesos de trabajo y de ejercer liderazgo e impulso a la iniciativa.
Competencias funcionales: basadas en el conocimiento del funcionamiento interno de la Universidad, proporcionan la capacidad de entender los procesos administrativos y las problemticas asociadas, y de relacionarse con las unidades funcionales identificando conjuntamente los resultados
de valor. La competencia funcional es fundamental para que la iniciativa est permanentemente
conectada con necesidades reales y proporcione resultados relevantes para la institucin en todos
sus niveles.
Competencias tecnolgicas: basadas en el conocimiento de las herramientas y tcnicas especficas

de la Business Intelligence. Proporcionan la capacidad de construir, mantener y evolucionar productos de datos efectivos al servicio de los usuarios, as como de impartir la formacin necesaria y darles
el soporte tcnico adecuado.
Competencias analticas: proporcionan la capacidad de plantear a los usuarios soluciones analticas adecuadas e innovadoras que permitan extraer ms valor de los datos disponibles, gracias a la
aplicacin de las diversas tcnicas de representacin, anlisis, interpretacin, modelizacin, etc. de
la informacin.
Lgicamente no es sencillo encontrar perfiles que sean solventes en

las cuatro reas de competencia, por lo que habitualmente la unidad de inteligencia institucional combina inicialmente personas
competentes en solo alguna de ellas, buscando siempre que los integrantes del equipo tengan la mxima disposicin para adquirir
el resto de competencias requeridas, puesto que generalmente se
trata de un equipo no demasiado numeroso y por tanto compuesto
por perfiles necesariamente multidisciplinares, capaces de desenvolverse con soltura tanto en el plano funcional como en el tcnico.
Composicin y naturaleza
A la hora de crear y dotar de personal a la unidad de inteligencia
institucional, y partiendo de la idea de que, al menos inicialmente,
se suele recurrir a personal existente en la institucin, existen dos
extremos contrapuestos que intercambian ventajas e inconvenientes: la unidad de inteligencia institucional formal y la virtual. A
continuacin analizamos cada una de las dos posibilidades.
generalmente se
trata de un equipo no
demasiado numeroso y
por tanto compuesto por
perfiles necesariamente
multidisciplinares, capaces
de desenvolverse con
soltura tanto en el plano
funcional como en el
tcnico
Unidad de inteligencia institucional formal: Con formal queremos decir con personal dedicado a
tiempo completo y cuyo puesto de trabajo est adscrito formalmente a la unidad de inteligencia institucional, que se constituye como una unidad con entidad propia en la institucin y una ubicacin
jerrquica concreta en el organigrama.
Ventajas:
Productividad: los miembros se pueden focalizar en las tareas especficas de la unidad de inteligencia institucional sin que estas compitan con otras asociadas a otras reas de la institucin
La coordinacin se simplifica al reportar a un nico responsable
Mayor nivel de compromiso de los integrantes del equipo al poder focalizar sus esfuerzos
Inconvenientes:
Mayor coste
Organizativamente ms complicado de llevar a cabo por las implicaciones administrativas
Dificultad para encontrar personas con disponibilidad completa y el perfil adecuado
Unidad de inteligencia institucional virtual: con virtual queremos decir sin entidad propia en
el organigrama y formada por personal cuyo puesto de trabajo sigue adscrito oficialmente a otras
unidades, pero que son reclutados para dedicar una parte de su tiempo a la unidad de inteligencia
institucional, sin que esto suponga el trmino de su vinculacin con el puesto que desempean actualmente.
91
Ventajas:
Menor coste
Organizativamente ms sencillo, y por tanto ms rpido, de llevar a cabo
La disponibilidad parcial hace que sea ms fcil encontrar a posibles perfiles adecuados
Inconvenientes:
Riesgo de baja productividad, generado por la dispersin de tareas y objetivos y la competencia

entre la dedicacin a la unidad de inteligencia institucional y a su unidad de procedencia
Dificultades de coordinacin al tener que reportar a dos responsables distintos. Aumento de

conflictos.
Menor nivel de compromiso de los integrantes
Estos dos enfoques no tienen por qu ser mutuamente excluyentes; por ejemplo: no es infrecuente empezar con un enfoque virtual en los primeros compases de la iniciativa, para ir transitando paulatinamente a uno formal una vez que sta se empieza a consolidar y a ganar impulso y visibilidad. De igual modo,
tampoco es raro que exista un pequeo equipo formado por integrantes con dedicacin permanente, que
constituye el ncleo de la unidad de inteligencia institucional, y que el resto de los miembros participen a
tiempo parcial sin desvincularse de sus unidades de origen, es decir, de forma similar al modelo virtual.
Ubicacin y tamao
Para la ubicacin de la unidad de inteligencia institucional en el organigrama general de la institucin
hay que tratar de encontrar un equilibrio delicado: si la situamos muy alto en la estructura, corre el peligro de quedar a mucha distancia de la realidad de gestin y de las necesidades de las unidades administrativas y docentes, y si lo situamos muy abajo, su mbito de accin puede quedar circunscrito a los
lmites de la unidad de la que dependa, ponindose en peligro su visin global y estratgica y su alcance
efectivo.
A la hora de decidir el posicionamiento hay que tratar tambin de mitigar un riesgo real: el secuestro
efectivo de una iniciativa que debera ser de alcance global y su reduccin para atender exclusivamente
necesidades e intereses locales al rea de influencia en la que se encuentre situada.
Otro de los grandes interrogantes, que sigue generando grandes debates en el sector de la Business Intelligence en general, es si la unidad de inteligencia institucional debe estar dentro o fuera del mbito organizativo de tecnologas de la informacin. Si bien creemos que no hay una nica respuesta correcta a esta
pregunta que sea vlida para todos los casos, nuestra experiencia es que da mejores resultados situar la
unidad de inteligencia institucional fuera del rea de tecnologas de la informacin, incluso siendo cierto
que en la gnesis de muchas de las iniciativas de inteligencia institucional, Tecnologas de la Informacin
juega un papel determinante como impulsor inicial.
92
El motivo es que si situamos a la unidad de inteligencia institucional en el mbito de Tecnologas de la Informacin, estamos dando,
de forma implcita, ms relevancia al aspecto tecnolgico que al
funcional, ms a la herramienta que a los fines para los que esta
debe ser utilizada. Y tal y como hemos expuesto en el captulo 1,
para el xito de la Inteligencia Institucional, la alineacin con las
necesidades funcionales de las diversas unidades administrativas
y docentes es un factor crtico de xito. Esto no quiere decir que el
papel que Tecnologas de la Informacin debe desempear en la
iniciativa no sea importante; lo es, y mucho: proveer a la unidad de
inteligencia institucional de los servicios y competencias que le son
naturales y que no son pocos: todos aquellos relativos a la provisin
y soporte del componente tecnolgico, como veremos en el siguiente apartado, cuando detallemos el papel de la unidad tcnica de
apoyo.
En cuanto al tamao del equipo de inteligencia institucional, este
debe ser coherente con el tamao y el alcance de la iniciativa en
cada momento. La recomendacin es empezar a pequea escala,
con un proyecto piloto que sirva para testear el enfoque, la estrategia y medir tanto el esfuerzo requerido como el valor aportado.
No es infrecuente afrontar este proyecto piloto con una unidad de
inteligencia institucional compuesta por una sola persona con habilidades multidisciplinares y apoyo externo, que se va ampliando a
medida que la iniciativa se consolida y va ganando traccin.
En cualquier caso, nuestra recomendacin clara es establecer una
unidad de inteligencia institucional, ya sea virtual o formal, grande o
pequea. Su existencia supone una diferencia muy grande en cuanto a la velocidad, calidad y relevancia de los resultados obtenidos.
nuestra experiencia
es que da mejores
resultados situar la
unidad de inteligencia
institucional fuera del
rea de tecnologas de la
informacin
La recomendacin es
empezar a pequea escala,
con un proyecto piloto
que sirva para testear el
enfoque, la estrategia y
medir tanto el esfuerzo
requerido como el valor
aportado
En los siguientes puntos repasamos las principales actividades asociadas a la unidad de inteligencia
institucional.
3.1. CONCRETAR OBJETIVOS Y DEFINIR PROYECTOS

Como ya mencionbamos en el apartado 2.4 al explicar las actividades de priorizacin que el rgano
de direccin de inteligencia institucional debe asumir, es responsabilidad de la unidad de inteligencia
institucional generar, a partir de los objetivos generales establecidos por el rgano de direccin, objetivos
especficos y proyectos asociados, asignando recursos, tareas y marcos temporales. Como ya hemos visto,
estos objetivos y proyectos debern ser revisados, aprobados y priorizados por el rgano de direccin.
93
Es fundamental establecer y medir los criterios de xito de cada uno de los proyectos aprobados, de
forma que los productos de datos resultantes aporten un valor demostrable y se pueda conocer la efectividad de la iniciativa de inteligencia institucional global y de cada uno de sus proyectos constituyentes.
La experiencia nos dice que la ausencia de un marco de objetivos y proyectos concretos de inteligencia
institucional que materialicen las directrices estratgicas provocan situaciones de improvisacin y reactividad, dedicaciones errticas y descoordinadas, y muy pocos resultados prcticos.
El xito de la inteligencia
institucional debe ser
medido, en ltima instancia,
en trminos de cmo afecta
a la consecucin de los
objetivos globales de la
Institucin
Es importante no perder nunca el vnculo con los objetivos de alto

nivel establecidos por el rgano de direccin, garantizando la trazabilidad de cada proyecto con respecto a esos objetivos generales
que, en esencia, son el fundamento y razn de la existencia de la iniciativa de inteligencia institucional. El xito de la inteligencia institucional debe ser medido, en ltima instancia, en trminos de cmo
afecta a la consecucin de los objetivos globales de la Institucin.
La coordinacin de implicados
Como ya hemos visto, la gestin del rea de inteligencia institucional y de los proyectos y servicios asociados siempre requerir de
la participacin de diversas personas de otras unidades o departamentos. La identificacin concreta por anticipado de esas personas
junto con el papel que deben jugar en cada proyecto o servicio, as como el tipo de dedicacin que se les
requerir constituye una actividad imprescindible para evitar bloqueos en los proyectos fruto de dependencias externas al rea. La coordinacin de los diversos implicados y su garanta de dedicacin es un
punto crtico. La existencia de polticas, principios y normativas que regulen esta participacin (de cuya
existencia, como ya hemos visto en el apartado 2.3, es responsable el rgano de direccin), constituyen
una ayuda fundamental para llevar a cabo esta tarea con xito.
3.2. DISEAR Y LLEVAR A CABO ACCIONES DE DIVULGACIN

Contrariamente a lo que puede parecer para un sistema con un mbito de aplicacin tan extenso, identificar a los usuarios potenciales e implicarlos en la iniciativa no es una tarea trivial o que ocurra de
forma espontnea. Especialmente en los primeros compases es fundamental identificar usuarios clave
con necesidades concretas que podamos atender, de forma que se constituyan en los primeros casos de
aplicacin efectiva de la inteligencia institucional, y que sirvan como ejemplo real para mostrar lo que se
puede conseguir. En caso contrario, corremos el riesgo de que la plataforma de inteligencia institucional
se convierta en algo paradjico: una solucin potencial en busca de problemas concretos en los que pueda ser aplicada, una herramienta puesta a punto pero sin utilizar.
La complejidad organizativa de las Universidades hace que en muchas ocasiones exista un abismo entre
94
el usuario que tiene a veces sin saberlo una necesidad que puede
ser cubierta en el marco de la iniciativa de inteligencia institucional,
y el equipo capaz de proveer la solucin. La mayora de los usuarios
potenciales no sabe lo que la unidad de inteligencia institucional
puede hacer por ellos, por lo que no piden, y los equipos de inteligencia institucional no conocen toda la gama de problemticas
que se dan a lo largo y ancho de una institucin tan compleja como
la Universidad y que podran ser solventadas total o parcialmente mediante el acceso a informacin oportuna. Por tanto, para las
unidades de inteligencia institucional, detectar los problemas que
pueden resolver constituye un problema en s mismo. Es necesario
llegar hasta los usuarios potenciales y ayudarles e entender los beneficios que una solucin de inteligencia institucional puede aportar, para que ellos nos expliquen los problemas en los que podemos
serles de utilidad.
Para paliar esta situacin, es necesario invertir en acciones de divulgacin, de bsqueda proactiva del cliente interno. Esta actividad, de
ser obviada, puede limitar considerablemente la capacidad real de
la inteligencia institucional para aportar valor, al no llegar a todos
sus potenciales beneficiarios, limitando as su alcance efectivo.
Dos iniciativas habituales y complementarias son:
La complejidad organizativa
de las Universidades hace
que en muchas ocasiones
exista un abismo entre el
usuario que tiene a veces
sin saberlo una necesidad
que puede ser cubierta en
el marco de la iniciativa de
inteligencia institucional, y
el equipo capaz de proveer
la solucin (...)
para las unidades de
inteligencia institucional,
detectar los problemas que
pueden resolver constituye
un problema en s mismo
La difusin interna de lo que la inteligencia institucional puede hacer. Para ello se realizan campaas de marketing interno
mediante la publicacin de casos de xito, testimonios de otros
usuarios, demostraciones itinerantes por los campus (incluso
despacho a despacho), etc.
La creacin y promocin pblica de una comunidad abierta y activa de usuarios de inteligencia institucional que, aparte de constituir un recurso de gran valor para los usuarios ya existentes, ayude
a acercar la iniciativa a todos los potenciales beneficiarios. Este tipo de comunidades pueden llegar
a jugar un papel clave en la divulgacin, impulso, rumbo y nivel de uso efectivo de las soluciones de
inteligencia institucional, constituyndose en canales privilegiados de comunicacin con y entre los
usuarios, y en el mejor de los casos, en autnticos viveros de nuevas ideas y de ayuda mutua entre
todos los implicados.
En unidades de inteligencia institucional grandes, con reas especializadas, el rea de soporte a usuarios
es idealmente la encargada de llevar a cabo las sesiones de divulgacin. La familiaridad del personal de
soporte con el uso diario que se le da al sistema y con las barreras tpicas que se les presentan inicialmente a los usuarios, les permiten plantear el primer acercamiento al sistema de una forma ms didctica
y adecuada a la realidad. Esto no quiere decir que las sesiones de divulgacin no puedan ser apoyadas
95
tambin mediante intervenciones normalmente introductorias por parte de perfiles altos, lo cual es
una buena prctica e indudablemente dota a la accin divulgativa de ms fuerza.
3.3. FORMAR A LOS USUARIOS

La formacin a los usuarios es una de las actividades ms importantes, ya que determinar en gran medida el nivel de adopcin real de las soluciones de inteligencia institucional. Es crucial definir una poltica
de formacin concienzuda, con contenidos e itinerarios bien definidos y adaptados a los diversos perfiles
de usuarios y productos de datos ofrecidos, y no dejar esta actividad a la improvisacin. El contenido de
los cursos de formacin relativos a la utilizacin de los recursos concretos de inteligencia institucional
puestos a disposicin de los usuarios debera contemplar al menos cuatro mbitos diferentes y complementarios:
La justificacin: Es decir, explicar a los asistentes por qu la herramienta/producto que vamos a mostrarles les va a ayudar a desempear mejor su trabajo. Hay que huir aqu de justificaciones genricas
y plantear beneficios concretos y especficos para los asistentes a la formacin5.
Las herramientas y productos: cmo operar de manera efectiva con la herramienta o productos de
datos puestos a disposicin de los usuarios para obtener los beneficios presentados.
La informacin: qu informacin fluye a travs de las herramientas y productos, cual es su latencia,

cmo est organizada, de donde proceden los datos base, cmo se ha calculado, qu directrices deben
tenerse en cuenta para su interpretacin, etc.
Los procedimientos y canales de comunicacin: dnde consultar la documentacin, cmo solicitar

ayuda, cmo reportar errores, cmo pedir acceso, cmo solicitar mejoras, cmo solicitar apoyo particular, etc.
En general, y salvo quiz en el caso de usuarios con altas competencias tcnicas, es mejor especializar y
dosificar la formacin en varios niveles (por ejemplo bsico y avanzado), que saturar (y probablemente,
asustar) al usuario al principio con el 100% de los contenidos. Es ms efectivo impartir una formacin inicial que capacite al usuario para que pueda empezar a hacer uso de las funcionalidades bsicas, y esperar
a que adquiera una experiencia mnima de uso bsico antes de plantear una formacin ms avanzada
que le lleve a usos ms complejos.
La formacin debe ser una actividad ofertada peridicamente, tanto ms necesaria cuanto mejor llevemos a cabo las actividades de divulgacin del punto anterior. Las actividades de formacin pueden
apoyar a las de divulgacin mediante la oferta peridica de cursos abiertos de carcter general e intro-
5. No ser capaces de especificar estos beneficios concretos con facilidad, implica normalmente una carencia de planteamiento muy anterior
a la propia formacin, y deberamos cuestionarnos la pertinencia de continuar. La pregunta clave aqu es: estamos entregando soluciones
concretas a problemas identificados?, o por el contrario estamos entregando a los usuarios herramientas genricas para que ellos inventen
maneras de aplicarlas en sus puestos de trabajo? En nuestra experiencia, lo primero funciona casi siempre; lo segundo, casi nunca.
96
ductorio, que permitan la captacin de nuevos usuarios.

Adicionalmente a la formacin estndar en productos y herramientas, no hay que descuidar la formacin particular y totalmente a medida para determinadas personas o colectivos con necesidades o perfiles muy especficos.
Al igual que en el caso de las actividades de divulgacin, en unidades de inteligencia institucional grandes en los que las diversas tareas se llevan a cabo por reas especializadas, la permanente exposicin del
personal de soporte a los usuarios y a su problemtica del da a da los hacen ideales para llevar a cabo
las actividades de formacin, ya que podrn complementar los contenidos estndar de los cursos con
consejos y buenas prcticas extrados de la experiencia de interaccin directa y diaria con los usuarios.
Adems, es bueno para eliminar reticencias y barreras psicolgicas a la hora de recurrir al rea de soporte
por parte de los nuevos usuarios que se estn formando, que ya habrn conocido personalmente durante
la formacin a las personas encargadas de prestarles ese servicio posteriormente.
3.4. CREAR Y EVOLUCIONAR EL CATLOGO DE PRODUCTOS DE

DATOS
Una de las responsabilidades ms importantes de la unidad de inteligencia institucional es hacerse cargo del desarrollo de los productos de datos que vayan conformando el alcance de la iniciativa.
Tras el despliegue inicial de los primeros productos de datos, y fruto de la exposicin a los usuarios, de
las acciones de divulgacin y formacin, de la recogida de sugerencias, de las directrices del rgano de
direccin y de sus propias actividades de anlisis, el equipo de inteligencia institucional ir recabando
diversas oportunidades de mejora o de ampliacin del catlogo de soluciones existentes. Estas oportunidades se materializarn en propuestas de creacin de nuevos productos de datos o de mejora de los
ya disponibles, propuestas que el rgano de direccin de inteligencia institucional, lgicamente, deber
valorar y priorizar en su caso, y que corresponde a la unidad de inteligencia institucional desarrollar6 en
forma de proyectos.
De manera muy general, el proceso de ampliacin y evolucin de un sistema de inteligencia institucional
se puede reducir a la repeticin continua del siguiente ciclo:
[ Ver Cuadro 7 (pg. sig.)
6. Como ya comentamos en el apartado 1.3 del captulo 2, es posible que la Universidad opte por la contratacin de los servicios de desarrollo a proveedores externos, porque no pueda o no quiera, de forma puntual o permanente, asumirlos internamente.
97
CUADRO 7
DESCRIPCIN: Ciclo general de ampliacin de una iniciativa de inteligencia institucional
1
Identificar la
siguiente necesidad
de informacin a
atender
Poner en explotacin
e incluir en mto.
Disear producto de
datos a medida
Construir y validar el
producto de datos
diseado
Incluir las posibles

nuevas fuentes de
datos en el DW
Cada vez que se cierra un ciclo, se produce un incremento en el alcance (y quiz tambin en el pblico) del
sistema. El captulo siguiente se centra en la identificacin de oportunidades y el proceso de desarrollo,
por lo que no entraremos en ms detalles en este punto.
en muchas ocasiones los

usuarios desconocen la
complejidad funcional que
se esconde tras peticiones
aparentemente sencillas
98
Cuando el crecimiento viene fruto de la atencin a una peticin de

los usuarios, ocurre a veces que estos, tras un primer acercamiento al
rea de inteligencia institucional para solicitar la creacin de un determinado producto de datos, se echan atrs, asustados por el nivel
de implicacin que se les pide, y la aparente complejidad de las preguntas que se les formulan. Es, efectivamente, esencial que el usuario final colabore activamente junto con la unidad de inteligencia
institucional en el diseo y construccin de los productos de datos
que satisfarn su solicitud, para que se adecuen al mximo al tipo
de anlisis requerido para la produccin de conocimiento en el contexto especfico del usuario, y se facilite as su uso efectivo. Sin em-
bargo, en muchas ocasiones los usuarios desconocen la complejidad

funcional que se esconde tras peticiones aparentemente sencillas,
y al aflorar esa complejidad durante el correspondiente anlisis por
parte del rea de inteligencia institucional, se asuste o la intrprete
como excusas para no atender su peticin o dilatarla en el tiempo. En este sentido el rea de inteligencia institucional debe tener
mucho cuidado para mostrar siempre un apoyo decidido al usuario,
no cargarle con la responsabilidad de tomar decisiones o definir criterios que no le corresponde aclarar a l, y presentarle siempre alternativas trabajadas, antes que pedirle que las presente l (aunque
su implicacin es crucial, es nuestro trabajo, no el suyo, proveer las
soluciones). Es esencial una actitud de orientacin sincera al cliente
interno y el uso de un lenguaje adecuado a su contexto para explicar las dificultades identificadas para atender su solicitud, as como
las propuestas de solucin. Como veremos en el prximo captulo, el
proceso de construccin de un producto de datos es ms una labor
de exploracin y aprendizaje conjunto entre los proveedores y los
solicitantes, que una relacin pura y estricta de cliente-proveedor.
Diferentes tipos de usuarios
Tambin es importante tener en cuenta que cada usuario requiere
una solucin distinta. En general, y aunque suponga una simplificacin, se puede hablar de dos tipos de perfiles:
Es esencial una actitud

de orientacin sincera al
cliente interno y el uso de
un lenguaje adecuado a su
contexto (...)
el proceso de construccin
de un producto de
datos es ms una
labor de exploracin y
aprendizaje conjunto
entre los proveedores y
los solicitantes, que una
relacin pura y estricta de
cliente-proveedor
si bien esta capacidad de
autoservicio es de gran
valor, tambin requiere que
la unidad de inteligencia
institucional ejerza una
cierta labor de supervisin
Usuarios avanzados: El perfil habitual es el de usuarios con

alta competencia tcnica y cuya actividad habitual tiene que
ver con el tratamiento de datos. El tipo de trabajo que realizan
es el anlisis ad hoc de carcter exploratorio, o la construccin
de informes para consumo de otros usuarios en su mbito de
trabajo. Normalmente estos usuarios lo que demandan son
herramientas que les den un alto grado de libertad para ellos
mismos construir sus propios productos de datos explotando
el data warehouse. Estos usuarios son minora (se suele estimar
en un 20%). Es necesario poner de relieve que si bien esta capacidad de autoservicio es de gran valor, tambin requiere que
la unidad de inteligencia institucional ejerza una cierta labor de supervisin (aparte, lgicamente,
de una labor de apoyo) sobre los productos as generados, especialmente si estos no se limitan al
consumo propio, sino que estn siendo compartidos o distribuidos a otros usuarios. El objetivo de
esta supervisin es visar la calidad y la pertinencia7 del desarrollo, su adecuacin a estndares, y lo
7. Por ejemplo, la funcionalidad de un producto de datos desarrollado por un usuario avanzado puede estar ya total o parcialmente cubierta
por otro producto de datos estndar, con lo que se estara generando una situacin de redundancia e incluso competencia entre dos soluciones distintas al mismo problema, una central y otra local.
99
que no es menos importante, analizar la idoneidad de que sea incorporado al conjunto de productos
estndar mantenidos de forma centralizada por la unidad de inteligencia institucional, y por tanto
aprovechado por todos los usuarios potenciales del sistema.
Usuarios bsicos: Aqu encontramos a la gran mayora de los usuarios (se suele estimar en un 80%),
con perfiles muy diversos que generalmente no tienen por qu presentar una alta competencia tcnica. Suelen tener unas necesidades de informacin analtica que en su mayor parte son recurrentes
y relativamente concretas, y lo que requieren es poder disponer de ella forma autnoma y sencilla,
mediante productos de datos hechos a medida para el contexto especfico de su puesto de trabajo.
Estos usuarios lo que demandan, por tanto, no son herramientas de mbito general, sino productos
de datos terminados y construidos ex profeso para cubrir sus necesidades de informacin.
Un error tradicional muy comn en el pasado8 consista en considerar que las herramientas de BI y los
modelos de datos eran lo suficientemente sencillos como para tratar a todos los usuarios como avanzados. Esto llevaba a organizar formaciones masivas sobre las herramientas, con la esperanza de que
todo el mundo fuera capaz de auto-proveerse de los productos de datos que necesitara. Obviamente, en
el mejor de los casos, solo ese 20% de perfiles de usuario avanzado era receptivo a este enfoque, que daba
por tanto lugar a escenarios de bajsima utilizacin efectiva.
3.5. CREAR Y MANTENER EL ESPACIO WEB DE LA UNIDAD DE

Como ya hemos comentado antes, en una iniciativa de inteligencia institucional, cuya evolucin debe
ser especialmente dirigida por los usuarios, el establecimiento de canales de comunicacin dinmicos
y efectivos con la comunidad de usuarios es fundamental para el afianzamiento y la expansin de la
iniciativa en la Institucin, y por tanto, para su xito.
Este site debe actuar como

concentrador y distribuidor
de toda la informacin
y servicios relativos a la
El canal ideal para distribuir la informacin relacionada con la explotacin del sistema es un site en la intranet de la Universidad. Este
site debe actuar como concentrador y distribuidor de toda la informacin y servicios relativos a la inteligencia institucional, actuando
como canal principal de comunicacin con los usuarios.
Informacin tpica que suelen contener estos sites es:
Los canales y procedimientos a travs de los cuales: solicitar

formacin, consultar dudas o pedir ayuda, solicitar acceso, informar de defectos, solicitar mejoras, etc.
Las fechas de ltima recarga de cada una de las reas temticas

del data warehouse.
8. Normalmente se daba en contextos en los que la iniciativa era liderada exclusivamente por perfiles tcnicos
100
Los defectos reportados y el estado de cada uno de ellos
Los cambios pendientes de aplicar en el sistema y el calendario de aplicacin (para cambios que
tengan impacto en los usuarios)
La documentacin de usuario y los metadatos del sistema
Los proyectos e iniciativas en curso, junto con su calendario y estado
Cualquier noticia o aviso relativos a los servicios prestados y relevante para el usuario (paradas del
sistema, etc.)
Acceso a la comunidad de usuarios
Informacin y recursos de divulgacin
A continuacin se muestran dos capturas de los sites de unidades de inteligencia institucional de algunos
de los casos de estudio presentados en la parte II del libro.
FIGURA 1
DESCRIPCIN: pgina home del site de la unidad de inteligencia institucional de la Universidad de Arizona, denominada Enterprise
Information & Analytics
101
FIGURA 1
DESCRIPCIN: pgina home del site de la unidad de inteligencia institucional de la Universidad de Illinois, denominada Decision Support
102
3.6. DAR SOPORTE OPERATIVO, CORRECTIVO Y EVOLUTIVO

Un buen soporte a los usuarios es crucial para garantizar la supervivencia y el uso efectivo de las soluciones de inteligencia institucional, especialmente en el caso de los usuarios noveles: la resistencia ante una
tecnologa nueva y la reticencia a preguntar o pedir ayuda, combinados con la percepcin, falsa o no, de
que no se va a obtener el apoyo necesario, puede hacer que perdamos usuarios sin apenas darnos cuenta.
Podemos clasificar las actividades de soporte en los siguientes tipos:
Operativo
El soporte operativo consiste en ofrecer apoyo rpido a las actividades de explotacin de la informacin
que los usuarios desarrollan en su da a da. Suele estar basado en un hotline de apoyo a la explotacin,
en la que recibir orientacin rpida sobre cuestiones de uso de las herramientas o de interpretacin de
los datos.
Correctivo
El soporte correctivo consiste en la recepcin y correccin de los posibles errores que los usuarios vayan
identificando en las herramientas y en los datos. Es fundamental realizar un diagnstico rpido y un
seguimiento activo del estado de cada defecto reportado, especialmente de aquellos cuya resolucin requiere la participacin de otras unidades9, y proporcionar a los usuarios un feedback permanente sobre
el estado y evolucin de la solucin correspondiente. Como hemos visto en el punto anterior, una buena
prctica es mantener en el site interno una seccin con la lista de defectos reportados y el estado de cada
uno de ellos.
Evolutivo
El soporte evolutivo consta de dos aspectos:
la atencin y el procesamiento de las necesidades de mejora o ampliacin de funcionalidades que

los usuarios van identificando y solicitando. El resultado es la definicin y propuesta de nuevos proyectos de desarrollo.
la atencin y el procesamiento de los cambios en el entorno originados en sistemas externos (habitualmente los sistemas fuente). El resultado es la evaluacin de impacto y la definicin, en su caso, de
proyectos de desarrollo para adaptarse a los cambios ocurridos en el sistema externo.
9. Por ejemplo, errores causados por la infraestructura tecnolgica base y que por tanto hayan sido redirigidos a la unidad tcnica de apoyo,
o problemas de calidad de datos que hayan sido redirigidos a la unidad administrativa responsable correspondiente.
103
3.7. ADMINISTRAR USUARIOS Y PERMISOS
frecuentemente se
subestiman los efectos
adversos que las polticas
de acceso muy restrictivas
tienen en muchos
aspectos de la inteligencia
institucional
Las operaciones sobre usuarios y permisos deben realizarse segn la poltica que haya definido el rgano de direccin10 y sobre
las peticiones de acceso que hayan seguido el cauce especificado
(normalmente a travs del site interno de la unidad de inteligencia
institucional). La poltica definida debe dejar claro el procedimiento
a seguir para que, dado un usuario peticionario, la unidad de inteligencia institucional pueda, basndose en su perfil, saber a qu datos puede acceder y qu operaciones puede realizar en el sistema.
Una vez conocido esto, se llevar a cabo la creacin y aplicacin de
los privilegios de acceso y operacin correspondientes y su comunicacin al interesado.
Es importante resaltar aqu que la carga de trabajo que genera la actividad de administracin de usuarios y permisos es directamente
proporcional a lo restrictiva que sea la poltica de acceso definida. Es decir, cuanto ms restrictiva, mayor
coste de implementacin y de mantenimiento. Si bien esto no debera ser determinante para elegir una
poltica u otra, nuestra experiencia es que frecuentemente se subestiman los efectos adversos que las
polticas de acceso muy restrictivas tienen en muchos aspectos de la inteligencia institucional.
3.8. MONITORIZAR EL USO

La monitorizacin del uso de los diferentes elementos y recursos que el entorno de inteligencia institucional pone a disposicin de los usuarios es una actividad imprescindible si se desea medir el nivel real de
penetracin de la iniciativa en la Institucin y hacer una gestin proactiva de la demanda. La mayora de
plataformas de Business Intelligence proporciona mecanismos para registrar y analizar este uso. Se trata
de una herramienta muy poderosa de cara a identificar posibles anomalas en la explotacin y por tanto
a desarrollar polticas proactivas de mejora.
La monitorizacin de uso del sistema puede arrojar datos de suma importancia para obtener un perfil
general de utilizacin: qu usuarios/colectivos usan el sistema? A qu recursos accede cada colectivo?
Existen patrones temporales recurrentes en el uso del sistema? Cules son los recursos ms utilizados?,
etc.
10. Si esta poltica esta ausente o parcamente definida, la unidad de inteligencia institucional se ve obligada a preguntar al rgano de
direccin, por cada peticin de acceso, si debe ser o no aprobada. Independientemente de la poca practicidad y agilidad de este enfoque, lo
que suele ocurrir es que, en ausencia de criterios claros, nadie quiere asumir la decisin, por lo que va escalando por la estructura de mando
a veces hasta alcanzar niveles ridculos.
104
De igual modo, la monitorizacin del uso nos permite detectar

eventos que ponen de manifiesto realidades en las que nos puede
interesar intervenir de forma proactiva con acciones concretas de
recuperacin o apoyo a usuarios, revisin de contenidos, etc. Por
ejemplo:
la monitorizacin del
uso nos permite detectar
eventos que ponen de
manifiesto realidades en
las que nos puede interesar
intervenir de forma
proactiva
Ha habido abandonos? (usuarios que han entrado antes pero

han dejado de hacerlo) Y Por qu?
Ha habido nuevos usuarios? (usuarios autorizados que no haban entrado nunca y lo han hecho ahora) Y Protocolo de bienvenida
Ha habido rechazos? (usuarios con acceso que tras un periodo

determinado de tiempo no han entrado nunca) Y Por qu?
Cules son los informes que ms tardan en ejecutarse? Y Analizar y Optimizar
Existen en los diversos productos de datos contenidos que no se usan? Y Por qu?11
Por otro lado, no es infrecuente establecer mtricas de xito basadas en el uso de la plataforma, que pueden ser calculadas en la mayora de las ocasiones de forma automtica usando los registros de acceso.
3.9. GESTIONAR LOS CAMBIOS

Gestionar adecuadamente los cambios a los que cualquier sistema
de inteligencia institucional est sujeto es probablemente la actividad ms crtica para su explotacin sostenida, y tambin una de
las que mayor cantidad de tiempo consumir. Los cambios ocurrirn con mucha frecuencia en un sistema de inteligencia institucional vivo, ya que el contexto externo en el que se integra y del que
depende est en constante movimiento. A nivel general, podemos
identificar dos grandes tipos de cambios que deberemos gestionar:
Cambios no controlados: son aquellos cambios que vienen impuestos por el contexto tecnolgico o funcional circundante.
Estos cambios son los ms crticos porque habitualmente no
podemos controlar el momento en el que ocurren. Es fundamental por tanto identificar las fuentes posibles de este tipo de
cambios y establecer con los interlocutores adecuados protocolos de comunicacin que permitan que la comunicacin llegue
Gestionar adecuadamente
los cambios a los que
cualquier sistema
de inteligencia
institucional est sujeto
es probablemente la
actividad ms crtica para
su explotacin sostenida,
y tambin una de las que
mayor cantidad de tiempo
consumir
11. Puede ser que esos contenidos estn mal enlazados y sean inalcanzables para los usuarios, o poco visibles y pasen inadvertidos, o puede
que estn mal enfocados y carezcan de inters, etc. En todos los casos se trata informacin relevante que sera difcil obtener de otro modo.
105
al equipo de inteligencia institucional antes del cambio, y no a hechos consumados. Los orgenes
habituales de este tipo de cambios son:
1)
Los sistemas fuente:
Cambios en la estructura lgica o fsica de almacenamiento de los datos que el data warehouse
extrae
Cambios en la ubicacin lgica o fsica de la BBDD
Cambios en el modo de acceso (usuario, clave, protocolo de comunicaciones)
Cambios funcionales en las operativas de registro de datos
2) Infraestructura HW/SW, especialmente cuando es compartida con otros sistemas:
Cambios en los sistemas de seguridad de la red
Cambios en la versin del software base (BBDD, Servidor de Aplicaciones, plataforma de Business
Intelligence)
Cambios en la configuracin de los servidores
Cambios en las prioridades de asignacin de recursos compartidos
Cambios en los sistemas y mecanismos de validacin, autenticacin o recuperacin de credenciales
Cambios controlados: son aquellos cambios cuya ocurrencia est bajo el control del equipo de inteligencia institucional, es decir, que decidimos acometer y podemos planificar cundo y cmo aplicar.
Los orgenes habituales de este tipo de cambios son:
Ampliaciones en el alcance de la solucin (desarrollo de nuevos productos de datos)
Correccin de errores en los productos de datos
Identificacin
La identificacin temprana es especialmente crtica en la gestin de los cambios no controlados, para lo
cual es necesario:
106
Elaborar un catlogo de las fuentes posibles de cambios no controlados conocidas.
Para cada una de las fuentes, identificar un responsable de informar al equipo de inteligencia institucional de los cambios en su mbito que pueden afectar al sistema
Una vez se identifique un cambio, registrarlo documentalmente, definiendo, al menos
Origen
Fecha de identificacin
Naturaleza del cambio
Fecha de ocurrencia
Alcance e impacto en el sistema de inteligencia institucional (qu se ve afectado y con qu consecuencias)
Adaptaciones requeridas
Fecha estimada de adaptacin
Planificacin
La aplicacin de los cambios debe ser planificada formalmente contando con todos los implicados, tanto
internos como externos. Los pasos seran:
Identificar tareas necesarias para la adaptacin
Identificar implicados en la realizacin de las tareas
Definir plan: establecer cronograma y reparto de tareas entre los implicados
Existen fundamentalmente dos polticas en cuanto a la planificacin de aplicacin de cambios en el

entorno:
Peridica y acumulativa: Puede ser interesante definir una periodicidad y unas fechas fijas reservadas para la aplicacin de cambios. De este modo, los usuarios se acostumbran a que, por ejemplo, un
determinado da al mes se reserva para la aplicacin en produccin de todos los cambios acumulados durante el ltimo mes, y que por tanto el entorno puede estar no disponible total o parcialmente
ese da. Esto genera un marco ms predecible y ms estable en cuanto a la disponibilidad del sistema
en produccin y la fecha de inclusin de nuevas funcionalidades y correcciones de errores.
Ad Hoc: Se planifica la aplicacin de cada cambio en el sistema de manera independiente al resto.

Esto minimiza el tiempo de respuesta ante cambios, pero genera un marco ms inestable e impredecible en cuanto a la disponibilidad del sistema para los usuarios.
Por supuesto, se puede establecer una poltica mixta basada en la naturaleza y criticidad de los cambios
que se vayan presentando, puesto que no siempre es posible o deseable mantener una sola de las opciones.
Aplicacin
Consiste en llevar a cabo el plan trazado para aplicar uno o varios de los cambios detectados. Los pasos
deben llevarse a cabo en las fechas previstas en el paso anterior, y seran:
Aplicar el cambio en el entorno de pruebas
Validar que los cambios han tenido los efectos deseados
Aplicar el cambio en el entorno de produccin

107
Validar que los cambios han tenido los efectos deseados
La comunicacin del cambio

Desde el momento en que se identifica un nuevo cambio, es crucial realizar una comunicacin puntual a
la comunidad de usuarios a travs de los canales pertinentes por los siguientes motivos:
La confianza de los
usuarios es el bien ms
preciado y ms frgil para
un sistema de inteligencia
institucional
La confianza de los usuarios es el bien ms preciado y ms frgil para un sistema de inteligencia institucional, por lo que deben ser evitadas a toda costa situaciones en las que, fruto de un
cambio no comunicado, un usuario acceda sin haber sido avisado a datos errneos o incompletos, o simplemente no pueda
acceder al sistema.
Muchas veces los cambios introducirn mejoras o ampliaciones que los usuarios simplemente no utilizarn si no han sido
informados de su existencia.
En cuanto al momento y contenido de la comunicacin, esta debe

hacerse idealmente dos veces, la primera tan pronto se identifique un nuevo cambio, y se debe comunicar, al menos:
Origen del cambio detectado (rea o sistema) y descripcin breve
Impacto de la no adaptacin del sistema y fecha en la que se materializar el impacto si la adaptacin no ha ocurrido
Fecha prevista de adaptacin del sistema al cambio
y la segunda despus de aplicar el cambio en el sistema. La informacin sobre cada cambio aplicado debe
incluir al menos:
108
Una descripcin funcional del cambio (el usuario final raramente necesita los detalles tcnicos)
Los elementos perceptibles para el usuario que han sido modificados, aadidos o eliminados en el
sistema
Instrucciones o recomendaciones de uso o cualquier informacin relevante que los usuarios deban
conocer porque les facilite la adaptacin al cambio o les ayude a interpretar mejor la nueva situacin.
4. LA UNIDAD TCNICA DE APOYO

CUADRO 8
DESCRIPCIN: posicin de la unidad tcnica de apoyo en el diagrama de interacciones entre los agentes implicados
UNIDAD
TCNICA
DE APOYO

DE DATOS
INSTITUCIONAL
USUARIOS
INDIRECTOS
UNIDADES
ADMINISTRATIVAS
USUARIOS DIRECTOS
Establecimiento,
priorizacin
y supervisin
de objetivos
Desarrollo
y soporte
de productos
de datos
Especificacin
de necesidades
y uso efectivo
Como ya explicbamos en pginas anteriores, el rol genrico que denominamos unidad tcnica de apoyo suele materializarse en una o varias de las unidades que componen el rea de Tecnologas de la Informacin de la Universidad, y los perfiles que la componente suelen incluir fundamentalmente administradores de bases de datos y tcnicos de sistemas con conocimientos especializados en la administracin
de sistemas data warehouse y plataformas de Business Intelligence.
La unidad tcnica de apoyo debe encargarse de las cuestiones relativas al correcto funcionamiento de la
tecnologa base en la que se apoya la plataforma de inteligencia institucional (hardware y software): servidores, bases de datos, herramientas, etc. , as como de los procesos de bajo nivel que la alimentan. Tambin debe encargarse de garantizar que los usuarios finales disponen del entorno tcnico adecuado para
utilizar las soluciones de inteligencia institucional (ordenador, software de escritorio, conectividad, etc.).
En los siguientes puntos repasamos las principales actividades asociadas a la unidad tcnica de apoyo en
el marco de una iniciativa de inteligencia institucional.
4.1. ESTABLECER Y MANTENER EL NIVEL DE SERVICIO DE LA

PLATAFORMA
Se debe definir cul va a ser el nivel de servicio de la plataforma de inteligencia institucional, de forma
que todos los implicados conozcan los parmetros en los que el sistema est disponible, por ejemplo:
109
El horario en que se garantiza la disponibilidad de la plataforma, y si existen tramos de parada de

servicio por mantenimiento (por ejemplo, fines de semana, noches, los das X de cada mes, etc.).
Si hay soporte fuera de los horarios habituales de trabajo (guardias 24h, etc.).
Los criterios que permitan identificar cundo el rendimiento, expresado en tiempo de respuesta para
obtener resultados, deja de ser aceptable12.
De igual modo, se debe realizar una monitorizacin activa de la disponibilidad de la plataforma, de forma
que se detecten, registren y minimicen los posibles periodos de prdida de servicio causados por cadas,
etc., as como las labores necesarias de mantenimiento y administracin de los componentes que constituyan la tecnologa base.
4.2. RESOLVER PROBLEMAS TCNICOS

La unidad tcnica de apoyo deber encargarse de la resolucin de los problemas relativos a la infraestructura tecnolgica de la plataforma de inteligencia institucional, como pueden ser la cada de alguno de los
componentes, la imposibilidad de realizar una conexin, el llenado de un sistema de almacenamiento,
etc.
No hay que olvidar el soporte a los puestos cliente: todas las soluciones de software imponen unos determinados requerimientos en los puestos desde el que son explotadas. La unidad tcnica de apoyo debe
conocer y publicitar esos requerimientos, y atender todos los posibles problemas causados por incumplimiento de los mismos o incompatibilidad de estos con otros sistemas. Ejemplo de este tipo de soporte son
los problemas de incompatibilidad causados por el tipo, versin o configuracin especfica del sistema
operativo, navegador de Internet, mquina virtual JAVA, plugins, software de ofimtica, etc.
4.3. ESTABLECER Y EJECUTAR POLTICAS DE BACKUP

Es necesario definir las operaciones de backup que se realizarn sobre los componentes de la plataforma
de inteligencia institucional, es decir:
El alcance: definir con claridad de qu elementos y contenidos se hacen backups (datos, software,
repositorios de metadatos, etc.)
12. Este criterio puede establecerse de forma general, usando alguna mtrica agregada (por ejemplo, el tiempo medio global de respuesta),
o puede establecerse de manera especfica para cada uno de los productos de datos, lo que permite tener en cuenta la naturaleza, criticidad
y contexto de uso de cada uno de ellos, y por tanto establecer parmetros de tolerancia diferentes en cada caso. Un tiempo de cinco minutos para la ejecucin de un informe estndar esttico que es accedido una vez al mes por una nica persona puede ser aceptable, mientras
que ese mismo tiempo sera inaceptable en un informe de acceso masivo cuyo uso implica una interaccin intensa por parte de los usuarios
con los elementos dinmicos del mismo (filtrar, hacer drill down/up, aadir/ocultar elementos, etc.).
110
La periodicidad: cada cuanto tiempo se hace el backup de cada contenido.
Es importante conocer la granularidad que permiten los procedimientos de recuperacin, es decir, si en

caso de prdida se recupera el contenido del sistema de forma monoltica, o si se pueden obtener contenidos parciales, y en su caso, a qu nivel. Esto es importante para, en caso de que se de alguna situacin
que requiera la recuperacin desde backup de algn contenido, decidir la idoneidad de revertir el sistema
a un estado anterior o asumir el coste de volver a desarrollar o alimentar algn contenido perdido.
4.4. OPTIMIZAR EL RENDIMIENTO (TUNING)

A medida que la solucin de inteligencia institucional va ampliando su alcance, el nmero de usuarios que debe atender y el volumen
de datos que debe procesar van aumentando, lo que puede dar lugar
a la aparicin de problemas de rendimiento. Si bien en general los
usuarios muestran un mayor umbral de tolerancia en los tiempos
de respuesta de sistemas analticos, unos tiempos demasiado grandes harn que se ponga en peligro el nivel de uso efectivo del sistema. Por tanto, es importante:
En la medida de lo posible, prever su aparicin y anticiparnos:

hacer un seguimiento activo de la evolucin en el alcance y uso
de la plataforma para prever la posible la aparicin de estos
problemas y tomar medidas preventivas.
Tener la capacidad de detectar estos problemas tan pronto aparecen idealmente, sin esperar a que lleguen en forma de quejas de los usuarios- , y proceder a su anlisis, diagnostico y, en
su caso, resolucin.
Si bien en general los

usuarios muestran un
mayor umbral de tolerancia
en los tiempos de respuesta
de sistemas analticos,
unos tiempos demasiado
grandes harn que se
ponga en peligro el nivel de
uso efectivo
Los problemas de rendimiento pueden tener muy diverso origen y por tanto muy diversas soluciones:
Reescritura de la lgica en las consultas generadas
Generacin de nuevos ndices
Creacin de elementos precalculados (por ejemplo, vistas materializadas)
Uso del particionamiento en tablas
Cambios en los parmetros de configuracin de la BBDD
Ajustes en la distribucin fsica de los ficheros de datos en el sistema de almacenamiento
Aumento de la velocidad de transferencia con el sistema de almacenamiento
Aumento de la potencia de los servidores: memoria, capacidad de proceso, etc.

111
Aumento del n de servidores
Planificacin y ejecucin en diferido de determinadas consultas
Implementacin de determinadas partes del modelo de datos multidimensional en una tecnologa

distinta (por ejemplo, de ROLAP a MOLAP)
Etc.
Como ya hemos expuesto antes en la actividad de establecimiento del nivel de servicio de la plataforma,
deben haberse definido con precisin suficiente los tiempos aceptables de respuesta del sistema, de forma que haya la menor discusin posible a la hora de decidir si el tiempo de espera para la obtencin de
resultados est o no dentro de los parmetros deseados, y por tanto si debe analizarse la toma de medidas de optimizacin o no. Es importante recalcar que como parte del diagnstico debe analizarse el coste/
beneficio de la accin de optimizacin.
4.5. ACTUALIZAR EL SOFTWARE Y HARDWARE BASE

Tanto el hardware como el software que constituyen la plataforma de inteligencia institucional cambiarn con el tiempo para no quedarse obsoletos. El rea de infraestructura debe hacerse cargo de analizar13
y llevar a cabo estas actualizaciones, en coordinacin con el resto de implicados y bajo la batuta de la
unidad de inteligencia institucional como coordinador general de todas las actividades.
los entornos de BI
evolucionan ms rpido y
con ms frecuencia que la
mayor parte de los sistemas
informticos centrales
de que suelen disponer
las Universidades, lo que
puede suponer un estrs
tecnolgico importante
En este punto es importante resaltar que los fabricantes de plataformas de Business Intelligence se mueven en un mercado altamente
competitivo, por lo que es habitual que la evolucin de las herramientas sea intensa y se materialice en la publicacin frecuente de
nuevas versiones del software. Nuestra experiencia es que, comparativamente, los entornos de BI evolucionan ms rpido y con ms
frecuencia que la mayor parte de los sistemas informticos centrales de que suelen disponer las Universidades, lo que puede suponer
un estrs tecnolgico importante y arrastrar a una evolucin forzada y acelerada a otros sistemas que no tendran por que verse sometidos a ella. Es importante tener esto en cuenta a la hora de disear
la arquitectura hardware y software que alojar a la plataforma de
BI, y en la medida de lo posible, aislarla y minimizar las interdependencias con otros elementos de uso compartido.
13. Ser necesario certificar que las actualizaciones no van a generar ninguna situacin de incompatibilidad con el resto de elementos del
entorno informtico de la Universidad, ya sean de infraestructura general (sistemas de autenticacin, servidores de aplicaciones, etc.) o de
informtica de escritorio (versiones de navegadores y plugins, mquinas virtuales, etc.)
112
4.6. SUPERVISAR LAS CARGAS DE DATOS

Las cargas peridicas de datos al data warehouse constituyen una de las operaciones ms crticas del
sistema, y deben ser gestionadas y supervisadas de manera sistemtica. Las tareas a llevar a cabo son:
Planificacin y programacin temporal de las cargas:
Con qu frecuencia se cargar cada rea?
En qu ventana horaria?
Control de resultados:
Han terminado correctamente?
Se han ejecutado dentro de su ventana horaria?
Publicacin de resultados y fechas de refresco a la comunidad de usuarios
En caso de error:
Comunicacin a implicados (especialmente a usuarios)
Diagnstico del problema
Coordinacin de la solucin y replanificacin de la carga
Si bien esta actividad podra realizarse por parte de la unidad de inteligencia institucional, la hemos
ubicado como parte de las responsabilidades de la unidad tcnica
de apoyo por dos motivos:
en nuestra experiencia, aproximadamente el 40% de las paradas en procesos de carga por error fatal estn motivadas por
problemas tcnicos puntuales, de resolucin relativamente
sencilla, que implica la actuacin de la unidad tcnica de apoyo:
prdida de conectividad entre el data warehouse y los sistemas
fuente, parada no prevista de algn sistema fuente implicado,
cada de algn servidor, coincidencia en el tiempo con alguna
labor de mantenimiento que ralentiza o bloquea la carga, superacin del espacio disponible en disco, etc.
la unidad tcnica de apoyo, que como ya hemos visto suele encarnarse en alguna de las unidades del rea de Tecnologas de
la Informacin, suele contar con mejores mecanismos de supervisin y personal de guardia para eventualidades nocturnas
que es cuando suelen llevarse a cabo las cargas de datos - puesto
que atienden tambin muchos otros sistemas crticos, estando
por tanto mejor preparados para solucionar eficazmente una
eventualidad en horarios fuera de la jornada habitual.
en nuestra experiencia,
aproximadamente el
40% de las paradas en
procesos de carga por
error fatal estn motivadas
por problemas tcnicos
puntuales, de resolucin
relativamente sencilla, que
implica la actuacin de la
unidad tcnica de apoyo
113
Supervisin del volumen de datos

Lgicamente, el volumen de los datos almacenados en el data warehouse crece constantemente. Por ello,
aparte de un correcto dimensionamiento inicial, es preciso realizar las siguientes tareas relativas a la
administracin de esos volmenes de datos:
Identificacin del ritmo de crecimiento
Control del volumen ocupado respecto a la capacidad del sistema
Llegado el caso, traslado, agregacin o borrado de datos antiguos
El objetivo es poder anticipar situaciones de desbordamiento, tener definidas polticas claras de archivado y disponer de los mecanismos de contencin necesarios.
5. LAS UNIDADES DE USO INTENSIVO DE DATOS

CUADRO 9
DESCRIPCIN: posicin de las unidades de uso intensivo de datos en el diagrama de interacciones entre los agentes implicados
UNIDAD
TCNICA
DE APOYO

DE DATOS
INSTITUCIONAL
USUARIOS
INDIRECTOS
UNIDADES
ADMINISTRATIVAS
USUARIOS DIRECTOS
Establecimiento,
priorizacin
y supervisin
de objetivos
Desarrollo
y soporte
de productos
de datos
Especificacin
de necesidades
y uso efectivo
Si bien este tipo de unidades podran confundirse entre el amplio colectivo de usuarios potenciales de la
plataforma, sus caractersticas especiales hacen que deban jugar un papel propio y relevante en la iniciativa, aparte del papel natural de usuarios (normalmente avanzados) de la misma.
Como anticipbamos en el apartado inicial de este captulo, se trata de unidades que normalmente ya
existan antes de la iniciativa de inteligencia institucional, que tienen una especial relevancia en el tratamiento de los datos dentro de la institucin, lo que aconseja su implicacin en las iniciativas de inteligencia institucional desde el inicio. Estas unidades pueden ser de muy diversa naturaleza, pero tienen en
comn los siguientes aspectos:
114
Una dependencia muy alta de la disponibilidad de datos, habitualmente de fuentes diversas, para
llevar a cabo su misin principal
Una misin principal relacionada fundamentalmente con el tratamiento de esos datos y la produccin de informacin elaborada, con mucha frecuencia fruto de la combinacin de datos de sistemas
distintos.
Una informacin elaborada que no es para el consumo interno de la propia unidad, sino que est
dirigida fundamentalmente a otros destinatarios (tanto internos como externos): generacin de
informes peridicos para el consumo interno de determinadas autoridades, envo de datos institucionales a entidades externas financiadoras y/o supervisoras, publicacin de boletines estadsticos,
realizacin de estudios internos bajo demanda, etc.
Claras candidatas a ser consideradas unidades de uso intensivo de datos son las unidades de calidad, de
prospectiva, de estadstica, de planeacin, observatorios, etc. o las unidades de investigacin institucional
(Institutional research), de especial relevancia en las Universidades de mbito anglosajn.
Los motivos por los cuales estas unidades deben ser implicadas en la iniciativa de inteligencia institucional desde su concepcin son los siguientes:
La funcin desempeada por cada una de estas unidades de

uso intensivo de datos debe armonizarse con la misin encomendada a la unidad de inteligencia institucional, con el fin
de evitar redundancias y aprovechar sinergias, evitando as el
riesgo de duplicidades y solapes en las competencias. Estos dos
tipos de unidades deben asociarse, no competir ni entrar en rivalidades improductivas.
Habitualmente llevan tiempo haciendo tareas de tratamiento
de datos y produccin de informacin. El conocimiento adquirido y los productos de trabajo generados son de muchsimo
valor para la iniciativa de inteligencia institucional, puesto que:
La funcin desempeada
por cada una de estas
unidades de uso intensivo
de datos debe armonizarse
con la misin encomendada
a la unidad de inteligencia
institucional, con el fin
de evitar redundancias y
aprovechar sinergias
Fruto de su experiencia relativa a la produccin de informacin, estarn familiarizados con las complejidades y
problemas especficos de cada conjunto de datos
Tanto la informacin producida por estas unidades como

los criterios de clculo con que ha sido producida, as como
las definiciones funcionales de los elementos utilizados, constituyen hasta el momento el estndar aceptado, y por tanto sirven de referencia clave, punto de partida y elementos de contraste para los resultados producidos por la plataforma de inteligencia institucional.
Normalmente hacen un papel de intermediarios hacia un pblico que puede no estar al alcance de la
iniciativa de inteligencia institucional, y por tanto hacen una funcin de intermediacin y de extensin de alcance importante hacia un conjunto de usuarios indirectos de la plataforma.
115
Suelen tener requerimientos especiales muy especficos respecto a los datos con los que trabajan, en
concreto, respecto a la inmutabilidad de los juegos de datos y su vinculacin a un momento concreto
del tiempo. Estos requerimientos impactan en cmo deben disearse determinados procesos y modelos de datos en la plataforma de inteligencia institucional.
No es descabellado que una o varias de estas unidades muten para convertirse en la unidad de inteligencia institucional, precisamente para aprovechar toda su experiencia previa en el tratamiento de los
datos institucionales. Pero cuidado: esto es adecuado siempre y cuando la mutacin sea real, es decir,
cambie la misin original (se ample), y se complemente o capacite al personal con las habilidades especficas necesarias sobre las tcnicas y herramientas de inteligencia institucional. En caso contrario, nos
arriesgamos a un mero cambio de nombre sin consecuencias reales, o a la reduccin de la iniciativa de
inteligencia institucional para atender intereses locales.
Es necesario poner de relieve un riesgo importante relacionado con
este tipo de unidades: dado que su trabajo esta fundamentalmente
dirigido al tratamiento de los datos, suelen ser grandes impulsoras
iniciales de la iniciativa de inteligencia institucional, y usuarios
potenciales vidos. No obstante, dado lo complejo de sus requerimientos, normalmente son un primer cliente muy arriesgado
para una iniciativa de inteligencia institucional incipiente, ya que
hay grandes probabilidades de que la complejidad, criticidad y amplitud de sus necesidades, frecuentemente relacionadas con el reporte a entidades externas, acaben generando un primer proyecto
con un alcance demasiado grande y complejo14 que monopolice la
iniciativa durante mucho tiempo, solo para acabar obteniendo, probablemente, resultados discretos, al no existir aun las bases consolidadas necesarias para producir el tipo de informacin compleja que
demandan. Lo ideal es empezar con proyectos sencillos, de mbito interno, mximo impacto y mnimo
coste, que generen los primeros productos de datos tiles en poco tiempo.
dado lo complejo de
sus requerimientos,
normalmente son un
primer cliente muy
arriesgado para una
iniciativa de inteligencia
institucional incipiente
En cualquier caso y especialmente a la hora de atender necesidades complejas y tal y como veremos
en el prximo captulo, es esencial abordar la construccin de los productos de datos con una estrategia
de desarrollo incremental e iterativa.
En los siguientes puntos repasamos las principales actividades asociadas a las unidades de uso intensivo
de datos en el marco de una iniciativa de inteligencia institucional.
14. La complejidad - y por tanto el riesgo - pueden provenir de los propios datos involucrados (problemas de calidad de datos), de las condiciones asociadas a la peticin externa (plazos agresivos, requerimientos estrictos), del nmero de implicados a coordinar (datos de mltiples
mbitos y fuentes), etc.
116
5.1. PARTICIPAR EN LOS PROCESOS DE INCORPORACIN DE

DATOS EN EL DATA WAREHOUSE
La experiencia previa y la armonizacin de resultados
El conocimiento que las unidades de uso intensivo de datos tiene, tanto a nivel tcnico como funcional,
sobre los datos con los que trabaja habitualmente para producir la informacin elaborada de la que es
responsable es, lgicamente, muy alto. Es por tanto imprescindible que este conocimiento sea aprovechado y utilizado por la unidad de inteligencia institucional cuando sea necesario, especialmente durante el anlisis y desarrollo de nuevos productos de datos que utilicen las mismas fuentes que tradicionalmente ha venido usando una determinada unidad de uso intensivo de datos para generar sus resultados
de informacin.
La adquisicin por parte de la unidad de inteligencia institucional de este conocimiento, especialmente
de la naturaleza y criterios de clculo y elaboracin de las salidas de informacin producidas por las
unidades de uso intensivo de datos, es crtica para una adecuada armonizacin de resultados. Esto es,
antes de que la unidad de inteligencia institucional libere un producto de datos que calcule - o de a los
usuarios la posibilidad de calcular elementos de informacin que ya han sido producidos con anterioridad por alguna de las unidades de uso intensivo de datos, debe realizarse un contraste explcito entre
los resultados de la plataforma de inteligencia institucional y los producidos con anterioridad por este
tipo de unidades.
Este contraste es una parte esencial de la validacin de la informacin, y si no se lleva a cabo por parte
de la unidad de inteligencia institucional y las unidades de uso intensivo de datos, ser llevado a cabo
normalmente con resultados que generarn escndalo por parte de los usuarios finales. No es de
recibo, por ejemplo, liberar un producto de datos que calcule que
en el curso pasado el nmero de estudiantes matriculados eran X,
y que el boletn estadstico de la Universidad afirme que eran Y.
Ambos resultados deben, previamente, haber sido enfrentados, y
sus diferencias analizadas, explicadas, y comunicadas a los potenciales destinatarios. Normalmente lo que se pone en tela de juicio
es la credibilidad de la nueva plataforma de inteligencia institucional, no la de la informacin previamente producida por medios
tradicionales.
Es fundamental no entender estos contrastes como un enfrentamiento entre unidades que defienden a capa y espada dos maneras
distintas de calcular una determinada informacin, buscando etiquetar una como correcta y la otra como incorrecta. El concepto
de correccin es a menudo relativo y dependiente de la finalidad
de la informacin que se elabora. Pueden coexistir resultados distintos basados en criterios de clculo distintos para un mismo concep-
Pueden coexistir resultados

distintos basados en
criterios de clculo distintos
para un mismo concepto.
Lo que no debe ocurrir
es que existan sin una
explicacin que justifique
su coexistencia y aclare sus
diferencias y finalidad
117
to. Lo que no debe ocurrir es que existan sin una explicacin que justifique su coexistencia y aclare sus
diferencias y finalidad.
Los requerimientos especiales de las unidades de uso intensivo de datos
Lgicamente, las unidades de uso intensivo de datos acaban siendo usuarios naturales y privilegiados de
las soluciones de inteligencia institucional. No obstante, el tipo de tratamiento de datos que estas unidades requieren para producir sus salidas de informacin suele estar sujeto a requerimientos estrictos y
que no solemos encontrar en los usuarios tradicionales, por ejemplo:
Formatos de codificacin y representacin a medida (por ejemplo, formatos documentales oficiales,

codificaciones basadas en estndares, generacin de ficheros de formato estricto para el intercambio
de datos con determinadas entidades externas, etc.)
Historizacin esttica de determinados juegos de datos
Capacidad de combinacin y cruce con otros juegos de datos tanto de origen interno como externo
Capacidad de edicin (modificacin) de la informacin calculada
Este tipo de requerimientos pueden condicionar en gran medida la manera en la que se deben disear
y construir determinados aspectos bsicos de la solucin de inteligencia institucional, especialmente el
modelo de datos del data warehouse y los procesos ETL, por lo que su especificacin y atencin despus
de que estos elementos hayan sido construidos puede tener un impacto muy grande.
Por tanto, otro de los motivos para que las unidades de uso intensivo de datos participen cada vez que
se va a incorporar una nueva fuente de datos o un nuevo juego de datos en el data warehouse, es que
puedan expresar posibles requerimientos especiales, de forma que el equipo que disee el modelo de
datos y los procesos de carga pueda tenerlos en cuenta y producir diseos que allanen el terreno para
posteriormente poder atender esas necesidades especiales sin tener que afrontar procesos de rediseo
en el data warehouse de gran impacto.
118
6. LAS UNIDADES ADMINISTRATIVAS

CUADRO 10
DESCRIPCIN: posicin de las unidades administrativas en el diagrama de interacciones entre los agentes implicadoss
Establecimiento,
priorizacin
y supervisin
de objetivos
UNIDAD
TCNICA
DE APOYO

DE DATOS
INSTITUCIONAL
USUARIOS
INDIRECTOS
UNIDADES
ADMINISTRATIVAS
USUARIOS DIRECTOS
Desarrollo
y soporte
de productos
de datos
Especificacin
de necesidades
y uso efectivo
Lgicamente, nos referimos a las unidades administrativas cuyos sistemas de gestin actan como fuente de datos para la plataforma de inteligencia institucional (que a largo plazo sern la gran mayora).
La no implicacin formal, consciente y efectiva de las unidades administrativas cuyos datos alimentan al data warehouse es, en nuestra experiencia, uno de los principales frenos para el desarrollo gil
de las iniciativas de inteligencia institucional. Evidentemente, sin
una comunicacin clara del importantsimo papel de productores
de materia prima que juegan en la cadena de valor del dato, los
beneficios que se pueden obtener, y las nuevas responsabilidades
que adquieren en el proceso de produccin de informacin a nivel
global y en el marco de la iniciativa de inteligencia institucional,
esta implicacin no podr darse: nadie puede formar parte de un
proceso y hacer bien su papel, si lo ignora.
Frecuentemente, detrs la falta de implicacin de una unidad administrativa subyace un problema de desconocimiento y falta de
comunicacin, fruto habitualmente de una ausencia de liderazgo
en la iniciativa.
La no implicacin formal,
consciente y efectiva de las
unidades administrativas
cuyos datos alimentan
al data warehouse es, en
nuestra experiencia, uno
de los principales frenos
para el desarrollo gil de las
iniciativas de inteligencia
institucional
En los siguientes apartados describiremos las principales actividades que las unidades administrativas deben desempear en el mar119
co de la iniciativa de inteligencia institucional. Cabe resaltar que estas actividades se llevan a cabo con
mayores garantas si en cada una de ellas existe formalmente la figura del data steward, o administrador
de datos, una persona o personas pertenecientes a la unidad administrativa en cuestin y explcitamente responsables de los diversos conjuntos de datos que se gestionan en su seno, en los que son expertas.
En los siguientes puntos repasamos las principales actividades asociadas a las unidades administrativas
en el marco de una iniciativa de inteligencia institucional.
6.1. ATENDER LOS PROBLEMAS DE CALIDAD DE DATOS

Es decir, encauzar los problemas de calidad de datos que suelen aflorar peridicamente en cualquier iniciativa de inteligencia institucional, colaborando activamente con la unidad de inteligencia institucional
en el diagnstico de estos problemas, en la correspondiente propuesta de soluciones y, en su caso, en la
aplicacin de las mismas en el propio sistema de gestin que alberga los datos.
un conjunto de datos
es de calidad si da
cobertura suficiente a
todos sus usos previstos
en las operaciones, la
toma de decisiones, y la
planificacin
Conviene recordar aqu la definicin de calidad de datos de J.M. Juran, que asumamos en el captulo 1: un conjunto de datos es de
calidad si da cobertura suficiente a todos sus usos previstos en las
operaciones, la toma de decisiones, y la planificacin. Es lgico que,
si hasta el momento los procesos de adquisicin de datos estaban
centrados en las operaciones como nico uso previsto, al extender
este uso a la toma de decisiones y la planificacin, esa cobertura
suficiente deje de darse. La explotacin analtica de la informacin
simplemente saca a la luz carencias en los datos que previamente
no eran visibles por no tener impacto en el mbito operativo15.
Los problemas de calidad de datos aparecern inmediatamente

tras el inicio de cualquier iniciativa de inteligencia institucional, y
acompaarn al sistema de inteligencia institucional a lo largo de
todo su ciclo de vida a travs de sus sucesivas expansiones. Esto es as en cualquier iniciativa de Business
Intelligence, independientemente de la tecnologa y de la industria, y no debe generar escndalo. Es una
realidad que debe ser aceptada y gestionada.
Cuando se detecta un problema de calidad de datos en el sistema, puede ser debido a dos motivos:
El origen del problema est en el mbito del sistema de inteligencia institucional: causado por un
error en los procesos de extraccin, transformacin y carga o en algn clculo de alguno de los productos de datos desarrollados, y por tanto debe ser resuelto por la unidad de inteligencia institucional
15. A veces tambin ocurre que la explotacin analtica de la informacin saca a la luz con cierta sorpresa problemas de calidad de
datos que s afectaban a las operaciones de la Universidad, pero lo haban hecho hasta el momento de forma inadvertida.
120
El origen del problema est en el mbito de los sistemas fuente: El problema proviene de los datos tal
cual estn recogidos en el sistema del que proceden.
Es en este segundo caso cuando la unidad administrativa debe entrar en escena, analizando, diagnosticando y estableciendo un plan de accin para tratar el problema de calidad reportado.
Este tipo de problemas de calidad de datos pueden adoptar las ms diversas formas, por ejemplo: el sistema origen est preparado para registrar un determinado dato, pero tal dato no se informa o no de forma
sistemtica; el dato recogido no es preciso o no se corresponde con la realidad; existen datos duplicados
en el sistema origen; se utilizan campos del sistema origen para registrar datos que no se corresponden
con su fin previsto o se rellena un mismo campo con datos distintos dependiendo del contexto; se dan de
alta entidades ficticias que solo tienen sentido para dar cabida a determinados procesos internos de la
unidad que gestiona los datos, etc.
La solucin de estos problemas suele ser delicada, ya que en algunos casos requieren llevar a cabo tareas
poco populares que suelen ser vistas como trabajo extra por parte de las unidades administrativas,
como:
Modificar operativas de trabajo en la unidad que recoge/gestiona los datos origen, en ocasiones para
capturar datos que son irrelevantes para la funcin de la unidad pero determinantes para la explotacin analtica de la informacin que se realiza fuera de ella
Revisar y corregir grandes cantidades de datos en el sistema origen
La existencia de polticas y normativas que hagan un reparto claro de responsabilidades respecto a la

calidad de los datos, el apoyo decidido del rgano de direccin de inteligencia institucional a la iniciativa,
y el papel de coordinacin y apoyo del rea de inteligencia institucional son necesarios para vencer estas
resistencias.
En ocasiones, para evitar conflictos, puede aparecer la tentacin de corregir los datos errneos no en el
sistema fuente, sino en la copia del mismo que reside en el data warehouse. Si bien algunos de los problemas de calidad de datos pueden ser detectados y resueltos de forma sistemtica durante los procesos
de extraccin, transformacin y carga16, en raras ocasiones esta es la opcin acertada, por tres motivos
fundamentales:
Estaremos poniendo en peligro una propiedad muy importante: la trazabilidad y coherencia de los
datos del data warehouse respecto a los del sistemas fuente
Estaremos perdiendo una oportunidad : uno de los beneficios colaterales ms frecuentemente citados tras implantar una solucin de inteligencia institucional es la mejora de la calidad global de los
datos de la institucin, fruto de la deteccin y correccin de problemas de calidad en los sistemas de
gestin que haban permanecido ocultos hasta entonces.
16. lo que se conoce como limpieza de datos o data cleansing

121
Estaremos fomentando en las unidades administrativas una

cultura de no responsabilidad frente a la calidad de los datos
que ponen a disposicin del resto de la institucin
uno de los beneficios

colaterales ms
frecuentemente citados
tras implantar una solucin 6.2. APORTAR CONOCIMIENTO TCNICO Y
FUNCIONAL ESPECIALIZADO SOBRE LOS
de inteligencia institucional DATOS
es la mejora de la calidad
Cada unidad administrativa de la institucin tiene un conocimienglobal de los datos de la
to tcnico y funcional profundo de los procesos operativos que se
institucin
llevan a cabo en su seno y de los datos que se recogen y gestionan a
travs de ellos. Este conocimiento es de importancia capital para la

correcta adquisicin e interpretacin de esos datos en la plataforma
de inteligencia institucional. Es por tanto imprescindible que este
conocimiento se ponga al servicio del rea de inteligencia institucional cuando sea necesario, especialmente:
En el anlisis y desarrollo de nuevos productos de datos por parte de la unidad de inteligencia institucional
En el diagnstico de errores relativos a posible informacin errnea basada en datos administrados

total o parcialmente por la unidad administrativa
En la atencin de dudas de carcter funcional por parte de los usuarios finales, normalmente relativas a la interpretacin de la informacin.
6.3. CERTIFICAR LOS PRODUCTOS DE DATOS PUESTOS A

DISPOSICIN DE LOS USUARIOS
Cuando un nuevo producto de datos es desarrollado, es necesario, para garantizar la fiabilidad del mismo y obtener la confianza de los usuarios, que la unidad que gestiona los datos a partir de los cuales se
genera la informacin que el producto ofrece a los usuarios, certifique su correccin, es decir, certifique
que la realidad reflejada en el sistema de inteligencia institucional a travs de la informacin que genera
el nuevo producto de datos es coincidente con la que reflejan los datos que residen en el sistema fuente.
Solo cada unidad administrativa, con el apoyo de la Unidad de inteligencia institucional, y aplicando el
conocimiento especializado al que ya nos hemos referido en las actividades anteriores, podr definir y
realizar los contrastes necesarios entre las salidas del sistema de inteligencia institucional y los datos
recogidos en el sistema de gestin correspondiente que garanticen la consistencia entre ambos.
122
No es extrao que los diversos sistemas de gestin dispongan de algn tipo de mecanismo (habitualmente en forma de informes prefijados o pantallas de consultas paramtricas) que les permita calcular
en origen determinada informacin agregada o de carcter estadstico, que tambin es calculada por
alguno de los productos de datos del sistema de inteligencia institucional. Al igual que ocurra con la informacin elaborada por las unidades de uso intensivo de datos, es fundamental contrastar y armonizar
estos dos resultados, lo cual suele formar parte de este proceso de certificacin.
Estos contrastes deben ser claramente especificados y documentados, de forma que su naturaleza y resultados se puedan consultar con posterioridad, y los recursos tcnicos que se hayan utilizado (consultas,
informes, volcados de datos) deben ser conservados para que puedan ser utilizados de nuevo con facilidad en el futuro, cuando surja la necesidad de confirmar que sigue existiendo esa coherencia entre los
datos fuente y la informacin producida17.
6.4. GESTIONAR LAS DEPENDENCIAS ENTRE LA PLATAFORMA DE

INTELIGENCIA INSTITUCIONAL Y EL SISTEMA DE GESTIN
Esta gestin se concreta fundamentalmente en dos aspectos:
Establecer las ventanas de tiempo permitidas para los procesos de extraccin de datos, garantizando la consistencia de los datos en esos periodos y la no interferencia con procesos crticos de negocio.
Evidentemente, cualquier cambio en esta ventana debe ser informado con antelacin a la unidad de
inteligencia institucional para que se gestione adecuadamente una reprogramacin (o suspensin)
de los procesos de carga habituales.
Identificar e informar de los cambios en la fuente de datos al equipo de inteligencia institucional,

con el fin de que pueda analizarse el impacto con tiempo y preparar las adaptaciones correspondientes. Como ya vimos en la actividad relativa a la gestin de los cambios por parte de la unidad de
inteligencia institucional, estos cambios suelen ser:
Cambios en la estructura lgica o fsica de almacenamiento de los datos que el data warehouse
extrae del sistema de gestin
Cambios en el modo de conexin o de acceso a la BBDD del sistema de gestin
Cambios lgicos o funcionales en las operativas de registro de datos o en las reglas de negocio18
17. Lo que se denomina pruebas de regresin, es decir, garantizar que tras realizar algn cambio, lo que antes funcionaba, sigue funcionando. La automatizacin de este tipo de pruebas es de muy alto inters, dado el dinamismo de los entornos de inteligencia institucional, y
el tiempo invertido en ello suele recuperarse con creces en forma de ahorro de esfuerzos e incremento de la fiabilidad en la gestin de los
cambios.
18. La no identificacin y reporte de este tipo de cambios puede dar lugar a situaciones muy peligrosas, puesto que habitualmente no
generan un error fatal (es decir, que provoca la parada) en los procesos de carga, lo que puede hacer que sus consecuencias pasen inadvertidas durante bastante tiempo, durante el cual se puede haber estado generando informacin incorrecta o incompleta en la plataforma de
123
aproximadamente el 80%
de los errores crticos en
los procesos de carga
peridicos (...)
estn causados por
cambios en el sistema
fuente o situaciones de
no disponibilidad que
no han sido informadas
ni gestionadas
adecuadamente
Es importante que esta actividad se formalice mediante el establecimiento de interlocutores, procedimientos y canales de comunicacin explcitos, o no se llevar a cabo satisfactoriamente. En nuestra experiencia, aproximadamente el 80% de los errores crticos en
los procesos de carga peridicos es decir, que provocan la parada
del proceso y por tanto impiden la carga de la informacin correspondiente en el data warehouse estn causados por cambios en el
sistema fuente o situaciones de no disponibilidad que no han sido
informadas ni gestionadas adecuadamente, y que podran por tanto haber sido evitadas de existir un protocolo eficaz para identificar
y gestionar estas situaciones.
7. LOS USUARIOS FINALES

CUADRO 11
DESCRIPCIN: posicin de los usuarios en el diagrama de interacciones entre los agentes implicados
UNIDAD
TCNICA
DE APOYO

DE DATOS
124
INSTITUCIONAL
USUARIOS
INDIRECTOS
UNIDADES
ADMINISTRATIVAS
USUARIOS DIRECTOS
Establecimiento,
priorizacin
y supervisin
de objetivos
Desarrollo
y soporte
de productos
de datos
Especificacin
de necesidades
y uso efectivo
Los usuarios finales constituyen el colectivo ms importante, puesto que son los nicos que mediante
el uso efectivo de los productos de datos puestos a su disposicin pueden generar valor real para la Universidad. De hecho, la propia definicin de inteligencia institucional que presentbamos en el captulo 1,
incluye la utilizacin eficaz como condicin necesaria. Recordmosla:
Inteligencia Institucional es la capacidad de la Universidad para dar a cada miembro
de la comunidad universitaria acceso autnomo a toda aquella informacin analtica
de valor para el ptimo desempeo de sus funciones, a travs de canales especializados y
permanentes, obteniendo una utilizacin eficaz de los mismos.
En los siguientes puntos repasamos las principales actividades asociadas a los usuarios finales en el marco de una iniciativa de inteligencia institucional.
7.1. IMPLICARSE DE FORMA EFECTIVA EN EL PROCESO DE

ADQUISICIN Y EXPLOTACIN DE LA INFORMACIN
Los usuarios de un sistema de inteligencia institucional, lejos de ser objetos pasivos, meros receptores de
la informacin que la Universidad tenga a bien poner a su disposicin, deben por el contrario ejercer un
papel activo y asumir unas responsabilidades clave, a saber:
Solicitar: es decir, mostrar una mentalidad analtica en el ejercicio de sus funciones, que les lleve a la
demanda de informacin orientada un mejor desempeo y unos mejores resultados en las actividades que les son propias.
Colaborar: La responsabilidad de colaborar con el resto de implicados (principal, pero no exclusivamente, con el rea de
inteligencia institucional) en la definicin, construccin y validacin de los productos de datos que darn cobertura a sus
solicitudes de informacin.
Utilizar: La responsabilidad de usar eficazmente los recursos de

informacin y productos de datos puestos a su disposicin, colaborando tambin en su promocin, evolucin y mejora.
La existencia de una cultura analtica arraigada o su ausencia tiene mucho que ver con el nivel de demanda, uso efectivo y en general penetracin de las soluciones de inteligencia institucional en
la comunidad universitaria en su conjunto, ya que en la mayora de
los casos estamos hablando de soluciones de apoyo a la toma de decisiones que son de uso opcional (por muy alto que sea su valor potencial y muy recomendable que nos pueda parecer su utilizacin).
La existencia de una
cultura analtica arraigada
o su ausencia - tiene
mucho que ver con el nivel
de demanda, uso efectivo
y en general penetracin
de las soluciones de
inteligencia institucional en
la comunidad universitaria
en su conjunto
125
Es fundamental para la progresiva asimilacin de esta cultura analtica que exista un fomento activo
de la misma a nivel institucional por parte equipo de gobierno y los distintos cargos de responsabilidad,
complementado por una buena labor de divulgacin de las posibilidades y atencin a las necesidades
que vayan surgiendo por parte de la unidad de inteligencia institucional.
Como ya vimos en el apartado 3.2, relativo al diseo y ejecucin de acciones de divulgacin por parte de
la unidad de inteligencia institucional, la promocin y comunicacin de los servicios que puede prestar
a todos los colectivos de usuarios es absolutamente necesaria si quiere hacer realidad su vocacin de servicio eficaz de mbito global. Difcilmente los usuarios potenciales van a solicitar informacin analtica,
si no conocen ni siquiera la posibilidad de hacerlo, o no saben realmente qu es razonable pedir o qu es
posible obtener.
8. RESUMEN Y CONCLUSIONES
En nuestra experiencia,
las dificultades ms
frecuentes y ms serias que
amenazan a las iniciativas
de inteligencia institucional
estn causadas, en
ltima instancia, por
un inadecuado o
inexistente - planteamiento
organizativo
La identificacin formal de los implicados y el establecimiento de

un contexto organizativo adecuado tienen una importancia capital
en cualquier iniciativa de inteligencia institucional. En nuestra experiencia, las dificultades ms frecuentes y ms serias que amenazan a las iniciativas de inteligencia institucional estn causadas, en
ltima instancia, por un inadecuado o inexistente - planteamiento organizativo. Las inversiones en tecnologa sern baldas sin el
contexto organizativo capaz de ponerlas en valor.
Como hemos visto a lo largo del captulo, cualquier iniciativa de inteligencia institucional requiere la identificacin explcita e implicacin de seis agentes fundamentales, a saber:
El rgano de direccin de inteligencia institucional
La unidad de inteligencia institucional
La unidad tcnica de apoyo
Las unidades administrativas que aportan datos a la plataforma de inteligencia institucional
Las unidades de uso intensivo de datos
Los usuarios
Hemos identificado y descrito someramente una serie de actividades de especial relevancia de las que
cada uno de estos agentes debe responsabilizarse. La ausencia efectiva de alguna de estas actividades
har que la iniciativa presente carencias en algn aspecto fundamental.
126
La unidad de inteligencia institucional, como responsable principal de la prestacin de los servicios asociados a la iniciativa, es la pieza central que canaliza la interaccin entre todos los dems implicados y
coordina las actividades necesarias para el avance de la iniciativa en su conjunto, siguiendo las directrices establecidas por el rgano de direccin.
No es necesario - ni a veces recomendable - establecer grandes estructuras formales desde el momento
inicial: el despliegue organizativo puede realizarse de forma gradual, dimensionndose y formalizndose
segn la iniciativa se va consolidando y expandiendo en la Universidad.
127
IDENTIFICACIN DE
OPORTUNIDADES
Y DESARROLLO DE
SOLUCIONES
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE I CAPTULO 4: IDENTIFICACIN DE OPORTUNIDADES Y DESARROLLO DE SOLUCIONES
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 4 - PARTE I
Autor

129
CAPTULO 4
IDENTIFICACIN DE OPORTUNIDADES
Y DESARROLLO DE SOLUCIONES
El valor de la informacin analtica
poner de manifiesto
realidades que requieren
intervencin, arrojar luz
para poder disear y valorar
las distintas acciones
posibles, y poder medir el
impacto de esas acciones,
son indudablemente
capacidades deseables a
todos los niveles y en todos
los mbitos
Los beneficios de poder disponer de informacin analtica pertinente de forma sistemtica son claros: poner de manifiesto realidades
que requieren intervencin, arrojar luz para poder disear y valorar
las distintas acciones posibles, y poder medir el impacto de esas acciones, son indudablemente capacidades deseables a todos los niveles y en todos los mbitos.
Para los componentes de un equipo de inteligencia institucional no

hay nada ms gratificante que ver que, como resultado de la entrega de determinados productos de datos, se producen mejoras tangibles en cualquier aspecto de la Universidad. Por ejemplo, tomar
la decisin de virtualizar las asignaturas de ltimo curso de un determinado estudio tras constatarse empricamente que existe una
cada grave del rendimiento de sus estudiantes en el ltimo tramo
de la carrera, motivada por la incorporacin temprana al mercado
de trabajo y la consiguiente incompatibilidad horaria con las clases
presenciales, y como, al poder medir el impacto de tal medida, se
verifica su beneficio y por tanto su pertinencia. Y esto, no fruto de
una iniciativa de anlisis del rendimiento estudiantil puntual, llevada a cabo por parte de un responsable
acadmico especialmente concienciado y habilidoso en el procesamiento y anlisis de datos, sino fruto
de una poltica institucional de entrega sistemtica a todos los responsables de titulacin de productos
de datos que les permitan, de forma sencilla y autnoma, medir y analizar en profundidad el rendimiento estudiantil en las titulaciones de las que son responsables.
130
Herramienta general versus soluciones a medida

Como ya hemos comentado en captulos anteriores, para extraer todo el valor potencial a una iniciativa
de inteligencia institucional, es muy importante no quedarnos en objetivos y planteamientos demasiado generales, ya que si lo hacemos, estaremos poniendo en riesgo la obtencin de resultados concretos
y de valor efectivo. La iniciativa debe culminar, en el mbito operativo, con la identificacin y ejecucin
regular de proyectos dirigidos por necesidades de informacin especficas perfectamente identificadas
y justificadas, que den lugar a la entrega de productos de datos a medida para cada tipo de destinatario.
Si bien afrontar un primer proyecto cero que permita, de entrada, disponer de una infraestructura de
partida con un data warehouse de alcance bsico ya construido no tiene por que ser un mal movimiento, debemos tener claro que ese no debe ser el objetivo final de la iniciativa; no olvidemos que un data
warehouse es una herramienta, mientras que la inteligencia institucional es la capacidad de usar esa
herramienta (junto con otras) para aportar valor efectivo a la Universidad. Debemos focalizarnos en la
produccin de soluciones concretas, y no quedarnos en la provisin de herramientas genricas.
Es, por tanto, clave, ser capaces de identificar con claridad cuales son las necesidades de informacin
analtica existentes en la institucin, necesidades que justifican el lanzamiento y la continuidad de la
iniciativa de inteligencia institucional y que dirigirn el alcance y el rumbo de los proyectos que se desarrollen en su seno, dotndola de objetivos concretos, con destinatarios y contenidos especficos, y por
tanto con criterios de xito bien definidos. Como hemos visto en el captulo anterior, identificar estas
necesidades y concretarlas en objetivos y proyectos especficos es responsabilidad de la unidad de inteligencia institucional, y constituye un reto importante, especialmente en los primeros compases de la
iniciativa: Quines son los potenciales destinatarios de informacin analtica en la Universidad? Qu
tipo de informacin puede interesar a cada uno y por qu? Obtener la respuesta a estas preguntas pasa por llevar a cabo un anlisis
preliminar e iniciar un acercamiento sistemtico y proactivo a los
potenciales destinatarios.
Generar la necesidad
Existe una asuncin errnea que debemos tener muy presente a la
hora de afrontar la tarea de obtener los requerimientos de informacin analtica de la institucin. Consiste en asumir que los usuarios
generarn, a priori, una intensa demanda de informacin analtica
y que sabrn darnos una especificacin clara y completa de cual es
la informacin que necesitan para el ptimo desempeo de sus funciones. Inicialmente, en contextos con una cultura analtica poco
arraigada, incluso asumir que los usuarios consideran que necesitan algn tipo de informacin analtica para el ptimo desempeo
de sus funciones, es probablemente asumir demasiado.
en contextos con una

cultura analtica poco
arraigada, incluso asumir
que los usuarios consideran
que necesitan algn tipo
de informacin analtica
para el ptimo desempeo
de sus funciones, es
probablemente asumir
demasiado
131
Es muy frecuente trivializar esto, obviando el hecho de que se necesita el apoyo de expertos que abran los
ojos a posibilidades que seguramente los usuarios no han valorado y que ni siquiera conocen, y algunas
horas de trabajo conjunto hasta que, entre todos, se identifica qu informacin analtica es necesaria y
para qu.
Detengmonos un momento y pongamos un sencillo ejemplo en el que podemos vernos reflejados todos, para ilustrar esto. Hgase la siguiente pregunta: usted, como responsable de su hogar, necesita alguna informacin adicional para gestionar el suministro y consumo elctrico?
La mayora de nosotros, de entrada, responderamos que no. Porque:
Hemos contratado a una compaa que nos hace llegar la energa elctrica a casa a travs de un cable, que nos instala un contador y que se ocupa de leerlo peridicamente, y que adems automatiza
el cobro peridico de la energa consumida en nuestra cuenta bancaria.
Esa compaa nos enva todos los meses una factura en la que se detalla el consumo energtico, los
precios aplicados, el desglose y la explicacin de los conceptos facturados, y el importe total que
debemos pagar. Y no solo eso, sino que adems nos incluye una grfica en la que podemos ver el
consumo de los ltimos 12 meses.
Si tenemos alguna duda o incidencia, nos proveen de un telfono de 24h al que podemos llamar.
Qu ms podemos pedir? Lo cierto es que, desde un punto de vista puramente operacional, no mucho
ms. Con esto obtengo lo que necesito: energa elctrica en mi casa, un cmodo proceso automtico para
cuantificar el consumo y que se me facturen los importes correspondientes, e incluso informacin de la
evolucin de mi consumo mensual en cada factura.
Ahora imaginemos que llaman a nuestra puerta, y un comercial de una nueva compaa elctrica nos
ofrece el mismo servicio de suministro, pero con acceso, va internet, a un panel de control del consumo
domstico. Este panel de control es una aplicacin web en la que, como cliente, tiene acceso a lo siguiente:
Un desglose detallado del consumo elctrico en su casa, actual e histrico, clasificado por electrodomstico y por tiempo, en intervalos de quince minutos, medido en kWh, importe y huella de carbono1.
Unos perfiles de consumo elctrico por da y mes, desglosables por electrodomstico, y basados en la
realidad del consumo histrico en su hogar.
Un sistema de aviso por correo electrnico cuando se detecta un patrn de consumo anmalo (que
difiere sustancialmente de sus perfiles tpicos o del perfil de consumo previsto en un periodo determinado, por ejemplo vacaciones).
1. Segn Wikipedia, una huella de carbono es la totalidad de gases de efecto invernadero (GEI) emitidos por efecto directo o indirecto de un
individuo, organizacin, evento o producto. Tal impacto ambiental es medido llevando a cabo un inventario de emisiones de GEI siguiendo normativas internacionales reconocidas (). La huella de carbono se mide en masa de CO2 equivalente. Una vez conocido el tamao y la huella, es
posible implementar una estrategia de reduccin y/o compensacin de emisiones, a travs de diferentes programas, pblicos o privados.
132
El posicionamiento de su hogar en diversos rankings de consumo domstico real, donde entre otras
cosas puede ver su clasificacin comparativa respecto a los hogares de su barrio/ciudad de caractersticas similares
La comunidad de abonados de la compaa, en la que, de forma automtica, se le asigna a grupos de

consumidores con un perfil de hogar similar al suyo, y con los que puede, a travs de diversas herramientas de comunicacin, compartir buenas prcticas, trucos para ahorrar, consejos para hacer un
mejor uso de los electrodomsticos, etc.
Un sistema de simulacin de consumo, que le permite plantear escenarios Qu pasara si?, y con
el que puede calcular el ahorro energtico y econmico por periodo de tiempo que le supondra, por
ejemplo, cambiar su frigorfico por otro con una clasificacin energtica A+, cambiar su televisin de
plasma por una LED, cambiar sus halgenos por bombillas de bajo consumo, etc.
Un sistema automtico de recomendaciones que sugiere cambios en el tipo de contrato (por ejemplo,
tarifa nocturna), basado en sus patrones de uso y periodos pico y valle de consumo
Un sistema personal de objetivos de consumo que le permite establecer objetivos de consumo mximo agregado por periodo de tiempo e incluso por electrodomstico, que le permite ver el nivel de
consumo acumulado diario, y le avisa cuando detecta riesgo de incumplimiento para que pueda
tomar medidas correctivas.
Por supuesto, el amable comercial le hace una demo de cmo usar el panel de control y cmo interpretar y consumir toda esa informacin. Probablemente, jams se nos habran ocurrido este tipo de prestaciones, entre otras cosas, porque la mayor parte de nosotros ni siquiera sabemos que son posibles.
Imaginemos los posibles resultados de usar este novedoso panel de control del consumo domstico:
El anlisis de la informacin de consumo le habra permitido ser consciente de realidades que antes
ignoraba, por ejemplo:
Que su hogar sala muy mal parado en los rankings de consumo energtico en hogares comparables de su barrio/ciudad, lo que querra decir que tena mucho espacio para la mejora y el ahorro.
Que el 70% de la energa que consuma su televisin, la consuma estando apagada (en modo
stand-by).
Que las maanas de los lunes y los viernes existan picos sistemticos y recurrentes de consumo
elctrico (la seora de la limpieza dejaba la calefaccin elctrica encendida mientras limpiaba la
casa con las ventanas abiertas).
El sistema de alertas por consumo anmalo le habra permitido detectar, tras un aviso por email, que
haba dejado el aire acondicionado conectado cuando se fue de vacaciones en verano.
Los sistemas de recomendaciones y de simulacin de consumo le habran permitido identificar y

testear varios escenarios con potenciales cambios de electrodomsticos, permitindole identificar
los cambios de mayor impacto en el consumo y menor coste
133
El sistema de objetivos de consumo le habran permitido monitorizar y contener el gasto elctrico,

con el correspondiente ahorro en la factura.
Es decir, el conocimiento adquirido a travs de la interpretacin de toda esta informacin, de realidades

que antes ignoraba, le habra llevado a tomar una serie de decisiones que le habran permitido realizar
un desempeo ptimo en sus funciones como gestor del consumo elctrico de su hogar. Habra pasado
de tener un conocimiento superficial de la (compleja) realidad de su consumo elctrico, a tener un conocimiento en profundidad, que ni siquiera saba que era posible obtener. Y ese conocimiento le habra llevado a la accin, pasando de una actitud pasiva a una actitud activa, y resultando en una gestin mucho
ms eficiente de ese mbito.
Adems, habra otras dos consecuencias no menos importantes, a saber:
Sus expectativas sobre cual es la informacin que necesita para gestionar correctamente su factura
elctrica se habran incrementado muy notablemente. A partir de ahora, juzgara como necesaria
toda esta informacin.
De manera implcita, sus expectativas tambin se habran incrementado para otras realidades domsticas parecidas, y puesto que ahora sabe lo que es posible obtener en trminos de informacin
analtica de consumo, demandara enfoques similares en otros aspectos de la gestin domstica:
agua, gas, telfono, etc.
Lo que queremos ilustrar con este pequeo y ficticio2 ejemplo es lo siguiente:
En muchas ocasiones, nos contentamos con un uso meramente operacional de la informacin, ignorando que existen posibilidades mucho ms amplias que pueden hacer que desempeemos mejor
una determinada funcin.
En trminos de explotacin analtica de la informacin, la mayor parte de nosotros, de entrada, no

sabramos definir lo que necesitamos, o ni siquiera somos conscientes de necesitar algo. Es necesario
el apoyo de expertos que nos muestren lo que es posible, y que nos ayuden a diagnosticar nuestras
carencias de informacin y los usos potenciales de la misma para mejorar el desempeo en aquellos
mbitos de nuestra actividad que sean de inters.
La demanda de explotacin analtica de la informacin es fruto de una cultura analtica que no puede
darse por sentada y que debe ser proactivamente divulgada e impulsada hasta conseguir una penetracin generalizada en la institucin. Si queremos obtener los beneficios de una explotacin analtica de
la informacin generalizada, es necesario un acercamiento proactivo, por parte de los responsables de la
iniciativa a todos y cada uno de los agentes que conforman la realidad universitaria. En general, la promocin de la cultura analtica por parte de las estructuras de gobierno se consigue mediante directrices
explcitas acompaadas de propuestas de valor que soporten esas directrices, es decir, mensajes concre2. En realidad, no tan ficticio. Google PowerMeter iba en esta lnea, y aunque es un proyecto ya discontinuado, existen muchas otras iniciativas similares, que son posibles gracias a tecnologas como nonintrusive load monitoring y los novedosos y polmicos - contadores
inteligentes.
134
tos a colectivos concretos, del estilo: El aspecto X es relevante para

los objetivos de la Universidad, por lo que se os van a proporcionar
una serie de herramientas para facilitar su medicin y anlisis, de
cara a posibilitar una valoracin objetiva, homognea y comparable
y, en su caso, impulsar acciones de mejora y medir su impacto.
En este captulo proponemos un mtodo sencillo que nos ayuda a
hacer una primera identificacin global de las potenciales oportunidades de aplicacin de la inteligencia institucional en la Universidad. A continuacin, describimos el proceso de desarrollo necesario
para aprovechar cada una de esas oportunidades y convertirla en
un producto de valor.
La demanda de explotacin
analtica de la informacin
es fruto de una cultura
analtica que no puede
darse por sentada y que
debe ser proactivamente
divulgada e impulsada
1. IDENTIFICANDO LAS OPORTUNIDADES

La intuicin nos dice que debe haber cientos de oportunidades para mejorar, mediante la entrega de
informacin analtica pertinente, la gestin de muchos aspectos diferentes a lo largo y ancho de la Universidad. Pero la Universidad es muy larga, y muy ancha. Donde estn esas oportunidades? Cmo
llegamos hasta ellas?
Aunque todos, en funcin del mbito en el que desempeemos nuestro trabajo en la institucin, podramos nombrar algunos casos concretos de aplicacin, para responder a esta pregunta de la forma lo ms
completa y exhaustiva posible, proponemos un mtodo que, aunque puede parecer un ejercicio trivial e
incluso innecesario, nos obliga a hacer reflexiones que pueden revelar oportunidades que, de otra forma,
podramos pasar por alto. El mtodo se compone de tres pasos:
1)
Identificar a los potenciales destinatarios
2) Identificar las reas de gestin clave

3) Construir y valorar la matriz de posibilidades
1.1. PASO 1: IDENTIFICAR A LOS POTENCIALES DESTINARIOS

El primer paso consiste en elaborar un catlogo con todos los posibles destinatarios de informacin para
la toma de decisiones. La pregunta, por tanto, es: Quines necesitan informacin analtica para la toma
de decisiones dentro de la comunidad Universitaria?
La respuesta rpida que solemos dar a esta pregunta suele tener que ver con los rganos de gobierno. La
respuesta correcta, no obstante, es mucho ms amplia. Por ejemplo, los estudiantes no suelen aparecer
casi nunca inicialmente en esta lista de destinatarios, y sin embargo, por volumen, son el colectivo que
ms decisiones toma, y por relevancia global, el que toma la decisin recurrente ms importante de todas
135
las que se toman en la Universidad, y de las que ms condicionan su actividad, que es matricularse en
ella, y en concreto con una configuracin de asignaturas determinada.
La lista de destinatarios puede y debe - llegar a ser muy larga, y estar compuesta tanto de colectivos
generales como de rganos unipersonales: Rector, Vicerrectores, Decanos, Directores de departamento,
Gerente, Jefes de servicio, comisiones de calidad, observatorios, estudiantes, aspirantes, egresados, profesores, investigadores, administrativos, etc.
No hay que obsesionarse con hacer esta lista exhaustiva desde el inicio. Lo normal es que vaya refinndose y amplindose poco a poco. Inicialmente suele estar definida en trminos de grandes colectivos con un
alto nivel de generalizacin, y conforme la iniciativa avanza y se va profundizando en la realidad (ciertamente compleja!) de la estructura organizativa de cada Universidad, se va detallando cada vez ms
y en trminos ms concretos. Por ejemplo, no es extrao que la primera versin contenga un colectivo
denominado Equipo de gobierno, que ms tarde acaba descomponindose en el Rector, cada uno de los
vicerrectores, gerente, etc. segn se va haciendo patente que el tipo de decisiones, y por tanto el tipo de
informacin necesaria para apoyarlas, es distinto en cada caso, aunque est basada en los mismos datos.
1.2. PASO 2: IDENTIFICAR LAS AREAS DE GESTIN CLAVE

Como hemos visto en el punto anterior, la lista de potenciales destinatarios a los que podemos entregar
informacin analtica para apoyar sus procesos decisionales constituye la primera de las dimensiones a
partir de las cuales plantearemos nuestra bsqueda sistemtica de oportunidades de aplicacin. La segunda es identificar cual es la informacin analtica que somos capaces de generar y ofrecer a estos destinatarios. La pregunta aqu es Cules son las principales reas de gestin en la Universidad? Cules de estas
reas tienen un nivel de automatizacin suficiente como para poder explotar los datos que generan3?
Como en el caso anterior, esta lista puede componerse inicialmente de apenas cuatro o cinco elementos
y, segn vayamos avanzando en la iniciativa, este nmero ir creciendo al ir desagregndose a un nivel
de detalle mayor. Por ejemplo, no es extrao que la primera versin de la lista contenga solo grandes
reas de gestin (gestin acadmica, gestin de la investigacin, gestin de los recursos humanos, y gestin econmica, por ejemplo), para, poco a poco, ir detallando reas de gestin ms especficas y especializadas en cada una de ellas. Por ejemplo, en el caso de la gestin acadmica podemos hablar de las
siguientes reas especializadas: la oferta de estudios, las pruebas de acceso, la admisin, la matrcula, la
planificacin docente, los resultados acadmicos, etc.
En cualquier caso, es importante no solo la enumeracin, sino la descripcin general de los datos que se
gestionan en cada rea4, ya que sin esto habr demasiado espacio para la interpretacin.
3. Podramos no hacernos esta segunda pregunta e incluir en la lista todas las reas de gestin, independientemente de su nivel de automatizacin. En este caso, en el paso siguiente podran ponerse de relieve que alguna de estas reas son de alto inters analtico, por lo que
debera plantearse la automatizacin de la misma y correspondiente mecanizacin de sus datos.
4. Si partimos de un data warehouse ya existente, esta caracterizacin podr ser muy exhaustiva (detallando cada dato disponible en las
reas temticas correspondientes del data warehouse)
136
1.3. PASO 3: CONSTRUIR Y VALORAR LA MATRIZ DE

POSIBILIDADES
Ya tenemos las dos dimensiones que nos permitirn hacer un primer anlisis sistemtico: la lista de potenciales destinatarios, y la lista de reas de gestin automatizada sobre las que podemos (o podramos)
aportar informacin analtica. Estas dos dimensiones dan lugar a una matriz, en la que cada celda representa una posibilidad de aplicacin mediante la puesta a disposicin de informacin analtica de cada
rea a cada potencial destinatario.
TABLA 1
DESCRIPCIN: ejemplo de matriz de posibilidades vaca
Oferta
Admisin
Matrcula
Ordenacin y Planif. Docente
Evaluacin docente
Resultados acadmicos
Gestin de Empleo y prcticas
Gestin de Recursos Estructura del Personal
reas
Gestin de la
Investigacin
Relaciones
Internacionales y
Movilidad
Extensin
Decano
Jefe de
servicio
Dir. de
depto.
Estudiante
Aspirante
Egresado
Profesor
Dir. Grupo
Investig.
Com.
calidad
0
Gestin Acadmica
Eq.
gobierno
Destinatarios
Nminas
Absentismo
Desarrollo del personal
Presupuesto
Inventario
Contabilidad Financiera
Contabilidad Analtica
Contratacin
Biblioteca
Produccin cientfica
Proyectos
Grupos/personal
Oportunidades de financiacin
Transferencia
Convenios
Convocatorias
Movilidad
Cooperacin
Alumni
Actividades culturales y deportivas 0

137
Es en este momento cuando empieza realmente la tarea de prospeccin sistemtica. Para cada una de las
celdas cruce rea/destinatario tenemos que valorar su pertinencia, es decir, si supone o no una oportunidad real de aportar valor al destinatario mediante la entrega de informacin analtica relativa a ese
rea determinada. Las preguntas a plantear para cada celda son, por tanto: Es til para este destinatario
disponer de informacin analtica sobre esta rea? Por qu? Cada respuesta afirmativa debe ser justificada describiendo al menos un caso de aplicacin concreto, y resultar en una marca en esa celda, que
queda identificada como una oportunidad. Las celdas que hayan quedado marcadas al final del ejercicio
son las que habr que valorar de forma ms detallada directamente con los potenciales destinatarios en
fases posteriores.
En una primera instancia, este ejercicio de valoracin puede hacerse por parte del equipo de inteligencia
institucional, sin embargo, consideramos muy recomendable y en un paso posterior ser imprescindible - involucrar ya a algn representante de los colectivos identificados como decisores, pues nadie
mejor que ellos tienen el criterio para saber si un determinado tipo de informacin es potencialmente
explotable para mejorar el desempeo de sus funciones, o no. Lgicamente, se debe tratar, en la medida
de lo posible, de elegir a representantes motivados y afines a los objetivos de la iniciativa, y a ser posible
con mentalidad analtica.
Un buen ejercicio previo, que ayuda a arrojar luz a la hora de juzgar si una determinada posibilidad supone o no una oportunidad, es revisar, en los casos en que exista, la descripcin de la misin de cada destinatario. Algunos ejemplos de fragmentos reales de misiones de cargos o unidades universitarias cuya
misin apunta claramente a la necesidad de disponer de informacin analtica (en negrita las palabras
clave):
() ejercer el control de la gestin de los ingresos y gastos incluidos en el presupuesto de la Universidad,

supervisando el cumplimiento de sus previsiones.
() analizar y publicitar la posicin de hombres y mujeres en la Universidad, as como realizar un seguimiento de su evolucin, elaborando un plan de igualdad para la Institucin.
() generar informacin que permita analizar los aspectos institucionales que impactan en la retencin y calidad educativa.
() la promocin y la mejora continua de la calidad en la Universidad a travs del anlisis y evaluacin permanentes de las enseanzas, la docencia y los servicios.
() el control e inspeccin del desarrollo de la actividad docente
Veamos como queda la matriz del ejemplo anterior tras realizar esa primera valoracin de las posibilidades que plantea:
138
TABLA 2
DESCRIPCIN: Ejemplo de una matriz de posibilidades inicial
Gestin de
Recursos
reas
Gestin de la
Investigacin
12
Admisin
Matrcula
Ordenacin y Planif. Docente
Com. calidad
Dir. Grupo
Investig.
11
Profesor
Aspirante
Oferta
Egresado
Estudiante
14
Dir. de depto.
28
Jefe de
servicio
109
Gestin
Acadmica
Decano
Eq. gobierno
Destinatarios
10
9
X
X
Evaluacin docente
Resultados acadmicos
Gestin de Empleo y prcticas
Estructura del Personal
Nminas
Absentismo
Desarrollo del personal
Presupuesto
Inventario
Contabilidad Financiera
Contabilidad Analtica
Contratacin
Biblioteca
Produccin cientfica
Proyectos
X
X
X
X
Grupos/personal
X
X
Transferencia
Extensin
Alumni
X
X
Relaciones
Convenios
Internacionales Convocatorias
y Movilidad
Movilidad
Actividades culturales y deportivas
X
X
Oportunidades de financiacin
Cooperacin
X
X
X
X
X
X
Esta matriz de ejemplo representa la versin inicial tras una primera sesin de trabajo. Es importante
darse cuenta de que, a pesar de estar en su primera y ms compacta versin (ciertamente puede desglosarse mucho ms), la matriz ya permite valorar, de entrada, 280 posibilidades de aportar valor a la
institucin, cada una de ellas representada por una celda de la matriz. De estas 280 posibilidades, 109
han sido valoradas en un primer anlisis, como oportunidades reales (cada celda marcada con una cruz
es una posibilidad que se ha valorado como una oportunidad real de aportar valor). Y esto solo tras una
primera exploracin.
139
La principal reflexin que debemos hacernos a la luz de este sencillo ejemplo es la siguiente: Cuntos de
estos posibles casos de aplicacin se habran planteado a priori si no nos hubiramos forzado a valorar
de forma sistemtica, una a una, todas las posibilidades generadas en la matriz?
el valor potencial que puede

ser obtenido cuando la
inteligencia institucional se
enfoca como una capacidad
global, con vocacin de
llegar a todos los mbitos
de gestin y a todos los
destinatarios potenciales,
es inmenso
Este sencillo ejercicio es especialmente revelador a la hora de dar

una idea de la magnitud de la iniciativa: el valor potencial que puede ser obtenido cuando la inteligencia institucional se enfoca como
una capacidad global, con vocacin de llegar a todos los mbitos
de gestin y a todos los destinatarios potenciales, es inmenso. La
escala de la iniciativa tambin nos impone necesariamente un enfoque incremental: evidentemente, el desarrollo de soluciones para
atender 109 necesidades potenciales de informacin analtica, cada
una en un contexto especfico, no es algo que pueda ser afrontado de una sola vez, por lo que ser necesario definir una estrategia
de desarrollo que permita priorizar e ir atendiendo las necesidades
identificadas en el orden ms adecuado para los fines y estrategia
de la Universidad.
Tal y como se ve en la matriz de ejemplo, para definir esta estrategia

es til hacer un recuento de oportunidades por destinatarios y por
reas, esto es, por filas y por columnas, de forma que podamos medir de forma sencilla el inters potencial de cada rea (esto es, a cuantos colectivos distintos interesa potencialmente cada rea), y el nivel potencial de demanda de informacin analtica por destinatario (esto
es, cuantas reas distintas interesan a cada destinatario). Estas dos medidas nos ayudarn a establecer
criterios de priorizacin. Por ejemplo, en la matriz de la tabla 2 podemos observar que el rea de gestin
cuya informacin es ms demandada es la de resultados acadmicos (de inters para nueve de los diez
colectivos destinatarios), mientras que el colectivo destinatario identificado como el mayor demandante
de informacin es poco sorprendentemente el equipo de gobierno (que demanda informacin de
todas las reas identificadas).
Nuestra recomendacin
es dar prioridad, en la
medida de lo posible, a
las oportunidades que
presenten una menor
complejidad y un mayor
impacto
140
Nuestra recomendacin es dar prioridad, en la medida de lo posible, a las oportunidades que presenten una menor complejidad y
un mayor impacto, con el doble objetivo de empezar a aportar valor
en plazos lo ms cortos posibles, e ir a la vez obteniendo experiencia
sobre la cual poder ir afrontando oportunidades ms complejas con
mayores garantas.
No hay que perder de vista que esta matriz no deja de ser una simplificacin conveniente que nos permite abordar a alto nivel, de forma ordenada y manejable, la tremenda complejidad y amplitud de
la gestin universitaria. En concreto, debemos ser muy conscientes
de que:
Cada necesidad de informacin de un colectivo, aunque parta de los datos de una misma rea de gestin, es distinta y debe ser abordada de forma distinta en tanto en cuanto el consumidor destinatario, y por tanto su funcin en la Universidad son distintos. Por ejemplo, el formato de presentacin, la
informacin de contexto y el nivel de granularidad de la informacin analtica que necesita el equipo
de gobierno respecto a los resultados acadmicos difiere mucho de la que necesitan las comisiones
de calidad de cada titulacin, aunque ambas proceden esencialmente de los mismos datos fuente.
Dicho de otro modo: la mayora de las veces no es realista pensar que con el desarrollo de un solo
producto de datos podremos atender a todas las cruces de una lnea de la matriz.
Es comn, por ejemplo, que una determinada necesidad de informacin no se limite a una sola de
las celdas de la matriz, en el sentido de que los datos necesarios para elaborar la informacin que
requiera un determinado colectivo no procedan de una sola rea de gestin, sino de varias. Es decir,
tendremos marcas en nuestra matriz que deben ser abordadas de forma conjunta para un determinado colectivo destinatario, porque de forma aislada pueden no tener valor, o tenerlo muy mermado.
En cualquier caso, y a pesar de la simplificacin que supone, la experiencia nos ha enseado que este
sencillo ejercicio suele hacer aflorar oportunidades y realidades de inters que no son obvias y que no se
suelen plantear de manera espontnea.
2. CONSTRUYENDO LAS SOLUCIONES

El apartado anterior describe un mtodo que nos ayuda a identificar, a alto nivel y de forma sistemtica,
oportunidades de potenciar el desempeo de diversos colectivos mediante la entrega de informacin
analtica pertinente.
En este apartado detallaremos los pasos a dar para abordar cada una de esas oportunidades identificadas y convertirlas en productos de datos al servicio de los colectivos destinatarios, realizando as su valor
potencial.
2.1. PASO 1: ANALIZAR DETALLADAMENTE LA OPORTUNIDAD Y

PLANTEAR LAS PREGUNTAS CLAVE
Si bien la participacin de representantes de los colectivos destinatarios considerados no ha sido estrictamente necesaria hasta el momento (aunque s muy recomendable, como se ha comentado antes), llevar
a cabo el anlisis en profundidad de una oportunidad determinada requiere necesariamente la participacin activa de los destinatarios implicados, o de una representacin de los mismos si se trata de un
colectivo demasiado numeroso.
Cuando, para analizar en profundidad la pertinencia de una oportunidad, nos acercamos a un determinado colectivo destinatario, debemos hacerlo de la siguiente forma:
141
Con una presentacin general de la iniciativa de inteligencia institucional, y una explicacin detallada de por qu se ha identificado a ese colectivo como potencialmente interesado en determinados
tipos de informacin analtica, y el caso o casos concretos de aplicacin que se arguyeron en su momento para marcar en la matriz esa posibilidad como oportunidad.
Con una demostracin tangible del tipo de soluciones que les podemos proveer. Los potenciales
destinatarios no tienen por qu tener nociones de business intelligence, ni saber lo que es posible
construir o la informacin que es factible suministrarles. Puede que nuestras propuestas les parezcan abstractas o no terminen de entenderlas bien. Es, por tanto, clave, disponer de ejemplos visibles
que les ayuden a entender el tipo de productos qu podemos proporcionarles, y de qu manera. Por
ejemplo, si les hablamos de indicadores, de paneles de control, de informacin navegable, de alertas,
etc mostremos ejemplos de todos estos elementos que, aunque no sean del mbito de gestin que
se desea estudiar, les ayude a entender y extrapolar el tipo de funcionalidades que pueden obtener.
Tambin es necesario informar de las ventajas de desarrollar este tipo de productos de forma institucional y no local (acceso a plataformas especializadas, garanta de mantenimiento, soporte y evolucin, igualdad y comparabilidad de criterios en la institucin, eliminacin de esfuerzos redundantes,
certificacin de los resultados, etc.)
al explorar cada
oportunidad se est
iniciando un proceso de
aprendizaje mutuo (...)
tu misin es desempear
tu funcin lo mejor posible,
y la ma ayudarte a ello
mediante la provisin
de toda la informacin
analtica pertinente, por
tanto, tu xito es mi xito.
Con una mentalidad de equipo de trabajo que comparte el

mismo fin, y en el que todos tienen cuestiones que aprender y
todos tienen cuestiones que ensear, porque en realidad, al explorar cada oportunidad se est iniciando un proceso de aprendizaje mutuo. La unidad de inteligencia institucional necesita
aprender y entender las funciones que ese colectivo destinatario desempea en la Universidad y la problemtica asociada a
esas funciones, de forma que pueda hacer propuestas de valor
bien dirigidas hacia necesidades reales. A su vez, el potencial
destinatario necesita aprender y entender el tipo de productos
de datos que el rea de inteligencia institucional puede construir para l y las capacidades que estos pueden ofrecerle, de
forma que, sabiendo lo que es posible, pueda idear aplicaciones
especficas a sus problemas concretos de gestin y de toma de
decisiones. Solo en este contexto de aprendizaje mutuo se acercan ambas partes entre s para encontrarse en una zona dulce de mxima productividad y de mxima alineacin entre las
misiones de cada una de las partes: tu misin es desempear
tu funcin lo mejor posible, y la ma ayudarte a ello mediante la
provisin de toda la informacin analtica pertinente, por tanto,
tu xito es mi xito.
Una vez que el equipo de inteligencia institucional ha realizado este acercamiento proactivo al colectivo
correspondiente, se debe llevar cabo el anlisis detallado de la cuestin bajo estudio: Es realmente la
informacin identificada de utilidad para la misin del colectivo decisor? Cmo, exactamente?
142
La respuesta a la pregunta anterior debe ser muy detallada. Deben formularse y quedar respondidos al
menos los siguientes interrogantes:
Por qu esta informacin es de inters para el colectivo que representas? Cmo est relacionada
con su misin en la Universidad?
Qu tipo de decisiones o procesos ayudara a mejorar? (aqu es importante huir de respuestas genricas y poner ejemplos con escenarios concretos y completos, que describan cmo y por qu disponer
de esa informacin supone una mejora en algn aspecto)
Cules crees que son las preguntas clave que se deberan poder responder al disponer de esta informacin? (es importante aqu hacer el ejercicio de realmente escribir esas preguntas.) Cul es la
utilidad de las respuestas?
La informacin obtenida al final de esta fase de anlisis detallado de la oportunidad es de altsimo valor5,
porque es la que permitir (idealmente) que el rea de inteligencia institucional pueda describir con
detalle los casos de aplicacin concretos que justifiquen la traduccin de la oportunidad en uno o varios
proyectos de construccin de productos de datos a medida para los casos de aplicacin identificados.
2.2. PASO 2: DISEAR LOS PRODUCTOS DE DATOS NECESARIOS

PARA RESPONDER A LAS PREGUNTAS CLAVE
Llegados a este punto, tenemos bien descrito y justificado el inters de un colectivo en la obtencin de
una determinada informacin analtica. Tenemos adems ese inters explicitado en una serie de preguntas clave planteadas por los propios destinatarios. El siguiente paso es disear conjuntamente con
ellos la mejor forma de responder a esas preguntas clave con la informacin disponible presentada a
travs de productos de datos especficos. Se trata de ir encontrando la respuesta a preguntas del tipo:
De qu elementos bsicos se compone la informacin necesaria para construir la respuesta? Qu

conceptos se manejan y cual es su definicin funcional, origen de datos y criterios de clculo estndar? Se est obteniendo ya toda o parte de la informacin necesaria por alguna va? Qu carencias
tiene?
Qu formato de presentacin es el idneo para facilitar su interpretacin? Qu tipo de canal se

adecua mejor a ese formato?
Cul es la latencia mnima necesaria para que esa informacin constituya una respuesta til?
Existe algn proceso de anlisis estndar subyacente, a travs del cual el destinatario construye la
respuesta a la pregunta, usando esta informacin a travs de una secuencia de pasos determinada?
5. Como ya hemos comentado en ms ocasiones, uno de los motivos ms habituales de fracaso es no tener una idea clara de exactamente
qu, cmo, por qu, a quien y en que contextos concretos la informacin contenida en la plataforma de inteligencia institucional puede
aportar valor real a sus potenciales destinatarios.
143
Al consumir esta informacin Se buscan situaciones o patrones estndar previamente conocidos?

Existe un conjunto estndar de hiptesis o situaciones tipo que refutar o confirmar? Existe un
conjunto estndar y/o finito de posibles decisiones a tomar tras conocer la respuesta a las preguntas
planteadas?
etc.
Lgicamente, todas estas preguntas no pueden plantearse as al colectivo destinatario, porque probablemente carecer del bagaje necesario para entenderlas o responderlas con garantas. Debemos llevar
preparadas respuestas base para todas ellas, planteadas inicialmente de forma unilateral por el rea
de inteligencia institucional6, para, con cada pregunta, presentar una respuesta inicial orientada a ser
el punto de partida de un proceso iterativo de revisin y refinado conjunto, el resultado del cual ser el
diseo inicial de un producto de datos a medida de las necesidades identificadas.
Tambin es necesario, especialmente en los casos en los que se requiere la incorporacin de nuevos conjuntos de datos o nuevas fuentes de datos en el data warehouse, implicar en el proceso de diseo del
producto de datos a las unidades administrativas que gestionan los datos base, y a las unidades de uso
intensivo de datos que hacen algn tipo de explotacin de esos mismos datos. Ambas tienen mucho que
aportar en cuanto a la viabilidad de la propuesta que se est confeccionando y a la correccin y coherencia funcional de las decisiones que se van tomando y que van dando forma al diseo final del producto
de datos.
No debe sorprendernos
descubrir que incluso
trminos y conceptos que
consideramos bsicos para
la gestin universitaria
tienen interpretaciones
dispares dentro de la
institucin
Es muy habitual, especialmente en los primeros proyectos, que surjan multitud de trminos y conceptos para los cuales no hay una
definicin funcional ni un criterio de clculo estndar en la institucin; es fundamental identificar estos casos y aprovechar la oportunidad para consensuar la definicin y los criterios correspondientes.
No debe sorprendernos descubrir que incluso trminos y conceptos
que consideramos bsicos para la gestin universitaria tienen interpretaciones dispares dentro de la institucin. La paulatina identificacin y consenso respecto a la definicin y forma de clculo (a
veces legtimamente mltiple!) de estos trminos y conceptos es
otra de las ventajas colaterales fruto de abordar una iniciativa de
La experiencia nos ha enseado que el uso de bocetos permite agilizar mucho el proceso de diseo e incrementar la calidad del resultado final. Los bocetos permiten visualizar la propuesta concreta, de
6. Aunque tengamos la certeza de que, funcionalmente, las propuestas de base que podemos hacer de forma unilateral pueden ser funcionalmente muy ingenuas, eso no debe ser una excusa para no proveerlas. Su objetivo no es plantear una solucin perfecta a priori, sino forzar
la opinin y la participacin de los destinatarios. Es mucho ms fcil opinar sobre cmo mejorar una propuesta concreta que concebir una
partiendo de un folio en blanco, sobre todo cuando ests inseguro sobre lo que debes o puedes proponer.
144
forma que el usuario se hace una idea muy aproximada deqa cmo
ser el producto de datos que se est definiendo, y de qu forma interactuar con l. Esto ayuda mucho a que surjan en esta fase de definicin ciertos requerimientos y asunciones implcitas que de otra
forma apareceran en estadios de desarrollo mucho ms avanzados.
Como veremos en el punto siguiente, destinado a la construccin,
llegado el momento, estos bocetos darn el salto a prototipos funcionales, que seguirn refinndose con la participacin de los destinatarios, y a la luz de los datos reales que van aflorando.
el uso de bocetos permite

agilizar mucho el proceso
de diseo e incrementar la
calidad del resultado final
Para estos bocetos rpidos pueden utilizarse infinidad de herramientas: papel y lpiz, pizarras, software
especializado para el diseo de prototipos, o incluso la propia plataforma de inteligencia institucional7. El
medio es lo de menos, siempre que sea capaz de dar una imagen comprensible de la propuesta y permita
su modificacin gil.
A continuacin mostramos un par de ejemplos reales de uno de estos bocetos8. Fue utilizado en el proceso de diseo conjunto de un panel de control destinado a las comisiones de garanta calidad de las
titulaciones.
[ Ver Figuras 1 Y 2 (pg. sig.)
7. En unidades de inteligencia institucional con un alto grado de madurez, y cuando los datos base ya estn disponibles en la plataforma,
conviene valorar la pertinencia de saltar directamente a la fase de prototipo funcional, sin pasar por un prototipo previo en papel, ya que
el esfuerzo puede ser similar y el resultado, en cambio, es mucho ms significativo.
8. En este caso, creado con Microsoft PowerPoint.
145
FIGURA 1
DESCRIPCIN: boceto de un panel de control en una fase temprana de diseo (pantalla de seleccin de datos)
146
FIGURA 2
DESCRIPCIN: boceto de un panel de control en una fase temprana de diseo (pestaa de anlisis de uno de los indicadores solicitados)
Una vez alcanzado un consenso entre todos los participantes sobre la pertinencia y viabilidad del boceto
resultante tras el proceso de definicin conjunto, es el momento de pasar a la construccin del producto
de datos que lo implemente.
2.3. PASO 3: CONSTRUIR Y PONER EN MARCHA

La necesidad de un enfoque gil
Aplicando un proceso de construccin basado en una metodologa de desarrollo de software clsica, en
cascada, podramos estar tentados de afirmar que ya tenemos los requisitos y que la participacin de los
usuarios no ser ya necesaria hasta que terminemos la construccin, en la fase de validacin.
147
el proceso de construccin
de un producto de
datos tiene un fuerte
componente de exploracin
y descubrimiento cuyo
resultado es el constante
replanteamiento y refinado
de la propuesta inicial (...)
lo ms recomendable es
afrontar la construccin
como un proceso
incremental e iterativo en el
que se vaya desarrollando
un prototipo funcional que
finalmente culminar en el
producto terminado
148
No obstante, el proceso de construccin de un producto de datos tiene un fuerte componente de exploracin y descubrimiento cuyo
resultado es el constante replanteamiento y refinado de la propuesta inicial. Por tanto, el haber llegado a un acuerdo con los destinatarios sobre el diseo inicial del producto a construir significa solo
que tenemos un buen punto de partida, pero la experiencia nos demuestra que prcticamente ningn diseo inicial sale indemne
tras su primer encuentro con los datos reales. Por eso, lo ms recomendable es afrontar la construccin como un proceso incremental
e iterativo en el que se vaya desarrollando un prototipo funcional
que finalmente culminar en el producto terminado.
Por qu ocurre esto? Normalmente, en el momento en que se comienza con la implementacin del prototipo funcional y los datos
empiezan a fluir, estos casi nunca son exactamente como los destinatarios esperaban que fueran. Por ejemplo:
Hay datos que estn repetidos aunque hacen referencia a la

misma realidad, fragmentndola (estos planes de estudios estn dados de alta varias veces, pero en realidad son el mismo
y sus indicadores deben calcularse considerando los tres como
uno solo).
Hay datos que hacen referencia a realidades que, a priori, no

sabemos interpretar (Qu significan los estudiantes matriculados en el centro Rectorado y el estudio genrico?)
Hay datos que tienen una complejidad mayor de la esperada

(Veintitrs vas de acceso? Pero si solo existen siete!)
Hay criterios y trminos funcionales que se revelan como una fuente de ambigedad y complejidad
inesperados (Pero, no es lo mismo estudiantes que inician estudios que estudiantes de nuevo ingreso?)
Hay datos cuyo registro es posible, pero, simplemente, no se informan. (No sabemos si los estudiantes trabajan. Es un dato que casi ninguno rellena)
Hay datos que estn manifiestamente mal (Es imposible que el 95% de los estudiantes hayan nacido en Afganistn)
Hay datos que proceden de sistemas distintos, o que estn definidos a distinto nivel de granularidad,
y no existe una relacin clara entre ellos que permita, a priori, combinarlos (Cmo vamos a asociar
el gasto a cada plan de estudios?)
Hay datos que, aunque se acaban registrando, se hace mucho despus de lo esperado, reflejando
la realidad con demasiado retraso (s, las calificaciones ya deberan conocerse, pero es que tardan
mucho en cerrar las actas)
Por tanto, los destinatarios no pueden desvincularse del proceso de

construccin del producto de datos: su revisin permanente de los
resultados parciales que se van generando, y su participacin en las
decisiones que ser necesario tomar para adaptar el producto a la
realidad de los datos que se van explorando, son muy necesarias.
Por este motivo, las buenas prcticas aconsejan el uso de metodologas de desarrollo giles, especialmente adecuadas para contextos
en los que los requerimientos pueden llegar a ser muy cambiantes,
que ponen el nfasis en un proceso de desarrollo mediante enfoques iterativos e incrementales, basados en entregas parciales
pero funcionales - en plazos cortos, facilitando as la implicacin
permanente del destinatario del producto.
La validacin y la certificacin del producto final
Una vez el producto de datos est terminado (o hemos alcanzado un
hito en el que vamos a entregar una parte del mismo), es necesario
abordar dos cuestiones:
La validacin del producto de datos, es decir, la confirmacin

explcita, por parte de los destinatarios, de que el producto es
til para los fines para los que fue diseado. Esta validacin ser
relativamente sencilla de obtener si se ha seguido el proceso de
desarrollo recomendado, ya que:
los destinatarios no
pueden desvincularse del
proceso de construccin
del producto de datos: su
revisin permanente de
los resultados parciales
que se van generando,
y su participacin en
las decisiones que ser
necesario tomar para
adaptar el producto a la
realidad de los datos que
se van explorando, son muy
necesarias
Tendremos unos fines claramente especificados que describen cmo y por qu el producto resultante es til para los destinatarios, y formuladas una serie de preguntas clave que la informacin provista por el producto de datos debe ser capaz de responder.
Los usuarios habrn participado activamente durante todo el desarrollo, dirigiendo en todo momento el rumbo del proceso y el refinado del producto en construccin, lo que, implcitamente,
garantiza un alto alineamiento del resultado final con las necesidades que debe cubrir.
La certificacin del producto de datos, es decir, la confirmacin, por parte de las unidades administrativas que gestionan los datos base de que la informacin generada por el nuevo producto es consistente con los datos de partida registrados en los sistemas fuente correspondientes. Esta certificacin
debe hacerse mediante el contraste explcito entre los resultados del producto construido y los datos
de los sistemas fuente. La naturaleza de estos contrastes debe ser acordada de antemano entre las
unidades administrativas y la unidad de inteligencia institucional, y normalmente la ejecucin de
los mismos y la documentacin de los resultados corre de parte de esta ltima.
149
La mera provisin de una herramienta de anlisis de datos de propsito general a la comunidad de usuarios no es suficiente para extraer todo el valor potencial que la inteligencia institucional puede
proveer. La identificacin proactiva de oportunidades concretas de
aplicacin es una actividad necesaria para que la unidad de inteligencia institucional cumpla su misin de impulso y apoyo a la
explotacin analtica de la informacin a todos los niveles y en todos los mbitos de la institucin. Si bien el alcance potencial de tal
misin es inmenso, tambin lo es el valor que su realizacin puede
proveer a la Universidad en su conjunto. Para ello, hemos descrito
un proceso sencillo que ayuda a disear un primer mapa en el que
explorar las posibilidades e identificar oportunidades que, priorizadas segn la estrategia y los objetivos
de la Universidad, debern ser analizadas detalladamente y dar lugar al correspondiente desarrollo de
proyectos orientados a hacer efectivo el valor potencial que cada una de ellas supone para distintos colectivos y contextos.
Si bien el alcance potencial

de tal misin es inmenso,
tambin lo es el valor
que su realizacin puede
proveer a la Universidad
Es fundamental, para que estas oportunidades se multipliquen y su valor sea efectivo, impulsar una cultura analtica en la institucin que no puede darse por sentada -, y apoyar activamente a los distintos
colectivos destinatarios para que esa cultura vaya permeando. Para ello, debe darse un acompaamiento
activo y el fomento de un clima de apoyo y aprendizaje mutuo entre los proveedores de informacin
analtica y los destinatarios que pueden ponerla en valor mediante su aplicacin eficaz en las funciones
que cada uno desempea en la institucin.
Al contrario que otros tipos de productos software ms centrados en la automatizacin de procesos administrativos, el desarrollo de productos de datos requiere un enfoque de desarrollo gil, que fomente
la participacin del usuario desde el inicio hasta el final del proceso, ya que dada la naturaleza de estos
productos, fuertemente dependientes de la realidad que los datos, segn van fluyendo, nos va revelando,
se requiere con frecuencia la reformulacin y el refinamiento de los planteamientos iniciales.
La certificacin y la validacin del producto resultante culminar el proceso de desarrollo, al final del cual
habremos convertido una oportunidad en la obtencin real de un producto de datos de valor contrastado.
150
151
MODELO DE
MADUREZ DE LA
INTELIGENCIA
INSTITUCIONAL V1.0
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE I CAPTULO 5: MODELO DE MADUREZ DE LA INTELIGENCIA INSTITUCIONAL v1.0
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 5 - PARTE I
Autor

153
CAPTULO 5
MODELO DE MADUREZ DE LA
INTELIGENCIA INSTITUCIONAL V1.0
En este captulo proponemos un modelo para medir la madurez de una iniciativa de Inteligencia Institucional. Se trata de una herramienta especializada en el mbito de la Educacin Superior que permite a
las Universidades:
Identificar el nivel de madurez inicial de su iniciativa de inteligencia institucional
Establecer un nivel de madurez objetivo
Identificar los mbitos de mejora que deben ser atendidos para posibilitar la evolucin
Compartir un lenguaje y un marco de referencia comn para describir la situacin en el camino

hacia la excelencia en Inteligencia Institucional, y por tanto, permitir la comparacin entre instituciones
El modelo acta como una

lente que obliga a las
instituciones a evaluar su
iniciativa de Inteligencia
Institucional desde
determinados ngulos,
y al hacerlo, identificar
debilidades y fortalezas
154
El modelo acta como una lente que obliga a las instituciones a

evaluar su iniciativa de Inteligencia Institucional desde determinados ngulos, y al hacerlo, identificar debilidades y fortalezas que se
pueden utilizar para valorar mejor la situacin y definir estrategias
y planes especficos enfocados a la mejora de aquellos aspectos en
los que se hayan revelado carencias.
Aunque los aspectos considerados son necesariamente complejos,
hemos intentado tratarlos con la mxima simplicidad, con el fin de
mejorar la legibilidad y la aplicabilidad, por lo que la precisin se
sacrifica en cierta medida, y por lo tanto inevitablemente queda un
cierto espacio para la interpretacin y la valoracin subjetiva. Hemos tratado de lograr el nivel adecuado de abstraccin para no caer
en un enfoque demasiado genrico, que sera impreciso y poco til,
ni demasiado detallado, lo que implicara una complejidad y una ri-
gidez poco prcticas. Tambin hemos tratado de que el modelo sea flexible, es decir, capaz de representar
situaciones heterogneas en las que no todos los aspectos de la iniciativa de Inteligencia Institucional
estn alineados en un mismo nivel de madurez.
Por ltimo, y antes de entrar en la descripcin del modelo, queremos poner de manifiesto que se encuentra a disposicin de los lectores una herramienta Excel que permite su aplicacin de manera muy
sencilla, y que puede ser obtenida en la pgina de descarga de la edicin digital1.
1. DESCRIPCIN GENERAL
El modelo se basa en la evaluacin de nueve aspectos, denominados
dimensiones, cada uno de los cuales evala la madurez de un mbito determinado de la iniciativa que se considera clave para el xito
y la madurez global de la inteligencia institucional.
En concreto, los aspectos que evalan las nueve dimensiones son:
1)
La existencia y naturaleza de una unidad especfica de inteligencia institucional
2) L a amplitud funcional de la plataforma de inteligencia institucional en trminos de reas funcionales clave incluidas en su
alcance
3) El papel que las unidades administrativas juegan en la iniciativa
4) La diversidad de productos de datos que se han generado
El modelo se basa en
la evaluacin de nueve
aspectos, denominados
dimensiones, cada uno de
los cuales mide la madurez
de un mbito determinado
de la iniciativa que se
considera clave para el
xito
5) El nivel de cobertura efectiva del universo potencial de usuarios

6) El papel que los usuarios juegan en la iniciativa
7) El tratamiento formal de los aspectos ms relevantes en la gestin de datos
8) El valor institucional percibido de los productos de datos que se han generado
9) El posicionamiento de la iniciativa de inteligencia institucional en la estrategia de la Universidad
La madurez de cada dimensin (y el resultado final consolidado) se expresa en 5 niveles consecutivos de
madurez creciente y especficos para cada dimensin, cada uno identificado con un nmero del 1 al 5, y
un nombre descriptivo que trata de caracterizarlo en trminos cualitativos. La estructura del modelo se
muestra en la siguiente tabla, que muestra las nueve dimensiones, el nombre de cada uno de los cinco niveles de madurez de cada dimensin, y el nombre de cada uno de los cinco niveles generales de madurez
(en la parte superior de cada columna):
1. Tanto esta herramienta EXCEL como la versin electrnica de este libro estn disponibles para descargar gratuitamente en la seccin de
publicaciones de la web de OCU: www.ocu.es
155
TABLA 1
DESCRIPCIN: Estructura del modelo de madurez - dimensiones y niveles
DIMENSIONES
AUSENTE
INICIAL
EXPANDIDA
CONSOLIDADA
INSTITUCIONALIZADA
NIVELES
INSTITUCIONAL
ausente
local
central virtual
central
dedicacin
exclusiva
centro de
competencia
ALCANCE
ninguno /
desconocido
especializado
mltiple
generalizado
completo
ROL UNIDADES
ADMINISTRATIVAS
ninguno /
desconocido
conscientes
participantes
de apoyo
administradores de
datos
PRODUCTOS DE DATOS
ninguno /
desconocido
limitado
expandido
mayoritario
completo
COBERTURA DE USUARIOS
ninguno /
desconocido
limitada
expandida
mayoritaria
universal
IMPLICACIN DE
USUARIOS
ajenos
conscientes
clientes
directores
co-propietarios
GESTIN DE LOS DATOS
ninguna /
desconocida
consciente
gestionada
apoyada
respaldada
VALOR INSTITUCIONAL
irrelevante
prescindible
interesante
necesario
crtico
SOPORTE ESTRATGICO
a la deriva
local
global proyecto
global servicio
interdependiente con
estrategia
1.1. PROCEDIMIENTO DE EVALUACIN

El nivel general de madurez surge de la combinacin de los niveles de madurez de cada una de las nueve
dimensiones. Se expresa mediante:
Un nivel, identificado por un nmero en el rango 1-5
El nombre descriptivo asociado a ese nivel
La caracterizacin del tipo de configuracin en la evaluacin de dimensiones que ha dado lugar a

ese nivel
El procedimiento de clculo para generar el nivel general de madurez es el siguiente:

156
1)
Evaluar el nivel de cada dimensin. La madurez de cada una de las nueve dimensiones debe ser
evaluada mediante la asignacin de una valoracin entre 1 y 5. La valoracin se decide mediante la
lectura de las descripciones detalladas de cada uno de los posibles cinco niveles para cada dimensin
(ver siguientes secciones), y seleccionando el que mejor se ajusta a la realidad de la institucin en el
mbito que cada dimensin analiza. Hay que tener en cuenta que las descripciones de los niveles se
basan en situaciones modelo genricas, por lo que el ajuste perfecto entre lo descrito y la realidad
especfica de cada institucin ser infrecuente.
2) Calcular el nivel general. Una vez que se hayan evaluado las 9 dimensiones, el nivel general se calcula como la mediana de los niveles obtenidos en las dimensiones. Si la mediana resultante tiene
decimales, se considera slo la parte entera (sin redondeo). El nmero resultante identifica el nivel
general, y tanto su etiqueta como la descripcin tipo de cada nivel pueden encontrarse en la siguiente tabla:
TABLA 2
DESCRIPCIN: Los niveles generales de madurez
NIVEL
NOMBRE
DESCRIPCIN
AUSENTE
No existe ninguna iniciativa de inteligencia institucional formal, o est en un estado tan

preliminar que no se percibe como tal. La explotacin de los datos en la institucin est, en
general, limitada a contextos operativos, no analticos.
INICIAL
El concepto de que los datos son un recurso valioso para producir informacin que debe ser
proporcionada a determinados destinatarios de una manera eficiente y confiable se percibe
en algunas reas administrativas, y surgen algunas iniciativas locales en este sentido. Pueden
darse, a pequea escala, casos locales de xito en el suministro de productos o servicios
orientados a la explotacin analtica de los datos.
EXPANDIDA
Los rganos de gobierno perciben claramente el potencial de los datos para mejorar el
desempeo de la institucin a todos los niveles. Hay un fuerte deseo de aprender de los
pequeos xitos locales relativos a la explotacin analtica de los datos y llevarlos a una
escala global ms amplia. Los primeros esfuerzos globales, centralizados y coordinados se
ponen en marcha, y poco a poco incorporan o sustituyen a las iniciativas locales previas.
CONSOLIDADA
La inteligencia institucional es claramente visible a travs de un servicio central eficaz, que

ha convertido la explotacin analtica de los datos en una una realidad permanente con
una orientacin global. Se han creado y se utilizan activamente diversos productos de datos
dirigidos a diferentes grupos de usuarios y cubriendo diferentes reas funcionales.
INSTITUCIONALIZADA
La inteligencia institucional es parte integrante y sea de indentidad de la cultura institucional, y

la explotacin analtica de los datos se considera una capacidad irrenunciable cuya persistencia
y evolucin deben garantizarse. Existe un completo catlogo de productos de datos que cubren
todas las reas funcionales clave y que son utilizados de forma generalizada y eficaz por parte
de todos los colectivos de usuarios relevantes.
157
3) Caracterizar el resultado. Una vez que se ha calculado el nivel general, debemos caracterizarlo. Hay
cuatro caracterizaciones posibles, basadas en la distribucin de los niveles de madurez individual de
las dimensiones, a saber:
a) INCOMPLETO: Cuando algn nivel de las dimensiones se encuentra por debajo del nivel general,
y ninguno por encima. Esto refleja que el nivel de madurez alcanzado es aun incipiente y sugiere
la necesidad de evolucionar las dimensiones de puntuacin baja para consolidarlo.
b) CENTRADO: Cuando el nivel de todas las dimensiones es el mismo (y por tanto igual al nivel
general). Esto refleja un nivel de madurez nivel consolidado y equilibrado.
c) DESEQUILIBRADO: Cuando hay dimensiones con niveles tanto por encima como por debajo del
nivel general. Esto muestra una situacin general desigual en la que se deben hacer esfuerzos
para mejorar las dimensiones dbiles, probablemente aprovechando la ventaja que nos puede
suponer la existencia de otras fuertes.
d) EVOLUCIONADO: Cuando los niveles de algunas dimensiones estn por encima del nivel general, y ninguno por debajo. Esto refleja una situacin de transicin hacia el siguiente nivel general
de madurez.
Las combinaciones posibles del nivel general con estas cuatro caracterizaciones generan un espacio de 16
posibles niveles de madurez general, a saber:
158
NIVEL 1 - AUSENTE - CENTRADO
NIVEL 1 - AUSENTE - EVOLUCIONADO
NIVEL 2 - INICIAL -INCOMPLETO
NIVEL 2 - INICIAL -CENTRADO
NIVEL 2 - INICIAL -DESEQUILIBRADO
NIVEL 2 - INICIAL -AVANZADO
NIVEL 3 - EXPANDIDA - INCOMPLETO
NIVEL 3 - EXPANDIDA - CENTRADO
NIVEL 3 - EXPANDIDA - DESEQUILIBRADO
NIVEL 3 - EXPANDIDA - AVANZADO
NIVEL 4 - CONSOLIDADA - INCOMPLETO
NIVEL 4 - CONSOLIDADA - CENTRADO
NIVEL 4 - CONSOLIDADA - DESEQUILIBRADO
NIVEL 4 - CONSOLIDADA - AVANZADO
NIVEL 5 - INSTITUCIONALIZADA - INCOMPLETO
NIVEL 5 - INSTITUCIONALIZADA - CENTRADO
En los siguientes apartados se presentan cada una de las dimensiones propuestas junto con instrucciones detalladas para su evaluacin individual.
2. DIMENSIN: UNIDAD DE INTELIGENCIA

INSTITUCIONAL
ausente
local
central
3 virtual
central
4 dedicacin
exclusiva
centro de
5 competencia
Uno de los mayores riesgos en cualquier iniciativa de Inteligencia Institucional, debido a su profunda
naturaleza transversal y multifuncional, es su orfandad efectiva, es decir, que la responsabilidad de
su ejecucin se diluya entre los mltiples implicados, no teniendo, de facto, un hogar explcito en la
estructura organizativa.
Esta dimensin evala la existencia, naturaleza y posicin explcita en el organigrama de personal dedicado explcitamente a desarrollar la capacidad de la Inteligencia Institucional en la Universidad prestando los servicios asociados necesarios. Como hemos explicado en los captulos anteriores, la existencia de
una unidad de Inteligencia Institucional es un requerimiento clave para el xito global de la iniciativa.
2.1. NIVEL 1: AUSENTE

No hay personas explcitamente dedicadas a la Inteligencia Institucional en la Universidad.
2.2. NIVEL 2: LOCAL

Algunas unidades administrativas reconocen que la explotacin analtica de los datos es una actividad
necesaria que requiere cierta formalizacin, y pueden comenzar iniciativas locales para avanzar en esa
direccin, mediante, por ejemplo, el desarrollo o la adquisicin de datamarts soportados localmente con
herramientas propias2.
Puede existir personal total o parcialmente dedicado, pero a nivel local de cada unidad administrativa.
Las peticiones de informacin analtica se atienden con diversos grados de profundidad a lo largo de la
institucin, dependiendo de los recursos y niveles de competencia disponibles en cada unidad administrativa. En algunas unidades administrativas pueden existir mecanismos locales rudimentarios para proveer de cierto grado de autonoma en el acceso a los datos por parte de los usuarios externos a la unidad.
2. Por propias queremos decir no estndares en la institucin y sin ningn tipo de soporte central oficial.
159
No hay coordinacin entre las diversas iniciativas locales, y pueden coexistir diferentes enfoques, herramientas y niveles de servicio en la institucin, generando una serie de silos de datos y niveles de
servicio dispares.
2.3. NIVEL 3: UNIDAD DE INTELIGENCIA INSTITUCIONAL CENTRALVIRTUAL

El incremento en la demanda de informacin analtica, y las necesidades de combinacin e integracin
de datos procedentes de distintos mbitos administrativos, fruto de solicitudes cada vez ms complejas,
ponen de manifiesto las limitaciones de las soluciones locales y desintegradas entre s, dando lugar a la
idea de que la explotacin analtica de la informacin debe ser tratada de forma centralizada y homognea en toda la institucin. Se considera necesaria la identificacin de las solicitudes de informacin ms
frecuentes y recurrentes, y su atencin sistemtica mediante el desarrollo centralizado de productos de
datos oficiales.
Esta situacin conduce a la creacin de un equipo virtual de mbito global, compuesto por personas
con dedicacin a tiempo parcial y ubicadas en diferentes unidades. La coordinacin y la unificacin de
herramientas, enfoques y servicios relativos a la explotacin analtica de la informacin se inicia bajo
el control de algn tipo de oficina central preexistente que asume la direccin del nuevo equipo virtual.
Los participantes de este equipo siguen asignados a sus unidades de origen correspondientes, y el equipo
puede incluso no aparecer oficialmente en el organigrama. Esto genera una mentalidad reactiva en los
participantes, que consideran secundaria su participacin en este equipo virtual, y tambin conflictos de
priorizacin provocados por el hecho de reportar a dos responsables distintos.
2.4. NIVEL 4: UNIDAD CENTRAL DE DEDICACIN EXCLUSIVA

La promocin y soporte a la explotacin analtica de los datos en la institucin se considera lo suficientemente importante y requiere un nivel de dedicacin por parte de los implicados como para crear formalmente una unidad central especializada a tiempo completo, que constituye una ventanilla nica para
todo lo relacionado con el acceso a informacin analtica, independientemente del origen de los datos
necesarios y de la posicin de los peticionarios.
Se dota a esta nueva unidad con personal de dedicacin exclusiva formalmente adscritos a la misma,
incluyendo un responsable oficial, y su existencia, denominacin y misin se da a conocer a toda la institucin. La unidad se ubica formalmente en el organigrama.
160
2.5. NIVEL 5: CENTRO DE COMPETENCIA

La especializacin y la experiencia en la creacin de productos y la prestacin de servicios relativos a la
explotacin analtica de los datos han consolidado la unidad central de inteligencia institucional como
expertos tcnicos en las herramientas y tcnicas, y expertos funcionales en los diversos mbitos de gestin de la Universidad. El equipo promueve activamente el uso y evolucin de los diversos productos de
datos y herramientas puestos a disposicin de la institucin, y se acerca de manera proactiva a todos los
grupos de usuarios potenciales para ampliar el alcance del servicio. Se establecen relaciones de colaboracin permanente y claramente identificadas con las unidades administrativas, y los grupos de usuarios.
El responsable de la unidad de Inteligencia Institucional participa formalmente en los rganos de direccin necesarios para garantizar una alineacin correcta de las actividades del equipo con las directrices
institucionales globales.
En este contexto, pueden aparecer nuevos equipos de Inteligencia Institucional a nivel local en determinadas unidades organizativas (por ejemplo, en los centros docentes), pero ya no se trata de los esfuerzos
locales aislados y descoordinados descritos en el nivel 2 de esta dimensin, sino extensiones interdependientes y coordinadas formadas por equipos complementarios, que trabajan en colaboracin estrecha
con el centro de competencia central para servir mejor a necesidades locales muy especializadas que
requieren una atencin ms personalizada o ms intensa que la que es posible proporcionar por la unidad central.
3. DIMENSIN: ALCANCE
INSTITUCIONAL ALCANCE
ninguno /
desconocido
especializado
mltiple
generalizado
completo
Esta dimensin evala la completitud de la iniciativa de Inteligencia Institucional desde una perspectiva
funcional de alto nivel, es decir, en qu medida la plataforma de Inteligencia Institucional es capaz de
generar productos de datos que presentan informacin de todas las fuentes de datos relevantes.
Algunos grupos de usuarios son muy dependientes de reas especficas de informacin, por lo que la
variedad de fuentes de datos disponibles en la plataforma de Inteligencia Institucional puede limitar (o
potenciar) el uso eficaz y, por tanto, la generacin de valor para la institucin.
Para valorar esta dimensin se consideran cuatro grandes reas funcionales clave (los datos de la mayora de ellas procedentes probablemente de varios sistemas operacionales internos y que pueden complementarse con fuentes externas de datos contextuales o de comparacin), a saber:
Econmico / Financiera
161
Acadmica
Recursos Humanos
Investigacin
En la evaluacin de esta dimensin, para considerar que un rea funcional est cubierta, tiene que existir al menos un producto de datos en produccin y en soporte activo que ofrezca informacin total o
parcialmente basada en datos extrados de cualquiera de los mdulos o subsistemas de esa rea funcional.
3.1. NIVEL 1: NINGUNO

No se cubre ningn rea funcional clave.
3.2. NIVEL 2: ESPECIALIZADO

Se cubre una nica rea funcional clave.
3.3. NIVEL 3: MLTIPLE

Se cubren dos reas funcionales clave.
3.4. NIVEL 4: GENERALIZADO

Se cubren tres reas funcionales clave.
3.5. NIVEL 5: COMPLETO

Se cubren las cuatro reas funcionales clave.
162
4. DIMENSIN: ROL DE LAS UNIDADES

ADMINISTRATIVAS
ROL UNIDADES
ADMINISTRATIVAS
ninguno /
desconocido
conscientes
participantes
de apoyo
administradores de datos
Esta dimensin evala el papel que desempean las unidades administrativas que se ven implicadas
en la iniciativa de inteligencia institucional al ser necesarios los datos que gestionan para la generacin
de informacin analtica demandada por la institucin a travs de alguno de sus colectivos de usuarios.
Como ya hemos visto en el captulo dedicado los aspectos organizativos, la implicacin consciente y permanente de las unidades administrativas que gestionan, en sus respectivos sistemas operacionales de
origen, los datos que posteriormente se explotan a travs de la plataforma de Inteligencia Institucional
es fundamental para el xito global, la sostenibilidad y la correccin de los productos de datos generados.
4.1. NIVEL 1: NINGUNO

Las peticiones de informacin analtica se perciben en la unidad administrativa como una carga que
compite con el trabajo administrativo, juzgado como ms crtico. Es el voluntarismo individual, ms que
un sentido del deber lo que impulsa los los contados esfuerzos para intentar atender estas solicitudes. El
personal no tiene el tiempo, la formacin especializada necesaria o la experiencia para atender satisfactoriamente las solicitudes. El acceso directo y autnomo a los datos de la unidad por parte de usuarios
externos a la misma con fines analticos ni siquiera se considera como una opcin. Cada unidad considera los datos que gestiona como suficientemente buenos si dan un soporte adecuado a sus necesidades
operativas locales.
4.2. NIVEL 2: CONSCIENTES

Las unidades administrativas son conscientes de la importancia y el impacto institucional de las solicitudes de informacin que les llegan, y de que atenderlas forma parte de su misin, lo que puede causarles
una sensacin inicial de estrs y falta de capacidad o de herramientas para gestionarlas adecuadamente. La atencin a algunas solicitudes de informacin provoca la aparicin de los primeros problemas de
calidad de datos que impiden, limitan o condicionan la explotacin analtica. Algunos proyectos locales
de pequea escala pueden ponerse en marcha con el objeto de mejorar la capacidad de atencin a las
peticiones de informacin analtica y resolver, de forma reactiva, algunos de los problemas de calidad de
los datos que van apareciendo.
163
4.3. NIVEL 3: PARTICIPANTES

Las unidades administrativas se ven aliviadas de los aspectos ms complicados, tcnicos y transversales
relativos a la atencin de solicitudes de informacin analtica, al haberse creado algn tipo de unidad
central de inteligencia institucional que asume esas competencias. A cambio, se les pide la participacin,
como expertos en el mbito de gestin en el que trabajan, en proyectos especficos liderados por esta
unidad central, por lo general con dedicaciones limitadas y a tiempo parcial.
Algunas peticiones de datos bsicas todava se atienden directamente por las unidades administrativas,
pero las peticiones complejas, transversales, que requieren una alta dedicacin y recursos son redirigidas
a la nueva unidad central. El reporte de problemas imprevistos de calidad de datos por parte de la unidad
central genera tensiones, bien por el alto nivel de dedicacin que les requiere, o porque su resolucin implique el cambio de operativas de trabajo arraigadas. Por lo general, las cuestiones de calidad de datos son
sistemticamente aplazadas si requieren ms dedicacin de la inicialmente prevista en la participacin
limitada en los proyectos en los que colaboran.
4.4. NIVEL 4: DE APOYO

Las unidades administrativas se reconocen participantes necesarios y recurrentes en la iniciativa global
de inteligencia institucional, como unidades funcionales y no como meros proveedores de personal especializado para proyectos de duracin limitada. El diagnstico y la solucin de problemas de calidad de
datos reportados se reconocen como parte de la misin fundamental de la unidad, que es estructurada
internamente en consonancia para permitir su atencin sistemtica. Las peticiones de informacin analtica que llegan directamente a la unidad se redirigen de forma sistemtica a la unidad de Inteligencia
Institucional central.
Aun as, el tipo de apoyo es reactivo: la unidad acta bajo demanda explcita del equipo de Inteligencia
Institucional.
4.5. NIVEL 5: ADMINISTRADORES DE DATOS

El papel de las unidades administrativas en la iniciativa de inteligencia institucional como expertos en
su dominio de gestin est claramente especificado, comunicado e incorporado en las responsabilidades
esenciales de la unidad. Las funciones estn claramente definidas y proactivamente asumidas por las
unidades administrativas, y contemplan al menos lo siguiente:
164
Soporte funcional y tcnico experto: proporcionando a la unidad de inteligencia institucional conocimiento tcnico y funcional especializado en sus reas de gestin, gestionando proactivamente las
dependencias entre ambos sistemas mediante el reporte sistemtico de cambios tcnicos o funcionales en los sistemas operacionales.
Calidad de los datos: diagnosticando y ofreciendo soluciones a los problemas de calidad de datos reportados. Procurando de forma proactiva la completitud, correccin y pertinencia de la informacin
adquirida o creada en su unidad, anticipando su futuro uso analtico.
Certificacin de productos de datos: certificando, como expertos en los sistemas de origen y en los
datos, la correccin de la informacin que se entrega a travs de los diferentes productos de datos
creados por el equipo de Inteligencia Institucional.
5. DIMENSION: PRODUCTOS DE DATOS

PRODUCTOS DE DATOS
1 ninguno / desconocido
2 limitado
3 expandido
4 mayoritario
5 completo
Como hemos visto en el captulo 2, dedicado a los aspectos tecnolgicos, dependiendo del tipo de funcionalidades que ofrecen, se pueden definir distintos tipos de productos de datos, cada uno de los cuales
se ajusta ms a unas determinadas necesidades de anlisis. Esta dimensin evala la capacidad efectiva
de atender esas diversas necesidades de anlisis a travs de una oferta amplia de tipos de productos de
datos distintos.
Algunos tipos de productos de datos estn relacionados con usos muy especficos de la informacin, por
lo que la gama de tipos de productos de datos que somos capaces de ofertar a nuestros usuarios puede
limitar (o ampliar) el uso eficaz y, por tanto, la generacin de valor para la institucin.
La categorizacin general que utilizaremos de los productos de datos para evaluar esta dimensin es la
ya presentada en el captulo dos, y que resumimos de nuevo:
Informes on-line parametrizados. Son bsicamente informes dinmicos que ofrecen distintas opciones prefijadas para personalizar el formato y contenido de la informacin que presentan. Por lo
general el usuario solo puede visualizar un informe a la vez, y la informacin que se presenta se
suele centrar en dominios muy especficos en los que hay una necesidad de informacin recurrente
y bien definida. La informacin suele presentarse a un nivel muy detallado, y puede agregarse o desagregarse a travs de jerarquas predefinidas.
Navegacin de datos ad-hoc. Este tipo de productos de datos permite a los usuarios navegar en los
datos de una o ms reas temticas sin una idea preconcebida de qu resultados concretos desean
obtener. Ofrecen a los usuarios un extenso catlogo de todos los elementos de datos disponibles
en la plataforma, y le dan la funcionalidad de construir interactivamente salidas de informacin
combinando esos elementos y navegando a travs de los distintos niveles de agregacin de los datos,
usando normalmente representaciones matriciales. Las herramientas OLAP son un ejemplo tpico.
Paneles de control. Este tipo de productos de datos permite a los usuarios acceder a una combinacin de salidas de informacin simultaneas y complementarias que conforman un contexto de
informacin rico e integrado que ofrece distintas opciones prefijadas para personalizar formatos y
contenidos. Por lo general la informacin presentada est altamente agregada, y se muestra en una
165
interfaz compacta en la que predominan las representaciones grficas y los indicadores codificados
en formatos semafricos.
Productos analticos avanzados. Este tipo de productos surge de la aplicacin de una amplia gama de
disciplinas y tecnologas avanzadas, como la minera de datos. Proporcionan al usuario un elenco de
productos de datos muy diverso, en el que se incluyen modelos predictivos, descubrimiento automtico de conocimiento, anlisis de impacto basados en hiptesis (what-if), sistemas de optimizacin,
etc.
En la evaluacin de esta dimensin, para considerar que se est ofreciendo un tipo de producto de datos, tiene que existir al menos una instalacin de ese tipo de producto de datos en produccin y con
soporte activo.
5.1. NIVEL 1: NINGUNO/DESCONOCIDO

No se ofrece ninguno de los tipos de productos descritos3.
5.2. NIVEL 2: LIMITADO

La iniciativa de inteligencia institucional cuenta con un nico tipo de producto de datos.
5.3. NIVEL 3: EXPANDIDO

La iniciativa de inteligencia institucional cuenta con dos tipos de productos de datos.
5.4. NIVEL 4: MAYORITARIO

La iniciativa de inteligencia institucional cuenta con tres tipos de productos de datos.
5.5. NIVEL 5: COMPLETO

La iniciativa de inteligencia institucional cuenta con los cuatro tipos de productos de datos.
3. Ntese que pueden existir, ms o menos extraoficialmente, productos de datos generados a nivel local y proporcionados por algunas
unidades administrativas para atender ciertas peticiones de informacin recurrentes. Suelen ser soluciones bsicas, puntuales, offline y que
no dotan de autonoma al usuario, como volcados de datos a Excel o informes estticos que se envan a travs de correo electrnico, por lo
que no caen en ninguna de las tipologas descritas, y por tanto no afectan a la evaluacin de esta dimensin.
166
6. DIMENSIN: COBERTURA DE USUARIOS

COBERTURA DE USUARIOS
1 ninguno / desconocido
2 limitada
3 expandida
4 mayoritaria
5 universal
Esta dimensin evala la amplitud de la iniciativa de Inteligencia Institucional basndose en el nmero

de grupos de usuarios clave que se estn abordando activamente de alguna manera con productos de
datos diseados especficamente para ellos.
Para evaluar esta dimensin definiremos globalmente cuatro colectivos de usuarios distintos, basados
en el papel que desempean en la Universidad. En trminos generales, el tamao de cada grupo, la naturaleza de la informacin que necesitan, su papel en la institucin, sus objetivos y las herramientas que
intervienen en los productos de datos necesarios, son lo suficientemente diferentes como para que atender a cada grupo implique enfoques y desafos sensiblemente diferentes. Los cuatro colectivos generales
de usuarios son:
Direccin (alta direccin, direccin de los centros docentes, direccin de los servicios)
Personal administrativo (servicios globales, servicios locales)
Docentes (profesores, investigadores, personal administrativo de apoyo)
Estudiantes (aspirantes, actuales, egresados)
Para evaluar esta dimensin, consideraremos que se est cubriendo un grupo de usuarios si existe al
menos un producto de datos destinado a ese grupo en produccin y con soporte activo.
6.1. NIVEL 1: NINGUNO / DESCONOCIDO

No hay o no se conoce la existencia de ningn producto de datos orientado a atender las necesidades de
informacin analtica de alguno de los grupos de usuarios clave.
6.2. LIMITADA
La iniciativa de inteligencia institucional cubre a un nico grupo de usuarios clave.
6.3. EXPANDIDA
La iniciativa de inteligencia institucional cubre a dos grupos de usuarios clave.
167
6.4. MAYORITARIA
La iniciativa de inteligencia institucional cubre a tres grupos de usuarios clave.
6.5. UNIVERSAL
La iniciativa de inteligencia institucional cubre a los cuatro grupos de usuarios clave.
7. DIMENSIN: IMPLICACIN DE LOS USUARIOS

IMPLICACIN DE USUARIOS
1 ajenos
2 conscientes
3 clientes
4 directores
5 co-propietarios
Esta dimensin evala el papel que juegan los usuarios finales en la cadena de valor del dato mediante
su nivel de participacin en la definicin, construccin y uso efectivo de los productos de datos que se
generan en el marco de la iniciativa de inteligencia institucional.
Como ya vimos en el captulo 3, relativo a los aspectos organizativos, de todos los agentes implicados en
la inteligencia institucional, los usuarios son los ms crticos, porque slo ellos pueden generar valor a
travs del uso efectivo de los productos de datos que se les proporcionan, culminando y legitimando as
todo el trabajo previo del resto de implicados. La intensidad y calidad de su participacin en la iniciativa
de inteligencia institucional constituyen, por tanto, aspectos esenciales para el xito.
7.1. NIVEL 1: AJENOS

Los usuarios potenciales no perciben como real (o procedente) la posibilidad de solicitar informacin
analtica en la institucin. Las necesidades de informacin analtica que no pueden ser resueltas de forma local en su entorno inmediato son generalmente desestimadas y no expresadas, o se solicitan a las
unidades que gestionan los datos base ms como un favor personal que como un servicio formal. Las
expectativas son muy bajas.
7.2. NIVEL 2: CONSCIENTES

Los usuarios perciben que tienen el legtimo derecho de solicitar informacin analtica a las unidades
administrativas que gestionan los datos de base. Por lo general, contactan con cada rea de actividad o
con TI directamente, describen de manera ms o menos concreta lo que quieren y esperan obtener posteriormente un resultado puntual que se ajuste a lo descrito.
168
7.3. NIVEL 3: CLIENTES

Los usuarios perciben que hay una iniciativa de Inteligencia Institucional de la que son destinatarios, y
que por tanto tienen el derecho de solicitar informacin analtica y recibir productos de datos oficiales
y centralmente soportados. Su papel en el proceso se limita a especificar sus solicitudes en un proceso
inicial de toma de requisitos, tras el que esperan recibir, pasado un plazo, un producto de datos completo
que se ajuste a lo especificado. Toda la responsabilidad de la utilidad (o no) del producto de datos resultante es de los desarrolladores.
7.4. NIVEL 4: DIRECTORES

Los usuarios entienden el diseo, construccin y evolucin de los productos de datos que solicitan como
un esfuerzo conjunto entre ellos y el equipo que los provee. Se perciben a s mismos ya no como clientes
pasivos, sino como agentes implicados con voz y voto, socios activos que trabajan en conjunto con los
otros actores involucrados para lograr un objetivo comn de cuya definicin son responsables. Su participacin no se limita a un perodo inicial de recopilacin de requisitos, sino que participan activamente
en el diseo, construccin, validacin y evolucin de los productos de datos. Los usuarios entienden que,
sin su orientacin permanente a la hora de definir casos concretos de cmo la plataforma de inteligencia
institucional puede ponerse al servicio de la Universidad a travs de la entrega de informacin analtica
til, la iniciativa no podran proporcionar valor alguno.
7.5. NIVEL 5: CO-PROPIETARIOS

Los usuarios se perciben a s mismos como los agentes ms importantes en la iniciativa de Inteligencia
Institucional, sintindose co-propietarios de los productos de datos que han definido, probado y evolucionado en colaboracin con el equipo de Inteligencia Institucional. Esta co-propiedad implica responsabilidad compartida en la aplicacin, el uso eficaz, la promocin activa, y la evolucin de los productos de
datos que obtienen. En este nivel suelen surgir comunidades de usuarios que por lo general constituyen
canales muy activos para el apoyo mutuo, la promocin de la cultura analtica, y la iniciativa de Inteligencia Institucional.
169
8. DIMENSIN: GESTIN DE LOS DATOS

GESTIN DE LOS DATOS
1 irrelevante
2 prescindible
3 interesante
4 necesario
5 crtico
Esta dimensin evala la existencia y la aplicacin efectiva de principios, polticas, roles, procesos y herramientas para regular los aspectos ms importantes de la gestin de los datos4; a saber:
Calidad de los datos: Estn los datos preparados para la explotacin analtica? La informacin que
se ofrece a travs de los productos de datos representa correctamente la realidad codificada en los
sistemas fuente? Cmo debemos afrontar las deficiencias en los datos?
Acceso a los datos: A quin pertenecen los datos? Qu implica esa propiedad? Quin debe tener acceso a qu, en qu condiciones, y en base a qu polticas? Quin aprueba o rechaza las solicitudes de acceso a la informacin? Cmo hacer cumplir las polticas de acceso? Vamos a llevar un
registro de acceso de los usuarios a los datos? Hasta qu punto?
Metadatos: Quin, dnde y cmo debe documentar y mantener el origen, significado, reglas de negocio, criterios de clculo, etc. de la informacin que se ofrece a travs de la plataforma de Inteligencia Institucional? A travs de qu canales debe cada tipo de metadatos llegar a sus destinatarios
potenciales?
Integracin de datos: Cmo deben combinarse los datos de diferentes sistemas para crear informacin nueva? Hemos duplicado entidades en diferentes sistemas? Cul es el impacto de esto en
la plataforma de Inteligencia Institucional? Cmo deben ser detectados y normalizados los datos
duplicados? Qu sistema es considerado el propietario maestro de qu entidades?
La retencin de datos y el archivado: Cmo estamos preservando la historia en el data warehouse? Es necesario almacenar instantneas peridicas de determinados conjuntos de datos? Cunto
tiempo debemos mantener disponibles los conjuntos de datos histricos? Qu debemos hacer con
los conjuntos de datos histricos antiguos ya retirados del data warehouse? Cul es el impacto de
todo esto en el modelo de datos y en los mecanismos de almacenamiento?
Por su naturaleza, los problemas en estas reas pueden tener un profundo impacto en la utilidad del sistema de Inteligencia Institucional, pero son difciles de abordar y causa frecuente de conflictos debido a
que se mueven en los lmites difusos de responsabilidad entre sistemas y unidades, y exige en la mayora
de los casos una responsabilidad compartida eficaz entre todos los implicados. Su gestin casi siempre
implica la coordinacin de actividades transversales e interdepartamentales, y armonizar diferentes sensibilidades.
La identificacin de estos aspectos, su gestin formal y su abordaje efectivo son una garanta de que
4. La Gestin de los datos (en ingls, Data Management) es un concepto complejo y difuso. No hay consenso en la industria sobre qu
aspectos o disciplinas se incluyen bajo este trmino. Los aspectos que consideramos para evaluar esta dimensin no deben considerarse de
ninguna manera como exhaustivos: slo hemos incluido las disciplinas de gestin de datos que percibimos como de especial relevancia para
la inteligencia institucional y que por tanto afectan directamente a sus resultados.
170
cualquier problema que seguramente vaya a surgir en estos mbitos no sea desatendido o una causa de
conflicto permanente.
Nota para la evaluacin: Para situaciones en las que la madurez de cada uno de los cinco aspectos anteriores es desigual, el valor de esta dimensin puede ser calculado como el promedio de los valores individuales de cada uno de los cinco aspectos arriba descritos.
8.1. NIVEL 1: NINGUNA/DESCONOCIDA

Los aspectos de gestin de los datos de la iniciativa de Inteligencia Institucional no se atienden (ni siquiera estn identificados), y las dificultades surgidas en este mbito son tratadas de forma reactiva y
resueltas a travs de la improvisacin y el voluntarismo de los implicados (con un alto riesgo de acabar
en situaciones de bloqueo y conflicto).
8.2. NIVEL 2: CONSCIENTE

Estos aspectos de la gestin de los datos estn identificados y se anticipan como potenciales reas de
conflicto, por lo que se gestionan (de manera ms o menos formal) como riesgos potenciales para la
iniciativa de inteligencia institucional. Como resultado de esto, pueden ponerse algunas medidas de mitigacin de riesgos, pero, en general, los problemas que surgen se gestionan de forma reactiva
8.3. NIVEL 3: GESTIONADA

Se definen con antelacin principios y polticas explcitas para gestionar los aspectos de gestin de datos
de la Inteligencia Institucional. Estos principios y polticas identifican a todas las partes interesadas, distribuyen responsabilidades claras, y son comunicados con eficacia.
8.4. NIVEL 4. APOYADA

Se implantan procesos y herramientas especficas para facilitar y apoyar a los implicados en la aplicacin efectiva de los principios y polticas definidos para los diversos aspectos de la gestin de los datos.
8.5. NIVEL 5: RESPALDADA

Se exige la rendicin de cuentas sobre las responsabilidades definidas respecto a la gestin de los datos,
apoyada en la existencia de principios y polticas claros y en la disponibilidad de procesos y herramien171
tas de apoyo especficos. Los conflictos que no puedan ser resueltos en este marco son atendidos y resueltos por un comit especializado o por las entidades gestoras existentes oficialmente encargadas de esta
responsabilidad.
9. DIMENSIN: VALOR INSTITUCIONAL

VALOR INSTITUCIONAL
1 irrelevante
2 prescindible
3 interesante
4 necesario
5 crtico
Esta dimensin mide el valor para la institucin de los productos de datos entregados segn la percepcin de sus usuarios. Es importante tener en cuenta que este valor solo se obtiene a travs del uso efectivo
de los recursos puestos a disposicin de los usuarios (siendo esta una de las principales mtricas de xito
de la iniciativa), y por tanto no slo depende de la calidad y la pertinencia de los productos de datos entregados, sino tambin de la cultura analtica de la comunidad de usuarios.
9.1. NIVEL 1: IRRELEVANTE

Los productos de datos entregados en el marco de la iniciativa de inteligencia institucional son juzgados
como superfluos o irrelevantes, bien porque realmente lo son, o bien porque los usuarios carecen de la
formacin o la cultura analtica para poder entender o apreciar su valor potencial. El uso efectivo es casi
inexistente, y si hay alguno, se limita a individuos aislados sin apenas impacto global.
9.2. NIVEL 2: PRESCINDIBLE

Los productos de datos entregados son potencialmente tiles para obtener valor institucional de carcter
bsico, pero su uso se percibe generalmente como opcional, bien porque ya existen formas alternativas
de obtener la misma o similar informacin, o bien porque la cultura analtica de la institucin es an
muy baja e -independientemente de su pertinencia- la informacin provista no se considera estrictamente necesaria.. El valor potencial percibido a menudo no es suficiente para superar la resistencia al
cambio o para aprender a utilizar las nuevas herramientas necesarias. El uso efectivo es bajo, limitado a
pequeos nichos y su impacto en la institucin es bajo.
9.3. NIVEL 3: INTERESANTE

Los productos de datos entregados proporcionan informacin previamente no disponible o de difcil acceso que se considera til para obtener nuevas ideas y tomar decisiones informadas que histricamente
se basaban en intuiciones indemostrables o informacin incompleta. El valor potencial es suficientemente alto como para despertar el inters generalizado en el grupo de usuarios objetivo, o bien la cultura
analtica es tal que la mayora de las personas tiende a usar todas las fuentes disponibles de informacin
a su alcance para tomar decisiones basadas en el anlisis. El uso efectivo es generalizado, y su impacto en
la institucin es relevante.
172
9.4. NIVEL 4: NECESARIO

La informacin provista por los resultados de los productos de datos se usa en procesos administrativos,
de toma de decisiones o de planificacin de tal forma que ses considerada como necesaria para completar estos procesos con xito. Esto puede ser debido a una imposibilidad real (no es tcnicamente posible
continuar con el proceso sin la informacin provista por el producto de datos) o porque la cultura analtica es lo suficientemente alta como para que los usuarios sean muy reticentes a continuar con estos
procesos sin el conocimiento aportado por la informacin que proveen los productos de datos. El uso
efectivo y el impacto global son altos.
9.5. NIVEL 5: CRTICO

La informacin entregada por los diversos productos de datos disponibles se inserta de manera efectiva
en procesos que se consideran crticos para el buen funcionamiento de la institucin, ya sea debido a
su profundo impacto en la toma de decisiones crticas y en la ejecucin de actividades administrativas
nucleares o porque la cultura analtica est tan establecida e institucionalizada que la informacin dirige
las actividades a todos los niveles, y es considerada como un recurso vital e irrenunciable. El uso efectivo
y el impacto global son muy altos.
10. DIMENSIN: SOPORTE ESTRATGICO

SOPORTE ESTRATGICO
a la deriva
local
global/proyecto
global/servicio
sostenible
estrategia global
Esta dimensin evala el nivel de formalizacin de la iniciativa de Inteligencia Institucional en una estrategia especfica y eficazmente difundida, y su nivel de relacin con una estrategia general de mbito
superior.
Cualquier iniciativa de Inteligencia Institucional implica varias decisiones de gran impacto: la financiacin, la creacin y dotacin de una nueva unidad organizativa, la definicin y la aplicacin de nuevas polticas y principios especficos sobre los datos, el aseguramiento de una colaboracin interdepartamental
efectiva, etc. Todos estos aspectos solo pueden atenderse con garantas en un contexto estratgico planificado y apoyado por la alta direccin.
10.1. NIVEL 1: A LA DERIVA

No hay ninguna estrategia especfica para la Inteligencia Institucional. Cualquier actividad que se produce es reactiva, improvisada, espordica, y sin aprobacin oficial.
173
10.2. NIVEL 2: LOCAL

La iniciativa cuenta con el nico apoyo de gestores de mbito local/departamental y atiende por tanto a
una estrategia local. Pueden coexistir diversas estrategias de inteligencia institucional locales no coordinadas y desconectadas entre s.
10.3. NIVEL 3: PROYECTO

La Inteligencia institucional es vista como un proyecto piloto de mbito global pero limitado en el tiempo. Se dedican presupuestos y responsables especficos, pero por un tiempo limitado y sin una idea clara
de lo que vendr a continuacin. Se considera un apoyo indirecto y puntual a algunos aspectos de la
estrategia general.
10.4. NIVEL 4: SERVICIO SOSTENIBLE

Se dedica financiacin recurrente y un miembro del equipo de gobierno (o similar) es designado como responsable permanente. La inteligencia institucional quiz no aparece especficamente mencionada en los
documentos de estrategia institucional y sus objetivos quiz no estn totalmente definidos, pero su sostenimiento se considera vital para el apoyo a la estrategia general y por tanto se han puesto los medios para
sostener un servicio permanente y activo a futuro, trascendiendo el carcter previo de proyecto temporal.
10.5. NIVEL 5: INTERDEPENDENCIA CON LA ESTRATEGIA

INSTITUCIONAL
La Inteligencia Institucional y la estrategia institucional son mutuamente dependientes; la Inteligencia
Institucional apoya la estrategia institucional proporcionando soluciones de monitorizacin y anlisis
de informacin altamente eficientes para apoyar las metas institucionales, y la estrategia institucional
apoya la Inteligencia Institucional considerndola explcitamente como una capacidad clave que adquirir y mantener. Como resultado, la Inteligencia Institucional tiene una estrategia claramente definida
soportada por la institucin en su conjunto. Existe una ruta de desarrollo clara y global, y se considera
que la institucin no podra cumplir con sus objetivos sin el apoyo
de la Inteligencia Institucional.
en la parte II del libro el

lector podr ver tres casos
11. EJEMPLO
de aplicacin del modelo
de madurez a iniciativas de Aunque en la parte II del libro el lector podr ver tres casos de aplicacin del modelo de madurez a iniciativas de inteligencia instituciointeligencia institucional
nal reales, para facilitar la comprensin del modelo mostramos el aspecto del resultado final de una evaluacin de madurez de ejemplo
reales
llevada a cabo con la herramienta EXCEL5 que acompaa al libro:
174
FIGURA 1
DESCRIPCIN: Ejemplo de resultados de una evaluacin de madurez con la herramienta basada en Excel que acompaa al libro5
La tabla de la parte superior de la figura 1 muestra los resultados generales: el nivel general de madurez resultante (en este caso, Nivel 2: Inicial - Desequilibrado) junto con una interpretacin textual general del
mismo. La matriz inferior muestra un resumen de la configuracin exacta de evaluaciones individuales de
cada una de las dimensiones que ha dado lugar al resultado final de madurez general. Es importante resaltar que para una caracterizacin completa de la madurez tan importante es el resultado final en forma de
nivel de madurez general, como la combinacin concreta de resultados de las dimensiones del que ha sido
fruto, puesto que, bajo un mismo resultado de madurez general, existen muchas posibles combinaciones
distintas de resultados en la evaluacin de las dimensiones, cada una de ellas reflejando una situacin
real diferente6.
5. Tanto esta herramienta EXCEL como la versin electrnica de este libro estn disponibles para descargar gratuitamente en la seccin de
publicaciones de la web de OCU: www.ocu.es
6. Las evaluaciones de madurez llevadas a cabo en los casos de estudio de la parte II del libro son un ejemplo claro: todas ellas dan lugar
al mismo nivel general de madurez, pero obtenido a travs de configuraciones distintas en las valoraciones de las dimensiones, es decir, a
pesar de obtener el mismo resultado final, cada una de las instituciones evaluadas presenta sus propios puntos fuertes y dbiles.
175

En este captulo hemos presentado un modelo de madurez que permite a las Universidades, a travs de la
evaluacin individual de nueve aspectos o dimensiones individuales, obtener un resultado que expresa
el nivel de madurez general de su iniciativa de inteligencia institucional. Las dimensiones a evaluar son:
1)
Unidad de inteligencia institucional
2) Alcance
3) Rol de las unidades administrativas
4) Productos de datos
5) Cobertura de usuarios
6) Implicacin de los usuarios
7) Gestin de los datos
8) Valor institucional
9) Soporte estratgico
el propio ejercicio de
realizar una evaluacin
de madurez obliga a
plantearse y responder a
cuestiones de importancia
clave para la iniciativa
Una de las aplicaciones ms obvias del modelo de madurez propuesto en este captulo es su uso en el contexto del diseo de la estrategia de inteligencia institucional, puesto que, aparte de su valor
como marco referencial en el que identificar nivel de partida y establecer nivel objetivo, el propio ejercicio de realizar una evaluacin
de madurez obliga a plantearse y responder a cuestiones de importancia clave para la iniciativa, algunas de ellas un tanto elusivas y
que correran por tanto el riesgo de ser pasadas por alto, al menos
inicialmente. Es esta, por tanto, una herramienta destinada fundamentalmente al rgano de direccin de inteligencia institucional,
que, segn lo descrito en el captulo 3, es el agente encargado de la
elaboracin y mantenimiento de esta estrategia.
Tras la experiencia de aplicacin prctica del modelo en los tres casos de estudio presentados en la parte
II del libro, estamos convencidos de que es una herramienta de gran valor, y gracias a la herramienta Excel que permite su aplicacin sencilla, fcil de aplicar. Pero tambin confiamos en que pueda ser objeto
de una evolucin y mejora dirigida por la experiencia de uso de todas aquellas instituciones que quieran
ponerla en prctica y compartir con nosotros sus resultados, experiencias y sugerencias de mejora.
176
177
NUEVOS CAMPOS DE
APLICACIN:
MINERA DE DATOS
EDUCATIVOS
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE I CAPTULO 6: NUEVOS CAMPOS DE APLICACIN: MINERA DE DATOS EDUCATIVOS
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 6 - PARTE I
Autor
Sebastin Ventura Soto

Profesor Titular de Ciencias de la Computacin e
Inteligencia Artificial de la Universidad de Crdoba
179
CAPTULO 6
NUEVOS CAMPOS DE APLICACIN:
MINERA DE DATOS EDUCATIVOS.
1. INTRODUCCIN
El objetivo de este captulo es mostrar algunas tcnicas de minera de datos que permiten el desarrollo
de lo que, en los captulos 2 y 5, hemos denominado productos analticos avanzados. Muchas de estas
tcnicas apenas han dado el salto desde el mbito de la investigacin al de la aplicacin prctica y sistemtica, y sin embargo, estamos convencidos de que pueden ayudar enormemente a resolver algunas de
las cuestiones clave que se plantean en el marco de la inteligencia institucional hoy da.
La aplicacin de estas
tcnicas es, lgicamente,
mucho ms factible en el
marco de una iniciativa de
con un nivel de madurez
razonable
180
Si bien los campos de aplicacin potencial de la minera de datos a

la gestin universitaria son mltiples, y todos ellos prometedores,
nos centraremos en el ms explorado hasta el momento: la disciplina denominada minera de datos educativos, cuyo objetivo es el
anlisis de la informacin disponible sobre el proceso de enseanza-aprendizaje (registros del alumno, informacin institucional, registros de los sistemas de aprendizaje online, etc.) para extraer nuevo conocimiento que resulte til a los distintos agentes del sistema
educativo.
La aplicacin de estas tcnicas es, lgicamente, mucho ms factible
en el marco de una iniciativa de inteligencia institucional con un
nivel de madurez razonable, puesto que la capacidad de disponer
de los datos bsicos necesarios con el nivel de calidad y amplitud
requeridos ser mucho mayor.
2. LA MINERA DE DATOS
En los ltimos aos, el crecimiento del volumen de la informacin almacenada en los sistemas informticos se ha incrementado de manera exponencial, y los estudios recientes no parecen anunciar el final
de esta tendencia. Fenmenos como el abaratamiento de los ordenadores personales y de los medios de
almacenamiento, la aparicin de la Web 2.0 y las aplicaciones sociales, han provocado el almacenamiento de informacin de todo tipo: datos personales, datos comerciales y/o financieros, gustos y tendencias,
etc.
El principal problema derivado de la abundancia de informacin disponible es que, en general, existe
una relacin inversa entre la cantidad de informacin y la capacidad de comprenderla. En efecto, si la
informacin es demasiado abundante, el ser humano se siente abrumado, y es incapaz de extraer conocimiento til a partir de sta. Es por esta razn por la que se hace imprescindible disponer de herramientas
que automaticen esta extraccin de conocimiento, que sean capaces de encontrar en los datos patrones
o modelos que puedan convertirse en nuevo conocimiento aprovechable por los seres humanos. Denominamos descubrimiento de conocimiento a partir de datos o, ms familiarmente, minera de datos,
al proceso que se encarga de realizar esta labor. Desde un punto de vista formal, podra definirse como
el proceso no trivial de identificacin vlida, novedosa, potencialmente til y entendible de patrones
comprensibles que se encuentran ocultos en los datos [Fayyad et al., 1996].
El concepto de descubrimiento o extraccin de conocimiento a partir de datos no es nuevo. Ya en los
aos sesenta los estadsticos manejaban trminos como data fishing, data mining o data archaeology
con la idea de encontrar correlaciones sin una hiptesis previa en bases de datos con ruido. Durante los
aos ochenta y principios de los noventa, autores como Rakesh Agrawal, Gio Wiederhold, Robert Blum
y Gregory Piatetsky-Shapiro empezaron a consolidar los trminos minera de datos (Data Mining, DM)
y extraccin o descubrimiento de conocimiento a partir de datos (Knowledge Discovery from Data, KDD)
[Piatetsky-Shapiro y Frawley, 1991]. En la actualidad, se trata de una disciplina madura que se ha aplicado
con xito a multitud de problemas reales, desde anlisis de secuencias genmicas hasta la prediccin de
mercados [Han et al., 2012]. Prueba de esto es que en los ltimos aos han aparecido multitud de empresas especializadas en el desarrollo de soluciones basadas en tcnicas de KDD, y que la inmensa mayora
de las multinacionales cuentan en la actualidad con una divisin especializada en estos temas.
2.1 RELACIN ENTRE EL KDD Y OTRAS DISCIPLINAS

KDD es un rea de trabajo interdisciplinar, cuyos avances estn influidos por los de otras disciplinas afines tales como la estadstica, el aprendizaje automtico, el reconocimiento de patrones, los sistemas de
gestin de bases de datos y almacenes de datos, la recuperacin de informacin, la algortmica, la computacin de alto rendimiento y otros dominios de aplicacin (ver Cuadro 1). De todas estas disciplinas, las
que ms han influido en el desarrollo del KDD son las siguientes:
181
Aprendizaje automtico. KDD toma del aprendizaje automtico (Machine Learning, ML) los algoritmos
fundamentales para la obtencin de nuevo conocimiento. Tcnicas tales como los rboles de decisin o
el aprendizaje inductivo constituyen la base de muchos mtodos de extraccin de conocimiento, de ah
que algunos autores hayan insistido en que KDD y ML eran la misma cosa. Sin embargo, existen claras
diferencias entre ambas disciplinas:
En primer lugar, como veremos posteriormente, el KDD es un proceso iterativo, en el que la obtencin
de patrones a partir de los datos (nico objetivo del ML) es una etapa, de gran importancia pero no
menos importante que otras como la preparacin de los datos o la interpretacin de los resultados.
CUADRO 1
DESCRIPCIN: Relacin entre KDD y otras disciplinas
PATTERN
RECOGNITION
STATISTICS
DATA
MINING
ARTIFICIAL
INTELLIGENCE
MACHINE
LEARNING
MATHEMATICAL
MODELING
DATABASES
MANAGEMENT
SCIENCE &
INFORMATION
SYSTEMS
182
La segunda diferencia entre ambas disciplinas se basa en el papel que juegan los datos y los conceptos en cada una. En ML se da por supuesta la existencia de un concepto subyacente en los datos
objeto de estudio. Sea cual sea la naturaleza de los datos (ruidos, errneos, etc.) siempre existe un
concepto que hay que aprender. En el caso del KDD, esta asuncin no es estrictamente necesaria. Por
ejemplo, en el anlisis de datos de ventas podemos estar interesados en obtener grupos de clientes
con unas mismas preferencias, sin tener que encontrar un comportamiento global.
La tercera diferencia se refiere al objetivo que persiguen ambas disciplinas. En efecto, un sistema
de KDD suele perseguir objetivos ms modestos, en trminos de la complejidad del conocimiento
obtenido. Mientras que los sistemas de ML tienen como objetivo aprender conceptos que son difciles de obtener por los humanos, muchas de las tareas de KDD pretenden obtener conocimiento
que un analista de datos competente sera capaz de obtener si dispusiera de tiempo suficiente para
hacerlo.
Estadstica. La estadstica, al igual que el aprendizaje automtico, proporciona herramientas y algoritmos

que se utilizan durante el proceso de extraccin de conocimiento. Las tcnicas bayesianas [Arnborg, 2003]
y los mtodos de ncleo (kernel methods) [Vapnik, 1998] son claros ejemplos de la aplicacin de la estadstica para la obtencin de patrones a partir de datos.
Las principal diferencia entre KDD y estadstica est en que la primera hace un uso extensivo de mtodos
de ML (no de mtodos estadsticos) para realizar la fase de minera. Tambin, el volumen de los datos que
se maneja en KDD suele ser bastante mayor que el que se maneja con los mtodos estadsticos, debido
a que estos mtodos no suelen escalar bien con grandes volmenes de informacin. Por ltimo, en KDD
juegan un papel fundamental aspectos tales como la complejidad computacional o la interpretabilidad
de los resultados, aspectos que no suelen ser tan relevantes en estadstica.
Bases de datos. La investigacin en bases de datos se encarga de la creacin, mantenimiento y uso de
bases de datos para organizaciones y usuarios finales. En particular, los investigadores de este campo han
establecido principios sobre modelos de datos, lenguajes de consultas y sobre mtodos de procesamiento
y optimizacin de consultas.
Muchas tareas de KDD necesitan manejar grandes cantidades de datos, o incluso flujos rpidos de datos
obtenidos en tiempo real. Por tanto, los sistemas de KDD deben hacer un buen uso de las tecnologas de
bases de datos escalables para conseguir una elevada eficiencia y escalabilidad sobre grandes conjuntos
de datos. Adems, las tareas de KDD pueden ser utilizadas para extender la capacidad de los sistemas de
gestin de bases de datos existentes, para satisfacer los requisitos de anlisis de datos que presentan los
usuarios avanzados.
Los sistemas de gestin de bases de datos ms recientes han construido caractersticas de anlisis de datos sistemticos haciendo uso de las tcnicas de almacenamiento de datos y KDD. Como ya se ha visto en
el captulo 2, un data warehouse integra datos procedentes de mltiples fuentes y obtenidos en distintos
instantes de tiempo, encargndose de organizar los datos en un espacio multidimensional para formar
lo que se denominan reas temticas o reas de anlisis, sobre las cules se pueden realizar operaciones
de KDD especficas.
Recuperacin de informacin. La recuperacin de informacin (Information Retrieval, IR) es la ciencia de
la bsqueda de documentos o de informacin en los documentos. Los documentos pueden ser textuales
o multimedia, y pueden residir en la web. Las diferencias entre la recuperacin de informacin tradicional y los sistemas de gestin de bases de datos son principalmente dos: IR asume que (1) los datos sobre
183
los que hay que realizar la bsqueda no estn estructurados y (2) las consultas estn formadas principalmente por palabras clave, que no tienen una estructura compleja.
Los enfoques tpicos de la IR adoptan modelos probabilsticos. Por ejemplo, un documento de texto suele
ser considerado como una bolsa de palabras, es decir, un conjunto de palabras que aparecen en el documento. El modelo de documento que se emplea en IR es la funcin de densidad de probabilidad que
genera la bolsa de palabras en el documento. La similitud entre documentos puede medirse mediante la
similitud entre sus correspondientes modelos.
Por otra parte, una etiqueta o tema en un conjunto de documentos de texto puede ser modelado como la
distribucin de probabilidad sobre el vocabulario, lo que es denominado modelo de tema. Un documento
de texto, que puede tratar sobre uno o varios temas, puede ser considerado una mezcla de varios modelos
de tema. Integrando los modelos utilizados en IR con las tcnicas de KDD, podemos encontrar los temas
ms importantes en una coleccin de documentos y, para cada documento de la coleccin, los temas ms
importantes relacionados.
La enorme cantidad de datos textuales y multimedia que se estn acumulando y poniendo a disposicin
del pblico en la actualidad, debido al crecimiento de la Web y de aplicaciones tales como las bibliotecas digitales, est planteando enormes retos a las tcnicas de KDD, para conseguir bsquedas y anlisis
efectivos en esos grandes volmenes de informacin desestructurada. Por tanto, las mineras de datos
textuales y multimedia, integradas con los mtodos de IR, son disciplinas que estn tomando una enorme importancia.
2.2 EL PROCESO DE EXTRACCIN DE CONOCIMIENTO A PARTIR

DE DATOS
La etapa de preprocesado,
junto con la fase de
seleccin, pueden ocupar
fcilmente el 80% del
tiempo necesario para
llevar a cabo el proceso
completo de extraccin de
conocimiento
La obtencin de nuevo conocimiento a partir de datos es un proceso iterativo, en el que tienen lugar varias etapas bien diferenciadas
(ver Cuadro 2):
Seleccin. En la fase de seleccin tiene lugar la recoleccin de los
datos que se emplearn a lo largo del proceso de extraccin de conocimiento. Normalmente, esto implica la integracin de datos
procedentes de mltiples fuentes hasta un nico almacn de datos
comn. La fase de seleccin requiere un profundo conocimiento del
problema que pretendemos resolver, ya que se trata de decidir cul
es la informacin ms relevante, excluyendo la que consideremos
que no aporta nada al proceso de extraccin de conocimiento.
Preprocesado. En esta fase tienen lugar una serie de operaciones
184
que tienen como objetivo acondicionar los datos disponibles inicialmente [Pyle, 1999]. Operaciones caractersticas de esta etapa son la limpieza de datos errneos, la eliminacin o evaluacin del ruido en los
datos, el tratamiento de los datos perdidos, etc. La etapa de preprocesado, junto con la fase de seleccin,
pueden ocupar fcilmente el 80% del tiempo necesario para llevar a cabo el proceso completo de extraccin de conocimiento.
CUADRO 2
DESCRIPCIN: El proceso de descubrimiento de conocimiento a partir de datos
INTERPRETATION/
EVALUATION
DATA
MINING
TRANSFOR
MATION
KNOWLEDGE
PREPROCESSING
PATTERNS
SELECTION
PREPROCESSED
DATA
TRANSFORMED
DATA
TARGET
DATA
DATA
Transformacin. Durante esta fase, se realizan operaciones tales como la normalizacin de datos (para
obtener valores en un rango predeterminado), la construccin de nuevos atributos mediante la combinacin de otros existentes, la agregacin (por ejemplo, si tenemos valores de ventas diarias podemos
convertirlos en valores de ventas mensuales o anuales), la discretizacin (conversin de datos continuos
en datos nominales), la seleccin de los atributos ms relevantes o la generalizacin (pasar de valores relacionados con datos ms concretos, como el nombre de la calle, a valores ms generales, como la ciudad
o el pas).
Estas operaciones tienen como finalidad obtener un conjunto de datos ms apropiado para ser usado
como entrada a la siguiente fase del proceso. Por ejemplo, algunos algoritmos no soportan datos conti185
nuos y, por tanto, antes de aplicarlos en la siguiente fase necesitan ser discretizados. En otros casos, por
ejemplo, los datos tienen que estar en el rango de valores entre [0.0, 1.0] o [-1.0, 1.0] y se sometern a un
proceso de normalizacin antes de pasar a la siguiente fase.
Minera de datos. La fase de minera consiste en la aplicacin de algoritmos para la obtencin de patrones a partir de los datos generados en la fase anterior. Dependiendo de la tarea que llevemos a cabo,
podemos obtener modelos de clasificacin, reglas de asociacin, grupos, etc. que sintetizan los patrones
descubiertos tras el anlisis de los datos objeto de estudio.
La importancia de la fase de minera ha hecho que este trmino sea el utilizado ms popularmente para
referirse al proceso completo de descubrimiento de conocimiento. Por esta razn, en lo que queda de este
captulo, utilizaremos indistintamente los trminos KDD y DM para referirnos al proceso de descubrimiento de conocimiento.
Evaluacin e interpretacin. El proceso de KDD no se detiene con el descubrimiento de patrones. El usuario tiene que ser capaz de comprender qu se ha descubierto, ver los datos y los patrones simultneamente, contrastar los patrones descubiertos con el conocimiento de base, etc. El postprocesamiento del conocimiento descubierto implica pasos tales como la seleccin y ordenacin de patrones, visualizacin, etc.
Este paso es de vital importancia, debido a que es el responsable de que el nuevo conocimiento extrado
sea comprensible y potencialmente til (recordemos la definicin de KDD dada anteriormente) y marca
la diferencia entre esta disciplina y otras como el aprendizaje automtico o la estadstica, que se quedan
en la obtencin de patrones, sin llevar a cabo este procesamiento a posteriori.
2.3 TAREAS EN MINERA DE DATOS

Ya se ha comentado la importancia de la fase de minera de datos, en cuanto a que es la responsable de
la obtencin de nuevo conocimiento. Dependiendo del tipo de datos de entrada disponibles y de lo que
queramos aprender de ellos, se pueden distinguir distintas tareas en minera de datos. Una primera taxonoma, divide este tipo de tareas en predictivas y descriptivas.
2.3.1 TAREAS PREDICTIVAS

Las tareas predictivas tienen como objetivo predecir el comportamiento de un sistema, definido mediante el valor de una o varias variables de estado, a partir de los valores de otras variables. El atributo que deseamos predecir suele denominarse atributo objetivo o variable dependiente, mientras que los atributos
utilizados para hacer la prediccin se denominan variables independientes.
Una caracterstica que presentan todas las tareas predictivas es que son de naturaleza supervisada. Esto
186
significa que para construir el modelo predictivo dispondremos de varios ejemplos en los que se conoce
el valor del atributo objetivo. La construccin del modelo viene guiada por esos ejemplos, de manera que
las predicciones que este modelo arroja deben ser consistentes con los valores conocidos para dichos
ejemplos. De este modo, se acta como como si hubiera un experto en la materia que va indicando si el
modelo est realizando la prediccin correcta o incorrectamente (de ah que este tipo de aprendizaje se
denomine supervisado).
Un ejemplo tpico de tarea predictiva sera la prediccin de enfermedades a partir de una coleccin de
sntomas. Para resolver este problema, se construye un modelo a partir de un conjunto de datos de enfermos ya diagnosticados (los ejemplos). El modelo se considerar correcto cuando sea capaz de realizar correctamente el diagnstico (ya conocido) de esos enfermos. Lo interesante, por supuesto, no es que el modelo aprenda a diagnosticar a esos enfermos sino que, si ha sido diseado correctamente, ser capaz de
diagnosticar a otros enfermos cuyos sntomas son conocidos pero que an no han sido diagnosticados.
Dentro de las tareas predictivas, podemos diferenciar la tarea de clasificacin de la tarea de regresin. En
el primer caso, el objetivo es predecir el valor de una variable discreta o categrica (por ejemplo, el caso
del diagnstico mdico explicado anteriormente), mientras que en el segundo el objetivo es predecir el
valor de una variable continua (como por ejemplo, la prediccin de cotizaciones burstiles a partir de un
conjunto de valores histricos y/o de otro tipo).
En las secciones 3 y 4 analizaremos varios problemas de educacin que han sido resueltos mediante el
planteamiento de tareas descriptivas. Por ejemplo, la seccin 4.2.1 presenta un sistema para la prediccin
de calificaciones de estudiantes de una Universidad griega mediante un modelo de regresin, mientras
que la seccin 4.2.2 presenta un modelo para predecir la tasa de xito o fracaso estudiantil en la Universidad de Zacatecas (Mxico) mediante un modelo de clasificacin. En ambos casos se proporciona informacin sobre los datos empleados para construir los modelos predictivos, as como los resultados que se
obtienen. Como podr comprobarse, los resultados obtenidos en ambos casos son muy interesantes, y de
gran aplicabilidad a otros problemas anlogos encontrados en la Universidad.
2.3.2 TAREAS DESCRIPTIVAS

En el caso de las tareas descriptivas, a diferencia de lo que sucede en las tareas predictivas, el objetivo es
obtener patrones, (correlaciones, tendencias, grupos, trayectorias y anomalas) que resuman las relaciones subyacentes entre los datos. Las tareas descriptivas de DM suelen ser de naturaleza exploratoria, y
frecuentemente necesitan de tcnicas de postprocesamiento para validar y explicar los resultados.
Debido a la naturaleza exploratoria que presentan, las tareas descriptivas son tareas no supervisadas, es
decir, en ningn caso dispondremos de informacin que nos gue en la elaboracin del modelo. Las dos
tareas descriptivas ms importantes, y que estudiaremos a continuacin, son el anlisis de asociaciones
y el anlisis de agrupamientos (cluster analysis).
187
Anlisis de asociaciones
En el anlisis de asociaciones, el objetivo es descubrir patrones que nos revelen caractersticas de los
datos que estn fuertemente asociadas. Los patrones descubiertos suelen representarse como reglas o
subconjuntos de atributos. Debido al tamao exponencial del espacio de bsqueda, el objetivo del anlisis de asociaciones es extraer los patrones ms interesantes de un modo eficiente.
Un ejemplo tpico de minera de reglas de asociacin consiste en obtener asociaciones entre las cuestiones respondidas por un grupo de alumnos en una prueba de nivel y su nivel de conocimiento de una
asignatura. Haciendo este tipo de anlisis podramos obtener reglas del tipo:
SI
El alumno responde las cuestiones 1, 2 y 7
ENTONCES
Tiene un elevado conocimiento del tema/seccin X
FIN SI
Este conocimiento permitir, por ejemplo, personalizar la enseanza haciendo ms nfasis en los conceptos no aprendidos, y considerando superados los conocimientos cuyo nivel se muestre como adecuado. Como analizaremos en distintos apartados de la seccin 3, esta tarea, y algunas variantes de sta,
como el anlisis de enlaces (bsqueda de relaciones entre los nodos de una red) y de secuencias (bsqueda de secuencias relevantes), se han utilizado ampliamente en la personalizacin de los sistemas
educativos. Adems, en las secciones 4.3.1 a 4.3.3 analizaremos tres ejemplos en los que la obtencin de
reglas de asociacin se utiliza para extraer patrones interesantes que se utilizan para la recomendacin
de noticias en un foro estudiantil (seccin 4.3.1), la deteccin de buenas prcticas y/o errores en equipos
de programadores (seccin 4.3.2) y la personalizacin de las reglas de adaptacin de un sistema educativo adaptativo (seccin 4.3.3).
Anlisis de agrupamiento
En esa tarea, el objetivo es dividir un conjunto de datos en grupos en el que los elementos son muy similares entre s, y diferentes a los pertenecientes a los restantes grupos. La obtencin de estos grupos
de elementos con caractersticas similares es de gran inters en distintos problemas. Por ejemplo, si podemos obtener un modelo que indique qu alumnos presentan perfiles acadmicos similares, podemos
utilizar informacin histrica de estos grupos para recomendar a los nuevos alumnos un itinerario o un
plan de estudios que se adapte mejor a su perfil. Otro ejemplo reciente ha sido la obtencin de diferentes
categoras (grupos) de departamentos universitarios en base a distintos estadsticos relacionados con
su productividad docente e investigadora. Una vez identificados los distintos grupos, se pueden utilizar
otras tcnicas (modelos predictivos) para intentar analizar cules son las claves del xito de dichos departamentos y utilizar esta informacin en una estrategia de mejora de la calidad. La tarea de deteccin de
188
anomalas (identificacin de observaciones cuyas caractersticas son claramente distintas al resto de los
datos) es tambin un tipo particular de tarea de agrupamiento. En este caso, una vez obtenidos los grupos
a los que pertenecen la mayora de los individuos, consideramos casos anmalos aqullos individuos que
no pueden ser incluidos en ninguno de los grupos generales. Como puede comprobarse, dicha tarea tiene
tambin mltiples aplicaciones en el campo de la gestin universitaria, tanto a nivel de deteccin de
alumnos con problemas, elaboracin de alertas en mltiples campos de actuacin, etc.
3. MINERA DE DATOS EDUCATIVOS

La proliferacin de los sistemas de e-learning y de otros tipos de software educativo, el uso de Internet en educacin, y la implantacin
de sistemas de informacin en las instituciones educativas ha dado
lugar a la aparicin de grandes repositorios de datos [Koedinger et
al., 2008]. Todos estos datos proporcionan una fuente de informacin inestimable que puede ser explorada y explotada para comprender mejor cmo aprenden nuestros estudiantes [Mostow y
Beck, 2006]. De hecho, uno de los mayores retos de las instituciones
educativas es el uso inteligente de esos grandes repositorios de datos para mejorar de algn modo la calidad de las decisiones en la
gestin universitaria [Bala y Ojha, 2012].
uno de los mayores

retos de las instituciones
educativas es el uso
inteligente de esos grandes
repositorios de datos para
mejorar de algn modo la
calidad de las decisiones en
la gestin universitaria
La aplicacin de tcnicas de descubrimiento de conocimiento a educacin es un rea de investigacin emergente que se ha dado en
denominar minera de datos educativos (Educational Data Mining,
EDM). Su objetivo es el desarrollo de mtodos para explorar los datos procedentes de los sistemas educativos, de manera que obtengamos nuevo conocimiento que pueda ser aplicado para la mejora del proceso
de enseanza-aprendizaje [Romero y Ventura, 2010].
En EDM se analizan datos generados por cualquier tipo de sistema de informacin que de soporte al
aprendizaje, sea cual sea el nivel educativo considerado o el tipo de metodologa educativa implementada. Estos datos no se restringen a interacciones de los estudiantes con el sistema educativo tales como
patrones de navegacin, respuestas en cuestionarios o ejercicios interactivos, sino que tambin puede
incluir datos de colaboracin de los estudiantes (como las conversaciones en un chat), datos administrativos (como el centro educativo o el profesor en cuestin), datos demogrficos (como sexo o edad),
datos relativos a la afectividad o motivacin del estudiante, etc. Como puede comprobarse, se trata de
una definicin muy amplia, en la que estn implicados todos los agentes del sistema educativo, a saber,
estudiantes, profesores y la propia institucin educativa [Scheuer y McLaren, 2011].
EDM es un rea de investigacin multidisciplinar en la que, adems de las disciplinas propias de la minera de datos (recuperacin de informacin, anlisis visual de datos, anlisis de redes sociales, estadstica,
o aprendizaje automtico) participan reas tales como la psicopedagoga, la psicologa cognitiva o la
189
psicometra. De hecho, esta disciplina puede considerarse como una combinacin de tres reas principales (ver la Figura 4): ciencias de la computacin, ciencias de la educacin y estadstica. La interseccin de
estas tres reas forma tambin otras subreas muy relacionadas con la EDM tales como la educacin basada en computadores (Computer Based Education, CBE) y el anlisis del aprendizaje (Learning Analytics,
LA).
De las reas que se muestran en el Cuadro 3, la ms ntimamente relacionada con la EDM es LA, tambin
conocida como anlisis acadmico [Baepler y Murdorh, 2010]. LA est centrado en la toma de decisiones asistida mediante datos y en integrar las dimensiones tcnica, social y pedaggica del anlisis del
aprendizaje [Siemens y Baker, 2012]. En este sentido, EDM est ms preocupada en la bsqueda de nuevos
patrones en los datos y en el desarrollo de nuevos algoritmos y modelos, mientas que LA aplica modelos
predictivos bien establecidos en los sistemas basados en instruccin [Bielowski y otros, 2012].
CUADRO 3
DESCRIPCIN: reas de conocimiento relacionadas con EDM
COMPUTER
SCIENCE
ML & DM
CBE
EDM
EDUCATION
190
LA
STATISTICS
TABLA 1
DESCRIPCIN: Primeros talleres sobre minera de datos educativos
Nombre del taller
Congreso y fecha
Workshop on Applying Machine Learning to ITS Design/Construction
ITS 2000, Montreal (Canad)
Workshop on Analyzing Student-Tutor Interaction Logs to Improve

Educational
ITS 2004, Maceio (Brasil)
Workshop on Usage Analysis in Learning Systems
AIED 2005, Amsterdam (Holanda)
Workshop on Educational Data Mining
AAAI 2005, Pittsburg (USA)
ITS 2006, Jhongli (Taiwan)
AAAI 2006, Boston (USA)
ICALT 2007, Nigata (Japn)
AIED 20075, California (USA)
Workshop on Applying Data Mining in e-Learning
EC-TEL 2007, Creta (Grecia)
3.1 UN POCO DE HISTORIA

Los primeros eventos relacionados con EDM fueron talleres, celebrados en el marco de conferencias relacionadas con sistemas de e-learning, inteligencia artificial en educacin o sistemas adaptativos (ver Tabla 1). Dichos eventos comenzaron a celebrarse a principios del ao 2000, y culminaron con la aparicin
de la primera conferencia internacional sobre minera de datos educativos que tuvo lugar en Montreal
en el ao 2008. Dicha conferencia ha venido celebrndose anualmente desde entonces (Crdoba 2009,
Pittsburg 2010, Eindhoven 2011, Chania 2012 y Memphis 2013), siendo un referente para la comunidad de
investigadores en este campo1.
Adems de la conferencia internacional sobre EDM, existen otras conferencias importantes en las que
se estn publicando trabajos relacionados con esta disciplina. Como puede comprobarse consultando la
Tabla 2, la conferencia Learning Analytics and Knowledge, iniciada en el ao 2011, aunque se ocupa de
los avances en LA, incluye trabajos que podran ser considerados como pertenecientes al mbito de EDM.
Por otra parte, las grandes conferencias de Inteligencia Artificial en educacin (AIED, ITS) o modelado de
usuario (UMAP) suelen incluir trabajos relativos a EDM, o sesiones especiales sobre alguna de las reas
de inters de esta disciplina.
1. En la direccin http://educationaldatamining.org/proceedings se puede acceder a las actas de todas las ediciones de la conferencia EDM.
191
El nmero de publicaciones
sobre Educational
Data Mining ha crecido
exponencialmente en los
ltimos aos
El nmero de publicaciones sobre Educational Data Mining ha crecido exponencialmente en los ltimos aos (ver Cuadro 4). Una
claro signo de esta tendencia es la aparicin de la revista Journal
of Educational Data Mining2, as como de dos monografas sobre el
tema [Romero y Ventura, 2006; Romero et al. 2010]. Tambin han
aparecido varios artculos de revisin bibliogrfica sobre el tema,
siendo el ms significativo el realizado por Romero y Ventura (2010),
que revisa las publicaciones realizadas entre los aos 2000 y 2010,
contando con ms de 300 referencias bibliogrficas.
CUADRO 4
DESCRIPCIN: Nmero de artculos sobre EDM publicados hasta 2009 (tomado de [Romero y Ventura, 2010])
45
40
35
30
25
20
15
10
5
0
1993
1994
1995
1996
1997
1998
1999
Number of papers in Journals/Book chapters
2000
2001
2002
2003
2004
2005
2007
2008
2009
Number of papers in Conferences/Workshops
2. La revista est accesible pblicamente en la direccin http://www.educationaldatamining.org/JEDM/

192
2006
TABLA 2
DESCRIPCIN: Conferencias ms importantes relacionadas con EDM
Nombre de la conferencia
Frecuencia
International Conference on Educational Data Mining (EDM)
Anual
International Conference on Learning Analytics and Knowledge (LAK)
Anual
International Conference on Artificial Intelligence in Education (AIED)
Bianual
International Conference on Intelligent Tutoring Systems (ITS)
Anual
International Conference on User Modelling, Adaptation and Personalization (UMAP)
Anual
3.2 MINERA DE DATOS EDUCATIVOS: PROCESO Y ACTORES

La aplicacin de las tcnicas de KDD a los sistemas educativos, de cara a mejorar el proceso de enseanza
aprendizaje, puede ser considerada una tcnica de evaluacin formativa. La evaluacin formativa consiste en una evaluacin de un programa educativo durante su desarrollo, con el propsito de mejorarlo de
forma continua [Arruabarrena et al, 2002]. Examinar cmo los estudiantes utilizan el sistema es una forma de evaluar el diseo de la instruccin desde la perspectiva de la evaluacin formativa, y puede ayudar
al docente a mejorar los materiales didcticos empleados en la instruccin [Insgram, 1999].
Las tcnicas de KDD pueden descubrir informacin interesante que puede usarse en la evaluacin formativa para ayudar a los educadores a establecer una base pedaggica para tomar decisiones cuando
disean o modifican un entorno o estrategia educativa. Adems, la aplicacin de KDD sobre los sistemas
educativos es un ciclo iterativo de establecimiento de hiptesis, comprobacin y refinamiento (ver Cuadro 5). El conocimiento descubierto es incorporado a este ciclo de forma que guiar, facilitar y mejorar
el aprendizaje como un todo. Y adems de convertir datos en conocimiento, tambin filtrar el conocimiento descubierto para ayudar en la toma de decisiones.
Como puede verse en el Cuadro 5, los educadores y las autoridades acadmicas son responsables de disear, planificar, construir y mantener el sistema educativo. Los estudiantes hacen uso de dicho sistema
interactuando con l. A partir de la informacin generada por esa interaccin, y aplicando tcnicas de
KDD puede obtenerse conocimiento til que se aplicar para mejorar el proceso de enseanza-aprendizaje, tanto por los profesores como por los propios estudiantes. Precisamente por esto, la aplicacin de
tcnicas de EDM puede estar orientada a distintos actores con diferentes puntos de vista:
193
CUADRO 5
DESCRIPCIN: El ciclo de vida de la minera de datos educativos
Disean,
construyen
y mantienen
AUTORIDADES
ACADMICAS
PROFESORES
Proporcionan
el conocimiento
extrado
1)
ENTORNO EDUCATIVO
Datos de uso e
interaccin,
informacin sobre
cursos,
Datos acadmicos,
...
MINERA DE DATOS SOBRE

EL ENTORNO EDUCATIVO (EDM)
Interactan
ESTUDIANTES
Realizan
recomendaciones
Orientada hacia los estudiantes. Ejemplos de procesos orientados al estudiante son los que tienen
como objetivo recomendar a los alumnos actividades, recursos y tareas que favorezcan y mejoren
su aprendizaje [Zaane, 2002] o recursos adaptados a los objetivos, preferencias y conocimiento de
cada usuario en particular [Farzan, 2004]. Otros ejemplos de este tipo de proceso persiguen sugerir
buenas experiencias de aprendizaje para los estudiantes [Tang y McCalla, 2005], sugerir rutas de
aprendizaje ms cortas o simplemente qu enlaces seguir para alcanzar una determinada destreza
utilizando como referencia la base de tareas ya realizadas por el alumno y sus xitos [Heraud et al.,
2004], as como de las tareas realizadas por otros estudiantes similares [Lu, 2004].
2) Orientada hacia educadores. En este caso, se plantean objetivos tales como obtener informacin
ms objetiva para la instruccin [Pahl y Donnellan, 2003], evaluar la estructura de los contenidos del
curso y su eficacia en el proceso de enseanza-aprendizaje [Ha et al., 2000], clasificar los alumnos
en grupos en funcin de sus necesidades en materia de orientacin y supervisin [Talavera y Gaudioso, 2004], encontrar patrones regulares e irregulares de aprendizaje en el alumno [Minaei-Bidgoli
Punch, 2003], encontrar los errores formulados ms frecuentemente [Ueno y Nagaoka, 2002], encontrar actividades que sean ms eficaces [Merceron y Yacef, 2004], descubrir informacin para mejorar
la adaptacin y personalizar los cursos [Romero et al., 2004], reestructurar los cursos para personalizar mejor el material didctico [Mor y Minguillon, 2004] u organizar los contenidos eficazmente al
progreso del alumno y construir planes de instruccin adaptativos [Hamalainen et al., 2004].
3) Orientada hacia los responsables acadmicos y administradores de los sistemas informticos de
e-learning. El objetivo en este caso es contar con nuevo conocimiento que pueda ser utilizado para
mejorar la eficiencia del sitio y adaptarlo a la conducta de sus usuarios [Luan, 2002], para organizar
194
mejor los recursos institucionales humanos y materiales [Urbancic et al., 2002] e incluso para mejorar la oferta educativa del centro o institucin [Becker et al., 2000; Ma et al., 2000].
3.3 TAREAS EN MINERA DE DATOS EDUCATIVOS

El concepto de tarea en minera de datos educativos es una idea de ms alto nivel que el de tarea en minera de datos. De hecho, cuando nos referimos a ese trmino, estamos hablando de la realizacin de un
proceso completo de descubrimiento de conocimiento cuyo objetivo es la resolucin de un determinado
problema en el mbito educativo. En la seccin anterior, se han enumerado algunos ejemplos de este tipo
de tareas agrupadas por el tipo de usuarios hacia el que estn orientadas, por ejemplo, prediccin del fracaso escolar, agrupamiento de alumnos con necesidades educativas especficas, anlisis de las necesidades de ancho de banda para un sistema de educacin a distancia basado en web o desarrollo automtico
de mapas conceptuales. La consecucin de una de estas tareas suele requerir la aplicacin de una de las
tareas de minera de datos estudiadas en la Seccin 2.3, aunque hay ocasiones en las que la complejidad
del problema requerir combinar los resultados de varias de estas tareas.
A continuacin, mostraremos algunas de las tareas que se han planteado hasta la fecha, describiendo
brevemente la forma en que han sido resueltas. Para una informacin ms detallada sobre ejemplos de
este tipo de tareas, consultar el trabajo de revisin realizado por Romero y Ventura (2010), que proporciona una relacin exhaustiva de las aplicaciones reportadas hasta la fecha en la bibliografa.
3.3.1 PREDICCIN DEL RENDIMIENTO DE ESTUDIANTES

La prediccin del rendimiento acadmico de los estudiantes es una
de las tareas ms estudiadas en EDM, y que ha producido un mayor nmero de publicaciones [Gedeon y Turner, 1993; Hmlinen
y Vinni, 2006]. Como su nombre indica, se trata de estimar el valor
de una variable que describe el rendimiento futuro del estudiante a partir de otra informacin disponible. Esta informacin suele
ser de tipo histrico (evaluaciones de rendimiento previas), aunque
tambin se puede disponer de otro tipo de informacin (ambiental,
social, etc.) que complementa a la anterior. Se trata de una tarea de
gran inters, por las mltiples aplicaciones que presenta. En primer
lugar, los modelos desarrollados se pueden utilizar para emprender
acciones correctoras orientadas a mejorar el rendimiento de los estudiantes, sobre todo cuando se prev la
posibilidad de fracaso escolar. Por otra parte, el anlisis de estos modelos, es decir, de las variables ms directamente implicadas en su construccin, puede tambin arrojar luz sobre cules pueden ser los factores
crticos para mejorar el rendimiento de los estudiantes y/o para evitar su fracaso.
La prediccin del
rendimiento acadmico de
los estudiantes es una de
las tareas ms estudiadas
en EDM
195
Para predecir el rendimiento acadmico se han utilizado fundamentalmente tcnicas de regresin y de

clasificacin. El uso de una u otra tcnica depende del tipo de informacin de salida que deseemos predecir. As, se utilizan tcnicas de regresin si lo que se desea es predecir la calificacin del estudiante en
una escala numrica [Myller et al., 2002; Gong et al, 2009], o si se desea predecir el nmero de fallos que
un usuario cometer en una determinada prueba [Want y Mitrovic, 2002]. Por otra parte, si el objetivo
de la tarea es obtener la calificacin en una escala nominal, el problema se enfoca desde la perspectiva
de la clasificacin [Romero et al., 2008; Zafra y Ventura, 2009]. En este sentido, la prediccin del fracaso
escolar puede considerarse una variante de esta tarea, donde la variable a predecir ser de tipo nominal,
con las dos nicas etiquetas fracasa o supera la asignatura [Mrquez et al., 2013]. Tambin se han descrito
aplicaciones en las que la variable a predecir es la posibilidad de abandono por parte del estudiante, es
decir, su salida del sistema educativo [Kotsiantis et al., 2003; Lykourentzou et al., 2009].
Con respecto a temas de futuro, hay que decir que, hasta donde nuestro conocimiento alcanza, no se
han realizado estudios que analicen la efectividad de los sistemas de prediccin del rendimiento en una
aplicacin concreta. S se ha estudiado la capacidad de prediccin de los modelos obtenidos, pero no si su
integracin con una estrategia de asesoramiento o apoyo al estudiante puede mejorar su rendimiento o
evitar su fracaso. Esta es, por tanto, una lnea abierta que debe ser analizada en un futuro prximo. Otro
tema abierto en relacin a la tarea de prediccin es la falta de anlisis serios sobre el grado de anticipacin con que puede llevarse a cabo una tarea prediccin determinada. Est claro que si los modelos de
prediccin tienen una finalidad diagnstica, es decir, se quieren usar para detectar problemas y arbitrar
mecanismos de actuacin, dicha prediccin ha de realizarse con un grado de anticipacin apropiado. En
la mayora de los trabajos publicados hasta la fecha no se realiza dicho anlisis, por lo que consideramos
que es fundamental llevar a cabo dichos estudios.
3.3.2 OBTENCIN AUTOMTICA DE RECOMENDACIONES PARA

ESTUDIANTES
El objetivo de este tipo de tareas es generar nuevo conocimiento que pueda ser utilizado para realizar
recomendaciones a los estudiantes tales como la siguiente visita, tarea o problema a realizar. El conocimiento adquirido en esta tarea puede tambin usarse para adaptar los contenidos, las interfaces y las
secuencias de aprendizaje a cada estudiante en particular, es decir, a personalizar su actividad. Su principal inters radica en que permite personalizar ciertos aspectos del proceso de enseanza-aprendizaje,
lo cual es enormemente til y, necesario, principalmente en sistemas de educacin a distancia, donde la
falta de contacto con el estudiante dificulta enormemente esta tarea.
La tarea de recomendacin puede abordarse desde dos perspectivas: en primer lugar, la recomendacin
puede realizarse analizando las caractersticas de los tems disponibles, de manera que se construya un
modelo de filtro para los tems que mejor se adaptan a un determinado usuario (por ejemplo, para decidir
qu actividades son las idneas para un estudiante dado). A esta forma de hacer recomendacin se la
denomina recomendacin basada en contenido. En la construccin de modelos de usuario basados en
contenido se pueden aplicar tareas de minera de datos tales como la minera de reglas de asociacin,
196
si lo que deseamos recomendar es un conjunto de tems [Zaane, 2002; Abel et al., 2008; Garca et al.,
2009], o la minera de patrones secuenciales, si deseamos recomendar secuencias de actividades [Mor y
Minguilln, 2004; Kay et al., 2006; Zhang et al., 2008]. Si se dispone de suficiente informacin histrica
del propio usuario, tambin pueden aplicarse tcnicas de clasificacin para la obtencin de este tipo de
filtros [Vialardi et al., 2009; Wang et al., 2009].
El problema de la recomendacin basada en contenido es que se necesita suficiente informacin sobre
un usuario para construir el modelo (a este problema se le denomina el problema del arranque en fro).
Otra forma de realizar la tarea de recomendacin es usando consideraciones de tipo social, es decir, recomendar a un usuario los mismos recursos que han funcionado bien con otros usuarios de caractersticas
parecidas a l. A esta forma de hacer recomendacin se la denomina filtrado colaborativo. En general,
para establecer qu usuarios tiene perfiles similares, se aplica una tarea de agrupamiento utilizando la
informacin disponible en dichos perfiles de usuario [Wang y Shao, 2004; Lu et al., 2007], dado que no se
dispone de una variable que indique explcitamente la pertenencia a este grupo de inters o grupo de
caractersticas similares.
En los ltimos aos, se ha hecho muy popular el anlisis de redes sociales [Freeman, 2006], cuyo objetivo es encontrar relaciones entre los individuos, por ejemplo, amistad, cooperacin, influencia, etc. Este
tipo de relaciones pueden tambin utilizarse para construir modelos de recomendacin colaborativos
[Herlocker et al., 2004]. En estos casos, en lugar de usar tcnicas de agrupamiento para definir grupos de
usuarios con caractersticas similares, se utiliza la propia red social, y se agrupan los usuarios que estn a
una distancia menor de un radio dado. Por ejemplo, para la red social del Cuadro 6, podramos asumir que
un grupo de usuarios con caractersticas similares es el formado por Jorge, Claudio, Karen, Rosa, David,
Josefina y Florencia. Por tanto, a la hora de recomendar un recurso, parece razonable considerar a todos
estos usuarios como posibles receptores de la recomendacin.
CUADRO 6
DESCRIPCIN: Una red social
simple, con 11 personas
Marina
Toms
Carlos
Sergio
Claudio
Jorge
Karen
Josefina
Florencia
David
Rosa
197
Un ejemplo de este tipo de sistemas puede encontrarse, por ejemplo, en el trabajo de Farzan y Brusilovsky
(2006), donde se muestra un sistema web adaptativo que proporciona a los estudiantes recomendaciones de navegacin basadas en una estimacin de la relevancia que tendrn los enlaces a un curso en
funcin de los objetivos que deseen alcanzar. Otro ejemplo interesante es el trabajo de Chen et al. (2008),
en el que se recomiendan los mejores compaeros para un entorno de aprendizaje cooperativo basado
en web.
3.3.3 AGRUPAMIENTO AUTOMTICO DE ALUMNOS

Las tcnicas de agrupamiento, adems de para realizar filtrado colaborativo en la tarea de recomendacin,
pueden utilizarse en otras tareas de alto nivel. En todas ellas, el objetivo es localizar una serie de grupos de
individuos con caractersticas similares. Una vez extrado este conocimiento, se puede utilizar de varias
formas. Por ejemplo, en el trabajo de Ayers et al. (2009) se identificaron grupos de estudiantes con destrezas similares, utilizndose este conocimiento para asignar a los estudiantes a un determinado perfil de
destreza dentro de un sistema tutor inteligente. Por otra parte, en el trabajo de Zakrewska (2008), se utiliz
la informacin relativa a preferencias por un determinado estilo de aprendizaje para realizar la asignacin
automtica de los estudiantes a un determinado grupo. Del mismo modo, en el trabajo de Chen et al. (2007)
se obtuvieron grupos de estudiantes que mostraban un historial de aprendizaje similar (puntuaciones en
las tareas, exmenes y registros de educacin on-line).
Un uso interesante de las tcnicas de agrupamiento es su hibridacin con tcnicas de prediccin para la
obtencin de modelos ms precisos [Baruque et al., 2011]. En efecto, se ha comprobado que en casos en
los que existen grandes diferencias entre los grupos, puede resultar ms conveniente obtener un modelo
predictivo para cada uno de estos grupos. Una vez desarrollados los modelos, puede elegirse entre utilizarlos de forma separada o combinarlos formando un conjunto de modelos.
Cuando lo que se realiza es una eleccin del modelo ms apropiado, lo que suele hacerse es evaluar la distancia desde el dato problema a cada uno de los grupos formados. Una vez estimada esta distancia, se elige
el modelo asociado al grupo con mayor probabilidad de contener a dicho dato problema. Recientemente,
Gong et al. (2012) han utilizado esta tcnica para llevar a cabo la seleccin de modelos de clasificacin para
predecir el rendimiento acadmico de una serie de estudiantes de distritos urbanos del Noreste de los Estados Unidos de Amrica.
Por otra parte, los conjuntos de modelos predictivos, o ensembles, combinan las predicciones realizadas por
varios modelos simples del mismo modo que un comit de expertos emiten su dictamen sobre un problema. Existen distintas formas de combinarlos, siendo la ms sencilla la de votacin, es decir, el juicio emitido
por ms expertos ser el considerado vlido. En el caso de predicciones numricas (regresiones) se suele
utilizar un promedio de las predicciones individuales o una ponderacin de stas. Recientemente, Trivedi
et al. (2011) han utilizado esta tcnica para realizar la prediccin de la calificacin final de un conjunto de
estudiantes.
198
3.3.4 OBTENCIN AUTOMTICA DE MODELOS DE ESTUDIANTE

El modelado de estudiante consiste en desarrollar modelos cognitivos de los usuarios estudiantes de un
sistema educativo, incluyendo un modelado de sus destrezas y conocimiento declarativo. El inters de
esta tarea es mltiple: por una parte, disponer de un modelo computable sobre la forma en que los estudiantes adquieren el conocimiento, permite la construccin de sistemas tutores inteligentes, que utilizan
dicho modelo para ensear de forma personalizada y adaptada a las caractersticas del estudiante; por
otra parte, la informacin plasmada en un buen modelo de estudiante puede arrojar luz en la comprensin de los mecanismos psicolgicos que influyen en el aprendizaje, permitiendo a los expertos plantear
nuevas teoras pedaggicas o validar alguna de las teoras existentes.
CUADRO 7
DESCRIPCIN: Una red bayesiana que muestra la relacin entre distintos conceptos y los estilos de aprendizaje de un estudiante
Learning_Style
Understanding
Processing
Forum
Perception
Chat
Reading_material
Exam_Revision
Mail
Exam_Results
Information_Access
Exercises
Access_To_Example
Examen_Delivery_Time
Answer_Changes
La tarea de obtencin automtica de modelos de estudiante intenta inferir estos modelos a partir de la
informacin generada mediante la interaccin con un sistema de e-learning. Dicha tarea implicar la
realizacin de una tarea minera de datos distinta, dependiendo del enfoque utilizado para representar
el modelo de usuario. Veamos a continuacin algunos de los ms utilizados.
Redes bayesianas
Las redes bayesianas modelan un fenmeno mediante un conjunto de variables y las relaciones de dependencia entre ellas [Darwiche, 2009]. El cuadro 7 muestra un ejemplo de este tipo de modelos, que
relaciona distintas variables cognitivas (capacidad de procesa-miento, percepcin y comprensin) con
los estilos de aprendizaje de un determinado estudiante. Cada una de esas variables cognitivas es valorada mediante una serie de tems, cada uno de los cules est relacionado con otras variables. En este
199
tipo de redes, adems de la relacin cualitativa entre unos conceptos y otros existe una relacin cuantitativa, que viene dada por la probabilidad de aparicin de cada uno de los conceptos que aparecen en
la red3. Esta relacin cuantitativa nos permite establecer relaciones de inferencia entre las variables, es
decir, estimar la probabilidad a posteriori de las variables no conocidas en funcin de la de las variables
conocidas. Estas relaciones causales entre variables pueden ser incluso interpretadas como relaciones
causa-efecto, que pueden definir el comportamiento de un sistema de aprendizaje asistido por ordenador (por ejemplo, un sistema tutor inteligente).
La construccin de una red bayesiana es una labor compleja. Inicialmente, estos modelos eran construidos a mano, a partir del conocimiento de uno o varios expertos, pero en los ltimos aos se han desarrollado diversas tcnicas para aprender a partir de datos, tanto la estructura como los parmetros asociados al modelo, si bien es tambin posible combinar conocimiento experto con los datos para aprender el
modelo [Neapolitan, 2003].
Existen multitud de ejemplos en los que se han utilizado redes bayesianas para modelar distintos aspectos del comportamiento y/o conocimiento del estudiante [Chang et al., 2006; Antunes, 2008]. En relacin
a esta cuestin, es interesante comentar que, recientemente, Milln et al. (2010) han publicado un excelente artculo que explica los fundamentos de las redes bayesianas, as como su aplicacin al modelado
en sistemas educativos.
Reglas
Otro paradigma de representacin del conocimiento muy utilizado en los sistemas educativos son las
reglas. Estas reglas establecen la realizacin de distintas acciones en respuesta a una serie de sucesos o
condiciones. Por ejemplo,
SI el alumno falla las preguntas 1,3 y 5 del test
ENTONCES necesita reforzar el concepto X antes empezar el curso
Evidentemente, para llevar el control de un sistema complejo, el nmero de reglas debe ser elevado, estando muchas veces relacionadas jerrquicamente. Por ejemplo, el sistema hipermedia adaptativo AHA!,
desarrollado en la Universidad Tcnica de Eindhoven, utiliza multitud de reglas para llevar a cabo la
adaptacin del contenido que se presenta al alumno [de Bra et al., 2006]. Dichas reglas han sido definidas manualmente, en base al conocimiento proporcionado por los diseadores del sistema. Sin embargo,
utilizando minera de reglas de asociacin o secuenciacin pueden extraerse este tipo de reglas automticamente, a partir de informacin generada por los alumnos mediante la interaccin con el sistema. En
el caso de las reglas de asociacin, por ejemplo, se pueden extraerse reglas que relacionen los resultados
de pruebas de nivel con el tiempo necesario para asimilar una pgina o con los tipos de pginas visitadas:
estas reglas pueden servir para inferir conocimiento relacionado con la mejor adaptacin para cada per3. En los nodos que no tienen padre, se almacenar la probabilidad a priori de aparicin del suceso, mientras que en los que s lo tienen, se
almacenarn las probabilidades condicionadas de un suceso habiendo ocurrido su padre.
200
fil de usuario [Romero et al, 2004]. En el caso de las secuencias, se extraern patrones relacionados con los
recorridos ms frecuentes, los cules nos indicaran cules son los objetivos ms populares perseguidos
por los alumnos. Este conocimiento puede usarse, por ejemplo, para reestructurar el sitio de cara a mejorar su ergonoma o usabilidad [Kinnebrew y Biswas, 2012].
3.3.5 DETECCIN DE COMPORTAMIENTOS NO DESEADOS

El concepto de comportamiento estudiantil no deseado es un concepto muy amplio, que incluye tanto la realizacin de acciones errneas, el mal uso de las instalaciones (por ejemplo, jugando en lugar
de realizar las actividades aconsejadas) o los intentos de engaar
al sistema (por ejemplo copiando una prctica o un examen), como
otras cuestiones ms directamente relacionadas con el rendimiento
del estudiante como la deteccin de una baja motivacin, del fracaso escolar o incluso del abandono. La importancia de esta tarea est
clara. Si somos capaces de detectar estos comportamientos anmalos con la suficiente antelacin, dispondremos de la capacidad de
reaccionar ante ellos, lo cual puede redundar en grandes beneficios
para el alumno, el profesor o la institucin educativa. Por ejemplo,
es muy frecuente que las Universidades modernas dispongan de un
plan para evitar el abandono de sus estudiantes, lo cual supone un
desembolso grande de esfuerzo y dinero. Si se dispusiera de sistemas que alertaran de este posible abandono en un tiempo razonable, se podran focalizar los esfuerzos en los alumnos diagnosticados como en peligro, lo que supondra
un menor esfuerzo y coste con posiblemente el mismo resultado.
Si se dispusiera de
sistemas que alertaran
de este posible abandono
en un tiempo razonable,
se podran focalizar los
esfuerzos en los alumnos
diagnosticados como en
peligro
La realizacin de esta tarea se puede abordar desde varias perspectivas. Una de ellas es construir un
modelo de clasificacin, que diferencia los comportamientos no deseados del resto de comportamientos [Bravo y Ortigosa, 2009; Dekker et al., 2009]. Este enfoque se ha aplicado con xito en multitud de
ocasiones, habindose incluso comparado el rendimiento de varios algoritmos en la consecucin de esta
tarea. Sin embargo, este enfoque presenta el inconveniente de que, al tratarse de una tarea supervisada,
necesitamos un conjunto de datos de ejemplo a partir del cual crear el modelo.
Una segunda perspectiva consiste en abordar el problema desde la perspectiva de la deteccin de anomalas, realizando un agrupamiento de los patrones y analizando qu ejemplos no se adaptan bien a
ninguno de los grupos definidos. Dichos ejemplos sern los considerados anmalos [Burlak et al., 2006;
Vee et al., 2006].
Se han utilizado otros enfoques para la resolucin de esta tarea. Por ejemplo, se puede utilizar minera
de reglas de asociacin o de descubrimiento de subgrupos para encontrar reglas que expliquen el com201
portamiento anmalo de un grupo de estudiantes [Ma et al., 2000; Hwang, 2005]. En general, la idea es
anloga a la de plantear un modelo predictivo, pero en lugar de hacerlo sobre el conjunto completo de
individuos, se intenta plantear sobre pequeos grupos pero asegurando que el modelo presente un grado
de cumplimiento elevado.
3.3.6 OBTENCIN DE INFORMACIN PARA RETROALIMENTAR EL

SISTEMA
El objetivo de esta tarea es proporcionar informacin que pueda ser utilizada por los profesores o gestores en cualquier toma de decisiones relacionada con la actividad en el sistema educativo. Como puede
comprobarse, se trata de una tarea muy amplia, que puede incluir otras de las tareas ya analizadas anteriormente. En la siguiente seccin mostraremos algunos ejemplos reales que ilustran esta tarea. Para
ms informacin sobre ejemplos de este tipo, puede consultarse la seccin II.B del trabajo de Romero y
Ventura (2010).
3.3.7 CONSTRUCCIN AUTOMTICA DE MAPAS CONCEPTUALES

Los mapas conceptuales [Novas y Caas, 2006] son una tcnica que se usa para representar grficamente
conceptos o ideas que guardan una relacin jerrquica. Un mapa conceptual es una red en la que los conceptos son los nodos de la red, y existen una serie de aristas que sirven para relacionar unos conceptos
con otros (cuadro 8). La utilidad de los mapas conceptuales es que permiten visualizar de forma estructurada la informacin ms relevante de un tema. Por esta razn, se recomienda usarlos como una potente
herramienta didctica.
La elaboracin de los mapas conceptuales puede ser muy laboriosa, sobre todo cuando el dominio que
deseamos representar es complicado. Precisamente por este motivo se ha planteado la tarea de generar
automticamente mapas conceptuales mediante tcnicas de KDD.
202
CUADRO 8
DESCRIPCIN: Una red bayesiana que muestra la relacin entre distintos conceptos y los estilos de aprendizaje de un estudiante
MAPAS
CONCEPTUALES
Ayudan
a responder
representan
CONOCIMIENTO
ORGANIZADO
incluye
SENTIMIENTOS
O AFECTO ASOCIADO
son
conectados por
CEONCEPTOS
PALABRAS
DE ENLACE
estn
REGULARIDADES
PERCIBIDAS
O PATRONES
son
es
se compone
de
se aade a
PREGUNTAS
CLAVE
necesario
para responder
para
formar
estn
PREPOSICIONES
son
DEPENDIENTES
DEL CONTEXTO
necesario
para
p. ej
ENSEANZA
EFICIENTE
pueden
ser
ETIQUETADOS
en
SUCESOS
OBJETOS
SOCIALES
ESTRUCTURADAS
JERRQUICAMENTE
con
empieza
con
PALABRAS
UNIDADES
SEMNTICAS
construidas en
especial
mente con en
ayuda
SMBOLOS
CREATIVIDAD
NIOS
PERSONALES
ENLACES
CRUZADOS
APRENDIZAJE
EFICIENTE
mostrando
INTERRELACIONES
EXPERTOS
empieza
con
necesario
para ver
ESTRUCTURA
COGNITIVA
entre
DIFERENTES
SEGMENTOS
DEL MAPA
Uno de los enfoques que se ha empleado con ms frecuencia para la resolucin de esta tarea es el descubrimiento de asociaciones [Hwang, 2005; Tseng et al., 2007; Lee et al., 2009]. Se trata de una tarea que se
ajusta bien a este problema, dado que permite descubrir asociaciones entre conceptos. Por tanto, a partir
de las reglas podemos obtener los conceptos y las relaciones.
Otro enfoque que se ha empleado para abordar esta tarea es el uso de tcnicas de minera de textos para,
por ejemplo, extraer las palabras clave o conceptos que se utilizarn en la construccin del mapa conceptual [Chen et al., 2008] o relacionar palabras frecuentes extradas de un foro con los conceptos de una
ontologa y as construir el propio mapa [Lau et al., 2007].
3.3.8 CONSTRUCCIN AUTOMTICA DE CURSOS

El objetivo de esta tarea es proporcionar a los instructores y desarrolladores de cursos informacin que
les permita para llevar a cabo el proceso de construccin / desarrollo de cursos y contenidos de aprendizaje de forma automtica o semi-automtica. Otro objetivo de esta tarea es promover la reutilizacin
e intercambio de recursos de aprendizaje existentes entre los diferentes usuarios y sistemas. El gran
203
inters de esta tarea estriba en la cantidad de tiempo que puede hacerse ahorrar a los profesores realizando, por ejemplo, la bsqueda de los mejores materiales disponibles para realizar un curso, as como la
reutilizacin del conocimiento generado por un determinado autor, que puede ver cmo otros profesores
utilizan dicho conocimiento en la construccin de sus propios materiales didcticos.
Dada la complejidad de la cuestin, no existen hasta la fecha soluciones integrales al problema de construccin automtica de cursos, si bien se han realizado algunos avances al respecto. Por ejemplo, si de lo
que se trata es de generar cursos personalizados para un colectivo de estudiantes, se pueden plantear
una tarea de agrupamiento para poner juntos a los alumnos con necesidades educativas parecidas y,
posteriormente, desarrollar un modelo que asocie un tipo de curso (actividades ms adecuadas, secuencia de realizacin, etc.) para cada uno de estos grupos [Tang et al., 2000]. Por otra parte, la reutilizacin de
recursos didcticos requiere al menos realizar su etiquetado automtico, para lo cual es necesario realizar
una tarea de clasificacin [Saini et al., 2005].
3.3.9 PLANIFICACIN AUTOMTICA

Existen varias tareas en EDM relacionadas con la planificacin automtica. Un ejemplo orientado a mejorar el rendimiento acadmico de los estudiantes es la generacin de modelos que permitan recomendar a los estudiantes la planificacin de sus asignaturas. En estos casos, como se dispone de un histrico
de los alumnos que han obtenido mejores resultados se han utilizado tcnicas de prediccin tal como la
clasificacin [Hsia et al., 2008].
Por otra parte, otras tareas relacionadas con la planificacin y que estn ms orientadas a la mejora de
una institucin educativa son, por ejemplo, la obtencin de modelos que faciliten planificacin de los
recursos disponibles o el desarrollo de planes de estudio. Algunos de estos modelos slo se han propuesto
tericamente [Luan, 2002] pero son aplicaciones interesantes y no dudamos en que pronto encontraremos referencias bibliogrficas sobre grupos que han ensayado este tipo de aplicaciones.
4. CASOS DE APLICACIN EN EDM

En esta seccin presentaremos una serie de trabajos en los que se han resuelto total o parcialmente alguna de las tareas de EDM planteadas en la seccin 3.3. Nuestro objetivo no es el de ser exhaustivos, dado
que se trata de trabajos ya publicados, sino el de dar al lector un conocimiento de la existencia de este
tipo de aplicaciones, y de cmo han resuelto algunas cuestiones importantes en el mbito de la extraccin de conocimiento aplicada a la mejora de los sistemas educativos.
204
4.1 VISUALIZACIN DE DATOS

Aunque la visualizacin de datos no puede considerarse estrictamente una tarea de minera de datos,
su uso en sistemas educativos se ha generalizado debido que muestra de forma muy clara informacin
til para ayudar en la toma de decisiones. La visualizacin se lleva a cabo mediante tcnicas grficas
que ayudan a las personas a comprender y analizar los datos [Mazza, 2009]. Estas tcnicas aprovechan
la capacidad que tenemos de procesar la informacin visual para permitir a los usuarios ver, explorar y
comprender una gran cantidad de informacin a la vez en lugar de tener que analizar dicha informacin
por otras vas (tablas, informes, resmenes, etc.) que suelen ser ms difciles y/o lentos de procesar.
FIGURA 1
DESCRIPCIN: Acceso de los estudiantes al curso
FUENTE: http://gismo.sourceforge.net/visualizations.html
4.1.1 EL SISTEMA GISMO

El sistema GISMO4 es una herramienta que utiliza tcnicas de visualizacin para extraer informacin
til de los cursos instalados en un sistema MOODLE. Se trata de una herramienta gratuita, que ha sido
desarrollada por el equipo de investigacin eLab, de la Universidad de Lugano (Suiza), liderado por Ri4. El sistema est accesible en la direccin http://gismo.sourceforge.net/index.html
205
cardo Mazza. La herramienta accede a la informacin generada por un curso MOODLE (contenida en
los ficheros de log del sitio web y en la base de datos de la aplicacin) y extrae informacin para generar
representaciones grficas que pueden ser exploradas y manipuladas por los profesores de un curso para
examinar distintos aspectos sociales, cognitivos y de comportamiento de los estudiantes del curso.
La herramienta, escrita en el lenguaje de programacin Java, proporciona informacin sobre los siguientes aspectos de un curso:
Informacin sobre los accesos a un curso. Existen dos grficas relacionadas con el acceso de los estudiantes al curso. La primera muestra el nmero total de accesos al curso a lo largo del tiempo en formato de
histograma (ver Figura 1). La segunda da una informacin ms detallada sobre los accesos realizados por
un determinado estudiante. Esta grfica proporciona informacin valiosa sobre la asistencia virtual del
alumno al curso.
Informacin sobre los distintos recursos. En relacin a los recursos existentes en un curso, el sistema
GISMO tambin proporciona dos tipos de grficas. En primer lugar, existe una grfica que proporciona el
nmero total de accesos a cada recurso (Figura 2a). La informacin que proporciona esta grfica es muy
interesante, ya que nos est mostrando qu recursos son los ms accedidos/demandados. Esta informacin puede, en cierto modo, utilizarse para evaluar la calidad de los recursos proporcionados al alumnado.
Por otra parte, tambin hay disponible una grfica que muestra los accesos realizados por un determinado alumno (Figura 2b). En este caso, la informacin disponible puede servir para diagnosticar al alumno,
debido a que se dispone de conocimiento sobre cundo se accedi a cada uno de los recursos y sobre el
nmero de veces que se han accedido, informacin ciertamente relacionada con la correcta asimilacin
de conceptos por parte del estudiante.
Informacin sobre las tareas. El sistema GISMO tambin dispone de una grfica que informa sobre las
tareas realizadas por cada estudiante del curso (Figura 3). Como puede comprobarse, adems de mostrar
qu tareas han sido realizadas por cada estudiante, la grfica utiliza cdigos de colores para mostrar la
calificacin obtenida en cada una de las tareas.
206
FIGURA 2A Y 2B
DESCRIPCIN: Grficas que muestran el acceso a los recursos disponibles en el curso. (a) Accesos totales (b) Accesos realizados por
un usuario concreto
207
FIGURA 3
DESCRIPCIN: Envos de tareas del curso
Informacin sobre los cuestionarios. La informacin mostrada sobre los cuestionarios es muy similar a
la mostrada sobre las tareas, es decir, para cada uno de los alumnos se muestra si ha realizado o no cada
uno de los cuestionarios disponibles, y utiliza un cdigo de colores para indicar la calificacin obtenida.
4.2 EJEMPLOS DE PREDICCIN DEL RENDIMIENTO ACADMICO

En esta seccin comentaremos dos ejemplos reales en los que se han desarrollado modelos para predecir
el rendimiento acadmico de los estudiantes. Estos modelos de rendimiento acadmico suelen utilizarse
en varios fines. Por ejemplo, si se conoce los alumnos que no alcanzarn el nivel del aprobado con suficiente antelacin, se podrn desarrollar mecanismos para ayudar a dichos alumnos a mejorar su situacin antes de que sta sea irreversible. Tambin podemos utilizar estos modelos desde un punto de vista
descriptivo, en el sentido de que nos pueden informar sobre qu factores son los que ms influyen en
el rendimiento acadmico de los estudiantes. Conocidos estos factores, tambin podran desarrollarse
mecanismos que potenciaran los factores que influyen positivamente, y que atenuaran los que influyen
negativamente.
En los dos ejemplos planteados, aunque el enfoque aplicado ha sido predecir la calificacin final, la forma
de llevarlo a cabo ha sido bastante distinta. As, en el primer ejemplo, se intenta predecir la calificacin
208
numrica de los estudiantes, abordndose el problema con tcnicas de regresin, mientras que en el segundo caso slo intenta determinarse un modelo que indique el xito/fracaso de los estudiantes al final
del curso, para lo cual se emplean tcnicas de clasificacin. Como veremos posteriormente, la informacin
disponible en ambos casos es diferente, lo que muestra la diversidad de esta tarea cuando se abordan
casos concretos.
4.2.1 PREDICCIN DE CALIFICACIONES EN LA HELLENIC OPEN

UNIVERSITY
Como ya se ha comentado, uno de los enfoques empleados para predecir el rendimiento acadmico de los estudiantes es la creacin de modelos de prediccin de la
calificacin final. En el trabajo presentado por Kotsiantis
y Pintelas (2005), se construyeron modelos de regresin
para llevar a cabo la prediccin de las calificaciones numricas de un conjunto de 354 estudiantes de la Hellenic
Open University en la asignatura Introduccin a la Informtica.
Este es precisamente el
objetivo de las tcnicas de
minera de datos: alcanzar
en tiempo real las mismas
conclusiones que alcanzara
un experto en la materia si
dispusiera de la capacidad
de procesar directamente
toda la informacin
disponible
La Tabla 3, ms adelante, muestra la informacin empleada como entrada para llevar a cabo esta prediccin.
Se trata, por una parte, de informacin tomada de los registros institucionales (sexo, edad, estado civil, nmero
de hijos, si trabaja y la dedicacin con la que trabaja y dos
variables relacionadas con su conocimiento previo en
materia de informtica) y por otra, de la informacin que
el profesor ha recopilado sobre cada alumno a lo largo del
desarrollo del curso. En este caso, lo que se ha registrado es si el alumno ha asistido o no a cada una de las
cuatro entrevistas personales planificadas a lo largo de la asignatura (dichas entrevistas tienen carcter
voluntario), y la calificacin de los cuatro posibles trabajos que han tenido que presentar de forma obligatoria a lo largo del curso antes de realizar la prueba de evaluacin final, cuya calificacin numrica es
la que se predecir. Como puede comprobarse, el conjunto de datos disponible (354x15 = 5310 en total) es
lo suficientemente grande como para que un experto humano sea incapaz de manejarlo, y emitir conclusiones tiles en un tiempo razonable. Este es precisamente el objetivo de las tcnicas de minera de datos:
alcanzar en tiempo real las mismas conclusiones que alcanzara un experto en la materia si dispusiera de
la capacidad de procesar directamente toda la informacin disponible.
El primer estudio llevado a cabo en este trabajo es el anlisis de la relacin existente entre las variables
obtenidas a partir de los registros institucionales y la probabilidad de xito en la asignatura. Dicho anlisis revel que las variables ms directamente relacionadas con la probabilidad de xito eran las que re209
portaban una experiencia previa en el campo de la informtica, es decir, haber recibido una instruccin
previa en este campo, o haber tenido un trabajo relacionado con la informtica. As, en el primer caso, la
proporcin de alumnos que aprueban los exmenes es de un 51% para los que han recibido formacin
en informtica, frente a un 28% para los que no la han recibido. Por otra parte, para los estudiantes con
experiencia profesional en el campo de la informtica, el porcentaje de xito era de un 52%, frente a un
32% para el resto.
Adems del estudio anterior, los autores analizan la relacin existente entre la probabilidad de xito y el resto de
las variables incluidas en la base de datos. La Tabla 4, que
resumen estos resultados, nos muestra que, por ejemplo,
los alumnos que obtienen elevadas calificaciones en los
trabajos propuestos tienen suelen aprobar la asignatura
(por ejemplo, el 84% de los alumnos que aprueba tiene
una puntuacin mayor que 6 en el trabajo 1). Curiosamente, esta tabla tambin muestra que la asistencia a
las entrevistas personales no est muy relacionada con
la nota final. De hecho, alrededor de un 80% de los alumnos que aprueban la asignatura no asisten a dichas entrevistas, mientras que alrededor de un 60% o ms de los
alumnos que asisten a estas entrevistas suspenden la
asignatura. Este es un resultado sorprendente, dado que
lo que se esperara de la entrevista es un efecto positivo
sobre la calificacin final, mientras que el efecto obtenido es justamente el opuesto. Como consecuencia,
est claro que las entrevistas no estn bien enfocadas, y debera revisarse cmo se llevan a cabo, a fin de
que realmente sean de utilidad para el alumnado.
Este es un resultado
sorprendente, dado que
lo que se esperara de la
entrevista es un efecto
positivo sobre la calificacin
final, mientras que el efecto
obtenido es justamente el
opuesto
210
TABLA 3
DESCRIPCIN: PriInformacin empleada para predecir la calificacin final de los estudiantes en la Hellenic Open University
Registro personal del alumno
Registro del profesor
Variable a predecir
Sexo
Hombre, Mujer
Edad
24-26
Estado civil
Soltero, Casado, Divorciado, Viudo
Nmero de hijos
Ninguno, Uno, Dos, Ms de dos
Trabajo
En paro, Tiempo parcial, Tiempo completo
Formacin previa en informtica
S, No
Trabajo asociado con la informtica
No, Usuario junior, Usuario senior
Primera entrevista presencial
Asisti, Falt
Primera tarea por escrito
No, 0-10
Segunda entrevista presencial
Asisti, Falt
Segunda tarea por escrito
No, 0-10
Tercera entrevista presencial
Asisti, Falt
Tercera tarea por escrito
No, 0-10
Cuarta entrevista presencial
Asisti, Falt
Cuarta tarea por escrito
No, 0-10
Examen final
0-10
TABLA 4
DESCRIPCIN: Influencia entre los atributos registrados por el profesor durante el curso y la probabilidad de xito/fracaso de los
estudiantes. FUENTE: Elaboracin propia
Atributo
Papr
Psus
Puntuacin > 3
3 Puntuacin 6
Puntuacin > 6
Puntuacin > 3
3 Puntuacin 6
Puntuacin > 6
Puntuacin > 3
3 Puntuacin 6
Puntuacin > 6
Puntuacin > 3
3 Puntuacin 6
Puntuacin > 6
0.02
0.14
0.84
0.08
0.15
0.77
0.03
0.21
0.66
0.04
0.31
0.65
0.19
0.35
0.46
0.52
0.26
0.22
0.61
0.20
0.19
0.68
0.15
0.17
Entrevista2
Presente
Ausente
0.22
0.78
0.54
0.46
Entrevista3
Presente
Ausente
Presente
Ausente
0.20
0.80
0.23
0.77
0.65
0.35
0.76
0.24
Trabajo1
Trabajo2
Trabajo3
Trabajo4
Entrevista4
Valor
211
El segundo estudio llevado a cabo en esta investigacin consisti en la comparacin de varias tcnicas de
regresin para la tarea de estimar la calificacin numrica de los estudiantes en funcin de las variables
comentadas previamente. Para ello, se utilizaron cinco de las tcnicas ms populares (rboles de regresin, redes neuronales artificiales, regresin lineal, regresin lineal localmente ponderada y mquinas de
vectores soporte) y se compar su rendimiento sobre 10 conjuntos de datos distintos, correspondientes a
10 grupos de alumnos. En todos los casos, se utilizaron implementaciones disponibles en el software de
minera de datos WEKA5, el cual est ampliamente extendido entre la comunidad de EDM. Este anlisis
revel como resultado que la tcnica ms apropiada para resolver el problema planteado es la denominada M5, que construye un rbol de regresin a partir de las variables de entrada. Dicha tcnica present
errores de prediccin promedio de un 12%, lo cual es un buen resultado para este tipo de problemas. Adems dicha tcnica es la que produce resultados ms interpretables lo cual, como ya se ha comentado, es
una caracterstica muy apreciada ya que permite a los usuarios analizar si los modelos obtenidos tienen
sentido desde un punto de vista pedaggico o social.
4.2.2 PREDICCIN DE FRACASO ESCOLAR EN LA UNIVERSIDAD

DE ZACATECAS
El trabajo publicado por Mrquez et al (2013) es un ejemplo interesante de uso de las tcnicas de clasificacin para llevar a cabo la prediccin del fracaso escolar de 670 alumnos de la Universidad de Zacatecas
(Mjico). Adems de los resultados que presenta, el trabajo es interesante porque ilustra con detalle las
labores de preparacin de datos necesarias antes de aplicar las diferentes tcnicas de aprendizaje automtico: integracin de datos procedentes de fuentes diversas, seleccin de los mejores atributos para
utilizar en el desarrollo de los modelos predictivos y rebalanceo de los datos originales, cuya distribucin
dificultaba enormemente la creacin de modelos fiables. A continuacin, presentaremos brevemente
algunos de los aspectos ms interesantes de este trabajo.
1. Informacin disponible
Como ya se ha comentado, el estudio realizado en este trabajo corresponde a alumnos del curso de preparatoria en la Universidad de Zacatecas. En concreto, alumnos matriculados en el Programa II de la Unidad
Acadmica Preparatoria de dicha Universidad durante el curso acadmico 2009/2010. La informacin
que se recopil sobre dichos estudiantes proceda de las siguientes tres fuentes (ver Cuadro 9):
a) El Departamento de Servicios Escolares del Programa II proporcion todas las calificaciones obtenidas por los estudiantes (7 variables).
b) El Centro Nacional de Evaluacin (CENEVAL), un organismo que, entre otras actividades, realiza exmenes de ingreso o admisin en las instituciones mexicanas de educacin media y superior, proporcion informacin de tipo socioeconmico (25 variables).
5. Puede obtener ms informacin sobre este software, as como descargar las ltimas versiones del mismo en la direccin http://www.
cs.waikato.ac.nz/ml/weka/
212
c) Tambin se pas a los estudiantes un cuestionario para obtener informacin relevante en la prediccin del rendimiento escolar6, y que no estaba disponible a travs de las dos fuentes anteriores (45
variables).
De este modo, se produjo un conjunto de datos con 77 variables predictoras (ver Cuadro 9) y 670 ejemplos. Aunque no se trata de un conjunto especialmente grande a nivel de nmero de atributos, estamos
hablando de dimensiones que degradan el rendimiento de muchos de los algoritmos de aprendizaje estndar, por lo que fue necesario un preprocesado eficaz de esta informacin para reducir el nmero de
variables predictoras. Como veremos a continuacin, esto se consigui utilizando tcnicas de seleccin
de caractersticas.
CUADRO 9
DESCRIPCIN: Informacin obtenida sobre los estudiantes de preparatoria en la Universidad de Zacatecas. La Figura incluye tambin
las fuentes de informacin empleadas.
SPECIFIC SURVEY
Classroom/group,
number of students in the group,
attendance during morning/evening
sessions, number of friends, number of hours
spent studying daily, methods of study used, place
normally used for studying, having ones own space
for studying, resources for study, study habits, studying
in group, parental encouragement for study, marital status,
having any children, religion, having administrative sanctions, the
type of degree selected, the influence on the degree selected, the
type of personality, having a physical disability, suffering a critical
illness, regular consumption of alcohol, smoking habits, family
GENERAL SURVEY
income level, having a scholarship, having a job, living with ones
FINAL SCORE
parents, mothers level of education, fathers level of education,
number of brothers/sisters, position as the oldest/middle/
youngest child, living in a large city, number of years living in
the
city, transport subjects, level of difficulty of the subjects,
Age, sex, previous school,
level of motivation, taking notes in class, methods of
type of school, type of secondary,
teaching, too heavy a demand of homework, quality
mothers occupation, fathers
of school infrastructure, having a personal tutor,
occupation, number of family members,
level of teachers concern for the welfare of
limitations for doing exercises, frequency
Score in Math, score in Physics 1, score in
each student.
of exercises, time spent doing exercises,
Social Science, score in Humanities 1, score
score obtained in Logic, score in Math,
in Writing and Reading 1, score in English 1,
score in Verbal Reasoning, score in Spanish,
and score in Computer 1.
score in Biology, score in Physics, score
in Chemistry, score in History, score
in Geography, score in Civics, score
in Ethics, score in English, and
average score in the EXANI I.
6. Antes de realizar la recopilacin de informacin, se realiz un estudio bibliogrfico y se recopil una lista de los tems utilizados en otras
investigaciones sobre prediccin del rendimiento escolar, de cara a poder disponer del mximo de informacin posible, o de poder establecer
qu informacin es realmente relevante.
213
Por otra parte, se trata de un conjunto de datos no equilibrado, es decir, la distribucin entre los alumnos
que pertenecen a la clase no aprueba y los que pertenecen a la clase aprueba no es homognea (en
este caso, 60/610). Este es un problema importante, dado que muchos algoritmos de aprendizaje, que
estn diseados para distribuciones de datos equilibradas, producen resultados bastante malos en estos
casos, siendo necesario el uso de tcnicas especficas para modificar esta distribucin de datos.
2. Tareas de preparacin
De todas las tareas de preparacin de datos mencionadas en el trabajo original, nos centraremos en dos
debido a su inters: la seleccin de atributos y el re-equilibrado de los datos.
Con respecto al mtodo empleado para la seleccin de atributos, los autores optaron por usar una combinacin de los mtodos ms populares en esta tarea. Para ello, aplicaron 10 algoritmos de seleccin de
atributos, disponibles en el software WEKA, sobre el conjunto original, y analizaron cules fueron los 10
atributos seleccionados en cada caso, construyendo el esquema de votacin mostrado en la siguiente
tabla:
TABLA 5
DESCRIPCIN: I Atributos de mayor influencia, ordenados por frecuencia de aparicin
Atributo
Frecuencia
Calificacin en Humanidades I e Ingls I
10
Calificacin en Ciencias Sociales I, Matemticas I, Fsica I y Computacin I
Nivel de motivacin
Calificaciones en la enseanza secundaria
Edad, nmero de hermanos, grupo de clase, fumador
Estudia en grupo, estado civil, practica ejercicio, calificacin en Historia
Como puede comprobarse, esta tabla resume el nmero de veces que cada atributo fue seleccionado por
uno de los 10 algoritmos de seleccin de caractersticas empleados. Segn este esquema, los atributos o
variables ms importantes son la calificacin en las asignaturas de humanidades e ingls, porque han
sido seleccionados por los 10 algoritmos. En las filas inferiores aparecen atributos cada vez menos importantes, habindose excluido de la tabla los que no han sido seleccionados en ninguna ocasin. Como
el objetivo final era disponer de un conjunto suficientemente representativo, se opt por mantener los
atributos que haban sido seleccionados por dos o ms mtodos de seleccin de caractersticas, lo que
produjo una seleccin final de 15 variables, lo cual supone una reduccin importante con respecto a los
77 atributos originales.
214
Con respecto al rebalanceo de los datos, se utiliz un mtodo ampliamente reconocido por las comunidades de aprendizaje automtico y minera de datos, denominado SMOTE [Chawla et al., 2002]. Este
algoritmo lleva a cabo el rebalanceo aadiendo ejemplos sintticos de la clase minoritaria al conjunto
de aprendizaje.
3. Obtencin de modelos
Se obtuvieron varios modelos de prediccin, empleando 13 algoritmos distintos de clasificacin. En cada
caso, se trabaj con tres conjuntos de datos distintos: el conjunto original, con los 77 atributos disponibles, el conjunto con los 15 mejores atributos que se obtuvo como resultado del proceso de seleccin de
atributos, y un ltimo conjunto equilibrado, fruto de la operacin de rebalanceo que hemos mencionado
anteriormente. Los mejores resultados, que se muestran en la Tabla 6, se obtuvieron para este ltimo
conjunto. En esta tabla se muestran tres columnas: el porcentaje de acierto para la clase minoritaria (no
aprueba), para la clase mayoritaria (aprueba) y el porcentaje de acierto global. Como puede comprobarse, cuando un modelo obtiene muy buenos resultados para una de las clases, no suele obtenerlos para
la otra. Este es el caso del algoritmo PRISM, que obtiene la mejor prediccin para la clase no aprueba (un
99,8 % de acierto en esta clase a costa de un 37% de acierto en la otra) y del denominado ICRM v3, que
obtena la mejor prediccin para la clase aprueba (un 98,7% de acierto para esta clase, frente a un 86,7%
para la otra). En estos casos se recomienda la construccin de un multi-clasificador, que combina las predicciones realizadas por varios clasificadores, tomando lo mejor de cada uno. En cualquier caso, tambin
existen modelos, como el denominado ICRM v2, que arrojan buenas predicciones para ambas clases.
TABLA 6
DESCRIPCIN: Mejores resultados de prediccin obtenidos para el problema de prediccin del fracaso escolar en los alumnos de la
Universidad de Zacatecas
Algoritmo
%TP
%TN
acc
JRip
97.7
65.0
94.8
NNge
98.7
78.3
96.9
OneR
88.8
88.3
88.8
Prism
99.8
37.1
94.7
Ridor
97.9
70.0
95.4
ADTree
98.2
86.7
97.2
J48
96.7
75.0
94.8
Random Tree
96.1
68.3
93.6
REPTree
96.5
75.0
94.6
SimpleCart
96.4
76.7
94.6
ICRM v1
93.8
98.0
95.9
ICRM v2
98.0
96.1
97.1
ICRM v3
86.7
98.7
92.7
215
FIGURA 5
DESCRIPCIN: Modelos predictivos obtenidos con los algoritmos NNGE y J48. Como puede comprobarse son modelos extraordinariamente complejos, casi imposibles de interpretar.
4. Interpretacin de modelos
La parte final de este trabajo consiste en la interpretacin de los modelos obtenidos. En primer lugar, los
autores analizan la complejidad de dichos modelos, haciendo referencia a que algunos modelos, como
NNge y J.48, con buenos resultados en prediccin, son extraordina-riamente complejos y, por tanto, no
son tiles para presentarlos a un experto de cara a su validacin (ver Figura 5). Por otra parte, algoritmos
como ICRM en sus distintas variantes, producen, como se puede observar en la figura 6, modelos mucho
ms simples, muy tiles porque son susceptibles de ser validados a posteriori.
216
FIGURA 6
DESCRIPCIN: Modelos predictivos obtenidos con dos versiones distintas del algoritmo ICRM. Como puede comprobarse, se trata de
modelos mucho ms interpretables.
(a) Obtenido con ICRM v1
(b) Obtenido con ICRM v3

Por ltimo, los autores de este trabajo discuten cules han sido
las variables que han aparecido en los mejores modelos obtenidos, dado que deben ser las ms directamente relacionadas con la
prediccin del fracaso escolar. Como era de esperar, la mayora de
estas variables coinciden con las puntuaciones obtenidas en algunas asignaturas previas, si bien aparecen otras variables relevantes
tales como el nivel de motivacin o algunos hbitos de salud que
resultan ms sorprendentes y, por tanto, interesantes.
4.3 EJEMPLOS DE OBTENCIN

AUTOMTICA DE RECOMENDACIONES
la mayora de estas
variables coinciden con las
puntuaciones obtenidas
en algunas asignaturas
previas, si bien aparecen
otras variables relevantes
tales como el nivel de
motivacin o algunos
hbitos de salud que
resultan ms sorprendentes
y, por tanto, interesantes
Como ya se ha comentado, la obtencin automtica de recomendaciones tiene multitud de aplicaciones en educacin. En el caso de los
estudiantes, permite personalizar el entorno para que el estudiante
tenga una mejor experiencia educativa. En el caso de profesores, adems de para personalizar el entorno, puede proporcionar informacin til para mejorar la prctica de su labor docente. En esta seccin
vamos a comentar tres ejemplos relacionados con lo anteriormente
dicho. En el primero de ellos se muestra un sistema que recomienda a los usuarios de un foro los hilos de
conversacin relacionados con los temas que le resultan ms interesantes, facilitando su navegacin por
el sistema y proporcionando una mejor experiencia en el mismo. En el segundo ejemplo se utiliza minera
de patrones secuenciales (reglas que establecen secuencias eventos frecuentes) para detectar problemas
de los equipos de trabajo. Por ltimo, en el tercer ejemplo mostramos un sistema que obtiene reglas para
mejorar la dinmica en cursos hipermedia adaptativos. Dichas reglas informan al docente sobre proble-
217
mas durante el desarrollo de la actividad, y cmo pueden solucionar estos problemas. El sistema es tambin interesante porque presenta un mdulo basado en filtrado colaborativo, donde los docentes dados de
alta en el sistema valoran las reglas que el sistema ha generado de manera que un nuevo usuario puede
comprobar qu reglas han resultado ms tiles a otros compaeros de profesin en circunstancias similares.
4.3.1 RECOMENDACIN DE FOROS DE DISCUSIN MEDIANTE

APRENDIZAJE DE REGLAS
Este ejemplo corresponde al trabajo presentado por Abel et al. (2008), que analizan la extraccin de reglas
para llevar a cabo la recomendacin de hilos de conversacin en un foro de discusin, el sistema Comtella-D. En este sistema, los mensajes enviados estn estructurados jerrquicamente por temas, cada uno
de los cules contiene uno o varios hilos de discusin. Esta estructura permite una navegacin cmoda a
travs de los mensajes en los que uno est interesado. Sin embargo, existen grandes dificultades a la hora
de localizar temas de inters para un usuario si la clasificacin de los mensajes es demasiado amplia,
si la persona que abre un hilo lo coloca en una seccin incorrecta, o si un hilo debiera estar relacionado
con varios temas. Por esta razn, estos autores proponen el uso de reglas de recomendacin extradas a
partir de dos tipos de informacin: a) informacin explcita de los usuarios, que pueden evaluar cada uno
de los mensajes que examinan y b) informacin implcita que se extrae de la cantidad de mensajes o
respuestas enviados por un usuario a un determinado hilo. El trabajo publicado contiene un detallado estudio sobre cul de los dos tipos de informacin produce modelos de mayor calidad para recomendacin,
llegndose a la conclusin de que la informacin implcita, obtenida analizando los mensajes enviados,
produce modelos mucho ms fiables que los basados en informacin explcita, basados en evaluaciones
de los mensajes recibidos. En cualquier caso, esta informacin explcita produce modelos de mayor calidad que los obtenidos mediante el algoritmo no personalizado, que recomienda los hilos que presentan
ms envos.
Otro resultado importante de este estudio es que, con una pequea cantidad de datos de entrada (dos
respuestas o asignaciones positivas de un envo) es suficiente como para generar buena informacin de
recomendacin. De este modo, los autores recomiendan una estrategia de personalizacin ptima para
los hilos que llegan al sistema Comtella-D basada en el siguiente esquema de reglas:
si (existen 2 o ms respuestas del usuario) entonces
si no
Hacer recomendacin basada en informacin implcita

si (existen 2 o ms valoraciones positivas de tems realizadas por el usuario)
entonces

Hacer recomendacin basada en informacin explcita
Hacer recomendacin no personalizada
si no
fin si
218
fin si
4.3.2 EXTRACCIN DE PATRONES DE EVENTOS EN DATOS DE

EQUIPOS ESTUDIANTILES
En este trabajo, desarrollado por Kay et al. (2006) se propone el uso de tcnicas de minera de patrones
frecuentes para identificar secuencias de actividad significativas, que permitan la deteccin temprana
de problemas de los equipos de trabajo. Se trata de un problema muy interesante y que puede resultar
enormemente til, dado que si se detectan con suficiente antelacin problemas en el seno de un equipo,
podrn aplicarse medidas correctoras orientadas a su recuperacin. El contexto en el que se ha desarrollado esta experiencia es la realizacin de un proyecto informtico, de un semestre de duracin, donde
equipos de cinco a siete estudiantes desarrollaban una aplicacin consistente en varios mdulos que
tenan que ser programados, probados, documentados, etc.
Los estudiantes colaboraban a travs de varios medios, incluyendo reuniones presenciales. Sin embargo,
la informacin que se ha intentado explotar en esta investigacin ha sido extrada de la interaccin que
los miembros de los distintos equipos mantenan con el sistema TRAC7, una herramienta libre diseada
para ser usada en proyectos de desarrollo software. En este sistema, la colaboracin se mantiene compartiendo una serie de tareas, que son gestionadas mediante un sistema de tickets. En estos sistemas, cada
vez que hay que realizar una nueva tarea se registra como un ticket. Conforme la tarea va evolucionando,
se van realizando anotaciones sobre el registro, hasta que esta finaliza, momento en el que se cierra el
ticket. El sistema tambin dispone de un sistema SVN para llevar a cabo el control de versiones, y una
wiki para llevar a cabo la edicin colaborativa de pginas web. En lo que sigue, presentaremos los detalles
ms relevantes correspondientes a esta investigacin.
1. Informacin recolectada
La informacin obtenida del sistema TRAC, y que se pretenda analizar, corresponda a todas las acciones
realizadas por los estudiantes en el sistema, y que fueron denominadas eventos, por los autores de este
trabajo. Para cada evento se dispona de informacin sobre el autor, la fecha, el identificador del recurso
implicado e informacin ms especfica que dependa de la naturaleza del evento, existiendo 3 tipos de
evento posibles:
a) Eventos de wiki: generados cuando un estudiante crea una nueva pgina en la wiki o la modifica
aadiendo o eliminando texto en ella. En este caso, el identificador es el nombre de la pgina de la
wiki.
b) Eventos de tickets: generados cuando un estudiante crea un nuevo ticket, cierra uno existente, o lo
modifica reasignndolo, cambiando su prioridad, cambiando su severidad o aadiendo un comentario. En este caso, el identificador es el nmero del ticket.
c) Eventos de SVN: generado cuando un estudiante actualiza una serie de ficheros fuente. En este caso
los identificadores de recurso sern los de los ficheros afectados.
7. http://trac.edgewall.org/
219
Para todos estos eventos, el sistema tambin almacena el contenido actual de la accin, es decir, el texto
aadido a la pgina de la wiki, los comentarios aadidos al ticket o las lneas aadidas/eliminadas en el
fichero fuente.
2. Tcnicas de DM empleadas
Dado que el objetivo de esta investigacin era extraer informacin de los eventos para obtener patrones tiles sobre la actividad de los distintos equipos, la tcnica a emplear es la denominada minera de
patrones de secuencia frecuentes. Esta tcnica, anloga a la minera de reglas de asociacin, pretende
extraer secuencias frecuentes de eventos existentes en el conjunto de datos a analizar. Existen multitud
de algoritmos descritos en la bibliografa para esta tarea, muchos de los cules se basan en los mismos
principios que el algoritmo Apriori, al que hicimos referencia anteriormente (ver seccin 2.3.2).
Una cuestin importante en este trabajo es la preparacin realizada sobre la informacin disponible,
dado que los datos de los distintos eventos, sacados directamente de la aplicacin, no tienen la estructura
apropiada para aplicar sobre ellos tcnicas de minera de secuencias. En este sentido, se realizaron dos
procesos de preparacin distintos, que dieron lugar a dos conjuntos de datos diferentes:
a) Secuencias basadas en sesiones. La secuencia consista en la lista de eventos que afectaban a una
misma sesin de trabajo.
b) Secuencias basadas en recursos. La secuencia consista en la lista de eventos que afectaban a un
mismo recurso.
TABLA 7
DESCRIPCIN: Esquemas para la extraccin de conjuntos de secuencias
Original (unique) sequence: E1, E2, E3, E4... E200, E201, ....E520
Session id: list of events
1: E1, E2, E3
2: E4, E5, E6, E7, E8, E9, E10
3: E11
4:E12, E13
Session id: list of events

1: E5, E7
2: E12, E15, E25
3: E65, E66, E67, E68
4: ...
3. Resultados y conclusiones
En primer lugar se realiz el anlisis de secuencias de sesiones, con la intencin de buscar patrones que
fueran indicativos de xito, siendo stos ms comunes en los grupos exitosos y mucho menos en el resto
de grupos. Estos patrones tienen un gran potencial para ayudar a los grupos a mejorar su propio rendimiento. Como ejemplos de este tipo de patrones podramos citar:
220
El mejor de los equipos de programacin y los dos siguientes mejores, presentaban una interesante
secuencia en la que se alternan los eventos de wiki con los de SVN. Este tipo de secuencias se podran
asocian a la buena prctica de documentar en la wiki las operaciones de modificacin del software,
y no se han detectado en los peores equipos de trabajo.
El mejor de los equipos tena muchos ms patrones que implicaban a varios autores, y patrones ms
largos en general, en contraste a lo que pasa en los grupos menos aptos.
Con respecto al anlisis de secuencias de recursos, se comprueba que los equipos de xito acceden a
un gran nmero de recursos (sobre unos 4488), mientras que los equipos menos capacitados acceden
a muchos menos (unos 155). Un segundo anlisis, en el que se desglosa el tipo de recursos, indica que la
mayora de estos recursos (alrededor de un 90%) corresponde al sistema de control de versiones SVN. Por
tanto, un buen uso de esta herramienta se hace fundamental para obtener resultados relevantes.
Para terminar, los autores de este trabajo resaltan que, si bien ste se encuentra en un estado bastante
incipiente, los resultados alcanzados han sido prometedores y, resolviendo algunas cuestiones an abiertas sobre el tema, el uso de tcnicas de secuenciacin puede proporcionar informacin inestimable sobre
buenas prcticas de trabajo, orientadas a la mejora de los equipos de programadores.
4.3.3 UNA HERRAMIENTA COLABORATIVA DE APRENDIZAJE DE

REGLAS DE ASOCIACIN
En este trabajo, Garca et al (2011) presentan una herramienta para el aprendizaje de reglas de asociacin
para mejorar la personalizacin en cursos adaptativos. Sus caractersticas ms relevantes son: (a) que
est especialmente diseada para personas no especialistas en minera de reglas de asociacin y (b)
dispone de un mdulo colaborativo en el que varios profesores pueden compartir reglas descubiertas en
sus cursos, as como analizar la utilidad de estas en distintas situaciones. A continuacin describiremos
brevemente la herramienta en cuestin, presentando en primer lugar el subsistema encargado de la
extraccin de reglas, y en segundo lugar el sistema colaborativo.
1. Mdulo de minera de reglas
El mdulo de minera de reglas de asociacin est orientado a usuarios sin experiencia en minera de
datos. En este sentido, el algoritmo de ARM que utiliza, denominado Apriori predictivo [Scheffer, 2005].
La gran ventaja de este algoritmo con respecto a otros utilizados en esta tarea es que su configuracin es
trivial, dado que slo requiere que el usuario le indique el nmero de reglas que desea obtener. Esto contrasta con otros algoritmos ms convencionales, que solicitan al usuario informacin cuyo significado
slo tiene sentido para expertos en minera de reglas de asociacin.
221
La Figura 7 muestra la pestaa correspondiente a entrada de datos de la aplicacin. Como puede comprobarse, los datos pueden introducirse en el formato ARFF (definido por los autores de WEKA) o en el formato propio de las bases de datos de MOODLE (1). Una vez cargado un fichero correctamente, la pantalla
muestra la alguna informacin sobre los atributos de dicha base de datos (es decir, las variables objeto de
estudio 2 y 3) y permite realizar algunas operaciones de preparacin de datos (4).
Una vez cargados los datos, y tras realizar las operaciones de acondicionamiento requeridas, podremos
llevar a cabo el proceso de extraccin de nuevas reglas de asociacin. La Figura 8 muestra la pestaa donde se lleva a cabo la configuracin del proceso. Realmente, el nico parmetro que hay que configurar es
el nmero de reglas que se quieren obtener (1). Sin embargo, hay otros parmetros opcionales que pueden usarse para personalizar el proceso. Por ejemplo, se puede establecer qu atributos aparecern en el
antecedente, en el consecuente o qu atributos ignorar (2). Tambin se puede decidir a qu nivel del curso
(unidades, conceptos, ejercicios, etc.) descubrir las reglas (3). Por ltimo, se puede tambin establecer el
nmero de condiciones en el antecedente y el consecuente (4).
FIGURA 7
DESCRIPCIN: Entrada de datos y operaciones de preprocesado
222
FIGURA 8
DESCRIPCIN: Configuracin del proceso de extraccin de reglas
Una vez configurado el algoritmo, su ejecucin tiene lugar pulsando la tecla Run. La Figura 9 muestra el
aspecto que tiene la pantalla de resultados. Como puede comprobarse, la pantalla muestra una lista de
reglas, junto con dos campos que indican el problema asociado a esta regla y la posible solucin sugerida. Esta informacin est disponible cuando las reglas han sido descubiertas previamente por otros
usuarios del sistema. Tambin aparece una columna con las puntuaciones que los distintos profesores
usuarios del sistema han dado a esta regla.
223
FIGURA 9
2. Mdulo colaborativo
Esta parte de la aplicacin permite a expertos en educacin incorporar reglas, descubiertas en la ejecucin de un algoritmo o fruto de su propia experiencia, a una base de conocimiento que podr ser utilizada
por el resto de usuarios de la aplicacin. Dicha base de conocimiento mantiene una serie de puntuaciones sobre las reglas, que tambin son definidas por los distintos usuarios del sistema tras examinar
dichas reglas.
224
FIGURA 10
DESCRIPCIN: Entrada de reglas a la base de conocimiento.
La Figura 10 muestra la pantalla de introduccin de reglas. Como puede comprobarse, la pantalla tiene 3
zonas bien diferenciadas: (1) Introduccin de la regla en s, (2) problema asociado con la regla y (3) actuacin recomendada.
La Figura 11 muestra la interfaz mediante la cual los usuarios del sistema pueden votar cada regla. Como
puede comprobarse, los usuarios pueden valorar dos tipos de aspectos:
1)
Cuestiones relacionadas con la comprensibilidad de la regla, su idoneidad y si la regla se ajusta al

perfil seleccionado para la base de conocimiento.
2) Valoraciones subjetivas que el experto hace sobre si aadir esta regla al repositorio, la confianza que
tiene en la regla y una autoevaluacin del nivel del experto en estos temas.
[ Ver Figuras 11 y 12 (pg. sig.)
225
FIGURA 11
226
FIGURA 12
DESCRIPCIN: Aspecto del repositorio de reglas.
Todas estas puntuaciones son tenidas en cuenta para asignar una puntuacin interna a la regla. Dicha
puntuacin es la que se utilizar cuando un usuario solicite al sistema que le proporcione una lista de
reglas relacionadas con una determinada cuestin. En la Figura 19 podemos ver el aspecto de la pantalla
que presenta reglas existentes en el repositorio a un usuario. Dichas reglas estn ordenadas por la puntuacin que se les ha asignado automtica-mente a partir de las evaluaciones realizadas por los expertos
en el sistema.
227
4.4 EJEMPLOS DE GENERACIN DE INFORMACIN PARA

PROPORCIONAR FEEDBACK
En esta seccin se introducen dos aplicaciones en las que se genera informacin que revierte en los profesores para comprender mejor algunos aspectos del proceso enseanza aprendizaje. La primera de ellas
presenta una herramienta que aplica tcnicas de anlisis de redes sociales para descubrir estructuras
relevantes en las redes que se forman a partir de la comunicacin entre estudiantes. La informacin que
proporcionan estas redes podr ser usada para analizar la participacin de los estudiantes en herramientas de aprendizaje colaborativo. En el segundo trabajo se analizan los ficheros de log de un sistema para
detectar errores comunes en el aprendizaje de la programacin orientada a objetos.
4.4.1 EL SISTEMA MEERKAT-ED PARA ANLISIS DE REDES

SOCIALES EN EDUCACIN
El sistema Meerkat-ED8 es una herramienta desarrollada en el Centro de Innovacin sobre Aprendizaje
Automtico (AICML) de la Universidad de Alberta. El objetivo de esta herramienta es la aplicacin de
tcnicas de anlisis en redes sociales, incluyendo el anlisis de comunidades, as como las redes de informacin producidas a partir del contenido de los mensajes intercambiados. Con la visualizacin de estas
estructuras y la identificacin automtica de participantes centrales y perifricos, los profesores dispondrn de una forma de valorar la participacin en las discusiones on-line.
Una de las caractersticas ms relevantes de Meerkat-ED es su capacidad de preparar instantneas de los
participantes en los foros de discusin, sus interacciones y la diferenciacin entre estudiantes centrales/
perifricos. Para cualquier perodo de tiempo especificado, la herramienta construye un resumen jerrquico de los temas discutidos en los foros usando minera de comunidades, lo cual da al profesor una visin
rpida de qu est pasando en estos foros de discusin. Adems, la herramienta ilustra cunto participa
cada estudiante en cada tema, mostrando su centralidad en la discusin de cada tema, el nmero de envos,
respuestas y la porcin de trminos usados por este estudiante en las discusiones de dicho tema.
El sistema permite construir y analizar dos tipos de redes: por una parte, se puede construir una red social
de los estudiantes, donde los enlaces expresan su correspondencia (existencia de mensajes, ver Figura
13); por otra parte, se puede obtener una red de las frases empleadas en las discusiones, donde los enlaces
representan la coocurrencia de frases en la misma sentencia. La interpretacin de la primera red muestra
la estructura de la interaccin de los estudiantes que participan en las discusiones, y el liderazgo de los
estudiantes en las discusiones. Interpretar la red de frases describe las frases empleadas en la discusin
y las relaciones entre estas frases.
8. http://webdocs.cs.ualberta.ca/~rabbanyk/MeerkatED/
228
FIGURA 13
DESCRIPCIN: Red social de estudiantes en Meerkat-ED. El tamao informa sobre la centralidad o liderazgo de cada estudiante
A partir de la red social de estudiantes pueden tambin determinarse los grupos de estudian-tes que
colaboran a lo largo del tiempo (ver Figura 14). Adems, el profesor puede monitorizar con facilidad la
evolucin de estos grupos a lo largo del tiempo.
El trabajo presentado por Rabbany et al. (2011), muestra el uso de la herramienta Meerkat-ED sobre una
asignatura ofertada en la Universidad de Alberta en el primer semestre del curso 2010/2011, denominada
Electronic Health Record and Data Analysis. En este estudio, la herramienta se emple para visualizar,
monitorizar y evaluar la participacin de los estudian-tes en un foro de discusin. Se proporcionaron los
resultados de este anlisis al profesor del curso, que valor positivamente su utilidad para evaluar la participacin de los estudiantes.
Adems, el profesor indic que utilizar la herramienta era ms sencillo que realizar un examen general de
la participacin y que permita identificar estudiantes influyentes en cada hilo, as como los estudiantes
ms tranquilos y las opiniones no escuchadas, algo que hubiera sido imposible utilizando slo las estadsticas proporcionadas por la herramienta MOODLE.
229
FIGURA 14
DESCRIPCIN: Red social de estudiantes en Meerkat-ED. El tamao informa sobre la centralidad o liderazgo de cada estudiante
centrndose en las
relaciones reveladas por
el grfico, el docente
puede identificar el flujo
real de informacin
en lugar de limitarse a
basar la evaluacin de
la participacin en el
tamao del mensaje o de la
frecuencia de los envos
A partir del estudio experimental, una conclusin importante que

puede sealarse es que, centrndose en las relaciones reveladas por
el grfico, el docente puede identificar el flujo real de informacin
en lugar de limitarse a basar la evaluacin de la participacin en
el tamao del mensaje o de la frecuencia de los envos. Los estudiantes que se sitan en el centro de la red actan como canales
para el control de la informacin y pueden causar un mayor intercambio de conoci-miento, lo cual es deseable en una clase en lnea.
Independientemente de la frecuencia de los mensajes, su tamao o
contenido, si no tienen influencia, sus autores siguen siendo marginales y se colocarn en la periferia de la red. Este papel de estudiantes que actan como canales de informacin frente a estudiantes
marginales puede cambiar durante el transcurso del semestre o de
un hilo de discusin a otro. El anlisis sistemtico de la centralidad
de participantes por tema discutido proporcionada por Meerkat-ED
permite una mejor evaluacin de la participacin de los alumnos en
cada nivel de tema de discusin.
4.4.2 DESARROLLO DE UNA HERRAMIENTA PARA MEDIR LA

MOTIVACIN BASNDOSE EN DATOS DE LOG
En este trabajo de Hershnovitz y Nachmias (2008) se presenta una metodologa para cuantificar la motivacin de los estudiantes en un sistema de e-learning analizando la informacin de los ficheros de log
230
existentes en el sistema. Se trata de una contribucin interesante, dado que evaluar una cualidad como
la motivacin contando slo con informacin sobre la actividad del estudiante, y sin tener contacto con
l es una cuestin compleja.
Para llevar a cabo esta tarea, los autores dividieron su investigacin en tres etapas: en una primera etapa,
se realiz un estudio de la bibliografa existente para conceptualizar los trminos a considerar en esta
investigacin de la motivacin. Como conclusin de esta fase, se decidi mantener traza de tres magnitudes de inters: grado de implicacin del estudiante en el curso (engagement), grado de motivacin del
estudiante (energization) y fuente de esta motivacin (interna o externa).
En la segunda fase de la investigacin se realiz un estudio del comportamiento temporal de las distintas
variables que se pueden obtener de los ficheros log. La conclusin alcanzada es que se poda recopilar
informacin sobre nueve variables relevantes, todas ellas relacionadas con la motivacin (ver siguiente
tabla).
TABLA 8
DESCRIPCIN: Variables relacionadas con la motivacin
Nombre de variable
Descripcin de la variable
Unidad
timeOn TaskPC
Porcentaje de tiempo ocupado por las tareas
[%]
avgSession
Duracin promedio de sesin
[min]
avgActPace
Espacio de actividad dentro de las sesiones
[acciones/min]
avgBtwnSessions
Tiempo medio entre sesiones
[min]
wordMarkPlace
Espacio de marcado de palabras
[palabras/min]
examPC
Porcentaje de actividades examen
[%]
gamePC
Porcentaje de actividades juego
[%]
En la tercera fase se llev a cabo una clasificacin de las variables anteriores, para relacionarlas con las
dimensiones definidas en la primera fase. Dicha clasificacin se llev a cabo con un algoritmo de agrupamiento jerarquizado9, y los resultados se muestran en la siguiente tabla. Como puede comprobarse,
las variables timeOnTaskPC y avgSession, relacionadas con el tiempo que el alumno permanece en el
sistema, estn relacionadas con el grado de compromiso de este hacia el curso. Por otra parte, la variable
wordMarkPace, que aparece como nica variable de un grupo, est relacionada con el nmero de palabras marcadas por minuto, est asociada con la motivacin del estudiante. Por ltimo, las cuatro restantes variables aparecen en un nico grupo, relacionado con la fuente de la motivacin.
231
TABLA 9
DESCRIPCIN: Resultados del proceso de agrupamiento jerrquico
Grupo
Variables
timeOnTaskPC
avgSession
examPC
gamePC
avgBtwnSession
avgActPace
wordMarkPace
Dimensin relacionada
Engagement
Source
Energization
La conclusin ms importante de este estudio es que, utilizando magnitudes extradas de los ficheros log
de la aplicacin, podemos cuantificar las tres magnitudes relacionadas con la motivacin del estudiante,
de manera que podremos monitorizarlas y actuar cuando se detecte una bajada en la motivacin del
estudiante.
5. CONCLUSIONES
se trata de una
disciplina que ha crecido
enormemente en los
ltimos aos, despertando
un enorme inters en
distintas comunidades
cientficas y grandes
expectativas entre los
agentes implicados en el
sistema educativo
Este captulo ha tenido como principal objetivo introducir al lector

en la disciplina de la minera de datos educativos, que aplica tcnicas de estadstica, aprendizaje automtico y minera de datos
para analizar los datos generados durante los proceso de enseanza aprendizaje, realizar de forma automtica hiptesis sobre dicho
proceso, y apoyar a la toma de decisiones en la prctica educativa.
Como se ha comprobado, se trata de una disciplina que ha crecido
enormemente en los ltimos aos, despertando un enorme inters
en distintas comunidades cientficas y grandes expectativas entre
los agentes implicados en el sistema educativo. Sin embargo, su implantacin a nivel industrial, en grandes corporaciones educativas,
an no se ha llevado a cabo. El tiempo dir si este inters se materializa o no en desarrollos que sean de utilidad real. Para ello, sera
necesario que se acometieran los siguientes temas abiertos:
En primer lugar, es fundamental que las herramientas de

EDM estn accesibles para que sean utilizadas por los distintos agentes implicados en el proceso de enseanza-aprendizaje. Dichas herramientas deben estar integradas con otros
sistemas relacionados dentro de una institucin, por ejemplo,
9. En los algoritmos de agrupamiento jerarquizado, no es necesario indicar el nmero de grupos que queremos formar, sino que el algoritmo
deduce automticamente cul es el nmero ms apropiado.
232
los sistemas de enseanza virtual o los sistemas que almacenan la informacin de gestin estudiantil en la institucin. La
integracin de todos estos sistemas en una nica herramienta es crucial para garantizar el xito de este tipo de enfoques.
Adems, estas herramientas tienen que estar orientadas no a
expertos en EDM sino, por el contrario, a los agentes implicados
en el sistema educativo: gestores, enseantes, y tal vez estudiantes.
los educadores e
instituciones educativas
han de potenciar una
cultura orientada al anlisis
de los datos para tomar
decisiones orientadas
a mejorar el proceso
educativo en general
Por otra parte, los educadores e instituciones educativas han

de potenciar una cultura orientada al anlisis de los datos para
tomar decisiones orientadas a mejorar el proceso educativo en
general. Los resultados de la investigacin en EDM obtenidos
hasta la fecha lo han hecho en contextos bastante restringidos,
relativos a proyectos de investigacin, en los que las condiciones eran demasiado ideales. Sin embargo, es esencial obtener
resultados ms generales, que permitan extrapolar los resultados de una investigacin a entornos
reales. Esperemos que en los prximos aos podamos asistir a desarrollos de esta naturaleza, que
lleven a mejoras significativas del proceso de enseanza-aprendizaje, y que permitan elevar esta
disciplina a la categora que merece.
233
II
PARTE II
CASOS DE ESTUDIO
LIBRO BLANCO DE
INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
0
INTRODUCCIN
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
INTRODUCCIN - PARTE II
Autor
Steve Bailey
Senior Adviser, JISC Infonet
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE II INTRODUCCIN
INTRODUCCIN
LOS CASOS DE ESTUDIO
La impresin predominante que surge tras la lectura de los tres casos de estudio de iniciativas de inteligencia institucional presentados en el libro es, esencialmente, una impresin de impulso constante,
siendo la inteligencia institucional simplemente la manifestacin ms reciente (y sin duda, no la ltima)
de iniciativas institucionales que se remontan a las dos ltimas dcadas. Esta impresin, en si misma,
debera servir como observacin muy relevante para cualquier institucin con prisas por implementar
una solucin de I2 sin la debida consideracin de los cimientos necesarios.
Volviendo la vista al largo periodo de evolucin de estas iniciativas, resulta inmediatamente obvio que
donde ha acabado cada una de ellas no es necesariamente el punto en el que haban previsto inicialmente. Esto no quiere decir que no hubiese ningn plan, o ninguna visin consensuada de a dnde se diriga
cada institucin, al contrario. Pero probablemente tambin es justo decir que cuando cada institucin
inicio este viaje, no tena una especificacin firme, preconcebida y detallada para establecer una solucin
de inteligencia institucional. El enfoque, en cambio, parece haber sido ms iterativo, ms pragmtico. Dirigidos por una visin clara de las necesidades de la institucin y una creciente comprensin - obtenida
mediante la experiencia - de lo que en cada momento iba hacindose posible, la planificacin detallada
se produca en el momento apropiado, con cada iteracin ampliando y mejorando lo obtenido en la anterior. Puede parecernos obvio, en la actualidad, hacer referencia a todo esto como proyectos de inteligencia institucional, pero no es as necesariamente cmo fueron planteados en cada momento, sino quiz
como slo una solucin de sentido comn a una genuina necesidad institucional.
Aunque el camino preciso tomado por cada institucin a lo largo de estas iniciativas puede diferir, tambin hay un notable grado de coincidencia evidente entre ellas. Las tres remontan los orgenes de su
trabajo a mediados de los aos 90, y en el caso de las Universidades de Arizona e Illinois, fue el reconocimiento comn de que los sistemas transaccionales de gestin existentes estaban llegando al final de
su vida til lo que les proporcion la oportunidad de invertir en un data warehouse. Mientras tanto, en
Alemania, la Universidad de Osnabrck estaba llegando a la misma conclusin pero como un medio para
238
permitir a la institucin aumentar su eficiencia y racionalizar sus operaciones frente a los cambios drsticos que el sector nacional de la educacin superior estaba sufriendo.
Dada la naturaleza iterativa de estas iniciativas, sorprende poco que las justificaciones que las sustentan
tambin se adaptasen y evolucionasen con el paso del tiempo. Pero resulta interesante que, aunque la
eficiencia y la efectividad organizativas cobran relevancia como impulsores claves, ninguna de las tres
instituciones presentadas ha tratado de justificar la conveniencia de invertir en inteligencia institucional
en trminos de lo que la Universidad de Arizona describe como su valor monetario especfico. En cambio,
se cita una gama de beneficios tanto para el usuario como para la institucin que abarcan un espectro con
mejoras operativas en un extremo y desarrollo estratgico en el otro. Aumentar el acceso a los datos,
mejorar la calidad de la toma de decisiones e incrementar la efectividad de la planificacin estratgica son
todos ellos temas recurrentes en los tres casos. El subproducto resultante de todo esto puede muy bien
ser una mejora econmica para la institucin: ya sea mediante la reduccin de gastos, el aumento de los
ingresos, o una combinacin de ambos, pero hasta ahora no ha habido ningn intento de cuantificarlo.
Sin duda hay buenas razones para ello, siendo la principal la propia naturaleza de estas soluciones: no slo
satisfacer los requisitos operativos, sino incrementar tambin la efectividad estratgica hace que la medicin del beneficio en trminos financieros sea una propuesta compleja. Cmo medimos, exactamente,
cul es el nivel de mejora en la toma de decisiones? Cmo podemos decir qu decisiones habramos tomado sin acceso a la informacin que la solucin de inteligencia institucional proporciona, o cunto dinero hemos ahorrado como consecuencia de ello? Son cuestiones plagadas de dudas e incertidumbres que,
juntas, desdibujan cualquier mecanismo de medicin. Paradjicamente, puede seguir dndose el caso de
que nuestro sistema de inteligencia institucional, que, mediante los datos que contiene, permite a la institucin medir el rendimiento y calcular el retorno de la inversin en muchos aspectos de la Universidad,
siga siendo seductoramente esquivo al intentar aplicar este concepto a si mismo.
Una de las tendencias ms interesantes y evidentes descritas en los
casos de estudio es lo que puede ser denominado como la creciente
democratizacin en el acceso a los datos, fruto de las iniciativas de
inteligencia institucional. Ya sea creando unas condiciones equitativas para el acceso a los contenidos del data warehouse para todos
los departamentos y unidades de la institucin, o la creciente evolucin desde la entrega de informes predefinidos por parte de la unidad de BI a favor del autoservicio por parte del usuario final, esta
direccin comn en las distintas iniciativas es clara. Dichos cambios
son totalmente sensatos y reflejan el hecho de que las Universidades cuentan con trabajadores del conocimiento que necesitan un
acceso fcil a datos precisos, relevantes y puntuales en toda la amplitud y profundidad de sus estructuras organizativas. Tambin es
el nico enfoque escalable hasta el grado que sea necesario, liberando la escala y el alcance potenciales de la iniciativa de inteligencia
institucional de las limitaciones prcticas de lo que puede ser procesado de manera factible y realista por una nica unidad central
Una de las tendencias ms

interesantes y evidentes
descritas en los casos de
estudio es lo que puede
ser denominado como la
creciente democratizacin
en el acceso a los datos,
fruto de las iniciativas de
239
de inteligencia institucional.
No obstante, a pesar del sentido comn y de las ventajas indudables de dicha democratizacin, esta
no est exenta de sus propios desafos. En primer lugar, el riesgo real de que diferentes niveles de experiencia y competencia tcnica entre departamentos y usuarios individuales pueda dar lugar, inadvertidamente, a grupos de usuarios capaces e incapaces a la hora de obtener valor de las soluciones de
inteligencia institucional. Las tres instituciones presentadas aqu apuntan a las actividades de soporte
y acompaamiento al usuario como un rea en rpida expansin (e intensiva en recursos), en parte, sin
duda, como un reflejo de estas necesidades dispares.
Potencialmente ms problemtica es la creciente necesidad de lograr un equilibrio apropiado entre localismo y control central. Legiones de usuarios, todos creando sus propios informes hechos a medida para
sus propias necesidades locales, puede muy bien ser un indicador muy positivo de la demanda efectiva
de inteligencia institucional, pero tambin puede llevar a problemas de duplicacin y de redundancia,
con mltiples informes similares (o idnticos) creados por diferentes personas para fines diferentes (o incluso los mismos), lo que no es precisamente un ejemplo del tipo de eficiencia organizativa que se busca.
Las relaciones interpersonales aparecen en estos casos de estudio como aspectos clave para el progreso
y el xito de cada una de las iniciativas presentadas: relaciones con los proveedores de datos, relaciones con los consumidores de datos, relaciones con el servicio de tecnologas de la informacin y con las
reas funcionales. En un grado muy significativo, el xito de la iniciativa de inteligencia institucional se
basa en todas ellas, sumndose al imperativo de asegurar que se nutren y gestionan como corresponde.
Tanto la Universidad de Arizona como la de Illinois han tratado de
posicionar funcionalmente a sus equipos centrales de inteligencia
institucional de modo que les permite salvar la lnea divisoria clave entre el rea de tecnologas de la informacin y los principales
proveedores y consumidores de datos a travs de sus unidades de
investigacin institucional, mientras que Osnabrck ha asumido un
enfoque notablemente distinto, integrando intencionadamente las
capacidades de inteligencia institucional en un contexto orientado
a la investigacin dentro de un centro de investigacin dedicado.
Un reto comn, identificado

por las tres instituciones,
es la dificultad asociada
a la captacin y
retencin de personal
con las habilidades y
conocimientos de business
intelligence requeridos,
combinados con la
experiencia necesaria en
el sector de la educacin
superior.
240
Un reto comn, identificado por las tres instituciones, es la dificultad

asociada a la captacin y retencin de personal con las habilidades
y conocimientos de business intelligence requeridos, combinados
con la experiencia necesaria en el sector de la educacin superior.
Cada una est haciendo lo que puede dentro de las restricciones financieras en las que debe operar para retener al personal en el que
confa, pero parecen haberse resignado al hecho de que el personal
bueno con habilidades poco frecuentes en un rea emergente siempre va a ser difcil de retener, especialmente cuando organizaciones
del sector privado con bolsillos ms llenos llaman a su puerta. Sin
embargo, cada una ha encontrado tambin formas innovadoras de combatir esta situacin, tales como la
integracin de Osnabrck de su trabajo de inteligencia institucional en un centro de investigacin, obteniendo de este modo un flujo constante de apoyo en forma de estudiantes de investigacin y doctorado.
Junto con las cuestiones relativas a las personas, no nos sorprender leer en las siguientes pginas sobre los continuos retos que se les plantean a los tres proyectos de inteligencia institucional en relacin
a los datos de los que dependen intrnsecamente. La calidad de los datos, en particular, contina siendo
una causa constante de preocupacin, reconociendo todas las instituciones que aunque el sistema de BI
proporciona un vehculo inestimable para hacer aflorar problemas de calidad de datos (a menudo por
primera vez), es slo corriente arriba, en el sistema fuente original, donde puede resolverse en ltima
instancia cualquier problema de este tipo. De nuevo, sospechamos que la forja y el mantenimiento de
relaciones organizativas efectivas con los compaeros del resto de la institucin es una parte esencial de
la solucin a este reto.
Como esta breve introduccin esperamos que sugiera, existe muchsima sabidura y experiencia acumulada contenidas en las pginas siguientes. Estoy seguro de que ninguno de mis colegas implicados
en la produccin de estos excelentes e informativos casos estudios sugerira que su enfoque es la nica
va que vale la pena considerar, ni tampoco que siempre (con el beneficio de la visin retrospectiva) han
representado la mejor va, incluso para la institucin en cuestin; y en esto precisamente reside gran
parte de su valor. Es el valor de escuchar la experiencia prctica de otros, expresada con candor y con
profundidad. Contienen, en igual medida, advertencias sobre los retos y promesas de las recompensas
futuras, y ambas cuestiones son igualmente valiosas para la consideracin y la reflexin. Como ya hemos
indicado, una de las lecciones clave contenidas en estos casos de estudio es la nocin de la inteligencia
institucional como un paso dado (y uno significativo) a lo largo de un camino mucho ms largo: la historia especfica de cada institucin.
En un intento por lograr un equilibrio apropiado entre reflejar la diversidad, y tambin aflorar reas de
coincidencia entre ellos, cada caso de estudio se presenta dentro de un formato y estructura comunes,
permitiendo de este modo una fcil comparacin entre las experiencias, adems de narrar ordenadamente la historia individual de cada una de ellas. La eleccin de si sumergirse en la experiencia de cada
institucin una a una, o realizar un recorrido temtico simultneo a travs de todas ellas, es suya.
Otro aspecto nico compartido por los tres casos de estudio es su uso comn del Modelo de Madurez de
inteligencia institucional desarrollado en paralelo como parte de este libro. En los casos, se reflexiona
sobre la madurez relativa de cada una de las dimensiones del modelo de madurez, y se presenta el resultado de la evaluacin completa al final de cada uno de ellos. Al hacerlo as, no slo se proporciona el
mecanismo para comparar y contrastar experiencias entre instituciones mediante el uso de una medicin objetiva compartida, sino que tambin se presentan tres ejemplos reales de cmo aplicar el Modelo
de Madurez, lo que probablemente ser de utilidad para cualquiera que trate de aplicar el Modelo en su
propia organizacin.
Como ya se ha presentado en captulos anteriores, el Modelo trata de medir la madurez de la iniciativa
241
de inteligencia institucional de una organizacin mediante un prisma compuesto por nueve dimensiones
diferentes, cada una de las cuales es valorada con relacin a cinco niveles de madurez creciente. Como la
figura siguiente muestra, a pesar de las muchas diferencias entre las tres instituciones, los retos a los que
se enfrentan y los caminos que han tomado, existe un considerable grado de similitud entre sus niveles
CUADRO 1
DESCRIPCIN: Comparacin de las puntuaciones relativas del Modelo de Madurez registradas por las Universidades de Arizona, Illinois
y Osnabrck
BI Team
5
Data Management
Source Business Units Role
3
2
1
Strategic Support
Users Engagement
Data Products
Business Value
Arizona
Osnabrck
Scope
User Coverage
Illinois
actuales de madurez.
La eficiencia organizativa,
la efectividad estratgica
y la ventaja competitiva,
se encuentran ahora
a nuestro alcance. El
acceso a una inteligencia
institucional efectiva tiene
el poder de transformar las
instituciones.
242
Dado que estas tres instituciones han sido escogidas como casos
de estudio para este libro, debido, en gran medida, a su prolongado
inters en este rea y los importantes progresos que han realizado,
no resulta sorprendente que todas ellas punten en el extremo alto
del espectro de madurez, pero incluso as, se perciben interesantes
diferencias entre ellas.
Como veremos en las siguientes pginas, los retos a los que se enfrenta cualquier institucin que se embarca en una iniciativa de
inteligencia institucional son sin duda grandes pero no lo olvidemos tambin lo son las recompensas potenciales. La eficiencia
organizativa, la efectividad estratgica y la ventaja competitiva, se
encuentran ahora a nuestro alcance. El acceso a una inteligencia
institucional efectiva tiene el poder de transformar las instituciones. Nos muestra un espejo que nos
permite poder ver - muy probablemente, por primera vez - cmo es realmente nuestra institucin, ofrecindonos una percepcin precisa, detallada y en tiempo real de sus fortalezas y debilidades, de sus
problemas y de su potencial.
La inteligencia institucional no puede seguir siendo considerada como un lujo, un extra de valor aadido que sera bonito tener alguna vez, cuando los recursos lo permitan. Es precisamente cuando los
presupuestos son ajustados y la competencia feroz cuando sus beneficios se percibirn de manera ms
acusada. Ya se trate de aumentar la retencin de estudiantes, focalizar el potencial de investigacin, aumentar las posibilidades de xito de un nuevo estudio, maximizar el uso efectivo de sus inmuebles y
espacios, o aumentar su atractivo como empleador, un sistema inteligencia institucional efectivo tiene
un papel clave que desempear en todo ello. Como ilustran los siguientes tres casos de estudio, las prioridades concretas pueden variar de institucin a institucin, e igualmente la va hacia la realizacin, pero
la comprensin compartida de las posibilidades y la pasin por el potencial de la inteligencia institucional son comunes a los tres casos. Hay palabras de cautela en las pginas siguientes, y la experiencia de
lecciones aprendidas, pero sobre todo hay un genuino entusiasmo y optimismo, no slo por lo que se ha
logrado hasta ahora, sino tambin por lo que el futuro sin duda nos depara. Lea estas palabras, reflexione
sobre estas experiencias y considere su relevancia para su institucin, ya que esto tambin podra formar
parte de su futuro.
Steve Bailey
8 de abril de 2013
243
CASO DE ESTUDIO
UNIVERSIDAD
DE ARIZONA
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 1 - PARTE II
Autor
Mr. Henry Childers

Senior Director, Enterprise Information & Analytics.
The University of Arizona, USA
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE II CAPTULO 1 ESTUDIO DE CASO: UNIVERSIDAD DE ARIZONA
CAPTULO 1
CASO DE ESTUDIO
UNIVERSIDAD DE ARIZONA
1. ANTECEDENTES Y CONTEXTO:
UNIVERSIDAD DE ARIZONA
1.1. VISIN GENERAL DE LA INSTITUCIN
Situada en Tucson, Arizona, la Universidad de Arizona es una de las Universidades pblicas de investigacin destacadas en los Estados Unidos. Fue fundada en 1885 como la Universidad de terrenos cedidos1 de
Arizona, casi tres dcadas antes de que Arizona se convirtiese en estado. Las primeras clases se convocaron
en 1891.
La Universidad se desarroll de conformidad con la Ley del Congreso de 2 de Julio de 1862, conocida como la
Ley Morrill. Esta legislacin cre las Universidades land-grant y permiti a la institucin obtener fondos
federales para sus escuelas originales de agricultura y minas.
El campus de 40 acres (16 Ha aprox.) de Tucson de los aos 1890 ha aumentado hasta mltiples campus que
se extienden a lo largo de Tucson, Sierra Vista y Phoenix. Su propsito sigue siendo, en el lenguaje de la ley
original, proporcionar a los habitantes de este estado los medios para adquirir un conocimiento profundo
de las diversas ramas de la literatura, la ciencia y las artes y, en la medida de lo posible, proporcionar una
educacin tcnica adaptada al desarrollo de los recursos especficos de Arizona.
1. En ingls Land-grant university, se refiere a las Universidades surgidas bajo un programa del gobierno estadounidense que financiaba
a estas instituciones mediante la cesin de terrenos a los estados que las acogan, a cambio de que ofertaran, fundamentalmente, estudios
centrados en agricultura, ciencias, ingeniera y estudios militares.
246
La Universidad es mantenida con fondos asignados por el Estado de Arizona y el gobierno de los Estados
Unidos, con tasas, y con donaciones y subvenciones de muchas fuentes.
En el otoo de 2012, la Universidad tena unos 40.000 estudiantes de grado, de postgrado, y estudiantes
profesionales, y aproximadamente 12.000 personas entre profesores y personal de administracin. La
financiacin total de todas las fuentes era de unos 2.000.000.000 $ al ao. El gasto total en investigacin
y desarrollo era de unos 600.000.000 $ al ao. La Universidad es miembro de la prestigiosa Asociacin
de Universidades Americanas (AAU, del ingls Association of American Universities). La Facultad de Medicina alberga la nica escuela de medicina que otorga el doctorado en medicina en Arizona.
1.2. ORGENES Y DESARROLLO INICIAL

La necesidad de datos, junto con la oportunidad de recopilar datos de sistemas de gestin, ha sido reconocida desde hace varios de aos. La oficina de Investigacin Institucional (IR, del ingls Institutional
Research (IR)2 (conocida como Oficina de Servicios de Planificacin e Investigacin Institucional) est
establecida desde hace algn tiempo. Entre otras cosas, esta oficina publica el UA Fact Book (Libro de datos de la Universidad de Arizona) (del que se ha tomado ampliamente la seccin previa). Est disponible
online para el pblico.
A mediados de los aos 90, la oficina de IR trabaj con el departamento de TI para crear lo que podra
llamarse como la primera generacin de herramientas data warehouse para uso del campus. En gran
medida, esta inversin, aunque relativamente pequea, se bas en su percepcin conjunta de la necesidad y el valor emergentes. Tambin vale la pena sealar que los logros tempranos se basaron tanto en
el liderazgo y visin de individuos clave, como en un mandato institucional. Hubo dos productos significativos que surgieron de este esfuerzo: un Almacn de Datos Operacionales (ODS, del ingles Operational
Data Store)3 y un data warehouse.
El ODS realizaba una vez al da copias de informacin clave procedente de diversos sistemas de gestin.
Inclua datos de personal y de nmina, datos financieros, datos de estudiantes y datos de investigacin.
Este ODS lleg a conocerse como Sistema de Informacin de la Universidad (UIS, del ingls University
Information System). Los usuarios podan conectarse al UIS utilizando sus propias herramienta de con2. Investigacin Institucional, segn Wikipedia, es una amplia categora de trabajo realizado en las escuelas, facultades y Universidades
para informar en la toma de decisiones y la planificacin del campus en reas tales como admisiones, ayuda financiera, currculo, gestin
de matriculaciones, personal, vida estudiantil, finanzas, instalaciones, atletismo y relaciones con egresados. () Estn implicados en la
recopilacin e informacin para la elaboracin de informes para organismos gubernamentales y para diversas publicaciones internas (). En
ocasiones, los investigadores institucionales comparten datos entre ellos para comparar sus propias prcticas y resultados frente a aquellos
de instituciones similares.
3. Un Almacn de Datos Operacionales, segn Wikipedia, es una base de datos diseada para integrar datos de mltiples fuentes para realizar operaciones adicionales sobre ellos. Los datos son pasados despus () al data warehouse para la realizacin de informes. En el caso
de la UA, el ODS se utiliz como una importante fuente para la realizacin de informes sobre datos a nivel transaccional. Las estructuras de
los datos en el ODS reflejaban muy directamente aquellos en los sistemas de gestin origen, y se refrescaban normalmente al final de cada
da laborable.
247
sulta. La herramienta ms popular era Microsoft Access, que permita a los usuarios crear consultas sobre los datos transaccionales all almacenados. En algunos casos, estas consultas estaban diseadas para
ayudar a los usuarios a responder preguntas. En otros casos, estas consultas se utilizaban para conectar,
indirectamente, sistemas locales a los sistemas de gestin centrales. Durante la mayor parte de su ciclo
vida, hubo muy pocos metadatos sobre los contenidos del UIS. Los usuarios actuaban ms o menos por
su cuenta para averiguar las cosas, y muchos de ellos lo lograban, pero esta capacidad se distribuia de
manera muy desigual en la Universidad. En 2008, el nmero de usuarios haba crecido a varios cientos,
incluyendo tanto a usuarios que lanzaban consultas como sistemas locales que extraian datos del UIS.
El segundo de los dos productos importantes mencionados antes fue un data warehouse denominado
Almacn de Informacin Integrada (IIW, del ingls Integrated Information Warehouse). Este almacn
estaba ms dirigido a los perfiles decisores de la Universidad. Inclua un conjunto de informes y paneles
de control predefinidos, que mostraban informacin procedente de los datos del UIS. El IIW se convirti en una parte importante de determinadas actividades, incluida la Revisin Peridica de Programas
Acadmicos4. El IIW consolid e integr datos de los diferentes sistemas de gestin, sin embargo, esta
integracin no fue en absoluto sencilla, y requiri una dedicacin muy significativa por parte de personal
clave. Aunque el resultado se puso a disposicin de la comunidad universitaria, no fue totalmente institucionalizado, y hubo una inversin relativamente pequea en esto.
Diversos focos de frustracin fueron emergiendo y creciendo a lo
largo del tiempo en la Universidad, ya que el deseo de acceder a los
datos alcanz y super la capacidad de los productos ofrecidos por
aquel entonces. En torno a 2005, se encarg un estudio especfico
para evaluar la situacin. El estudio fue realizado por una docente
con experiencia en los procesos de toma de decisiones. Ella, a su vez,
congreg a un grupo de trabajo que representaba a las diversas partes interesadas de la Universidad. La chispa que provoc el encargo
de este estudio fue la queja de que el personal estaba obteniendo
respuestas diferentes a la misma pregunta, dependiendo de a quin
preguntaba. Algunas veces, las personas que trataban de responder
a dichas preguntas utilizaban su propio conocimiento y sus propios sistemas, basndose en la creencia
de que tenan la mejor informacin, si bien lo ms frecuente era que se usaran los datos centrales, pero
los inevitables matices y criterios funcionales implcitos en las preguntas daban lugar a que personas
competentes llegaran, de manera genuina, a respuestas distintas.
El personal estaba
obteniendo respuestas
diferentes a la misma
pregunta, dependiendo de a
quin preguntaba
Asimismo, el estudio dej claro que algunas facultades y departamentos eran mucho ms capaces de
acceder a estos datos que otros. La necesidad de disponer de personal capacitado para realizar consultas
en las diferentes unidades haba llevado a una situacin de desigualdad. La falta de comprensin de los
4. APR, del ingls Academic Program Review. La UA lo define como un proceso de revisin y evaluacin formal y sistemtico de todos los
programas acadmicos () Tanto los programas basados en departamentos como los programas administrados por comits son revisados
como mnimo una vez cada siete aos. Segn la poltica del [Consejo de Regentes de Arizona], la revisin estndar consiste en una autoevaluacin, seguidoa por una revisin que incluye a expertos de fuera de la Universidad. (www.academicaffairs.arizona.edu).
248
datos, y la falta de metadatos para ayudar a superarla, exacerbaron esta situacin. Adems, la tecnologa
de data warehosing, especialmente la interfaz de usuario, haba evolucionado, y la interfaz de usuario de
IIW era ya obsoleta y muy insatisfactoria.
Este estudio dio lugar a un aumento de la inversin en TI, y a la creacinse de un equipo de trabajo especializado en data warehousing, con unas 8 personas. Las 8 personas se dedicaron a tiempo completo a
esta iniciativa. El grupo trabaj para abordar el problema de los metadatos en particular documentando
los datos que estaban disponibles en el UIS. Asimismo, trabajaron en cuestiones de calidad de datos, e
implementaron algunas verificaciones automatizadas, en su mayor parte para garantizar que se mantuviese la integridad referencial y que los cdigos se mantuvieran dentro de los valores permitidos.
No se abordaron otros problemas. En particular, los datos estaban muy limitados por el estado de los
sistemas fuente, ya que en todos los casos, los sistemas de gestin eran viejos y anticuados (uno de ellos,
por ejemplo, tena ya 30 aos). Otro problema no abordado fue la tecnologa en s. Aunque no fuera directamente visible, la tecnologa de data warehousing subyacente era muy anticuada o inexistente. La
interfaz de usuario para acceder a los datos del data warehouse estaba tambin obsoleta5.
En 2007, exista la opinin generalizada era que la Universidad necesitaba realizar una inversin de
importancia en la creacin de una capacidad significativa de Business intelligence. Podra decirse que
la Universidad haba llegado al final del valor que poda extraer de sus sistemas, incluido el almacen de
datos operacionales (denominado UIS) y el data warehouse (denominado IIW): se haban amortizado
verdaderamente dichos sistemas, y no haba nada ms que se pudiese obtener!
1.3. LA JUSTIFICACIN: ENTONCES Y AHORA

A finales de 2007, la alta direccin encarg la planificacin de un Proyecto de Sustitucin de Sistemas
de Empresa (ESRP, del ingls Enterprise Systems Replacement Project). Este proyecto lleg a conocerse
ms tarde como el proyecto Mosaic. El objetivo era sustituir todos los antiguos sistemas de gestin de
la Universidad, incluidos los de Recursos Humanos y Nmina, Finanzas, Gestin Acadmica y Gestin
de la Investigacin. Adems, tena como objetivo adicional crear una capacidad significativa de business
intelligence junto con el despliegue de los nuevos sistemas de gestin, que seran las principales fuentes
de datos para el nuevo sistema de BI.
A continuacin se muestra la declaracin de la justificacin, segn se present al Presidente y a otros
altos ejecutivos:
Pero este cambio imprescindible [reemplazar todos los sistemas corporativos] tambin
5. La base de datos subyacente para el IIW era RDB, ejecutndose en servidores Alpha. Haba una interfaz Web muy sencilla que estaba
basada en AMP (Apache/MySQL/PHP) con un poco de DCL que proporcionaba un pequeo conjunto de informes.
249
nos ofrece la oportunidad de repensar nuestro enfoque para almacenar, acceder y presentar la informacin. Este enfoque incorporar herramientas basadas en la Web ms
modernas que facilitarn el acceso directo a los datos por parte de directores y decisores,
con mayor uso de grficos y la capacidad de acceder a un mayor nivel de detalle.
Fruto del reconocimiento

de que las Universidades
estaban bajo una presin
creciente para adaptarse a
circunstancias cambiantes,
la business intelligence
fue vista como una
inversin que poda ayudar
enormemente en ese
proceso
Esta declaracin se ha mantenido. Quizs el punto ms importante

es que la Universidad vio la sustitucin de sus sistemas de gestin
como algo que tena que hacerse, que no poda diferirse ms. Desde el punto de vista de la tecnologa, y con respecto a instituciones
similares, el objetivo era ponerse al da. Sin embargo, con respecto
a la business intelligence, la situacin fue vista como una oportunidad no slo de ponerse al da, sino de ponerse por delante. Fruto del
reconocimiento de que las Universidades estaban bajo una presin
creciente para adaptarse a circunstancias cambiantes, la business
intelligence fue vista como una inversin que poda ayudar enormemente en ese proceso.
Otros elementos claves para la justificacin de la BI fueron el deseo
de tener una interfaz de usuario actualizada que permitiera a los
individuos hacer preguntas y responderlas por su cuenta, cambiar
a presentaciones ms grficas y permitir la exploracin de datos.
La justificacin no asign ningn retorno monetario especfico a la
disponibilidad de la informacin a travs de la BI.
1.4. EL PROYECTO DE BUSINESS INTELLIGENCE

La capacidad de BI actual fue implementada como parte del proyecto global Mosaic. Mosaic fue presupuestado a lo largo de un perodo de 5 aos como una inversin de 80 millones de dlares, presupuestndose la BI como un porcentaje del total. Los esfuerzos en BI estuvieron estrechamente asociados a las
implantaciones especficas de los sistemas de gestin dentro del proyecto global Mosaic. El proyecto de
BI fue responsable, en la mayora de los casos, del desarrollo de informes operacionales, as como tambin
del desarrollo de informes de gestin, y ms tarde, de informes estratgicos para cada una de las diferentes iniciativas (esto ser tratado con mayor profundidad ms adelante.) Este enfoque operacional tuvo
el efecto de establecer cronogramas y entregables muy tempranos para el equipo de BI, lo que, a su vez,
justific ampliamente el crecimiento del equipo. Esta situacin se presenta en el siguiente cronograma6,
que muestra los hitos clave de la puesta en marcha de los principales mdulos de Mosaic, y la evolucin
del tamao del equipo de BI.
6. Explicacin de algunas abreviaturas: AA Asesoramiento Acadmico. Adm Admisiones. Bio/Demo Datos biogrficos/demogrficos.
Fin Aid Becas (del ingls Financial Aid). HR Recursos Humanos. Stu Rcds Registros de estudiantes (Student Records).
250
CUADRO 1
CUADRO 1
DESCRIPCIN: Universidad de Arizona: Cronograma del proyecto MOSAIC
July08
July09
Phase 1
Implementation
July10
July11
Phase 2
big
bang Enhancements
recrui
ting
cata bio/ fin stu

log demo aid rcds
July12
HR
Enhancements & Sustaining
adm
stu
fin
AA1
AA2
AA3 AA4
big
bang
Software Readiness & Implementation
Software Readiness & Implementation
Student
Enhancements & Sustaining
back
office
Enhancements
& Sustaining
pilot
college
25
20
15
10
5
Financials
Research
BI
PERSONNEL
(FTE)
BY YEAR
July08
July09
July10
July11
July12
2. ALCANCE
2.1. LOS CLIENTES INTERNOS Y SUS NECESIDADES
Hay mltiples clientes o clientes potenciales para la BI:
Alta Direccin equipo de gobierno de la Universidad, as como de sus facultades y

divisiones
Personal administrativo personal que se encuentra tanto en oficinas centrales como

en las diversas facultades y divisiones
Docentes incluye a personal dedicado directamente a la docencia y a la investigacin
Estudiantes incluye estudiantes potenciales, estudiantes actuales, y egresados
Pblico incluye cualquiera fuera de la estructura de la Universidad, pero con algn

inters en ella
La Alta Direccin es el patrocinador ms importante de la BI en la Universidad de Arizona. Autorizaron la inversin y son los ms preocupados en ver el rendimiento del capital
251
invertido (aunque como ya hemos mencionado, esto no se ha hecho calculando un determinado ROI7).
Son tambin, quizs, los clientes ms importantes. Fundamentalmente, su necesidad es tener acceso a
informacin sobre cmo se est comportando la institucin, tanto desde una perspectiva interna como
externa. De las dos, la perspectiva interna es probablemente la ms importante. Adems de sus propias
necesidades de informacin, necesitan asegurarse de que las unidades que supervisan estn equipadas
con la informacin necesaria para operar y tomar decisiones sobre su futuro. Las necesidades de informacin pueden ser divididas por categoras como operativas, de gestin, o estratgicas. Las necesidades
de la Alta Direccin estn relacionadas con la gestin y, cada vez ms, con la estrategia, ya que la Universidad se enfrenta a importantes cuestiones sobre su futuro.
no previmos la intensidad
con la que se utilizara el
entorno de BI como entorno
de produccin de informes
operacionales para la
Universidad
existe un creciente
volumen de informacin
en el entorno BI que se
presta a ser utilizado como
objeto de investigacin, y
esperamos que algunos
miembros del claustro
docente emprendan
investigaciones utilizando
este recurso
El Personal Administrativo es responsable de realizar el trabajo

administrativo diario de la Universidad. Esto implica interactuar
directamente con los sistemas de gestin de la Universidad, y tambin con las soluciones de BI. Esta necesidad es de naturaleza ampliamente operacional, con alguna parte que puede ser considerada
de gestin. La amplitud de este uso fue infravalorada inicialmente,
ya que no previmos la intensidad con la que se utilizara el entorno
de BI como entorno de produccin de informes operacionales para
la Universidad. (Esto ser cubierto ms extensamente en la seccin
Lecciones aprendidas).
Los docentes e investigadores son, ahora mismo, un cliente secundario de BI. No se previ que fuesen clientes primarios. Sin
embargo, hay miembros individuales del claustro docente que
hacen uso de las soluciones de BI, ya que estn implicados en
actividades para las que hay informacin disponible y til, tales
como la gobernanza de la institucin (existe un fuerte principio
de gobernanza compartida en la Universidad, y por lo tanto, los
miembros del claustro docente tienen nivel de acceso e intereses
similares a la alta direccin). Los investigadores tambin tienen
acceso a los divesos paneles de control de investigacin, y prevemos un uso creciente de los mismos para la medicin de la productividad, por ejemplo, o como un vehculo para encontrar otros
proyectos de investigacin que pudieran ser de inters para ellos.
Los datos relativos a la docencia son un rea temtica creciente y
de importancia en el sistema de BI, y este hecho sin duda aumentar el inters del profesorado como usuarios. Asimismo, existe un creciente volumen de informacin en el entorno BI que se
presta a ser utilizado como objeto de investigacin, y esperamos
que algunos miembros del claustro docente emprendan investi-
7. Del ingls Return of Investment: retorno de la inversin.

252
gaciones utilizando este recurso. Por ejemplo, qu factores del comportamiento de los estudiantes
contribuyen ms al xito estudiantil? Esta pregunta es de inters para la direccin de la Universidad,
pero tambin tiene inters acadmico en el mbito de la investigacin, como se ha puesto de manifiesto en el captulo 6 de la parte I del libro, dedicado al Educational Data Mining.
Los Estudiantes no son un cliente de BI en este momento, y no se esperaba que lo fuesen. Existen
capacidades significativas de bsqueda proporcionadas por el sistema de gestin acadmica, que
podra decirse que son un tipo de BI, pero estn fuera del entorno real de BI. Al igual que los datos
relativos a docentes, los datos de estudiantes constituyen algunas de las reas temticas ms importantes dentro del entorno BI, y estas reas estn siendo expandidas para incluir informacin sobre
los aspirantes y los antiguos alumnos.
El pblico no fue identificado como un cliente directo de BI, pero estamos empezando a ver que habr usuarios pblicos. A medida que el sector universitario se va moviendo hacia modelos basados
en indicadores de rendimiento pblicos, prevemos poner informacin de tipo cuadro de mando a
disposicin del pblico. Si bien sern inicialmente datos estticos, probablemente evolucionarn a
visualizaciones de datos ms dinmicas en los dos prximos aos; el hecho de que la Universidad de
Arizona sea una institucin pblica automticamente hace pblicos muchos de sus datos.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Cobertura de usuarios
4-Mayora
Se atienden actualmente a tres grupos de usuarios clave

(Direccin, Personal Administrativo y Docentes). De momento no
se aborda a los estudiantes como usuarios potenciales de la BI.
2.2. SERVICIOS PROPORCIONADOS

La plataforma de Business Intelligence que surgi con el proyecto
Mosaic es conocida por sus usuarios como UAccess Analytics.
UAccess8 es la denominacin base para todas las funcionalidades
ofrecidas por Mosaic, y el termino Analytics engloba informes
operacionales, informes de gestin e informes estratgicos, junto
con las incipientes funcionalidades de analtica predictiva. Todas estas funciones analticas, junto con una serie de servicios asociados,
estn disponibles para la comunidad universitaria como un todo
bajo el sello UAccess Analytics.
Todas estas funciones

analticas, junto con una
serie de servicios asociados,
estn disponibles para la
como un todo bajo el sello
UAccess Analytics
8. Juego de palabras: el acrnimo de la Universidad de Arizona es UA, y UAccess se pronuncia en ingls como You access, literalmente
t accedes [N. del T.].
253
Paneles de control e informes estndar

El equipo de BI produce y mantiene un gran nmero de paneles de control y de informes que se ponen
a disposicin del campus, con el control de acceso apropiado. La fuente principal de datos es el conjunto recientemente implantado de sistemas de gestin corporativos, lo que incluye datos de Presupuesto,
Empleados, Finanzas, Investigacin y Estudiantes. A estos de han aadido fuentes de datos adicionales,
como datos de Espacios (es decir, edificios, salas, etc.) y datos de la Fundacin. Ya est planificado y en
curso la adicin de datos de antiguos estudiantes y datos clnicos de Investigacin. Estos productos de datos proporcionados centralmente apoyan la actividad operativa, de gestin y estratgica. Asimismo, los
datos sobre objetivos de rendimiento estn siendo integrados para permitir su visualizacin en formato
cuadro de mando.
Paneles de control e informes orientados al auto-servicio
El enfoque de auto-servicio
entraa algunos riesgos
potenciales. Uno de ellos es
que individuos que trabajan
de forma independiente
sobre la misma cuestin,
puedan llegar a resultados
diferentes
Todo el entorno de BI, incluyendo las herramientas y los datos, est

disponible para que las facultades y otras unidades puedan desarrollar sus propias capacidades de BI. Algunos metadatos estn
tambin disponibles para apoyar los desarrollos locales, pero de
momento son limitados. Es habitual que un desarrollador local comience con un panel de control estndar y cree una versin personalizada a las necesidades locales como una variante del original. Si
bien las nuevas capacidades de la herramienta de consulta actual
permiten variaciones significativas sin la necesidad de crear un panel de control distinto, esta posibilidad sigue siendo una capacidad
importante. Las unidades pueden tambin incorporar algunos datos locales, p.ej.: una lista de cuentas definida localmente que sea de
inters para el usuario. Todos estos productos de datos producidos
localmente pueden ser compartidos con otras unidades, si el creador as lo desea.
El enfoque de auto-servicio entraa algunos riesgos potenciales. Uno de ellos es que individuos que trabajan de forma independiente sobre la misma cuestin, puedan llegar a resultados diferentes. El otro es
que este enfoque podra llevar a una gran cantidad de redundancia en los productos generados.
El primer riesgo se ve mitigado de forma significativa por el hecho de que los datos de origen, y por tanto
los datos del data warehouse, son los mismos para todos. Si bien esto no impide por completo que haya
interpretaciones diferentes y malentendidos debidos a la complejidad o ambigedad de los datos de
origen, los paneles de control e informes estandar sirven a los desarrolladores locales como modelos de
referencia autorizados. Aun as seguir quedando algo de riesgo, pero ese riesgo se ve mitigado tambin
por la transparencia en los datos fuente que se utilizan y el procesamiento a que son sometidos, lo que
aporta una credibilidad sustancial.
254
Permanece el segundo riesgo de esfuerzos duplicados, pero se ve tambin parcialmente mitigado por
el hecho de que, como ya hemos comentado, se pueden lograr muchas variaciones locales de informes
estandar dentro de la propia herramienta, p.ej.: las columnas pueden ser escondidas y/o recolocadas, sin
necesidad de crear un panel de control o informe separado. Se produce una mitigacin adicional tambin
por el incentivo econmico que supone a las unidades usar informes/paneles de control ya existentes
cuando sea posible, puesto que evita el gasto de desarrollar y mantener sus propias versiones de dichos
paneles de control, mxime cuando aaden poco o ningn valor respecto a los originales. Finalmente,
hay que tener en cuenta que una cultura de auto-servicio consolidada permite una base de habilidades
ms amplia y una mayor innovacin.
Acceso directo al sistema
Una de las capacidades ms importantes del entorno de BI es su uso como una fuente directa de datos
para otros sistemas de informacin. Hay una serie de sistemas informticos a nivel de departamento
que necesitan acceso a datos centrales. A medida que estas necesidades son identificadas, el equipo de BI
crea una vista apropiada de los datos deseados, y el sistema local correspondiente es registrado como
el usuario de dicha vista. Asimismo, el entorno de BI tambin actua de fuente de datos para los sistemas
de gestin de la Universidad. Por ejemplo, si el sistema de gestin de la Investigacin desea validar que
un nmero de cuenta introducido es vlido, obtendr normalmente su informacin del data warehouse,
y no del sistema de Finanzas. Este enfoque es gestionado cuidadosamente desde un punto de vista arquitectnico, y esta funcin de distribucin de datos es una parte importante del entorno global de BI.
Gestin de acceso
El acceso a los datos en el entorno de BI est claramente definido y gestionado (ver Polticas y principios
ms adelante). Hay un sistema de solicitud de acceso automatizado, con flujo de trabajo incorporado,
para recoger y encaminar las solicitudes de acceso a los supervisores y a administradores de datos9 correspondientes.
Formacin
La oferta de formacin abarca mltiples niveles, desde bsico a intermedio, y est disponible normalmente en formatos online y presencial. Para obtener un catlogo de los cursos, talleres y tutoriales disponibles actualmente, visite http://uits.arizona.edu/workshops/current_workshops. Como puede apreciarse
en la Figura 1 (pg. siguiente), en el momento de la redaccin de este estudio, las acciones de formacin
ofertadas eran:
Trabajando con paneles de control: informes compartidos de un vistazo.
Informes y paneles de control bsicos
9. Del ingls data stewards

255
Trabajando con agentes: enviando datos a su escritorio
Informes y paneles de control intermedios
FIGURA 1
DESCRIPCIN: Acciones formativas impartidas por el rea de BI en el momento de redactar este estudio
La formacin de calidad se
considera una parte crtica
de los servicios del rea de BI
256
Estas formaciones combinan formacin en las herramientas con las

particularidades del entorno universitario. La formacin de calidad
se considera una parte crtica de los servicios del rea de BI. Resulta
interesante observar que la formacin ms popular, con diferencia,
son los talleres presenciales. Suelen tener una duracin de media
jornada.
FIGURA 2
DESCRIPCIN: Detalles de uno de los cursos de formacin ofertados en el momento de redaccin de este estudio.
257
La Comunidad Analtica
En la mayora de los
casos, los mensajes son
respondidos por miembros
del equipo de BI, pero a
menudo es otro miembro
de la comunidad el que da
un paso al frente
Se conoce como la Comunidad Analtica al foro de debate existente en la Universidad dedicado a las cuestiones de BI. Es un foro activo, donde los usuarios pueden plantear preguntas o notificar problemas. En la mayora de los casos, los mensajes son respondidos
por miembros del equipo de BI, pero a menudo es otro miembro de
la comunidad el que da un paso al frente. Algunas de las preguntas
surgen cuando los usuarios obtienen resultados inesperados o no
plausibles. Estas situaciones pueden ser explicadas consultando los
criterios o clarificando las definiciones; o pueden indicar un problema que debe ser resuelto. Otros posts son sugerencias de mejora,
p.ej.: aadir una nueva columna en algn informe. Un tercer tipo
muy comn de pregunta es relativa a cmo hacer algo en la herramienta de desarrollo de informes. Independientemente del tipo de pregunta o problema notificado, el nivel de respuesta estndar es que cada mensaje enviado a la Comunidad Analtica obtenga una respuesta
antes de 24 horas.
Sitio Web
El rea de BI ha creado recientemente su propia pgina Web. Su propsito es facilitar el contacto con el
equipo de BI y servir como fuente de referencia. Tambin puede ser utilizado por cualquiera para dar de
alta peticiones de mejora, p.ej.: modificar un panel de control existente, o crear uno nuevo. El sitio web es
pblico, y puede accederse en la direccin http://eia.arizona.edu. A continuacin se muestra la pgina de
inicio del equipo de BI, que se conoce como Enterprise Information & Analytics.
258
FIGURA 3
DESCRIPCIN: pgina de inicio del equipo de BI, que se conoce como Enterprise Information & Analytics.
Divulgacin
Adems de los servicios antes mencionados, el equipo de BI lleva a cabo formalmente una funcin de
divulgacin que ofrece soporte adicional a los usuarios. Un ejemplo de esto es la posibilildad que tiene un
usuario de programar una sesin de ayuda en horas de oficina. La otra oferta es un practicum de grupo
de usuarios en la que el equipo de BI ir a la unidad solicitante y trabajar con un grupo de personas
para resolver un problema prctico especfico, p.ej.: crear un panel de control o un informe especfico de
la unidad.
259
Soporte
Los usuarios que experimentan problemas pueden ponerse en contacto con el Servicio Central de Soporte (Help Desk) 24 horas al da, 7 das a la semana, ya sea directamente o a travs del sistema de aviso de
incidencias. Si el Servicio Central de Soporte no pueden dar respuesta al problema, entonces el aviso es
encaminado hacia el equipo de BI para su resolucin. En la prctica, sin embargo, la mayora de los usuarios utilizan la Comunidad Analtica, anteriormente descrita, para notificar problemas.
2.3. VALOR PARA LA INSTITUCIN
El entorno de BI es muy
visible en la Universidad
y se utiliza ampliamente,
constituyendo una parte
integral del funcionamiento
y gestin diarios de la
Universidad
El entorno de BI es muy visible en la Universidad y se utiliza ampliamente, constituyendo una parte integral del funcionamiento
y gestin diarios de la Universidad (ver la seccin Uso ms adelante).
Sin embargo, la razn fundamental para la inversin en Business
intelligence es de mbito ms estratgico. Las capacidades estratgicas se construyen sobre las capacidades de gestin y operativas, y
nos encontramos en un punto relativamente reciente en el despliegue de estas capacidades. As y todo, existen notables ejemplos en
los que la BI est entregando valor estratgico.
Supervisin de matriculaciones
Cuando se produce la inscripcin en asignaturas y grupos, es importante para la institucin supervisar

los niveles de registro o inscripcin. En particular, si la demanda para una asignatura dada amenaza con
exceder la capacidad, la institucin puede actuar rpidamente para permitir grupos adicionales. Esto
es importante, porque cuando los estudiantes no pueden obtener las clases deseadas, el tiempo necesario para egresar puede verse ampliado. Los paneles de control de supervisin de las matriculaciones
proporcionan una mirada en tiempo real de la inscripcin mientras se est produciendo (la mayora de
los datos del entorno de BI son fotos tomadas al final del da laborable anterior, pero en determinados
casos, como este, la herramienta de consulta de BI es dirigida a la base de datos del sistema de gestin
para proporcionar datos en tiempo real.)
Proyeccin de plazas
Aunque es muy til supervisar las matriculaciones segn se ha descrito ms arriba, con el fin de reaccionar rpidamente a las circunstancias cambiantes en la demanda de asignaturas, tambin es deseable
realizar mejores predicciones. La Universidad est implementando actualmente una nueva capacidad
en su sistema de gestin acadmica denominada Planificador Inteligente, que capturar los planes de
260
graduacin introducidos por el estudiante y su asesor, o proyectar planes de graduacin cuando sea necesario basndose en los requisitos de cada titulacin. Como resultado de todo esto, esperamos predecir
mejor la demanda de plazas. En el momento de redactar este estudio, se est iniciando este trabajo.
RCM9: Gestin basada en centros de responsabilidad
La Universidad est en plena implementacin del modelo RCM tanto para los ingresos como para los gastos. La Versin 1 ya fue implementada, y la Versin 2 se est desarrollando en estos momentos.
La RCM hace hincapie en gestionar cada facultad como una entidad
individual aunque relacionada con el resto de la Universidad. Este
enfoque requiere una serie de mediciones importantes, tales como
las horas de crditos del estudiante, campos de especializacin y
gastos directos y asignados. El entorno de BI es fundamental para
esta iniciativa, ya que es el entorno del que se obtienen los datos
necesarios y en el que se presenta la informacin de estado. No sera posible implementar satisfactoriamente la gestin basada en
centros de responsabilidad sin la accesibilidad a la informacin y la
transparencia que permite el entorno de BI.
Paneles de control del Decano
No sera posible
implementar
satisfactoriamente la
gestin basada en centros
de responsabilidad
sin la accesibilidad
a la informacin y la
transparencia que permite
el entorno de BI
Se entrevist a los Decanos y se les hizo la pregunta: qu informacin necesitis para dirigir vuestras
facultades? Como resultado de dichas entrevistas, y junto con otras iniciativas, se han desplegado varias
capacidades, algunas de las cuales se describen a continuacin.
Perfiles de Recursos
Cuando un decano desea tomar una decisin sobre, por ejemplo, contratar a un nuevo docente o
comprometerse con un nuevo programa de estudios, es importante comprender todos los recursos
que hay disponibles. Existe una variedad de fuentes potenciales de recursos financieros, as como
tambin de recursos humanos. Los perfiles de recursos recopilan en un solo panel de control una
vista de todos los recursos disponibles, y se puede acceder a cualquiera de ellos al mximo nivel de
detalle. Esta capacidad puede ser invocada en cualquier nivel de la jerarqua organizativa.
Anlisis de cohortes
El tipo de informacin mencionado con ms frecuencia por los decanos fue informacin sobre las
cohortes. Por ejemplo, qu ocurri con los estudiantes de primer ao de la promocin de 2008 en
la facultad de ingeniera? Cuntos volvieron el segundo ao? Cuntos se graduaron para finales
9. del ingls Responsibility Centered Management, RCM es un mtodo descentralizado para la asignacin del presupuesto que da un mayor
control sobre los recursos a los decanos. En este enfoque de presupuestacin, las reas de generacin de ingresos se denominan centros de
responsabilidad. La premisa fundamental del RCM es que el carcter descentralizado del modelo pone en manos de los lderes acadmicos
ms control de los recursos financieros, lo que lleva a decisiones mejor informadas y mejores resultados para la Universidad en su conjunto.
261
Hemos descubierto que

las creencias previas sobre
el comportamiento de
las cohortes no siempre
coinciden con lo que los
datos ahora nos revelan
del 4 ao? De manera similar, si miramos a los graduados de la

primavera de 2012, de dnde procedan? Cundo comenzaron?
Con qu especialidad? El entorno de BI ya pone a disposicin esta
informacin de anlisis de cohortes de atrs-adelante, y el anlisis
de adelante-atrs estar disponible muy pronto. Mediante la comprensin del comportamiento longitudinal de las promociones de
estudiantes, los decanos pueden personalizar mejor sus ofertas y
predecir mejor el futuro. Hemos descubierto que las creencias previas sobre el comportamiento de las cohortes no siempre coinciden
con lo que los datos ahora nos revelan.
Investigacin patrocinada
Otro elemento de gran inters para los decanos es comprender
mejor el conjunto de proyectos de investigacin que se estn
proponiendo, que se estn realizando o que se han realizado.
Quin est implicado? Con qu tipo de financiacin? Cul es
la tasa de coste indirecto? Con este fin, se han implementado
una serie de paneles de control relacionados con la investigacin, y los decanos pueden ahora evaluar mejor su cartera de
proyectos de investigacin actuales, as como las perspectivas
de obtener nuevas subvenciones.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Valor para la institucin
4-Necesario
Parte del valor entregado por la BI puede ser considerado de

nivel 3 (Interesante), y parte puede ser considerado de nivel 5
(Crtico), pero el nivel 4 ( Necesario) captura mejor el estado actual,
sealando que la cultura analtica es fuerte en algunos casos, pero
no totalmente generalizada.
2.4. USO
2.4.1. REAS TEMTICAS
Las reas temticas en el entorno de BI en la Universidad de Arizona se agrupan en las categoras que se
muestran a continuacin. No todas las reas temticas y las categoras estn disponibles para todos los
usuarios. A continuacin se muestra el conjunto completo:
Analtica Informacin sobre el estado del entorno de BI, registro de uso, y actividades del equipo de BI.
262
Auditor Informacin especficamente puesta a disposicin de auditores externos

Presupuesto Informacin sobre el presupuesto de la Universidad de Arizona
Presupuesto actual: Presupuesto operativo, incluidas todas las fuentes de fondos
Presupuesto histrico: Informacin heredada sobre presupuestos
Empleado Informacin relacionada con las funciones de Recursos Humanos y Nmina
Ventajas: Informacin de ventajas del empleado
Pgina de Inicio del Director de rea: Informacin de empleado estructurada para su uso por los
Directores de rea
Compensacin: Para ayudar en la administracin de compensaciones
Detalle del empleado: Informacin de RRHH y Nmina por empleado
Nmina: Utilizado para gestionar y supervisar el proceso de nmina
Empleados graduados: Informacin especfica de esta clase de empleados
Seguimiento de permisos: vacaciones, bajas por enfermedad y otras formas de bajas o permisos de
empleados
Auto-servicio del Director: para directores que realizan el mantenimiento directo de la informacin
de empleados
Organizacin: estructura organizativa
Reclutamiento: Planificacin de reclutamiento e informacin de ofertas
Horario y dedicaciones: Gestin del control horario quincenal para la Nmina
Titularidad y tenencia: Gestin de la informacin sobre titularidad y tenencia del claustro docente
Financiera/Central Informacin relacionada con la gestin central de las finanzas de la Universidad
Cuentas por pagar: Gestin de la funcin de cuentas por pagar
Activos de capital: Supervisin y gestin de los activos de capital
Informes financieros: Estados financieros oficiales
Libro mayor de mano de obra: Gestin contable de la nmina
Servicios de provisin y contrato: Gestin de compras
Proyectos patrocinados: Gestin financiera de los proyectos de investigacin patrocinados
Impuestos: Gestin de las funciones fiscales de la Universidad
Financiero/General Informacin estructurada para su uso por facultades/departamentos individuales

263
Gestin financiera : Saldos de cuentas, ingresos/gastos, reconciliacin, etc.
Libro mayor de dedicaciones: Transacciones con detalle de nmina por empleado
Listados de gastos de nmina por departamento: Gestin a nivel de unidad del gasto de nmina
Tarjeta de Compra: Gestin de la funcin de cargo de compra de la unidad
Investigacin Informacin relacionada con la investigacin patrocinada, incluido anlisis de tendencias
Financiacin: Subvenciones otorgadas a la Universidad
Registro de negociacin: Gestin del flujo de trabajo del desarrollo de propuestas
Propuestas: Propuestas de subvencin que se desarrollan o presentan
Perfil de recursos Informacin para gestionar los recursos de una unidad
Gestin basada en centros de responsabilidad (RCM, del ingls Responsibility Center Management):
Informacin sobre los ingresos y gastos asignados
Perfil de recursos: Informacin a nivel de unidad sobre todos los recursos disponibles para la unidad
Espacio Informacin sobre edificios y salas de las instalaciones de la Universidad

Estudiantes Administracin de funciones relacionadas con los estudiantes
264
Admisiones: Informacin detallada sobre el proceso de admisin
Coordinadores de asesoramiento: Feedback de los estudiantes para ayudar a los coordinadores a administrar el asesoramiento acadmico
Asesores: Informacin para ayudar al trabajo de los asesores acadmicos con estudiantes
Catlogo y programa: Para asistir a facultades y departamentos en la gestin de cursos y clases
Matriculacin en clases: Gestionar y supervisar el proceso de matriculacin en clases
Gestin de las tarifas de cursos: Administracin de diversas tarifas especficas de cursos o programas
Contabilidad financiera: Funciones de gestin financiera relacionadas con las finanzas de estudiantes
Becas: funcin de ayuda financiera, tanto de becas internos como externos
Estudiantes graduados: funciones de estudiantes especficas para estudiantes graduados
Orientacin: Gestin de la funcin de orientacin para estudiantes de nuevo ingreso
Retencin: Informacin de las promociones de estudiantes sobre retencin, abandono, tasas de graduacin, etc.
Ttulos de estudiantes: Gestin de la graduacin y proceso de concesin de ttulos
Detalles del estudiante: Abundante informacin a nivel de estudiante individual
Matriculacin de estudiantes: Gestin y supervisin de matriculacin en cursos
Estudiantes de transferencia: Informacin sobre estudiantes que se trasladan a la Universidad
Kit de herramientas Conjunto de reas temticas combinadas dirigidas a funciones o usuarios de mbito interdepartamental
Revisin del Programa Acadmico (APR, del ingls Academic Program Review): Asistir en la revisin
peridica obligatoria de todos los programas acadmicos
Administracin de la facultad: Datos resumen para la facultad por empleado, estudiante, matriculacin, etc.
Tarifas diferenciales de matrcula y de programa: Apoyar el anlisis de matrcula y tarifas para estimar los ingresos
Responsables y Directores: Asistir a los responsables de departamento, p.ej.: herramienta de modelado de salario
Mtricas: Panel de control de mtricas oficiales (actualmente en desarrollo)
RCM : Herramientas para ayudar a las facultades/departamentos a analizar datos de RCM (Gestin
basada en centros de responsabilidad) detallados
Debe sealarse que hay ms de una forma de categorizar las reas temticas, y la taxonoma actual creci
de manera orgnica. Nuestra intencin ahora es potenciar categorizaciones mltiples (p.ej.: por tipo de datos, por funcin, por mbito, etc.), ya que si no los usuarios encontrarn difcil localizar el panel de control
especfico que necesitan.
2.4.2. ESTADSTICAS DE USO

El entorno de BI se usa mucho en la Universidad de Arizona, lo cual no debera sorprender, puesto que se
utiliza tanto para funciones operativas, como para funciones de gestin y estratgicas. A continuacin se
muestran algunas estadsticas, registradas en otoo de 2012, que ayudan a describir los patrones de uso.
265
Categora
Medicin
Valor
Usuarios
Nmero de empleados total (plantilla)
10.500
Nmero de usuarios directos diferentes por da
600
Nmero y % de usuarios directos diferentes por mes
1.500 (14%)
Usuarios de la alta direccin
50 (17%)
Usuarios del personal administrativo
1.375 (17%)
Usuarios docentes
75 (4%)
Nmero de tablas en el data warehouse
3.000
Tamao del data warehouse
2,1 TB
reas
temticas
Nmero de reas temticas, excluidas las internas11
70
Paneles
de control
Nmero de grupos de paneles de control, excluidos los internos12
63
Consultas
Nmero de consultas por da
20.000
Tiempo promedio de respuesta a una consulta (RRHH &

Investigacin)
4 segundos
Tiempo promedio de respuesta a una consulta (Financiero &

Acadmico)
13-14
segundos
Nmero de posts en la Comunidad Analtica por mes
60
Data
warehouse
Comunidad
Dimensin
Modelo de Madurez
Nivel
Comentario
Alcance
5-Completo
Proporcionamos servicios y productos de datos

son sobre las cuatro reas funcionales claves
(Financiera, Acadmica, Recursos Humanos e
Investigacin). Tambin hay disponibles o estn
previstos productos y servicios adicionales.
11. Las reas temticas internas son aquellas destinadas a ayudar a administrar y /o supervisar el propio entorno analtico. Muchas de ellas
estn tambin disponibles para los usuarios.
12. Los paneles de control internos son aquellos que muestran datos sacados de las reas temticas internas, descritas en la nota al pie
anterior.
266
3. ORGANIZACIN
3.1. COMPROMISO EJECUTIVO
El Presidente y el Rector encargaron juntos el proyecto global Mosaic, que como ya hemos visto, incluy el proyecto de BI. Mosaic
requiri la aprobacin del Consejo de Gobierno de Arizona (Arizona
Board of Regents). Los miembros del consejo no influyeron directamente en el curso del proyecto de BI, pero el Consejo en su conjunto estuvo y est muy orientado a las mtricas, especialmente en el
conjunto de indicadores de rendimiento basados en los objetivos de
2020, por lo que su influencia indirecta ha sido significativa. El apoyo de los Decanos ha sido fuerte. Algunos de los Decanos utilizan
intensamente las mtricas como parte de su trabajo, y se han convertido en usuarios efectivos muy exigentes.
La mayora de los perfiles de alta direccin no son usuarios directos,
pero hay algunas excepciones notables.
El apoyo de los Decanos

ha sido fuerte. Algunos
de los Decanos utilizan
intensamente las mtricas
como parte de su trabajo,
y se han convertido en
usuarios efectivos muy
exigentes
En el Comit de Direccin Ejecutiva de Mosaic haba un conjunto de miembros que proceda de una seleccin multidepartamental de directores y responsables posicionados un nivel por debajo del Presidente
y del Rector. Este grupo mostr un fuerte inters en BI, y en un momento clave del proyecto solicit que
se aumentara el presupuesto para BI, con el fin de lograr hacer ms cosas en menos tiempo. Este aumento fue desde 1,5 millones de dlares a 2,5 millones de dlares al ao
para el resto del proyecto.
La Directora de Informtica, con un fuerte inters en la BI, elabor la
propuesta formal del proyecto Mosaic. De igual modo, el Director
del Proyecto Mosaic fue un gran impulsor de la BI, y ahora mismo
es el responsable permanente del rea de BI.
3.2. GOBERNANZA Y DIRECCIN

ESTRATGICA
Durante el proyecto Mosaic, un subconjunto del Grupo de Direccin Ejecutiva de Mosaic se convirti en el subgrupo de Direccin
Ejecutiva de BI. La efectividad de este enfoque era relativa, y finalmente fue abandonado. En su lugar, el Grupo de Direccin Ejecutiva
de Mosaic, como un todo, atendi la funcin de la direccin de la
iniciativa de BI. Esto se debi, probablemente, al hecho de que haba
pocas cuestiones especficas de BI importantes que considerar, ya
El Grupo de Gobernanza
de BI incluir a individuos
que han formado parte
de la planificacin
estratgica actual a nivel de
Universidad, y se vincular
activamente con otros
grupos con responsabilidad
estratgica, incluidos el
Consejo del Rector y el
Consejo de Decanos
267
que como hemos visto antes, el esfuerzo de BI se centr inicialmente casi de forma exclusiva en el desarrollo de los informes operacionales necesarios para complementar la implantacin del resto de mdulos
del ERP.
El Grupo de Direccin Ejecutiva de Mosaic estaba especialmente interesado en que furamos ms all de
las necesidades de informes operacionales. Ahora, a medida que el proyecto Mosaic pasa ya a fase de
mantenimiento, los esfuerzos de BI se van centrando mucho ms en aspectos de gestin y estratgicos y
se est creando un grupo de gobernanza de BI de alto nivel que incluir, entre otros, a varios de los miembros del grupo anterior de Direccin Ejecutiva de Mosaic.
Durante el proyecto Mosaic, la mayor parte de las prioridades del equipo de BI fueron de naturaleza reactiva, puesto que venan fijadas, de facto, por el curso de las implantaciones de los mdulos del nuevo
ERP. Pero al pasar a un trabajo ms estratgico, es necesario establecer ahora las prioridades de una manera ms proactiva, por lo cual la gobernanza de alto nivel es muy necesaria. El Grupo de Gobernanza
de BI incluir a individuos que han formado parte de la planificacin estratgica actual a nivel de Universidad, y se vincular activamente con otros grupos con responsabilidad estratgica, incluidos el Consejo
del Rector y el Consejo de Decanos. Una de las tareas del grupo de Gobernanza de BI ser supervisar la
creacin y monitorizacin del Mapa de Ruta de BI que trazar un mapa del futuro de BI a lo largo de los
prximos 2-3 aos. El xito hasta la fecha se ha medido fundamentalmente por el uso y por el inters en
BI, y por la integracin con otros proyectos corporativos. Esperamos que ahora surja una definicin ms
especfica de xito, probablemente basada en el logro de las metas que se establezcan para la BI dentro
del mapa de ruta global. Los paneles de control de Perfiles de Recursos, recientemente entregados, y
la iniciativa de Panel de control del Decano son buenos ejemplos. Tambin esperamos que haya mediciones del xito basadas en el papel estatgico de la BI para apoyar el crecimiento y el cambio en la
Universidad.
Hay que sealar que los aspectos fundamentales para la gobernanza de BI ya estn implantados. El Cuadro 2 (sig. pg.) la pirmide de la gobernanza - ilustra esto, como explicaremos a continuacin.
La pirmide tiene en la base las distintas reas de datos especficas que son supervisadas por los distintos
administradores de datos (del ingls data stewards). Normalmente, cada rea de datos tiene su propio
administrador. Por ejemplo, dentro de la categora general de datos de estudiantes, esto incluira reas
de datos de matriculacin, datos de becas, datos del registro, datos de asesoramiento acadmico, datos
financieros del estudiante, etc. ste es el nivel ms bajo de gobernanza, siendo responsable el administrador de datos. Las cuestiones de gobernanza que estn confinadas a un solo rea de datos normalmente
seran tratadas en este nivel, salvo que hubiese una razn para que se tratasen en un nivel superior. Las
cuestiones habituales aqu tienen que ver con otorgar acceso a los datos y tratar con las dudas y problemas de calidad de datos que van apareciendo.
El nivel inmediatamente superior agrupa tipos de datos relacionados entre s al formar parte de una
categora ms amplia, que denominamos pilar, por ejemplo los datos del estudiante. La gobernanza a
este nivel implica a todas las unidades (y reas de datos) que constituyen colectivamente el mbito de
268
datos del estudiante. Las cuestiones de gobernanza a este nivel normalmente tienen que ver con la coordinacin entre varias reas de datos datos, e implican la priorizacin del trabajo. En algunos casos, por
ejemplo, en el caso de la categora Estudiante, el mismo grupo de gobernanza trata las cuestiones del
sistema operacional y las cuestiones de datos.
Por encima, ya en el tercer nivel, encontramos el rea inter-pilar, en la que cada pilar representa las diferentes categoras de datos, tales como Empleado, Finanzas, Investigacin, Estudiante, etc. La estructura
de gobernanza ms importante aqu es el grupo de trabajo de Datos Comunes. Esto se tratar con ms
detalle ms adelante, de momento sealaremos que el propsito de este grupo es asegurarse de que los
datos que se necesita que sean comunes y compartidos entre todos los sistemas se gestionan a este nivel.
Esto permite que los datos de diferentes sistemas sean combinados, con la garanta de que se utilizan los
mismos identificadores y con el mismo significado.
La capa final, en la cspide de la pirmide, cubre la totalidad de la Universidad. Lo que distingue a esta
capa es que est en el nivel ejecutivo, como se ha descrito anteriormente.
CUADRO 2
DESCRIPCIN: Universidad de Arizona: Pirmide de gobernanza de BI
UA - Wide Executive
Cross-Pillar, e.g., Common Data
Pillar-Specific, e.g., Student
Data Stewards, e.g., Financial Aid
269
Dimensin
Modelo de Madurez
Nivel
Comentario
Apoyo Estratgico
4-Servicio
sostenible
La iniciativa de BI ha pasado de un enfoque de proyecto a un

enfoque de soporte permanente. La estructura de gobernanza
para integrarse totalmente con las direcciones estratgicas de la
Universidad se est preparando, pero todava no est implantada.
3.3. POLTICAS
El marco para el acceso a los datos est bastante claramente definido. Se representa por una matriz que
se basa en el tipo de datos y en el nivel de acceso, como se ilustra a continuacin. Por ejemplo, un individuo puede solicitar y se le puede otorgar acceso a los datos de Empleado en el nivel Medio. El acceso
al nivel bajo es normalmente automtico y se basa en ser identificado por el sistema como un individuo
afiliado a la Universidad, mientras que las peticiones de acceso al nivel alto son las que se examinan con
ms detalle, ya que contiene informacin sensible. Esperamos que el nivel medio el que acoja la mayor
parte de la informacin estratgica. Los paneles de control que cruzan mbitos de datos estn diseados
para dejar en blanco cualquier informacin que el usuario no est autorizado a ver.
Level/Pillar
Employee
Financials
Student
High
Benefits
N/A
Advising
Medium
Available
Available
Available
Low
Automatic
Research
ISIR
TBD
Available
Como ya hemos apuntado, las solicitudes de acceso para el nivel bajo estn implcitas en las consultas.
Si un usuario con derecho a acceder al entorno de BI trata de acceder a datos en el nivel bajo, se le otorga
automticamente en el momento de la consulta. Dicho usuario debe haber aceptado la poltica de la
Universidad sobre el uso de los datos (ver figura 4 ms adelante), pero no tiene que solicitar aprobacin
por anticipado.
El acceso a los niveles medio y alto debe ser solicitado explcitamente. El nivel medio es realmente
la zona idonea para la BI, ya que la mayora de los usuarios y la mayor parte de la informacin est
disponible en dicho nivel. No se necesita ningn nivel de detalle ms fino ms all de identificar el pilar. Por otro lado, el nivel alto est muy restringido a un nmero muy pequeo de usuarios. En el nivel
alto tenemos en cuenta que puede ser necesario que el nivel de acceso sea ms detallado que a nivel
de pilar, por lo que se debe especificar el rea de datos tambin. De los pilares existentes, dos no necesitan actualmente un nivel alto, y uno necesita dos en este momento (para que el acceso a los datos de
asesoramiento al estudiante sea independiente del acceso a los datos sobre ayuda financiera). Sabemos
270
que ser necesario establecer ms categoras de nivel alto en el futuro, aunque prevemos que el nivel
medio sea el nivel ms importante y de uso ms generalizado.
El sistema de solicitudes de acceso recoge las solicitudes (p.ej.: Pilar Estudiante, nivel Medio) y las encamina hacia los supervisores correspondientes, que revisan la legitimidad de la peticin, y despus la
encaminan al administrador o administradores de datos apropiados, aprobando cada uno las solicitudes
de acceso para sus reas de datos.
El entorno de BI es parte de un ecosistema ms amplio de datos, que incluye tambin a todos los datos
transaccionales corporativos. De este modo, est sujeto a la poltica y las prcticas de seguridad de datos
generales de la Universidad. Se emplean diversos mtodos para no permitir a individuos no autorizados
acceder a los datos. Estos mtodos incluyen soluciones implementadas a nivel del software de red y de
sistema, tales como cortafuegos, VPN, y autenticacin del usuario basada en contraseas seguras que
se cambian con regularidad. Como salvaguarda adicional, la informacin sensible no se carga en el data
warehouse, salvo que exista una necesidad clara y justificada.
Aunque puede y debe argumentarse que nadie posee los datos, a menudo, en la prctica, definimos
propietarios de los datos que estn normalmente a nivel de Vicerector. Adicionalmente, se designan
formalmente a administradores de datos (data stewards), para que acten como custodios de reas de
datos especficas. Estos administrasdores de datos estn encargados de gestionar el acceso a los datos,
y tambin de cuidar de la calidad de los mismos. En la prctica, se presta ms atencin a la gestin del
acceso, y las cuestiones sobre la calidad de los datos algunas veces son vistas desde una perspectiva local
y reduccionista, en lugar de global, como un activo de toda la Universidad. Como consecuencia de esto,
los problemas de calidad de los datos que afectan a las operaciones locales adquieren ms protagonismo
que aquellas que afectan al entorno de BI. Actualmente no hay implantadas polticas explcitas para
tratar el tema de la la calidad de los datos. Prevemos que el establecimiento de gobernanza de BI a nivel
ejecutivo nos ayude a abordar esta cuestin.
Si miramos a las prcticas en lugar de las polticas, se percibe un movimiento bastante fuerte hacia una mayor apertura y transparencia
de los datos, tanto dentro de la comunidad universitaria como con
respecto al pblico. Como institucin pblica, se requiere y espera
un grado significativo de apertura. Dentro de la Universidad ha habido una continua evolucin a lo largo de los ltimos aos, partiendo de una situacin en la que las diversas unidades tenda a mantener sus datos para s mismas, a otra en la que la existe disposicin
para exponer sus datos al resto de la Universidad. Para ilustrar este
punto, es importante sealar que no existe ninguna regla explicita de seguridad granular a nivel de registro 13 implementada en el
entorno de BI. Hay un par de casos de seguridad a nivel de registro
implcita en los datos de Estudiante, pero son casos muy limitados.
se percibe un movimiento
bastante fuerte hacia
una mayor apertura y
transparencia de los
datos, tanto dentro de la
como con respecto al
pblico
271
Es importante recalcar que, como condicin para acceder al sistema, se requiere que todos los empleados
de la Universidad acepten explcitamente la poltica de la Universidad sobre el uso de los datos, a travs
de una pantalla en la que se informa de esta poltica y se requiere la aceptacin explcita, como se observa en la figura 4:
FIGURA 4
DESCRIPCIN: Pantalla en la que se informa de la poltica de acceso y se requiere la aceptacin explcita..
Asimismo, se requiere a todos aquellos que poseen privilegios de acceso elevados, que participen en un
curso de formacin online especial, para reforzar dichas responsabilidades.
13. La seguridad granular a nivel de registro se refiere a la prctica de ocultar conjuntos de registros o filas de los datos, normalmente
basndose en la pertenencia o no del usuario a algunas unidades organizativas y no otras.
272
3.4. ESTRUCTURA OPERATIVA Y ROLES

El equipo de BI es conocido oficialmente ahora como el rea de Informacin Corporativa y Analtica (EIA, del
ingls Enterprise Information and Analytics). El equipo tiene una misin especfica formalmente definida:
Construimos y conciliamos informacin integrada con el fin de proporcionar acceso
abierto a datos fiables para el consumo de la comunidad universitaria. Abogamos por el
uso de la business intelligence para la realizacin de informes operacionales y de apoyo
a la toma de decisiones estratgicas. Medimos nuestro xito por el uso satisfactorio de
nuestros clientes y el inters continuado en nuestros productos.
Las partes subrayadas hacen hincapi en aspectos claves de nuestra misin.
El rea de BI (EIA) reporta al CIO al igual que las reas de TI, conocidas como Servicios de Tecnologa de
la Informacin de la Universidad (UITS). Como muestra el diagrama, el posicionamiento del rea en el
mismo nos permite estar entre la organizacin de TI y la organizacin de Investigacin Institucional (IR,
del ingls Institutional Research). stas son las dos organizaciones con las que el rea de BI (EIA) necesita
trabajar ms estrechamente para proporcionar servicios al resto de la institucin.
CUADRO 3
DESCRIPCIN: Contexto organizativo del rea de BI de la Universidad de Arizona (Enterprise Information & Analitics)
Senior Vice President

Academic Affairs
& Provost
Vice Provost
Academic Affair
CIO & Executive Director UITS
Client
& Infrastructure
Services
Enterprise
Application System
Enterprise
Information
& Analytics
Office of
Institutional
Research
UITS
El equipo de BI (EIA) tiene actualmente 25 empleados equivalentes, algunos de los cuales son compartidos con otras unidades organizativas. El equipo est organizado segn se describe en el Cuadro 4.
273
CUADRO 4
DESCRIPCIN: Organizacin interna del equipo de BI de a Universidad de Arizona (Enterprise Information & Analytics)
CIO
Enterprise Information & Analytics
Systems
Administation
ETL
Business
(Budget,
Financials,
Foundation,
HR)
Student
Research+
(Research,
Space,
Alumni)
Outreach
Shared w/ Training
Shared w/ Alumni
Shared w/ HR
274
El equipo de EIA se organiza, de izquierda a derecha en el diagrama,

desde aspectos de back office (administracin) aspectos de front
office (atencin al cliente),.
El equipo de BI (EIA) tiene

actualmente 25 empleados
equivalentes, algunos de
los cuales son compartidos
con otras unidades
organizativas
Administracin de sistemas rea responsable del mantenimiento y soporte de la plataforma de BI (OBIEE: Oracle Business
Intelligence Enterprise Edition); trabaja con el equipo de Gestin
de Entornos del rea de TI, en particular con los administradores de bases de datos (DBA); supervisa las conexiones directas
al data warehouse por parte de otros sistemas.
ETL (Extraccin/Transformacin/Carga) rea responsable del

mantenimiento y soporte de la Herramienta ETL (Datastage);
diseo y soporte de los procesos de carga que traen los datos
desde los sistemas fuente al entorno de BI; trabaja estrechamente con los equipos de Anlisis.
Anlisis de los datos administrativos rea responsable de implementar y dar soporte a las reas temticas que soportan los datos de Presupuesto, Financiero, Fundacin y RRHH; y de implementar y dar
soporte a los paneles de control e informes estandar; trabaja estrechamente con los clientes internos
Anlisis de datos de estudiantes anlogo a lo anterior, pero centrado en los datos de los estudiantes.
Anlisis de datos de Investigacin y ms - anlogo a lo anterior, pero centrado en los datos de Egresados, Clnicos, de Espacio y de Investigacin
Divulgacin y proyeccin rea responsable de la formacin y soporte al usuario final, incluida la

comunicacin; trabaja estrechamente con los usuarios finales
El equipo de BI (EIA) contrat consultores externos para obtener orientacin sobre como enfocar las primeras fases de la iniciativa de BI, as como desarrolladores externos como mano de obra adicional para
poder cumplir con los plazos tope del proyecto Mosaic. Si bien ambos recursos podran volverse a utilizar en el futuro si es necesario, no forman parte del personal ni de las funciones estables de BI.
La distribucin de las dedicaciones del rea a las diversas actividades est evolucionando: en marzo de
2012, el equipo analiz en qu actividades exactamente se estaba invirtiendo el tiempo, y cuales se proyectaba invertir en julio de 2013. El modelo de financiacin a partir de julio de 2013 no est comprometido
todava, pero se espera que soporte en lneas generales al esquema14 representado en el Cuadro 5 (pg.
sig.). Se espera que las tendencias mostradas continen ms all de julio de 2013, y en general, la expectativa es que la demanda de actividades de nivel estratgico siga aumentando.
14. En el diagrama, las actividades bsicas son los cimientos del resto. Representan la infraestructura necesaria que se requiere para hacer
el trabajo de BI. Muchas estn centradas en los entornos y en las herramientas, es decir, en la administracin de sistemas, pero dentro de
esta categora se incluye tambin la formacin y las actividades de proyeccin y divulgacin. Las actividades reactivas son aquellas que
tambin tienen que ser hechas para que todo funcione, pero normalmente en respuesta a un problema o a una solicitud, o en reaccin al
calendario de otras actividades, p.ej.: conversin de datos. Son actividades de una sola vez que no contribuyen especialmente al valor en
curso en los mbitos de elaboracin de informes operacionales, de gestin o estratgicos.
275
CUADRO 5
DESCRIPCIN: Evolucin de la distribucin de trabajo en el equipo de BI de la Universidad de Arizona.
EIA TEAM EFFORT BY USAGE LEVEL

FTE
25.0
20.0
15.0
10.0
STRATEGIC
MANAGEMENT
OPERATIONAL
REACTIVE
BASIC
5.0
0.0
March12
July13
Dimensin
Modelo de Madurez
Nivel
Comentario
Equipo de BI
4-Unidad Central a
tiempo completo
El equipo de BI (denominado EIA, Enterprise Information Analytics)

est fuertemente posicionado en el Nivel 4, con alguna inversin
significativa hacia el Nivel 5 (Centro de Competencia). La meta
es crear ms formalmente una funcin de "BI ampliada" para
aprovechar mejor el equipo base y desarrollar habilidades y
hbitos de anlisis de datos en toda la institucin.
3.5. RELACIN CON OTRAS FUNCIONES (PROVEEDORES Y

CLIENTES INTERNOS)
El equipo de BI es muy consciente de la necesidad de desarrollar y nutrir relaciones clave con proveedores y clientes internos, tratando en la mayora de los casos de buscar ser socios (partners) de stos.
276
Tecnologas de la Informacin (TI)

El equipo de BI trabaja estrechamente con varias unidades dentro del rea de TI, que actuan como proveedores y socios. El rea de Infraestructura Tcnica proporciona la tecnologa base sobre la que se apoya
la BI. Esto incluye al Equipo de Entornos, que proporciona los servicios de base de datos y administracin
asociados. Son un socio sumamente importante cuando surgen problemas de rendimiento, ya sea en los
procesos ETL o en la ejecucin de informes.
Otro socio es el equipo de Atencin al Cliente, que es donde se encuentra el equipo de Formacin. El Coordinador de Divulgacin y Proyeccin del rea de BI es tambin miembro de este equipo, garantizando la
coordinacin y la coherencia entre ambas unidades.
Un tercer socio importante es el equipo de Seguridad de Aplicaciones Corporativas, que administra el
sistema de aprovisionamiento de acceso, y supervisa en general la integridad de los entornos de produccin.
El cuarto socio importante es el equipo de Servicios de Aplicaciones Corporativas, que es responsable de
los sistemas de gestin que alimentan de datos al entorno de BI. Con respecto a las actividades operacionales, los dos equipos comparten clientes, y ambos equipos trabajan duro para mantenerse coordinados,
incluidos los organismos de gobernanza conjunta a nivel del sistema de gestin.
Histricamente, la mayor parte del desarrollo en la elaboracin de informes operacionales era realizada
por los equipos del sistema de gestin, centrndose el equipo de BI en la elaboracin de informes de
gestin y especialmente en la elaboracin de informes estratgicos. Pero la riqueza del entorno de elaboracin de informes de la plataforma de BI, junto con los grandes adelantos en el rendimiento de estos
entornos, demostr ser muy atractivo tambin para la elaboracin de informes operacionales. sta fue
una decisin importante, ya que aadi una carga de rendimiento sustancial al entorno de BI y supuso
el traspaso de una gran cantidad de trabajo de elaboracin de informes desde el equipo del sistema de
gestin al equipo de BI.
Obviamente, la elaboracin de informes a menudo se produce dentro del contexto de los mismos procesos de negocio que conciernen al equipo del sistema de gestin, y es muy importante que este equipo y el
equipo de BI trabajen juntos estrechamente. Adems, por supuesto, el sistema de gestin es una fuente
de datos fundamental para la BI. La mayora de los problemas de calidad de datos tienen su origen en los
datos del sistema de gestin, y por lo tanto, esta relacin de trabajo es sumamente importante. Resulta
interesante que nuestros clientes internos a menudo no distingan entre el sistema de gestin y el entorno analtico.
Investigacin Institucional (IR, del ingles Institutional Research)
IR es sin duda nuestro cliente ms consolidado, ya que su funcin es analizar y gestionar datos en nombre de toda la Universidad. Se centra principalmente en los datos de Estudiantes, y despus en los datos
277
de Empleados, y cada vez ms se estn convirtiendo en nuestro socio ms importante en el mbito estratgico. Utilizan datos del data warehouse, y en el transcurso de sus anlisis aaden valor, habitualmente
normalizando los datos operacionales para fines estratgicos. Ejemplos notables de esto son la Gestin
basada en Centros de Responsabilidad y el Panel de Control del Decano.
Nuestro labor es coger esos datos del equipo de IR y publicarlos efectivamente en el entorno de BI. Esto
permite que el equipo de IR se pueda concentrar en el anlisis.
Alta Direccin
La Alta Direccin es nuestro cliente ms importante para fines estratgicos. Son aquellos cuyo trabajo
consiste en utilizar la informacin proporcionada por la BI, junto con cualquier otra evidencia, para tomar
decisiones de nivel estratgico y supervisar el rendimiento comparndolo con los objetivos estratgicos.
Esta relacin es tan importante que se convierten en socios muy relevantes: la alta direccin ha actuado
como patrocinadores del trabajo relacionado con la Gestin basada en centros de responsabilidad (RCM)
y los Perfiles de Recursos. Nuestra relacin con el Gabinete del del Rector, en particular, es muy fuerte.
Unidades administrativas centrales
Son unidades tales como Becas, Recursos Humanos, Finanzas, Gestin de la investigacin, etc. Son clientes internos importantes, normalmente con una orientacin ms operacional. Aqu es donde se utilizan los principales sistemas de gestin corporativos, y donde residen los administradores de datos (data
stewards). Aunque la relacin est en su mayor parte orientada a su papel como clientes internos y sus
necesidades operacionales, tambin son proveedores de datos para el entorno de BI. Son relaciones muy
importantes. Tal y como hemos mencionado antes, la gobernanza de BI asociada a estas reas se lleva
a cabo normalmente como un esfuerzo conjunto con el rea de Servicios de Aplicaciones Corporativas.
Aunque la responsabilidad de elaborar informes operacionales supone a veces una carga de trabajo muy
alta para el equipo de BI, el cumplimiento de esta responsabilidad seguramente proporciona una credibilidad muy sustancial al equipo de BI frente a las unidades de administracin centrales.
Facultades y Departamentos
Estas unidades recurren al equipo de BI con fines operacionales, de gestin y estratgicos. Aqu es donde se
encuentra el grueso de los usuarios de BI. Uno de nuestros objetivos explcitos es tratar a estas unidades con
la misma importancia que a las unidades administrativas centrales, ya que el equipo de BI es, y debe ser
visto, como servidor de la Universidad en su conjunto. La puesta en marcha del modelo de gestin basada
en centros de responsabilidad (RCM), en particular, implica un aumento en las exigencias de rendicin
de cuentas de facultades y departamentos, as que necesitan informacin para poder tener xito en esta
iniciativa.
Las estructuras de gobernanza de BI incluyen siempre alguna representacin de los campus, y el equipo de BI asiste con regularidad a la reunin mensual de los responsables de las facultades, tanto para
278
notificar progresos como para escuchar las necesidades y problemas. Nuestra funcin de Divulgacin y
Proyeccin de la BI es particularmente valorada por estos colectivos.
Dimensin
Modelo de Madurez
Nivel
Comentario
Rol de las unidades

administrativas fuente
4-De apoyo
ste es un Nivel 4 fuerte, e incluso podra argumentarse que

debera estar en el Nivel 5, dado que el rol del administrador
de datos (data steward) est muy consolidado. Sin embargo,
todava se necesita mejorar en cuestiones de gestin de la
calidad de los datos. Por lo tanto, el Nivel 4 es apropiado en
este momento.
Implicacin del usuario
4-Impulsores
Los usuarios son claramente impulsores de los productos de BI

en reas operacionales, de gestin y estratgicas. En algunos
casos, especialmente en aquellos casos en los que los procesos
de gobernanza han estado implicados en el inicio, supervisin
y realizacin de pruebas, existe tambin un sentido de copropiedad de los productos entregados.
3.6. MODELO DE SOSTENIBILIDAD

Financiacin
El equipo de BI (EIA) dispondr de financiacin permanente despus
de la finalizacin formal del proyecto Mosaic, en junio de 2013. El
importe no se ha determinado a la fecha de redaccin de este estudio, pero se espera que sea adecuado para apoyar el desarrollo constante de productos y servicios orientados al soporte estratgico. Al
igual que el resto de unidades, el equipo de BI estar sujeto al ciclo
de presupuestacin anual. Ocasionalmente, podra haber financiacin adicional para dar soporte a proyectos especficos. Un ejemplo
de esto es el objetivo de crear un repositorio de datos clnicos, incluyendo datos genmicos, como recurso para la investigacin. Dicho
proyecto requerira financiacin adicional.
Personal
El equipo de BI se compone de empleados de la Universidad, complementado con consultores o contratistas cuando as lo aconsejan
las caractersticas especficas de algn proyecto. Es importante resaltar que el equipo emplea tambin a estudiantes de postgrado
Las estructuras de
gobernanza de BI
incluyen siempre alguna
representacin de los
campus, y el equipo de
BI asiste con regularidad
a la reunin mensual
de los responsables de
las facultades, tanto
para notificar progresos
como para escuchar las
necesidades y problemas
279
Esta titulacin es tambin

una fuente habitual para
contratar nuevos miembros
del equipo, hasta tal
punto que es conocida
internamente como la
Cantera de Eller
(normalmente 3 o 4) que estn estudiando normalmente Sistemas

de Informacin para la Gestin (MIS, del ingls Management Information Systems) en el Eller College, que es uno de los estudios ms
valorados en los Estados Unidos. Esta titulacin es tambin una
fuente habitual para contratar nuevos miembros del equipo, hasta
tal punto que es conocida internamente como la Cantera de Eller.
Esta relacin se ha formalizado como el denominado Programa de
Liderazgo Acelerado, en virtud del cual ofrecemos una estancia de
2 aos a estos graduados, con la promesa de proporcionarles como
mnimo 5 rotaciones de servicio diferentes, preparndolos as para
mejores trabajos en la industria.
En el mercado laboral existe una fuerte demanda de personal de

BI cualificado, y no resulta raro perder a algn miembro del equipo
que nos deja para irse con un empleador diferente. En todos los casos en los que esto ha ocurrido, los individuos han recibido puestos muy atractivos, y siempre en la industria privada en lugar de en la enseanza superior. El enfoque del equipo de BI es, en parte luchar contra esto, y en parte tratar de aprovecharlo.
Se lucha contra esto prestando atencin al mercado y ajustando los salarios adecuadamente. Que la BI
sea muy visible en la Universidad es una ventaja, y en general se valora mucho la oportunidad de trabajar en el rea. Cuando no podemos luchar contra ello, tratamos de sacarle partido, como por ejemplo con
el Programa de Liderazgo Acelerado descrito anteriormente.
Gestin del cambio
Un rea temtica
adecuadamente cargada y
en produccin es un activo
muy importante a proteger
Se han implantado procesos formales de solicitud de acceso, al igual

que procesos formales de migracin de software. Es importante sealar que la migracin de software se gestiona muy cuidadosamente cuando implica cambios en reas temticas y en los procesos ETL
asociados. Un rea temtica adecuadamente cargada y en produccin es un activo muy importante a proteger, porque de ella dependen muchos informes.
Los informes, en cambio, pueden ser modificados con ms facilidad y con mayor seguridad usando las
herramientas estndar de la plataforma de BI, y dichos cambios se realizan algunas veces sobre la marcha.
La decisin sobre qu cambios pueden hacerse de este modo es tomada por el Analista Principal del rea
afectada, y no requiere aprobacin adicional. Esto permite que el equipo sea sumamente receptivo y est
muy orientado al servicio cuando se requiere un ajuste de un panel de control o informe, o se detecta una
oportunidad de mejora.
Organizacin
Algunas de las funciones actualmente realizadas por el equipo de BI sern transferidas a otras unidades.
280
Por ejemplo, el equipo de BI actualmente se ocupa de las cargas nocturas del data warehouse. Esta tarea
ser transferida al grupo de Operaciones, que forma parte del rea de Infraestructura Tcnica, dependiente de TI. Asimismo, algunas de las funciones de administracin de sistemas se transferirn al equipo de
gestin de Entornos de esa misma rea. Estos cambios son fruto de una evolucin natural, y permitirn
al equipo de BI tener que dedicar menos tiempo a los aspectos operacionales del entorno. Se espera que
la optimizacin del rendimiento, en cambio, siga siendo una responsabilidad compartida con el equipo
de Gestin de Entornos.
La expectativa es que se comiencen a incluir aspectos de BI en la formacin para nuevos empleados de
la Universidad, adaptada a los puestos especficos que se quieran cubrir. Para determinados puestos, se
ofrecer formacin en BI continuada, y quiz obligatoria.
4. PRODUCTOS Y RESULTADOS
4.1. ELABORACIN DE INFORMES OPERACIONALES
Como hemos sealado anteriormente, al principio del proyecto Mosaic se tom la decisin de utilizar
el entorno de BI para entregar informes operacionales, que deban ser desarrollados por el equipo de BI.
Las diferencias entre informes operacionales, de gestin y estratgicos a veces son difusas, y se basan
tanto en su uso esperado, como en la naturaleza del panel de control o informe en si. La idea es que usar el
mismo entorno para todos ellos facilitara las cosas para la comunidad de usuarios, y que la elaboracin
de informes estratgicos poda realizarse sobre la base de los informes operacionales, usando literalmente los mismos datos subyacentes. sta fue una decisin importante, que fue posible por el nuevo
comienzo en todo que supuso el proyecto Mosaic, y gracias a los avances en potencia de procesamiento
y capacidad de almacenamiento del hardware.
Este enfoque result satisfactorio, pero el impacto de esta decisin fue infravalorado (como comentaremos ms adelante en la seccin de Lecciones aprendidas).
Se han abordado algunas necesidades de elaboracin de informes operacionales dentro de los propios
sistemas de gestin, pero la gran mayora se abordan dentro del entorno de BI, como se muestra en el
siguiente cuadro.
281
CUADRO 6
DESCRIPCIN: Proporcin de informes operacionales suministrados por el entorno de BI de la Universidad de Arizona en los principales mdulos de gestin del ERP
Research
Administration
Financial System
(including Budgeting)
Student
Administration
% of Operational
Reporting Delivered
through BI
Environment
Human
Resources
0%
20%
40%
60%
80%
100%
Hay literalmente cientos y cientos de informes y paneles de control de carcter operacional. A continuacin se muestran algunos ejemplos.
Pgina de Inicio del Gestor
ste es uno de los diez paneles de control ms utilizados. Cada unidad en el campus tiene un gestor, que
es responsable de las acciones administrativas de dicha unidad. Normalmente, esto incluye los temas
financieros y la administracin de personal a nivel local. Este panel de control es utilizado por estos gestores como ayuda para gestionar las acciones relacionadas con los empleados. Incluye informes sobre:
Empleados cuyos contratos finalizarn el prximo mes
Personal externo, denominados Colegas del Campus (no empleados) cuya relacin con la Universidad est programada que finalice el prximo mes
Empleados cuyo visado expira en los prximos 6 meses
Cumpleaos y aniversarios que ocurren el prximo mes
Enlaces a paneles de control e informes adicionales
Enlaces a varios formularios online relacionados la gestin del personal
Este panel de control puede ser accedido manualmente, o puede ser configurado para que se ejecute
automticamente utilizando la funcionalidad de agentes incorporada en la plataforma de BI. Esta fun282
cionalidad permite a los usuarios planificar la ejecucin peridica en el tiempo, y si lo desean, hacer que
los resultados les sean enviados por e-mail. Este panel de control es extenso, por lo que se muestra en la
figura 5 como dos capturas de pantalla sucesivas (mediante scroll).
FIGURA 5
DESCRIPCIN:Universidad de Arizona: Detalle del panel de control del gestor.
Tiempos y dedicaciones
Los empleados de la Universidad cobran quincenalmente, y normalmente para gestionar esto basta con
que los empleados notifiquen solamente las excepciones en el sistema, p.ej.: vacaciones. Sin embargo,
para algunos empleados, en concreto aquellos a los que se les paga por horas, es importante que las hojas
de presencia se introduzcan y aprueben de conformidad con los plazos requeridos. Este panel de control
en particular ayuda a los gestores y a otros coordinadores a gestionar este proceso. Permite al usuario ver
quin no ha notificado todava las dedicaciones, y ver tambin el tiempo notificado que no ha sido aprobado todava por el supervisor correspondiente, junto con algunas otras funciones adicionales relativas
283
al perodo de paga. Todas estas acciones podran ser realizadas en el sistema de gestin de RRHH, pero la
utilizacin del entorno de BI permite que toda la informacin aparezca agrupada en una sola pantalla.
Este panel de control es un caso especial, porque obtiene su informacin directamente del sistema de
gestin, por lo que es informacin en tiempo real, y est integrado con el sistema de gestin para poder
invocar, desde el propio panel de control, operaciones diversas, tales como aprobar el tiempo.
FIGURA 6
DESCRIPCIN: Universidad de Arizona: Panel de control de tiempos y dedicaciones.
4.2. INFORMACIN ESTRATGICA Y DE GESTIN

La informacin de gestin se utiliza algunas veces de una forma que puede considerarse prxima a ser
operacional, y algunas veces de una forma que es eminentemente estratgica. En este apartado mostraremos ejemplos de informacin estratgica y de gestin, haciendo hincapi en los usos ms estratgicos.
La mayor parte de este trabajo es bastante reciente, ya que como hemos explicado antes, los esfuerzos
del equipo de BI han pasado de un foco de atencin operacional a uno ms estratgico recientemente.
284
Matriculacin
Cuando los estudiantes se inscriben a clases, resulta crtico que las facultades y los departamentos supervisen el proceso para asegurarse de que las secciones que se ofrecen son coherentes con la demanda.
Con este fin, se ha proporcionado el panel de control Calendario de clases en vivo que engloba varios
resmenes diferentes de matriculacin:
Visin general de la matriculacin a nivel de curso
Visin general de la matriculacin con secciones a nivel de seccin
Visin general de la matriculacin con listado cruzado a nivel de seccin, para asignaturas asociadas a mltiples facultades o departamentos
Secciones con problemas de capacidad en las que la matriculacin est cerca de superar la capacidad (o esta ha sido ya superada)
Capacidad de reserva secciones adicionales que pueden ser habilitadas
Cerrado con plazas libres - secciones cerradas que todava tienen plazas libres
Este interfaz es demasiado largo para mostrarlo en una sola captura de pantalla, pero a continuacin se
muestra un ejemplo de la pantalla Secciones con problemas de capacidad. Al igual que con los paneles
de control de la Pgina de Inicio del Gestor y de Tiempo y Mano de Obra mostradas anteriormente, este
panel de control tambin es en vivo ya que se conecta en tiempo real al sistema de Gestin Acadmica.
FIGURA 7
DESCRIPCIN:Universidad de Arizona: Panel de control de calendario de clases en vivo.
285
Anlisis de cohortes
Los decanos estn muy interesados en la informacin sobre las cohortes, como ya hemos mencionado
anterormente. Una de las preguntas que pueden hacerse sobre una cohorte es cul es la tasa de graduacin. Qu porcentaje se gradu en 4 aos? En 5 aos? En 6 aos? Aunque hay cientos de preguntas que
pueden hacerse sobre las cohortes, sta en particular es especialmente relevante, y es una de las mtricas
que el Consejo de Gobierno de la Universidad de Arizona requiere.
La siguiente pantalla muestra un panel de control diseado para mostrar esta informacin. Tiene una
apariencia bastante modesta, pero est diseado para permitir el acceso a la informacin a un nivel
sumamente detallado, y tambin para permitir centrarse en varios niveles de la organizacin al mismo
tiempo, facilitando as comparaciones. Un usuario experimentado puede aadir mtricas adicionales a
la pantalla y explorar diversas realidades sobre los estudiantes de la cohorte, buscando posibles correlaciones con vistas a mejorar las predicciones.
FIGURA 8
DESCRIPCIN: Universidad de Arizona: Panel de control de retencin de estudiantes - Anlisis de cohortes.
286
Perfiles de recursos
El objetivo aqu es permitir a los gestores en cualquier nivel de la jerarqua universitaria ver el conjunto
completo de recursos disponibles para su unidad. Al igual que con otros paneles de control, este en particular combina varias fuentes diferentes de informacin en una nica pantalla. En este caso, la informacin procede del sistema de Presupuestacin, del sistema Financiero, del sistema de RRHH, del sistema
de la Fundacin y del sistema de Gestin de la Investigacin. ste es un buen ejemplo de la capacidad de
las herramientas de BI para combinar en un nico interfaz informacin procedente de mltiples fuentes.
Este panel en particular es bastante largo, por lo que se presenta en dos capturas de pantalla sucesivas.
FIGURAS 9 Y 10
DESCRIPCIN: Universidad de Arizona: Detalle del panel de control de perfil de recursos (I y II)
287
Investigacin
La existencia del nuevo mdulo de Gestin de la Investigacin ha despertado el deseo de explotar dichos
datos. El siguiente panel de control muestra la financiacin obtenida, sujeta a una amplia variedad de
criterios de seleccin. Tambin es uno de los paneles de control ms recientes, e ilustra la visualizacin
en texto con la visualizacin grfica. Por supuesto, siempre es posible exportar datos desde un panel de
control a Excel o a otro producto ofimtico para ayudar en la visualizacin grfica, pero el objetivo es
incorporar muchos ms grficos en los paneles de control de BI.
Este ejemplo, como el anterior, es muy largo y slo se muestra la parte superior. Tambin es ancho y
slo se muestra la parte izquierda.
288
FIGURA 11
DESCRIPCIN: Universidad de Arizona: Panel de control de financiacin de la investigacin.
4.3. MONITORIZACIN DEL ENTORNO DE BI

La monitorizacin del uso y comportamiento del entorno de BI es un uso especial en el que el entorno se
supervisa a s mismo usando sus propias herramientas. Todas las estadsticas de uso presentadas anteriormente fueron obtenidas utilizando paneles de control internos. Aunque son internos en su orientacin, algunos de ellos tambin estn disponibles para toda la comunidad de usuarios. Incluyen mtricas
de rendimiento y disponibilidad de la plataforma, de inters para toda la comunidad de usuarios.
Rendimiento de Consultas por pilar tiempos de respuesta por tipo de dato
Usuarios recientes un listado de los usuarios ms recientes en acceder a la plataforma BI
Consultas costosas las consultas que han consumido ms recursos en la ltima semana en virtud
de con qu frecuencia han sido ejecutadas y durante cunto tiempo (medidas en segundos)
289
Uso de disco instantnea y lnea de tendencia que muestra, por pilar, el espacio consumido en el
data warehouse
Tendencias ETL diagrama de dispersin que muestra a lo largo de los ltimos 14 das las horas de
inicio y parada de los diferentes procesos de carga
Estado ETL el estado de cada una de las cargas ETL de la noche anterior
Tiempos de consulta por pilar, el nmero de consultas y el tiempo de respuesta promedio para cada
hora de hoy
Como ejemplo, a continuacin se muestra la pantalla del rendimiento de consultas para un da reciente, hacia el final de la jornada. Representa un da bastante promedio, con unos 600 usuarios y 20.000
consultas. Utiliza 2 segundos como la lnea divisoria entre un rendimiento muy bueno, y el rendimiento
que nos gustara mejorar. (Hay que sealar que dicha mejora no siempre es posible, y ciertamente no se
garantiza).
FIGURA 12
DESCRIPCIN: Universidad de Arizona: Panel de control de monitorizacin del entorno de BI. Rendimiento de las consultas.
290
Dimensin
Modelo de Madurez
Nivel
Comentario
Productos de datos
4-Mayora
Se proporcionan informes parametrizados junto con navegacin

de datos ad hoc as como paneles de control. El uso actual de la
visualizacin grfica de datos es limitado y debe aumentar.
De momento, no se ha desplegado ningn producto de analtica
avanzada, aunque hay un desarrollo incipiente.
5. TECNOLOGA Y DATOS
5.1. ARQUITECTURA DEL SISTEMA
Entorno de BI
La Universidad ha adquirido la licencia de uso de determinados productos de software que desempean
un papel importante en la arquitectura de BI. La adquisicin ha sido conjunta, en particular en el caso de
Oracle, y no hay disponibles costes de licencia individuales.
Base de datos de Oracle soporta tambin los sistemas transaccionales corporativos
Oracle Real Application Clusters (RAC) software utilizado para proporcionar una elevada disponibilidad; utilizado tambin para los sistemas transaccionales corporativos
Oracle Enterprise Performance Management (EPM) proporciona una suite integrada para PeopleSoft Campus Solutions y Human Capital Management
Oracle Business Intelligence Enterprise Edition (OBIEE) plataforma de consulta para prcticamente
todos los usuarios del entorno de BI
IBM DataStage Enterprise Edition herramienta ETL, con licencia otorgada originariamente a travs de Oracle, y ahora con licencia directa de IBM para obtener la capacidad de procesamiento paralelo necesaria
La arquitectura de produccin para OBI, a otoo de 2012, se muestra en el siguiente diagrama. Este entorno es gestionado fundamentalmente por el Equipo de Entornos, junto con otras unidades dentro de la
organizacin de Servicios de Infraestructura Tcnica de TI. El equipo de BI comparte la responsabilidad de
la administracin de sistemas para OBIEE y DataStage.
291
CUADRO 7
DESCRIPCIN: Arquitectura del entorno de BI de la Universidad de Arizona.
ACE Load Balancer (also SSL offloading)
Apache Web VMWare

(2cpu/8GB)
Apache Web VMWare

(2cpu/8GB)
Shibboleth
OBI Application Server

OBI 11.1.1.5.0 BP2
Dell R610 (2x4cpu/48GB)
Admin
Server
OBI Application Server

OBI 11.1.1.5.0 BP2
Dell R610 (2x4cpu/48GB)
Weblogic
Server
PS
Weblogic
Server
PS
CCS
PS
BI S
BI S
JH
JH
CCS
BI S
BI S
JH
JH
Sched
Sched
Oracle RAC
(6 Dell R900s each w/ 6x4cpu/128GB)
Oracle 11gR1
Index
PS -> Presentation Service
BI S -> BI Server
JH -> Java Host Service
CCS -> Cluster Controller Service Sched -> Scheduler Service
All Servers use RedHat Enterprise Linux 5.8
292
PS
Sistemas de gestin corporativos

Estrictamente hablando, los sistemas de gestin corporativos no forman parte de la arquitectura de BI,
pero son importantes fuentes de datos, y ciertamente han influido en el trabajo del equipo de BI.
Oracle PeopleSoft Human Capital Management (HCM) utilizado para Recursos Humanos y Nmina
Oracle PeopleSoft Campus Solutions utilizado para Administracin de Estudiantes
Sistema Financiero Kuali - utilizado para Finanzas
KualiCoeus utilizado para Administracin de Investigacin
Archibus utilizado para la gestin de espacios
El equipo de Servicios de Aplicaciones Corporativas, dentro de TI, mantiene y da soporte a estos sistemas.
Enfoque ETL
El enfoque de diseo de ETL es llevar primero los datos al entorno del data warehouse, normalmente sin
ningn cambio. A esto se le denomina staging. Dentro del entorno del data warehouse, se realizan las
transformaciones que procedan, algunas veces en pasos mltiples, hasta que se hayan actualizado las
tablas y reas temticas deseadas. Este enfoque se representa en el cuadro 8.
CUADRO 8
DESCRIPCIN: Arquitectura de alto nivel de los procesos de carga en el data warehouse de la Universidad de Arizona
External Data Sources
EPM
+ Oracle RDBMS
ODBC/JDBC View
External Data Sources
Staging
Tables
Data Stage
Data Stage
Intermediate
Tables
Data Stage
Transactional
System
Dimensional
Tables
(aka Subject Areas)
OBIEE
Answers
Dashboards & Reports
293
5.2. DEFINICIN DE LOS DATOS Y PROBLEMAS DE GESTIN

Integracin de Sistemas
El entorno de BI desempea un papel de importancia en la integracin de sistemas. El data warehouse
sirve como un centro de distribucin de datos muy importante. Por ejemplo, es la fuente del Sistema
de Directorio Corporativo, que es el lugar en el que los sistemas locales y corporativos buscan atributos
a nivel de directorio de la gente, tanto del personal como de los estudiantes, y de los diversos grupos a
los que pertenecen. Asimismo, el propio data warehouse facilita las bsquedas de datos entre sistemas,
soportando conexiones entre sistemas corporativos y tambin entre sistemas locales y los corporativos.
Esta integracin se muestra en el siguiente cuadro.
294
CUADRO 9
DESCRIPCIN: Flujos de integracin de datos en el entorno BI de la Universidad de Arizona.
UA DATA FLOW - ENTERPRISE SYSTEMS & DATA WAREHOUSE
TRANSACTIONAL SYSTEMS
DATA WAREHOUSING
CareerTrack
(PeopleAdmin)
UAccess
Employee
(PeopleSoft)
Integration
Broker
Student
Recruiting
(Hobson)
UAccess
Student
(PeopleSoft)
Budgeting
System
Recruiting Data
HR Data
Historical Data
Room/Bldg Info
People Admin
UIS
(Legacy Data
Warehouse)
Recruiting Data
Student Data
Room/Bldg Info
Budget Data
UAccess
Financials
(Kuali)
Budget Data
Fdn System
(Raisers Edge)
Financial Data
Room/Bldg Info
Summary Fdn Data
Object Codes
Student
Info
UAccess
Research
(Kuali)
UAccess
Space
(Archhibus)
Learning Mgmt
System
(D2L)
EPM
Data
Warehouse
External Data
Sources
CAMPUS
USER
Direct Database
Query
Grant/Contracts Data
Room/Bldg Info
Space Data
Mosaic
Transactional
System
HR Info
Student LMS Data
UACCESS ANALYTICS
Existing
Systems
Existing
Planned
295
Integracin de datos, tambin denominado Datos Comunes

Uno de los objetivos del proyecto de BI era garantizar que la informacin de mltiples sistemas fuente
pudiese ser integrada. Durante el proyecto Mosaic, se cre un grupo de trabajo inter-sistemas para identificar las necesidades de datos comunes. Fundamentalmente, esto significa el uso de definiciones comunes y de identificadores comunes, que se aplicaran a todos los diferentes proyectos de Mosaic. Este
enfoque inter-proyectos era muy necesario, ya que los proyectos individuales estaban muy centrados en
sus propias necesidades particulares. A continuacin se muestran algunos de los elementos de datos que
fueron declarados formalmente datos comunes:
Emplid identificador de persona utilizado para estudiantes, claustro docente, personal y afiliados
externos
Nmero de cuenta segn lo definido en el sistema de Finanzas
Plaza - segn lo definido en el sistema de Empleados
Edificio y Sala segn lo definido en el sistema de Gestin de Espacios
La estructura organizativa present un reto especial, ya que cada sistema de aplicacin necesitaba almacenar localmente entidades organizativas, incluidas sus jerarquas. El enfoque acordado fue obligar a que
dos niveles de cualquier jerarqua tenan que ser comunes: la facultad y la organizacin oficial (denominado tambin departamento). Dentro de esta restriccin, los diferentes sistemas de aplicacin podan
definir organizaciones y jerarquas segn fuesen necesarias. Esto se muestra en el cuadro 10.
296
CUADRO 10
DESCRIPCIN: Ejemplo de datos comunes: modelizacin de la Estructura Organizativa en el data warehouse.
STUDENT ADMIN
FINANCIAL SYSTEM
UA
UA
(Org Type U)
Campus
(Org Type L)
UA
Note-Employee is also a person
and all persons are shared with
Student Admin
Exec Level
(Org Type E)
Primary HR Dept
(Headcount HR Metrics)
WP Level
(Org Type V)
Super-College
College
(Level 2)
Do we need a super
college level?
(Hold for now)
Employee
Super College
(Org Type S)
Job
Title
(Employee-based)
College/Division
(Org Type C)
(time
reporting
approval)
Affiliated Dept
HR Dept
School or ???
Position
Academic Dept
(Level 4)
Note -for example,
animal science- research will become a
non-official org with
the same numeric
identifier as currently
used
Official Org
(Org Type O)
Non-Official Org
(Org Type N)
Account
(management
reporting)
Sub-Account
Account
Note-the org id is
unique, but we can
refer to orgs as
?-1234, C-xxxx, etc.
Title
(Position-based)
Sub-Account
Note-Account
contains WICHE
code (Research, Inst,
Service, etc.)
Account
Distribution
Note-Positions
report to positions
* Note-Based on Dynamic Group Codes,

wich are mostly based
on HR Dept
297
El grupo de trabajo de Datos Comunes sigue vigente y ahora est integrado en el equipo de BI. Actualmente est haciendo ms trabajo en el aspecto organizativo, buscando la forma de implantar un enfoque
de datos maestros para las unidades organizativas y las jerarquas. El resultado probable es que la gestin de jerarquas organizativas se convierta en responsabilidad permanente del rea de BI.
Calidad de los datos
La iniciativa de Datos Comunes se centr en aspectos de prevencin respecto a la calidad de los datos.
A los largo de nuestro recorrido han surgido algunos problemas sobre la calidad de los datos, pero menos
de los que podran esperarse. Esto es, probablemente, consecuencia de la implantacin de una nueva
suite de sistemas de gestin al mismo tiempo y bajo el mismo proyecto global. Los problemas que han
surgido han tendido a ser aquellos en los que las necesidades operacionales se vean afectadas, pero los
datos afectados en s no eran de mucho inters para el contexto de la BI.
Un ejemplo es que en el sistema de Gestin Acadmica algunos asociados administrativos fueron introducidos como profesores, con el fin de facilitar la introduccin de notas por parte del personal administrativo. La verdad es que esto no era necesario, y probablemente fue un comportamiento heredado del
sistema anterior. Cuando posteriormente lleg el momento de asociar asignaturas a docentes, a algunos
de ellos les faltaban las suyas.
Otro ejemplo es que la funcionalidad de composicin del salario no se utiliz coherentemente en el
nuevo sistema de Recursos Humanos. Esta caracterstica permite, por ejemplo, que el salario base de un
profesor est separado del estipendio administrativo proporcionado a los profesores que tambin actan como responsables de departamento. Esto no afect al salario recibido en la prctica, pero impidi
un anlisis adecuado de dichos salarios.
En ambos casos, los datos fueron corregidos en el sistema de gestin una vez identificado el problema.
Sin duda, surgirn ms problemas como estos. Asimismo, a medida que se identifican nuevas fuentes
de datos, prevemos problemas adicionales y posiblemente ms serios en torno a la integracin de datos.
El proceso de gestin de la calidad de los datos no ha sido formalizado todava, pero es necesario que lo
sea. Se estn aadiendo algunas verificaciones automatizadas, p.ej.: verificar la integridad referencial.
Asimismo, se est implantando la estructura de gobernanza ejecutiva de alto nivel con el fin de garantizar que exista una visin global que permita abordar los problemas
de calidad de los datos inter-sistema.
La mayora de los
problemas de calidad
de los datos se hicieron
visibles por primera vez al
implantar el entorno de BI
298
La mayora de los problemas de calidad de los datos se hicieron visibles por primera vez al implantar el entorno de BI. Dos filosofas
operativas clave guan al equipo de BI cuando se encuentra con estos problemas. El equipo es responsable de:
1)
Hacer que la comunidad sea consciente de los problemas conocidos de calidad de los datos.
2) Asegurarse de que se abordan estos problemas. Aunque el problema surja probablemente dentro de
un sistema gestionado por alguna otra unidad, no se les permite decir no es mi problema!
El entorno de BI se encuentra corriente abajo respecto a los sistemas fuente, y hereda de este modo
cualquier cosa que estos le proporcionen. Por otro lado, el entorno de BI es, de facto, la ventana a dichos
datos para la mayora de los usuarios la Universidad. Por consiguiente, necesitamos asumir alguna propiedad de dichos datos cuando los usuarios tienen preguntas o notifican problemas. Actualmente, esto
se maneja de manera ms bien informal, a travs de las estrechas relaciones de trabajo con los equipos
de sistemas de gestin y las unidades de negocio asociadas. Sin embargo, este enfoque no es sostenible
a largo plazo, y nos apoyaremos en la estructura de gobernanza de BI a nivel ejecutivo para que proporcione priorizacin y apoyo para abordar los problemas de calidad de los datos. Con el paso del tiempo,
las cuestiones sobre datos comunes y calidad de datos podran evolucionar a una responsabilidad de
administracin de los datos declarada ms formalmente en la Universidad.
Migracin de datos
La migracin de datos representa un caso especial de calidad de los datos. El equipo de BI fue directamente responsable de la migracin de datos para el sistema de Finanzas. En otros sistemas, esto fue manejado por el equipo del sistema de gestin correspondiente. Independientemente de quin haga el trabajo,
es difcil e importante. Para cada sistema transaccional, se migr una cierta cantidad de datos histricos.
Por ejemplo, en el sistema de Finanzas se migraron 3 aos de transacciones detalladas, y en el sistema de
RRHH se migraron ms de 10 aos de informacin de empleados. Estas migraciones se hicieron directamente en los sistemas de gestin y, por tanto, se reflejaron en el sistema de BI.
En general, sin embargo, el enfoque no fue migrar los datos disponibles en el data warehouse antiguo.
En su lugar, hemos mantenido disponibles los mismos conjuntos de datos del antiguo data warehouse.
La razn fundamental fue la falta de una relacin directa entre las entidades del viejo y el nuevo data
warehouse, as que juzgamos que lo mejor era reconocer que exista una ruptura (en la prctica, encontramos que incluso la migracin de datos de los sistemas de gestin sufran tambin esa falta de relaciones
directas).
Los dos entornos son muy diferentes. En particular, el nuevo entorno es mucho ms rico a nivel de estructura de los datos, y sera imposible en general pasar lo antiguo a lo nuevo salvo a niveles muy agregados.
Metadatos
Segn hemos mencionado anteriormente, tenemos ms trabajo que hacer en lo referente a metadatos.
Existen definiciones de metadatos a nivel de columna para muchas de las fuentes de datos, pero hay literalmente - miles de columnas de datos, y estas definiciones no siempre aclaran las dudas del usuario.
En parte, esto se debe a que los criterios de definicin requieren realmente un debate para ser clarificados, y en parte se al enorme volumen de columnas.
299
Los esfuerzos del equipo de se han centrado, en cambio, en la documentacin de los paneles de control
estndares producidos de forma centralizada. La primera pestaa de cada panel de control es una pgina
de visin general que muestra el historial de revisin y otra documentacin relacionada, y la estructura
de la consulta subyacente de todos los informes est disponible automticamente para los usuarios.
La idea es que los usuarios puedan usar estos productos estndar como modelos para construir nuevas
consultas. Aunque esto es frustrante para algunos usuarios, las discusiones mantenidas hasta la fecha a
este respecto han reafirmado este enfoque. Sin embargo, ser necesario revisar y abordar esta necesidad
de autoservicio, con el fin de lograr el objetivo de ampliar las capacidades de BI en todo la Universidad.
Tambin existe cierta informacin de trazado de la procedencia de los datos, proporcionada por el entorno ETL. Esta informacin est disponible para los miembros del equipo de BI, pero no para los usuarios.
Retencin y archivado de datos
De momento este tema no se ha abordado en el entorno de BI, y no se ve como una prioridad alta en este
momento. Las preocupaciones sobre la retencin se centran mucho ms en los entornos de los sistemas
de gestin, que se considera que son los depositarios de los registros oficiales. Si se cambiase esta definicin e interpretacin, podra afectar tambin al entorno de BI.
La otra cuestin que podra afectar al entorno de BI es el tremendo crecimiento de los volmenes de
datos. Nuestra impresin actual es que la funcionalidad de particin de los datos disponible en la base
de datos puede ayudarnos a lograr que los grandes volmenes de datos histricos estticos no afecten al
rendimiento. La eventual necesidad de usar big data15 podra obligarnos a repensar este enfoque.
Dimensin
Modelo de Madurez
Nivel
Comentario
Gestin de Datos
3-Gestionado
Muchos de los componentes de la gestin de datos estn

implantados. Sin embargo, la cuestin de los metadatos no ha
sido aun suficientemente atendida, y la estructura de gestin
relativa a la calidad de los datos necesita ms formalizacin.
15. Big data es un trmino aplicado a conjuntos de datos tan grandes que superan la capacidad del software habitual para ser capturados,
gestionados y procesados en un tiempo razonable (Wikipedia).
300
6. EL FUTURO
6.1. LOS SIGUIENTES PASOS PREVISTOS
La utilizacin del Modelo de Madurez de inteligencia institucional, presentado en el captulo 5 de la parte
I, nos ayuda a evaluar dnde nos encontramos hoy y sugiere las reas donde debemos considerar pasos
hacia la mejora.
CUADRO 11
DESCRIPCIN: Resultados de la evaluacin de la Inteligencia Institucional en la Universidad de Arizona segn el modelo de madurez
propuesto en el libro.
RESULT: OVERALL MATURITY LEVEL

4
Consolidated
Unbalanced
Institutional intelligence is clearly established as a permanent, global, visible, and valued program resulting in an
effective internal service. Several data products targeted to different user groups and covering different funcional
areas have been created and are actively used.
The achieved maturity level shows an unbalanced general situation where efforts must be made to improve the
weak dimensions (probably by taking advante of the strong ones).
DIMENSIONS
LEVELS
ABSENT
INITIAL
EXPANDED
CONSOLIDATED
INSTITUTIONALIZED
I2 TEAM
absent
local
global
virtual
global full time
competency center
SCOPE
none
/ unknown
specialized
multiple
generalized
full
SBU ROLE
unaware
aware
participants
supporting
data stewards
DATA PRODUCTS
none
/ unknown
limited
expanded
majority
complete
USER COVERAGE
USERS
ENGAGEMENT
none
/ unknown
unaware
limited
aware
expanded
customers
majority
drivers
universal
co-owners
DATA MANAGEMENT
unaware
aware
managed
supported
enforced
BUSINESS VALUE
scarce
optional
interesting
necessary
critical
STRATEGIC SUPPORT
free floating
locally
embedded
project footing
sustainable
service
interdependent with
strategy
A continuacin se muestra un resumen de nuestra auto-evaluacin actual, con reas claves de inters.
301
Dimensin
Modelo de Madurez
Nivel
Comentario
Equipo de inteligencia
institucional
4-Unidad
Central a tiempo
completo
Atender el desarrollo organizativo y la continuidad del

liderazgo
Rol de las Unidades

funcionales
4-De apoyo
Formalizar las responsabilidades a medida que salimos del

paraguas del proyecto Mosaic
Implicacin de los
usuarios
4-Impulsores
Incorporar en la gobernanza en curso
Productos de datos
4-Mayora
Aumentar el uso de tcnicas de visualizacin de datos
Moverse hacia el concepto de BI extendida
Invertir en modelos predictivos

4-Mayora
Implementar paneles de control pblicos

Considerar a los estudiantes como grupo destinatario de
soluciones BI
Alcance
5-Completo
Aadir datos adicionales al data warehouse, tanto internos

como externos
Valor
4-Necesario
Alinearse ms estrechamente con las directrices estratgicas

de la Universidad
Apoyo estratgico
4-Servicio
sostenible
Alinearse ms estrechamente con las directrices estratgicas

de la Universidad
Gestin de Datos
3-Gestionado
Formalizar la iniciativa de calidad de datos

Determinar y proseguir la estrategia de metadatos.
La utilizacin del Modelo

de Madurez de inteligencia
institucional nos ayuda
a evaluar dnde nos
encontramos hoy y sugiere
las reas donde debemos
considerar pasos hacia la
mejora
Diversas iniciativas estn en curso o planificadas, lo que debera dar

lugar a una mejora gradual de estas puntuaciones a lo largo de los
prximos dos o tres aos:
Global
Somos conscientes de la necesidad de vigilar la capacidad de nuestras lneas de produccin, pero el objetivo global es continuar
avanzando con decisin, poniendo en juego ms fuentes de datos
e invirtiendo en cuadros de mando estratgicos, incluyendo la analtica predictiva.
Reporting operacional
La mayor parte de esto est ya implantado, pero existe la necesidad
constante de mejora. En particular, hay oportunidades para mejorar
302
en eficiencia operativa, como por ejemplo, reunir datos ahora mismo dispersos en un solo panel de control. (Esta eficiencia operativa puede ser por s misma un objetivo estratgico).
Reporting gerencial
Al igual que en el caso anterior, existe la necesidad de ms informes gerenciales, y de continuar mejorando los que ya estn implantados. En particular, puede haber oportunidades para mejorar la eficiencia y la
efectividad de los proceso de gobernanza.
Reporting estratgico
sta ser una de las reas de inversin principales. Los destinatarios fundamentales sern los decanos y
otros perfiles de alta direccin. Por ejemplo, el proyecto de Panel de control del Decano continuar, ya
que todava quedan una serie de objetivos por lograr. La planificacin estratgica que se est llevando
a cabo en estos momentos en la institucin influir enormemente en esta inversin. Se espera que esta
iniciativa se vincule a las restricciones presupuestarias y a las mtricas de rendimiento requeridas por el
Consejo de Rectores, ampliadas por la alta direccin.
Analtica predictiva
Nuestro primer proyecto en este mbito ser la previsin de plazas. El siguiente probablemente tendr
que ver con la prediccin del xito estudiantil. Esto requerir seguramente herramientas de software
adicionales, as que las consideraciones presupuestarias podran condicionar el ritmo de todo esto.
Fuentes de datos
Actualmente estamos trabajando para aadir datos de antiguos alumnos al data warehouse. Ms all
de eso, estamos intentando pilotar la creacin de un repositorio de datos clnicos para la investigacin,
alimentado con datos disociados de carcter clnico y datos genmicos. La incorporacin de datos de sistemas de informacin geogrfica est tambin en el horizonte.
Visualizacin de Datos
Necesitamos ampliar nuestro uso de representaciones grficas y visuales de datos apropiadas. En parte,
esto es un problema cultural y de sensibilizacin, pero podra implicar tambin la adquisicin de software adicional.
Uso
Necesitamos aumentar el uso prctico por parte de la alta direccin. Creemos que un mayor nmero de
productos de datos orientados al soporte estratgico ayudar a este fin, pero tambin estamos prepara303
dos desde una perspectiva de proyeccin del rea a proporcionar apoyo personal. Esperamos aumentar
el uso tambin por parte del claustro docente, en particular con relacin a los datos de investigacin.
Asimismo, esperamos publicar nuestros primeros paneles de control pblicos en un futuro bastante cercano. Tambin buscaremos oportunidades para ofrecer productos de datos para estudiantes.
Gobernanza
Planeamos crear el grupo de Gobernanza de BI de nivel ejecutivo, para que sustituya al grupo de Direccin Ejecutiva de Mosaic. ste ser un paso importante para institucionalizar la BI, disponer de la visin
de toda la institucin sobre problemas y oportunidades, y para facilitar la colaboracin. Tambin necesitamos volver a examinar las estructuras de gobernanza de nivel medio para adaptarlas a las circunstancias y expectativas cambiantes.
BI Extendida
ste es un programa importante para nuestro futuro, y necesitamos determinar cual es el mejor enfoque.
Este programa abarcar mltiples facetas, entre las que se incluyen formacin, soporte, comunicacin, y
herramientas software. El objetivo es tener una significativa capacidad de BI que se extienda ms all del
equipo nuclear de BI, y que nutra el desarrollo de anlisis de datos en todo el campus.
Metadatos
Necesitaremos abordar la necesidad de metadatos, muy posiblemente como un componente clave del
concepto de BI Extendida.
Calidad de los datos / Gestin de los datos
Comenzaremos a tener problemas de calidad de los datos ms serios si no tomamos medidas para implantar un programa de calidad de los datos apropiado. Creemos que el proyecto Mosaic pospuso, sin
eliminarlo, este problema para el futuro. Como con los metadatos, la clave ser encontrar un enfoque que
no sea demasiado grande ni demasiado pequeo, sino que sea justo el adecuado para nuestra situacin.
Prevemos que la gestin de datos en general encontrar cada vez ms su sitio en el mbito de la BI.
Equipo de BI
El equipo de informacin analtica corporativa (EIA, del ingls Enterprise Information Analytics) es un
equipo fuerte ahora, pero no se puede dar nada por sentado. Las presiones del mercado son una amenaza. Asimismo, existe la necesidad y la oportunidad de que el equipo que ejerce el liderazgo crezca, en
particular con respecto a implicar a la alta direccin en las directrices estratgicas. Nuestro plan para los
prximos meses es realizar una buena planificacin estratgica de BI para los 2 3 aos prximos.
304
6.2. VISIONES DEL FUTURO

La mayor parte de nuestra visin est implcita en los pasos planificados que acabamos de exponer. A
continuacin se muestra cmo pensamos que podran ser las cosas dentro de cinco aos:
Habr una cultura en toda la Universidad de toma de decisiones fundamentada en datos. No todas
las decisiones pueden o deben tomarse estrictamente en base a los datos, pero siempre existir el
deseo de comprender los datos relevantes y tenerlos en cuenta, es decir, fundamentarse en los datos,
no ser dirigido por los datos.
Habr disponible un rico conjunto de datos externos e internos fiables, y estos datos podrn ser integrados y combinados de manera efectiva.
Los datos sern vistos como un activo institucional, no como un activo departamental.
Se escuchar a los datos para ver qu estn tratando de decirnos realmente, en vez de darles forma para que se ajusten a lo
que pensamos que quieren decirnos (con esto no nos referimos
a minera de datos; solo queremos reflejar la idea de que confiaremos en nuestros datos y stos nos informarn en la evaluacin y toma de decisiones).
Los datos sern gestionados en el contexto de una arquitectura

de datos global.
La calidad de los datos ser gestionada como un proceso holstico apoyado en dicha arquitectura.
El acceso a los datos estar controlado segn proceda, pero en el

marco de la transparencia como un valor cultural global.
Los usuarios estarn facultados para acceder a los datos por s

mismos, y dejarn que la curiosidad les lleve a la exploracin.
La BI ser una fuente de informacin fundamental e influyente

a medida que la Universidad se posicione para el futuro, reaccionando a las fuerzas que estn transformando significativamente la educacin superior en todo el mundo.
La BI ser una fuente de

informacin fundamental
e influyente a medida
que la Universidad se
posicione para el futuro,
reaccionando a las fuerzas
que estn transformando
significativamente la
educacin superior en todo
el mundo
Habr amenazas para esta visin idealizada:
Las limitaciones presupuestarias son una clara amenaza, ya que los siguientes pasos previstos requerirn una inversin continua.
Otra amenaza es la falta de apoyo de la alta direccin. Actualmente, hay un apoyo muy fuerte, pero
esto podra cambiar si el liderazgo cambia, si bien es muy probable que la nueva alta direccin perciba el valor de la informacin de igual manera.
La prdida de focalizacin es una amenaza, ya que hay varias cuestiones que competirn por nuestra
305
atencin. Es importante que conozcamos en todo momento las dos o tres cosas que son ms importantes. Una gobernanza efectiva ser crtica.
La distraccin tambin es una amenaza. La BI es un tema candente en el momento actual. Esto

ha sido y puede ser una ayuda, pero podra hacer tambin que perdamos de vista los objetivos ms
grandes, y podramos vernos seducidos a tratarla como un fin en s misma en lugar de como un
medio.
La disponibilidad de personal es un problema para nosotros. Hay una gran demanda de profesionales de BI con talento. Necesitamos ocuparnos de nuestro personal actual y tambin nutrir las fuentes
de nuevos empleados. Asimismo, necesitamos ocuparnos conscientemente de la planificacin de
sucesin.
La tecnologa, como siempre, est cambiando. El actual paradigma de BI necesita adaptarse a las
nuevas realidades, lo que incluye volmenes masivos de datos (big data), datos no estructurados, el
procesamiento en memoria, etc. Nuestra impresin es que es probable que la inversin en los datos
y en los modelos que los acogen sobreviva a la inversin en las tecnologas especficas que hemos
desplegado para tratarlos.
Como se ha mencionado anteriormente, existe el peligro de saturar nuestras lneas de produccin.

Una gran cantidad de productos han sido desplegados en un corto perodo de tiempo, y se espera
que contine ese ritmo. No obstante, necesitamos asegurarnos de que hay un soporte adecuado para
todo lo que ya se ha puesto en produccin.
La BI ya est produciendo
un verdadero cambio en la
Universidad, existe el fuerte
deseo de hacer mucho
ms, y las expectativas
generadas son muy
elevadas
No esperamos lograr totalmente la visin descrita en este apartado. Hay demasiadas amenazas como para creer que seremos capaces de superarlas todas. Sin embargo, esperamos realizar progresos
muy sustanciales, y esperamos que los aspectos culturales que
afectan a esta visin se muevan en la direccin correcta. La BI ya
est produciendo un verdadero cambio en la Universidad, existe el
fuerte deseo de hacer mucho ms, y las expectativas generadas son
muy elevadas.
La BI es muy visible en la Universidad, y estamos encantados de estar bajo los focos.
7. LECCIONES APRENDIDAS
Hemos aprendido algunas lecciones durante nuestro viaje particular. Algunas de las lecciones confirmaron asunciones que habamos realizado al inicio, y algunas otras las refutaron de modo significativo.
A continuacin se muestran las diez lecciones principales que ofreceramos en base a nuestra experiencia:
306
1)
Planificar, y estar dispuesto a replanificar: Aprendimos muchas lecciones a partir de la experiencia

que no se produjeron hasta que comenzamos a trabajar en serio. Hasta el momento, si echamos la
vista atrs, parecemos estar trabajando en ciclos de dos aos. El primer ciclo de dos aos nos llev
desde el comienzo del proyecto de BI a producir una cantidad sustancial de productos, en ese momento en particular para el apoyo a las implantaciones de los sistemas de gestin acadmica y de
recursos humanos. Al final de dicho ciclo, el equipo emprendi un significativo esfuerzo de planificacin y desarrollo organizativo que dio lugar al nombramiento oficial del equipo de BI, declarando
formalmente la misin y los valores, revisando la estructura organizativa, y estableciendo las directrices estratgicas para seguir adelante. Esas directrices guiaron al equipo durante su siguiente ciclo
de dos aos y estamos a punto de emprender otros esfuerzos de planificacin significativos.
2) Establecer un presupuesto adecuado. Fuimos afortunados de que el proceso de presupuestacin global del proyecto Mosaic nos proporcionara los recursos financieros adecuados. Esto se tradujo inmediatamente en personal disponible y nos permiti (aunque a duras apenas) satisfacer las demandas
que se plantearon al equipo. Hubo momentos bajos en los que pareca que no podramos lograr
hacer el trabajo, y la presin era enorme. Visto a posteriori, es claro que si hubisemos tenido un
presupuesto ms ajustado, el resultado habra sido muy diferente en sentido negativo. En un punto
clave del proyecto, el equipo de Direccin Ejecutiva de Mosaic aument el presupuesto de BI sin que
hubiera una solicitud formal para hacerlo. Esa decisin se bas en su convencimiento sobre el valor
de la informacin, y en su deseo de ver ms cosas hechas ms rpidamente.
3) Permitir un tiempo adecuado para el crecimiento. sta es similar a la leccin anterior. La constitucin y consolidacin de un equipo, el desarrollo de habilidades, y el aprendizaje de las lecciones
llevan tiempo. Aunque podamos mirar atrs ahora y ver que, de haberlo sabido, podramos haber
conseguido determinadas cosas ms rpidamente, no habramos tenido xito realmente si hubisemos tratado de hacerlo entonces. Es necesario que el calendario del proyecto empuje al equipo,
y quizs incluso que le empuje fuerte, pero tambin es necesario dejar algo de espacio para que el
crecimiento ocurra.
4) Apoyarse en consultora externa. Es importante tener algo de orientacin al comienzo. Esta orientacin no sustituye al crecimiento del equipo comentado en la leccin anterior, pero logra que las
cosas comiencen bien encaminadas, discurran luego por el buen camino, y lo que es tambin muy
importante, aseguren al equipo que hay un resultado satisfactorio esperando ms adelante. Esto, a
su vez, sugiere el tipo de ayuda de consultora que se necesita al comienzo. Los consultores tambin
pueden utilizarse como mano de obra en los procesos de desarrollo para lograr que el trabajo se haga
a tiempo, pero si no se gestiona cuidadosamente, esto puede ir en detrimento del crecimiento y desarrollo de habilidades del equipo propio.
5) No sobrevalorar el alcance de los datamarts que puedes comprar. En nuestro caso, licenciamos algunos contenidos para el data warehouse (ETL y paneles de control), con el fin de que esto nos ayudara
con los datos de estudiantes y empleados. Nos sirvi para empezar, pero nos encontramos bastante
pronto con la necesidad de superar el alcance adquirido. Un alcance ms amplio puede marcar la
diferencia, y quiz otras organizaciones puedan hacer ms de lo que nosotros hicimos. No obstante,
el valor que disponer de estos contenidos ya desarrollados nos supuso en los inicios fue significativo.
307
6) Tener en cuenta el impacto de asumir la responsabilidad de los informes operacionales. sta es

probablemente nuestra leccin ms importante. Cuando comenzamos el proyecto, estbamos pensando principalmente en productos de datos de apoyo a la toma de decisiones, y suponiendo que el
desarrollo de informes operacionales sera llevado a cabo en su mayor parte en los sistemas de gestin. Sin embargo, a medida que evolucionaba, el entorno de BI se convirti en un lugar muy atractivo
para realizar informes operacionales, y acabamos adoptando tambin ese enfoque (da la impresin
de que inevitablemente siempre se subestima el impacto del desarrollo de informes en todos los proyectos, y en este caso, le toc al equipo de BI compensarlo). El impacto de este cambio afect de dos
formas. La primera es que el propio equipo tuvo mucho ms trabajo que hacer de lo que habamos
previsto, y los desarrollos relativos a apoyo a la toma de decisiones no pudieron abordarse hasta que
el trabajo de desarrollo de informes operacionales estuvo bajo control. La otra es que la carga de trabajo que las mquinas del entorno de BI deban soportar aument considerablemente. Donde ms se
sinti esto fue con el mdulo de Finanzas, que tena un enorme volumen de informes operacionales.
Cuando el mdulo de Finanzas se puso en marcha, la carga en el data warehouse se cuadruplic.
7) D
imensiona el hardware y el software en exceso. En nuestras configuraciones originales, habamos
tomado la decisin consciente de comprar por encima de las previsiones en trminos de memoria,
potencia de procesamiento, etc. Esto se hizo con la expectativa de que antes o despus el uso crecera
dramticamente, y que un tiempo malo de respuesta a una consulta sera visto muy negativamente
por los usuarios. El enfoque de dimensionar en exceso demostr ser inestimable para absorber el
impacto que la inclusin de los informes operacionales supuso. Tambin nos permiti salir a produccin con consultas e informes cuyo rendimiento no estaba optimizado todava. Irnicamente,
los problemas de optimizacin normalmente no salieron a la superficie hasta que entramos en funcionamiento y pudimos ver cmo se estaban utilizando realmente los paneles de control. Si no hubisemos tenido la capacidad excedente, esto habra sido imposible. Incluso con esa capacidad, ya
fue suficientemente difcil, pero en una escala de verde-amarillo-rojo, este enfoque nos permiti no
pasar nunca ms all de un amarillo brillante.
8) Estar preparado para gestionar problemas de rendimiento. En nuestro caso, la implantacin de los
mdulos de gestin acadmica y especialmente de finanzas cre la mayor parte de los problemas
de rendimiento. Esto se debi fundamentalmente al volumen de datos implicado, y al alto nivel de
detalle de las reas temticas en el data warehouse. En los momentos peores, tuvimos problemas
para completar las cargas nocturnas antes del inicio del siguiente da laborable, y algunas consultas e informes tardaban tanto tiempo en ejecutarse que apenas eran utilizables. Al igual que con
otros aspectos de BI, esto ha sido una experiencia de aprendizaje para nosotros, y ahora estamos
comenzando a percibir que controlamos la situacin en este aspecto. Hemos hechos cosas como
pre-agregar algunos datos y crear ndices de base de datos adicionales, y ahora estamos comenzando
a emplear algunas tcnicas ms sofisticadas proporcionadas por el sistema de gestin de base de
datos que parecen ofrecer grandes mejoras. Estas tcnicas no requieren en la mayora de los casos
redisear los paneles de control, lo cual es una gran ventaja, ya que permite a los analistas centrarse
en el problema funcional, y les permite continuar respondiendo muy rpidamente a las peticiones
y oportunidades en los propios paneles de control. No podramos hacer estas optimizaciones si no
tuvisemos un apoyo muy fuerte del equipo de Entornos y administracin de bases de datos. Las
habilidades que necesita un administrador de Base de Datos (DBA) para optimizar y dar soporte a los
308
procesos de BI son significativamente diferentes a aquellas necesarias para los sistemas transaccionales, y necesitaron tiempo para aprender y coger experiencia.
9) Cuidar la composicin del equipo de BI. Hace falta algo de experiencia en data warehousing en el equipo, pero no es necesario (y probablemente no es posible) que todos los miembros
del equipo tengan esa experiencia inicialmente. Incluso a nivel
del equipo de direccin del rea de BI, 4 de los 7 miembros tenan experiencia significativa en data warehousing, mientras
que los otros tenan una experiencia muy limitada o ninguna
(si bien, los 7 tenan experiencia previa en la Universidad, ya
sea como estudiantes o como empleados). Para el equipo de
BI en general hemos tenido buenas experiencias contratando
a recin graduados en MIS (del ingls Management Information Systems), y formndoles despus en business intelligence.
El mercado de personal cualificado en BI es muy competitivo,
y en nuestro caso la competencia por estos perfiles no parece
proceder de otras instituciones de educacin superior, sino de la
industria privada. Necesitamos garantizar que los salarios que
ofrecemos reconocen esta realidad.
10) Centrarse en las relaciones con el cliente interno. Puede haber
una tendencia a prestar demasiada atencin a las herramientas y a la forma correcta de hacer data warehousing, y no prestar suficiente atencin a quines son los clientes, dnde estn,
qu necesitan y, en general, cmo son sus vidas en sus puestos
de trabajo. En Arizona desde el principio nos hemos centrado
muy fuertemente en el lado del cliente interno, y en particular
en desarrollar relaciones estrechas con clientes clave. Es importante lograr el equilibrio correcto entre consideraciones tcnicas y metodolgicas, y necesidades funcionales y oportunidades. Establecer y mantener relaciones estrechas con los clientes
internos nos permite encontrar el equilibrio correcto. Asimismo, asumimos una orientacin de servicio muy fuerte hacia
nuestros usuarios. Atendemos los mensajes y postings de la
comunidad online. Prestamos odo a lo que aprendemos en las
clases que impartimos. Vamos a reuniones. Nos comunicamos
utilizando todos los canales a nuestro alcance. Nos esforzamos
por ser visibles y accesibles.
Las habilidades que

necesita un administrador
de Base de Datos (DBA)
para optimizar y dar
soporte a los procesos de
BI son significativamente
diferentes a aquellas
necesarias para los
sistemas transaccionales
En Arizona desde el
principio nos hemos
centrado muy fuertemente
en el lado del cliente
interno, y en particular
en desarrollar relaciones
estrechas con clientes
clave.
(...) asumimos una
orientacin de servicio
muy fuerte hacia nuestros
usuarios
309
CASO DE ESTUDIO
UNIVERSIDAD
DE ILLINOIS
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autor
Mr. Aaron Walz

Director of Decision Support. Administrative
Information Technology Services (AITS).
University of Illinois, USA
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE II CAPTULO 2 ESTUDIO DE CASO: UNIVERSIDAD DE ILLINOIS
CAPTULO 2
CASO DE ESTUDIO
UNIVERSIDAD DE ILLINOIS
Universidad DE ILLINOIS
SOBRE EL AUTOR
Las opiniones expresadas en este trabajo representan las opiniones profesionales y personales del autor y no reflejan necesariamente las opiniones de OCU o de la Universidad
de Illinois.
Como Director de Apoyo a la Decisin para el grupo de Servicios Administrativos de Tecnologa de la Informacin en la Universidad de Illinois, Aaron Waltz es responsable de la estrategia, la gestin y las operaciones de los entornos y actividades de Business Intelligence (BI) y Data warehousing de la Universidad.
Aaron ha trabajado en la Universidad de Illinois a lo largo de once aos, y ha ayudado a crear el programa
y el equipo de BI de la Universidad desde cero. Ha trabajo extensamente con productores y consumidores
de informacin y partes interesadas en todos los niveles de la Universidad, y ha desempeado un papel
de liderazgo dando forma a las estrategias y planes de BI a lo largo de los aos.
Antes de incorporarse a la Universidad, Aaron ocup diversos puestos en servicios a clientes, garanta de
calidad de software y consultora en empresas nuevas de alta tecnologa en atencin sanitaria y comercio electrnico.
Aaron realiza presentaciones a nivel nacional sobre Business Intelligence y Data Warehousing en educacin superior en diversas conferencias del sector. Actualmente, ocupa el cargo de Presidente (perodo
312
2013-2014) del Higher Education Data Warehousing Forum, una red de profesionales de Data Warehousing en educacin superior de ms de 500 facultades y Universidades en 22 pases diferentes.

La Universidad de Illinois (www.uillinois.edu) es una Universidad pblica grande, situada en la regin medio oeste de los Estados Unidos, fundada en 1867. Se compone de tres campus diferentes, Urbana-Champaign, Chicago, y Springfield, cada uno con su propio y exclusivo foco de inters, pero que comparten un
compromiso de excelencia en la enseanza, la investigacin y el servicio pblico.
Muchas de las titulaciones de la Universidad estn clasificadas permanentemente entre las principales
de Estados Unidos, y son impartidas por un claustro respetado a nivel nacional e internacional, que incluye premios Nobel, premios Pulitzer y receptores de la beca MacArthur1.
La Universidad tiene tambin una larga tradicin de excelencia en investigacin, y los investigadores
de la Universidad han producido innovaciones y avances revolucionarios, tales como el maz super dulce
Illini, el navegador Web Mosaic, la ciruga de transplante robtica, o el descubrimiento de las formas
de vida archaea, que constituyen un tercer dominio de la vida 2.
Algunas otras estadsticas clave relativas a 2013 muestran el tamao y mbito de la Universidad3:
Estudiantes matriculados en nuestros tres campus: 77.443
Ttulos otorgados en 2011-2012: 20.372
Claustro docente (equivalentes a tiempo completo): 5.771
Personal administrativo y profesional (equivalentes a tiempo completo): 7.197
Personal de soporte (equivalentes a tiempo completo): 9.932
Ayudantes graduados (plantilla): 9.415
Egresados vivos / miembros de la Asociacin de egresados: 637.073 (todos los egresados son miembros de la asociacin de egresados de la Universidad de Illinous - UIAA)
Presupuesto operativo en 2012-2013: 5.420 millones de dlares
Investigacin con financiacin externa en 2011-2012: 789,5 millones de dlares
Organizaciones estudiantiles: 1.421
Planta fsica: La Universidad tiene ms de 800 edificios, con un coste de reposicin de 8.900 millones
1. www.uillinois.edu/about/academics
2. www.uillinois.edu/about/research
3. www.uillinois.edu/about/
313
de dlares. Los tres campus engloban 2.443 acres (988,6 Ha), con terrenos adicionales que totalizan
10.520 acres (4.257,3 Ha).
Como hemos mencionado antes, cada uno de los campus tiene un foco de inters definido y atiende a
una poblacin diferente. Por ejemplo, el campus de Urbana-Champaign est muy focalizado en la investigacin y tiene un perfil universitario tradicional, con predominio de estudiantes de grado que viven en el
propio campus. El campus de Chicago est muy focalizado en disciplinas relacionadas con la salud, tiene
una facultad de medicina con un amplio hospital universitario, y al estar situado en el centro de una gran
rea metropolitana, tiene menos poblacin en el campus. El campus de Springfield, situado en la capital
del estado, oferta estudios ms focalizados en ciencias polticas, y tiene una creciente presencia online.
Cada uno de los campus mantiene una fuerte identidad independiente, con su propio Rector. Una organizacin administrativa central, encabezada por el Presidente de la Universidad, da soporte a todos los
campus. La toma de decisiones tiende a estar muy descentralizada, y muchos servicios estn ampliamente
distribuidos entre los campus, e incluso entre facultades y departamentos acadmicos individuales. Existe
una fuerte cultura de independencia a nivel de campus y de facultad. Estos factores tienen un impacto
significativo en los esfuerzos de inteligencia institucional, como este caso de estudio describir con algn
detalle.

Los primeros intentos de abordar las necesidades de informacin con sistemas centralizados en la Universidad de Illinois fueron una serie de proyectos a mediados de los aos 90 para extraer datos de los sistemas
centrales (mainframes), e incluyeron la creacin de un data warehouse. Desgraciadamente, estos esfuerzos
fueron muy insatisfactorios, en parte debido a que el mbito fue muy reducido, limitado a la elaboracin
de informes operacionales, y a una falta de infraestructura organizativa. Ninguna funcin centralizada
relativa a la gestin de la informacin sobrevivi, y la disponibilidad de datos sigui siendo muy limitada.
En 1999, la Universidad llev a cabo un estudio interno denominado Estrategia para los Servicios de Soporte, que dio lugar, entre otros resultados, a una recomendacin para sustituir el sistema informtico
central existente y otros sistemas heredados por un nuevo sistema ERP integrado (del ingls Enterprise
Resource Planning). El informe Estrategia para los Servicios de Soporte tambin contena las siguientes
recomendaciones relacionadas con la gestin de la informacin:
La Universidad debe implementar un sistema de gestin de la informacin integral, que
incluya un data warehouse corporativo. El data warehouse debe permitir a los usuarios
finales obtener datos tiles (tanto de carcter financiero como no financiero). Para que
sean tiles, estos datos deben ser oportunos, precisos, fcilmente accesibles, y en un formato que pueda ser utilizado por el usuario final.
314
Durante la planificacin del proyecto de implantacin del nuevo ERP, esta necesidad fue subrayada an
ms, siendo explcitamente identificada como uno de los factores crticos de xito del despliegue del ERP.
Obviamente, a medida que los nuevos mdulos del ERP se fueran desplegando, los sistemas heredados
a los que fueran sustituyendo y sus informes asociados dejaran de estar disponibles para cubrir las
necesidades de informacin. Por consiguiente, era crtico desarrollar una funcionalidad de inteligencia
institucional en paralelo con la implementacin del ERP para evitar una crisis de datos.
A comienzos del ao 2000, la Universidad comenz a trabajar para crear una unidad de inteligencia institucional en paralelo con la implantacin del ERP, para abordar las necesidades identificadas en el estudio Estrategia para los Servicios de Soporte y en el plan de implantacin del ERP. Esta nueva unidad fue
denominada Apoyo a la Decisin (Decision support), y le fue asignada la responsabilidad de evaluar las
necesidades de los consumidores de informacin de la Universidad, crear y mantener un data warehouse
corporativo, y proporcionar todos los servicios necesarios para darle soporte.
El patrocinio inicial para el rea de Apoyo a la Decisin vino de la Oficina de Planificacin y Presupuestos, as como del servicio de Tecnologas de la Informacin de la Universidad, y ambas oficinas proporcionaron personal para la nueva unidad. Tambin se estableci un Equipo de Direccin, que incluy a partes
interesadas de las oficinas centrales, como Finanzas, Recursos Humanos, y Admisiones y Registro, as
como tambin Investigacin Institucional, TI Administrativa y el proyecto ERP. Tambin se incluyeron en
este Equipo de Direccin a representantes de las facultades de cada campus.

Como ya hemos comentado, los primeros impulsores estratgicos de alto nivel para la nueva iniciativa
de data warehousing en Illinois defendieron la necesidad de un enfoque ms integral en la gestin de
la informacin, con el deseo de proporcionar un mejor acceso a los datos y a los servicios relacionados,
con el objeto de garantizar que los datos del nuevo sistema ERP fueran estando disponibles a medida que
ste se fuese desplegando.
1.3.1. PRIMERA ETAPA: AUMENTAR LA DISPONIBILIDAD DE LOS

DATOS
La primera etapa del nuevo equipo de inteligencia institucional se centr en el proyecto de crear un data
warehouse corporativo que integrase los datos de varios sistemas de gestin, en particular del nuevo ERP.
Durante la implantacin del ERP, desde 2001 hasta 2004, este proyecto fue obviamente el impulsor principal, y toda la capacidad del equipo fue dedicada a la creacin y ampliacin del data warehouse corporativo,
a medida que se iban desplegando los nuevos mdulos del ERP, garantizando as que los datos del ERP
estuvieran accesibles. Despus de la implantacin del ERP, el equipo de inteligencia institucional continu
315
aadiendo otros sistemas de gestin como fuentes de datos del data warehouse, con el objeto de convertirlo en la fuente nica e integrada de todos los datos administrativos de la Universidad.
Durante esta primera etapa, hacer disponibles los datos de gestin bsicos fue especialmente importante,
puesto que, como ya hemos comentado antes, todos los informes de los sistemas de gestin anteriores
fueron desmantelados al ser esos sistemas sustituidos por el nuevo ERP. El equipo de implantacin del
ERP tena recursos limitados dedicados a la creacin de nuevos informes, y se centraron en entregar un
conjunto muy reducido de informes clave, en lugar de tratar de replicar todos los informes que haba
disponibles en el sistema anterior. Para todo lo dems, los usuarios fueron dirigidos al nuevo data warehouse corporativo.
al personal menos tcnico

le costaba mucho trabajo
incluso la obtencin de
informacin bsica. El
motivo era que la curva de
aprendizaje requerida para
manejar la herramienta
de elaboracin de
informes y comprender las
complejidades de los datos
era muy pronunciada
Con el objeto de atender a esta demanda, el equipo de inteligencia

institucional despleg una herramienta de elaboracin de informes
sobre el data warehouse, y proporcion formacin y soporte a los
usuarios, de forma que estos pudiesen crear sus propios informes
personalizados, y asimismo apoy al personal tcnico que quera
conectarse al data warehouse directamente, utilizando sus propias
herramientas locales.
Como resultado de esto, los datos llegaron a estar ampliamente disponibles para la comunidad universitaria, especialmente para aquellos con un elevado nivel de experiencia tcnica y conocimiento de
los datos. Sin embargo, al personal menos tcnico le costaba mucho
trabajo incluso la obtencin de informacin bsica. El motivo era que
la curva de aprendizaje requerida para manejar la herramienta de
elaboracin de informes y comprender las complejidades de los datos era muy pronunciada (incluso para el personal tcnico). Asimismo, se requera un nivel muy elevado de apoyo por parte del equipo
de inteligencia institucional central para ayudar a los usuarios a hacer buen uso de las herramientas de elaboracin de informes.
1.3.2. SEGUNDA ETAPA: EXPANDIR LA BASE DE USUARIOS

Los impulsores iniciales siguen siendo importantes, y proporcionar un acceso amplio a los datos sigue
siendo una parte fundamental del valor de los productos y servicios de data warehousing de la Universidad. Sin embargo, se incluyeron nuevos factores de xito, y la segunda etapa del equipo de inteligencia
institucional se centr en mejorar la facilidad de uso y en expandir la base de usuarios ms all del personal tcnico, incluyendo a usuarios y decisores de perfil ms funcional.
En los planes iniciales, estaba previsto que el data warehouse corporativo sirviese como base para la
316
creacin de otras soluciones de informacin ms especficas. Durante esta segunda etapa, una serie de
conjuntos de datos especializados (data marts) fueron creados para reflejar determinada lgica de negocio de manera ms sencilla o para personalizar los datos de cara a necesidades de informacin particulares. Algunos ejemplos de esto son la creacin de fotos de la informacin del censo de estudiantes, la
integracin de detalles sobre la nmina y otras transacciones en informacin financiera, la agregacin de
informacin relativa a la actividad del profesorado, o la agregacin de informacin histrica sobre gastos
y recuento de empleados.
Adems de centrarnos en simplificar los datos, se aadieron nuevos tipos de productos de Business Intelligence para dar soporte a ms tipos de necesidades de informacin. Las creacin de consultas ad-hoc con
la herramienta de elaboracin de informes es mucho ms accesible para los usuarios de negocio al utilizar los data marts como fuente de datos, ya que contienen conjuntos de elementos de informacin ms
pequeos y focalizados, y requieren tambin menos lgica compleja por parte del usuario, puesto que las
reglas del negocio estn ya incorporadas en los propios datos. Sin embargo, se sigue requiriendo el uso de
la herramienta de consulta ad-hoc, y esto supone aun un esfuerzo no trivial para el personal no tcnico. El
conjunto inicial de informes estndar que se proporcionaron como parte de la implantacin del ERP est
siendo revisado y expandido actualmente para hacer mucho ms fcil la obtencin de respuestas oficiales a preguntas comunes. Para abordar la necesidad de anlisis multidimensionales, se crearon cubos
OLAP basados en algunos de los data marts. Tambin se han desplegado los primeros cuadros de mando,
y se estn haciendo esfuerzos para facilitar herramientas de paneles de control que permitan desarrollar
informes Web interactivos y monitorizar indicadores de rendimiento.
1.3.3. TERCERA ETAPA: AUMENTAR LA EFICIENCIA Y DAR

SOPORTE A INTELIGENCIA INSTITUCIONAL AVANZADA
Hacer que sea ms fcil el consumo de los datos para usuarios y decisores funcionales sigue siendo un
esfuerzo vigente en 2013, pero se est empezando a impulsar una tercera etapa basada en objetivos adicionales que estn emergiendo ahora. Segn hemos mencionado antes, la provisin de un amplio acceso
a los datos y a las herramientas de inteligencia institucional para toda la comunidad universitaria ha
sido un impulsor clave para Illinois desde el principio. En este contexto, las necesidades locales de informacin han superado la capacidad de desarrollar soluciones centralizadas para todas ellas. Dada la
cultura independiente y fuertemente descentralizada de la Universidad, estos factores han llevado a una
proliferacin de soluciones locales que han sido creadas desde el data warehouse central, y aunque estas
soluciones locales utilizan las herramientas de inteligencia institucional corporativas (y no todas ellas lo
hacen), existe una gran cantidad de redundancia y por tanto de duplicacin innecesaria de esfuerzos. En
una organizacin como la Universidad de Illinois, que se est enfrentando a un descenso constante de
financiacin pblica, lograr una mayor eficiencia se ha convertido en un impulsor de importancia.
Esto se extiende incluso ms all de las soluciones locales basadas en el data warehouse, ya que muchas
oficinas centrales diferentes estn implicadas en la creacin y distribucin de informes, y sus esfuerzos
317
el deseo de pasar a
niveles ms avanzados
de funcionalidad de
est impulsando la
colaboracin entre oficinas
a menudo se solapan tambin. Esta situacin ha creado un nuevo

impulsor que se centra en el desarrollo de un enfoque ms colaborativo y coordinado para entregar informacin a toda la Universidad,
de forma que reas que han trabajado tradicionalmente de forma
independiente, empiecen a trabajar de manera conjunta.
No slo es necesaria una mayor colaboracin para mejorar la eficiencia en la creacin y distribucin de informacin, sino tambin
para que la Universidad pueda emprender con garantas las nuevas
iniciativas de gestin del rendimiento y analtica predictiva. Iniciativas de este tipo pueden ser emprendidas en contextos acotados
y a escala pequea, pero su aplicacin a nivel corporativo requiere
que varias oficinas diferentes trabajen juntas de una nueva forma.
De este modo, el deseo de pasar a niveles ms avanzados de funcionalidad de inteligencia institucional
est impulsando la colaboracin entre oficinas.
CUADRO 1
DESCRIPCIN: Distribucin de las tres etapas de incremento de valor de BI a lo largo del tiempo en la Universidad de Illinois.
III. Increase
efficiency and
support advanced
BI through
collaboration.
INCREASING
VALUE
II. Expand the user base through

targeted tools and data sets.
I. Increase data availability by building an

Enterprise Data Warehouse and continuing to
add new sources.
2001
2003
2005
2007
2009
2011
STAGES OF INCREASING INSTITUTIONAL INTELLIGENCE VALUE

OVER TIME AT THE UNIVERSITY OF ILLINOIS
318
2013
2. ALCANCE
2.1. LOS CLIENTES INTERNOS Y SUS NECESIDADES
Desde el comienzo, el esfuerzo en inteligencia institucional en Illinois tuvo como objetivo tener un amplio alcance y englobar todo el espectro de clientes internos, cada uno con necesidades de informacin
diferentes. A lo largo de los aos, se han utilizado una serie de enfoques diferentes para segmentar a
estos clientes en grupos. En lneas generales, el equipo de inteligencia institucional central analiza los
clientes a partir de tres ngulos distintos:
En qu tipo de unidad trabajan?
Qu rol desempean?
Qu nivel de experiencia tcnica tienen?
2.1.1. TIPOS DE UNIDADES DE CLIENTES

Se utilizan las categoras generales siguientes para clasificar las unidades en grandes tipologas:
Facultad/Departamento Acadmico: Incluye a las unidades que atienden las misiones fundamentales de la Universidad: proveer de programas acadmicos y docencia a los estudiantes, y llevar a cabo
actividades de investigacin, tutorizacin y de servicios de apoyo.
Unidad de Servicio o de Soporte (a nivel de Campus o de toda la Universidad): Incluye unidades cuyo
papel fundamental es proporcionar un servicio centralizado, tales como Servicios de Estudiantes,
Alojamiento, Instalaciones, TI, etc.
Centros, Institutos, o Unidades de funcin externa: La Universidad tiene tambin muchos centros
e institutos diferentes que realizan investigacin, tales como el Centro Nacional de Aplicaciones de
Supercomputacin (NCSA, del ingls National Center for Supercomputing Applications), as como
tambin unidades cuyo foco de actividad fundamental es externo a la Universidad, tales como el
Foro UIC, un centro de convenciones de la Universidad de Illinois, sito en Chicago.
Unidades administrativas: Las oficinas que son responsables de funciones administrativas fundamentales de la Universidad incluyen: Gestin acadmica, Gestin econmica, Recursos Humanos,
etc.
Investigacin Institucional: Las Universidades de Estados Unidos tienen normalmente una unidad
denominada Investigacin Institucional, que desempea un papel clave en la generacin de informes externos, estadsticas descriptivas, y en general satisfaciendo diversas necesidades recurrentes
de informacin de la Universidad.
Administracin (a nivel de Campus o de la Universidad): Esto incluye a los Presidentes, Rectores,

Gerentes, as como a sus oficinas de apoyo.
319
2.1.2. TIPOS DE ROLES DE CLIENTES

Los tipos de roles que los clientes desempean son ms difciles de definir, y tienden a utilizarse agrupaciones diferentes segn se van necesitando. Asimismo, los clientes a menudo representan ms de un
rol. Las siguientes son algunas de las categoras bsicas de roles de clientes desde el punto de vista de la
inteligencia institucional en Illinois:
Administradores: Presidente, Gerentes, Rectores, y personal asociado en sus oficinas de apoyo
Administradores acadmicos: Decanos y Directores de Departamento
Responsables funcionales: Personal responsable de las funciones de negocio de su unidad o unidades
Gestores de RRHH: Responsables de recursos humanos en su unidad (o unidades)
Oficina funcional: Personal que trabaja en las oficinas que llevan las funciones administrativas clave
de la Universidad
Claustro docente y otros instructores: Personal responsable de los programa acadmicos y de la enseanza a estudiantes
Investigadores: Personal que realiza investigacin
Asesores: Profesores y otro personal dedicado a la asesora y tutorizacin de los estudiantes
Secretara y administrativos: Personal que lleva a cabo diversas funciones administrativas para su
unidad o unidades
2.1.3. NIVELES DE EXPERIENCIA TCNICA

Los clientes tienen niveles muy diferentes de conocimientos tcnicos. Al igual que con los roles, esto es
difcil de caracterizar, pero se consideran normalmente los siguientes niveles bsicos:
320
Profesionales de datos: Incluye a personas que operan, preparan y distribuyen datos como parte
fundamental de su trabajo. Son hbiles en el uso de diversas herramientas de tratamiento de datos, incluidas las herramientas de inteligencia institucional, y normalmente tambin herramientas
avanzadas de software estadstico.
Personal tcnico: Incluye profesionales de tecnologas de la informacin que crean informes y trabajan con bases de datos como una parte fundamental de su trabajo. A menudo desarrollan consultas
y/o informes contra bases de datos utilizando diversas herramientas, con el fin de distribuir informacin a terceros.
Usuarios funcionales ocasionales: Incluye a personas en muchos roles diferentes cuya responsabilidad fundamental no se desarrolla en tecnologas de la informacin ni tiene que ver con la preparacin de datos, pero que pueden necesitar obtener y usar datos para llevar a cabo su trabajo. Los
responsables funcionales y los asesores, por ejemplo, entraran en esta categora. Habitualmente
comparten la informacin que obtienen con otros. Normalmente, se sienten cmodos utilizando cubos OLAP o informes para extraer los datos que necesitan y volcarlos a hojas de clculo, en las que
operan con mayor comodidad. Algunos pueden llegar a dominar las herramientas de consulta adhoc del data warehouse.
Decisores y personal administrativo: Son aquellos en los extremos ms altos y ms bajos de la organizacin. Tienden a ser menos tcnicos, y normalmente trabajan con informes o cuadros de mando
preparados por terceros.
Vale la pena sealar que el personal docente en particular puede entrar en cualquiera de estas categoras,
dependiendo de su campo y de su experiencia personal y aptitudes. Asimismo, a menudo pensamos en
las dos primeras categoras como productores de informacin y en las dos ltimas como consumidores
de informacin.
Aunque el equipo de inteligencia institucin atiende a todas estas categoras de clientes, los colectivos en
los que ms centramos nuestros esfuerzos han cambiado a lo largo del tiempo. Segn hemos descrito en
secciones anteriores, nuestra etapa inicial estaba muy preocupada con la creacin del data warehouse corporativo, y nuestra base de clientes ms activa y exitosa fueron los productores de la informacin: los profesionales de datos y el personal tcnico.
Durante esa etapa inicial, tambin dedicamos una gran cantidad de esfuerzos a la formacin y el soporte
para ayudar a los usuarios funcionales a llegar a ser ms hbiles en el uso de la herramienta corporativa
de consulta ad-hoc para crear sus propios informes. Como ya hemos sealado anteriormente, la curva
de aprendizaje para este colectivo es prohibitivamente elevada, y muchos de ellos habran estado mejor
atendidos con informes predefinidos y productos de datos ms fciles de utilizar.
Esto dio lugar, en las etapas subsiguientes, a un aumento del foco de inters en usuarios funcionales y
ocasionales, lo que ampli el nmero de clientes competentes en esta categora. Sin embargo, este aspecto sigue siendo un frente abierto y aun tenemos un largo camino que recorrer para lograr la adopcin
masiva de las herramientas de inteligencia institucional en esta categora de clientes. Seguimos creando
data marts y cubos OLAP para atender mejor a estos colectivos, y tambin estamos mejorando nuestra
capacidad de cuadros de mando y paneles de control. Asimismo, nuestros esfuerzos para revisar y ampliar los informes estndar predefinidos tambin sern de mucha ayuda para estos clientes.
2.1.4. EVALUACIN DE LA MADUREZ: IMPLICACIN DE LOS

USUARIOS
En trminos del Modelo de Madurez propuesto en el captulo 5 de la parte I de esta obra, la iniciativa de
inteligencia institucional en Illinois podra situarse en el Nivel 4 respecto a la implicacin de los usuarios, es decir, por regla general los usuarios son impulsores en los proyectos e iniciativas de inteligencia
institucional.
321
DIMENSIN
NIVELES
COMPROMISO
DE LOS
USUARIOS
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
no conscientes
conscientes
clientes
impulsores
INSTITUCIONALIZADO
co-propietarios
5
Los usuarios funcionales y el resto de implicados estn muy comprometidos en los proyectos e iniciativas
centrales de inteligencia institucional, que estn impulsados para y centrados en satisfacer sus necesidades de informacin. Se identifican los proyectos potenciales basndose en solicitudes directas de los
usuarios, y tambin en las propuestas del personal de la unidad de inteligencia institucional central, que
identifican los retos a los que se enfrentan los consumidores y productores de informacin en las diversas reuniones con los usuarios, acciones de soporte y debates que surgen fruto de la actividad habitual
del equipo.
Este paso, en el que la

sugerencia de una posible
aplicacin surge del rea de
inteligencia institucional, es
especialmente importante
en entornos en los que los
usuarios todava no son
plenamente conscientes de
las posibilidades
El equipo de inteligencia institucional combina esta informacin

recogida sobre el terreno respecto a las necesidades y retos a los
que los usuarios se enfrentan, con la experiencia en inteligencia
institucional, identificando as dnde podra ayudar la tecnologa
a resolver las dificultades y necesidades de informacin detectadas.
Este paso, en el que la sugerencia de una posible aplicacin surge
del rea de inteligencia institucional, es especialmente importante en entornos en los que los usuarios todava no son plenamente
conscientes de las posibilidades y soluciones que desde el rea de
inteligencia institucional podemos proveer.
Los usuarios a menudo se comprometen activamente en la revisin

de prototipos para ayudarnos a determinar el alcance de estos proyectos potenciales y confirmar que la aplicacin propuesta sera til
y efectiva. Despus, los proyectos potenciales son revisados, aprobados y priorizados mediante un proceso de gobernanza formal que
incluye a los usuarios y a otros implicados importantes. Adems de
las actividades tradicionales de toma de requerimientos iniciales, implicamos a los usuarios a menudo
en otras revisiones intermedias, as como en la realizacin de pruebas de aceptacin de usuario antes de
cualquier despliegue final.
2.1.5. EVALUACIN DE LA MADUREZ: COBERTURA DE LOS

USUARIOS
Respecto a los grupos de usuarios atendidos a travs de la iniciativa de inteligencia institucional, podra
322
decirse que Illinois ha alcanzado el Nivel 3: Expandido, donde dos de los siguientes cuatro grupos son
usuarios efectivos:
Direccin (direccin de alto nivel, gestin de escuela local, gestin de servicios locales/globales)
Personal administrativo (servicios globales, servicios locales)
Claustros docentes (profesores, investigadores)
Estudiantes (futuros, actuales, egresados)
En la actualidad, todo el espectro de los grupos personal administrativo y direccin es atendido en

alguna medida a travs productos y servicios de inteligencia institucional. Sin embargo, los Estudiantes
no son actualmente destinatarios de ninguna solucin de inteligencia institucional, y si bien para los
docentes hay disponibles algunos informes para perfiles asesores e investigadores, apenas constituyen
soluciones especficamente desarrolladas para ellos, por lo que no los contamos tampoco como un colectivo atendido.
DIMENSIN
NIVELES
COBERTURA
USUARIO
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
INSTITUCIONALIZADO
ninguno /desconocido
limitado
expandido
mayora
universal

El equipo de inteligencia institucional en la Universidad de Illinois proporciona un espectro completo de
servicios de business intelligence y de data warehousing, segn ilustra el siguiente diagrama:
323
CUADRO 2
DESCRIPCIN: Universidad de Illinois: Servicios incluidos en el equipo de Inteligencia Institucional.
INFORMATION DELIVERY
DATA ARCHITECTURE
ENTERPRISE
STANDARD
REPORTS
DATA MODELING
AND DESIGN
CHANGE
MANAGEMENT
BI SOLUTIONS
DATA ACQUISITION
PROCESSING (ETL)
DATA ANALYSIS
AND VALIDATION
BI/DW
SECURITY
BI TECHNOLOGY
ADMINISTRATION
AND MONITORING
DATA
WAREHOUSE
BI PRODUCT
PLANNING
BI/DW
ENVIRONMENTS
BI R&D
BI ARCHITECTURE
Los servicios proporcionados por el equipo de inteligencia institucional incluyen tanto los servicios de
administracin (backoffice) que construyen y mantienen el entorno del data warehouse, como los servicios de cara al cliente interno, tales como el soporte a las herramientas de business intelligence, la formacin y los servicios de asistencia al usuario.
2.2.1. SERVICIOS DE ADMINISTRACIN (BACKOFFICE)

Los servicios de administracin proporcionados por el equipo de inteligencia institucional incluyen:
324
la gestin de datos
la gestin del entorno
los servicios de desarrollo.
Con respecto a la gestin de datos, esta comienza con el modelado y diseo de las estructuras que dan
soporte a las necesidades de anlisis y de elaboracin de informes identificadas. Los servicios de adquisicin y procesamiento de datos extraen los datos de los sistemas fuente, los transforman para adaptarlos
a las estructuras de datos destino diseadas, y los cargan en el entorno del data warehouse (esto se denomina procesos ETL, del ingls Extract, Transfor, Load). Adems, se realiza un anlisis de los datos para
comprender los datos de origen, y una validacin de los mismos para garantizar que los datos en el data
warehouse reflejan correctamente tanto los datos de origen como las reglas de negocio. Actualmente,
estas actividades operativas son realizadas internamente por el equipo de inteligencia institucional, porque el foco de inters est en garantizar la integridad de estos procesos internos. Sin embargo, una nueva
iniciativa en curso puede dar lugar a que las actividades de validacin de datos en el futuro incluyan la
participacin de expertos de las unidades administrativas que actan como propietarios de esos datos.
Actualmente ya participan en la validacin y pruebas de aceptacin de los diversos productos de datos
que entregamos a los usuarios finales.
En cuanto a la gestin del entorno, incluye la coordinacin y supervisin de todos los entornos, tanto de
produccin como de desarrollo o pruebas, del data warehouse y bases de datos asociadas, as como la administracin de todos los productos y herramientas de business intelligence. Tambin incluye la gestin
de la infraestructura de seguridad que garantiza que slo los datos apropiados estn disponibles para
cada rol de usuario. La investigacin y el desarrollo de las tecnologas de business intelligence actuales
tambin se lleva a cabo en esta funcin.
Los servicios de desarrollo se ocupan de los proyectos para aadir datos de nuevos sistemas de gestin
al data warehouse, de la creacin de nuevos conjuntos de datos especficos (p.ej.: nuevos data marts) y
del desarrollo de nuevos productos de datos para los usuarios finales, tales como informes, cubos OLAP
y cuadros de mando. Los servicios de desarrollo incluyen tambin las actividades de mantenimiento necesarias para abordar pequeos proyectos, mejoras y resolucin de incidencias mediante un proceso de
gestin del cambio formal con despliegues mensuales.
Parte de nuestras actividades de desarrollo incluyen tambin las labores de planificacin de producto,
que es un proceso creado en la Universidad de Illinois para asociar al espectro de necesidades de informacin de un proceso administrativo determinado, el conjunto de soluciones de business intelligence,
productos de datos y fuentes de datos necesarias para cubrirlas. Esto nos permite identificar conjuntos
de proyectos relacionados que deben ser planificados y priorizados para, en ltima instancia, entregar
un conjunto integrado de soluciones. Se proporciona una descripcin ms detallada de este enfoque ms
adelante, en la Seccin 8.8.2.
2.2.2. SERVICIOS DE CARA AL CLIENTE INTERNO

Adems de los servicios de back office descritos en el apartado anterior, el equipo de inteligencia institucional de la Universidad de Illinois proporciona una variedad de servicios dirigidos a los clientes internos
para ayudarles a usar las herramientas de business intelligence y el data warehouse.
325
La formacin tiene como

objetivo la capacitacin
tanto en el uso de las
herramientas de business
intelligence como
en la comprensin e
interpretacin de los datos
que fluyen a travs de ellas
El equipo oferta cursos de capacitacin formales de manera continua, utilizando tanto el formato presencial como el online. La
formacin tiene como objetivo la capacitacin tanto en el uso de
las herramientas de business intelligence como en la comprensin
e interpretacin de los datos que fluyen a travs de ellas. Incluye
sesiones que se centran en las herramientas, en cmo crear informes bsicos o formatear y crear consultas complejas, por ejemplo.
Tambin hay sesiones que ensean a los usuarios cmo crear tipos
de informes muy especficos sobre reas de anlisis concretas, para
temas tales como admisin de estudiantes, egresados, o sesiones
centradas en explicar cmo usar los cubos OLAP disponibles para
analizar reas como la plantilla de empleados o la nmina. Adems de las sesiones regladas de capacitacin formal, tambin se
celebran sesiones prcticas (de laboratorio), de asistencia libre y
frecuencia mensual en cada campus. Estas sesiones permiten a los
usuarios formular preguntas, notificar necesidades y obtener ayuda
prctica de los expertos que las imparten.
Las preguntas y los problemas de los clientes son atendidos a travs del centro de asistencia al usuario
general (help desk), que se encarga de encaminar los casos al experto apropiado. Adems de atender
a las cuestiones que se van reportando a medida que surgen, los miembros del equipo de inteligencia
institucional participan en una amplia variedad de comits, realizan presentaciones a diversos grupos
de clientes y proporcionan asesoramiento o consultora bajo demanda, y tambin de manera proactiva
crean y gestionan diversas relaciones con clientes, socios y otros implicados.
El equipo de inteligencia institucional tambin genera comunicaciones constantes hacia los clientes,
fundamentalmente a travs de diversos tipos de notificaciones directas y de la pgina Web del rea4, que
contiene informacin detallada sobre los productos disponibles, la carta de servicios, la disponibilidad y
acceso a los datos, diversos comunicados sobre mantenimiento, etc. En esta pgina Web tambin se ponen a disposicin de los clientes multitud de metadatos tcnicos y funcionales. Los metadatos tambin
son desarrollados y mantenidos por el equipo de inteligencia institucional.
Las siguientes capturas de pantalla resaltan algunas secciones de la pgina Web.
4. www.ds.uillinois.edu
326
FIGURAS 1, 2 Y 3
DESCRIPCIN: Universidad de Illinois: Pgina inicial del site de inteligencia institucional (denominado Decision Support)
FUENTE: Universidad de Illinois
327
DESCRIPCIN: Universidad de Illinois:

Pgina de metadatos
del site de inteligencia
institucional.
FUENTE: Universidad de
Illinois
DESCRIPCIN: Pgina
de soporte a usuarios
del site de inteligencia
institucional.
FUENTE: Universidad de
Illinois
328
2.3. VALOR PARA LA INSTITUCIN

Tal y como se explica en el Modelo de Madurez propuesto en esta
publicacin, la medida ms importante de xito de una iniciativa de
inteligencia institucional consiste en la constatacin de que la informacin proporcionada se est utilizando de forma efectiva para
generar valor para la organizacin.
2.3.1. AUMENTANDO EL VALOR POR

ETAPAS
La cuestin del valor para la institucin surge de manera natural
tras tratar al tema de la justificacin en la seccin anterior, donde se
presentaron las tres etapas de la iniciativa de inteligencia institucional. Recordmoslas:
la medida ms importante
de xito de una iniciativa
de inteligencia institucional
consiste en la constatacin
de que la informacin
proporcionada se est
utilizando de forma efectiva
para generar valor para la
organizacin
Etapa 1: Aumentar la disponibilidad de los datos mediante la

creacin de un data warehouse
Etapa 2: Ampliar la base de usuarios mediante herramientas y conjuntos de datos a medida
Etapa 3: Aumentar la eficiencia en el uso y potenciar una inteligencia institucional avanzada basada
en la colaboracin entre oficinas
Despus de la creacin inicial del data warehouse (etapa 1), el foco de

inters de los clientes fue en gran medida la creacin de informes
operacionales, la respuesta a preguntas ad-hoc y la extraccin de datos centrales para su inclusin en sistemas de gestin locales. Tal y
como ya comentamos, como parte de la implantacin del nuevo ERP
solo se desarrollaron un conjunto muy limitado de informes estndar predefinidos. Esto dej sin cubrir una gran cantidad de informes
bsicos necesarios para satisfacer los requerimientos operacionales, de forma que uno de los objetivos iniciales del data warehouse
corporativo fue cubrir esta necesidad. La capacidad que la plataforma de inteligencia institucional otorga a los clientes para crear sus
propios informes personalizados y extraer datos para alimentar sus
sistemas locales, ha supuesto una fuente de valor muy grande para
la Universidad. Esto es especialmente cierto en una organizacin
sumamente descentralizada como la Universidad de Illinois, donde
las facultades y otras unidades a menudo prefieren crear soluciones
locales personalizadas segn sus necesidades, antes que depender
de sistemas centrales que a menudo son menos flexibles y lleva ms
La capacidad que la
plataforma de inteligencia
institucional otorga a
los clientes para crear
sus propios informes
personalizados y extraer
datos para alimentar
sus sistemas locales, ha
supuesto una fuente de
valor muy grande
329
tiempo desplegar. El enfoque de soluciones locales que utilizan infraestructura central puede proporcionar
lo mejor de ambos mundos.
Aunque este modelo ha demostrado ser muy valioso para la Universidad, tiene algunas limitaciones. Una
de dichas limitaciones es que los resultados, recursos y experiencia tcnica de los equipos de tecnologas
de la informacin locales no son uniformemente distribuidos ni aprovechados de ningn modo en el resto de campus, facultades y unidades. Esto puede dar lugar a un nivel desigual de adopcin y aprovechamiento, estando mucho mejor provistas de informacin las facultades que tienen ms recursos locales
que aquellas con menos recursos. Obviamente, una situacin de puedo y no puedo en la capacidad
de explotar un recurso central implica que potencialmente muchos clientes no estn obteniendo el valor
deseado de la inversin hecha en inteligencia institucional por la Universidad.
En la segunda etapa, y para ampliar la base de clientes, el equipo de inteligencia institucional central
despleg nuevas herramientas y conjuntos de datos ms especficos, que requeran menos experiencia
tcnica para poder ser utilizados. Un beneficio obvio de esta medida fue que una audiencia ms amplia
pudo disponer de un mejor acceso a los datos, incluso en unidades con poco personal informtico local.
Otro beneficio clave fue que con la inclusin de cubos OLAP como parte de esta etapa, los usuarios funcionales comenzaron a tener una mayor capacidad para analizar fcilmente datos agregados. Una vez satisfechas las necesidades de elaboracin de informes bsicos, y puesto que los datos agregados estuvieron
accesibles en mayor medida, ms proveedores locales comenzaron a proporcionar informes a su nivel de
gestin, incluyendo algunos cuadros de mando desarrollados localmente. Aunque esto sigue siendo un
trabajo en curso, es un paso importante hacia la creacin de una cultura ms analtica en la Universidad.
Ya hemos visto un aumento de la demanda de este tipo de productos, a medida que ms y ms clientes
se han visto expuestos a ellos y se han dado cuenta de lo qu es posible obtener.
Tal y como ya comentamos en secciones anteriores, el aspecto negativo de permitir y potenciar todo este
desarrollo local ha sido una gran cantidad de redundancia, ya que cada proveedor local produce sus propias soluciones para muchas necesidades bsicas de informacin que son comunes a varias oficinas. El
reconocimiento de esta redundancia es la que nos ha llevado a fijar el foco de inters actual (tercera etapa), relativo a mejorar la colaboracin y coordinacin entre oficinas y a un esfuerzo central para revisar y
ampliar el conjunto actual de informes estndar a la luz de los desarrollados localmente por cada oficina.
El valor de estas iniciativas ser, a largo plazo, un aumento de la eficiencia, ya que habr menos duplicidad innecesaria de esfuerzos, y un conjunto de soluciones de informacin estndar ms integral. Asimismo, el aumento de la colaboracin entre oficinas supondr un paso importante en los esfuerzos para
dar soporte a la gestin del rendimiento y la analtica predictiva a nivel de campus y Universidad. Ya se
han iniciado, recientemente, varias iniciativas y proyectos en los que se est utilizando este enfoque ms
cooperativo, lo que est suponiendo un paso alentador en la direccin correcta.
330
2.3.2. EVALUACIN DE LA MADUREZ: VALOR

Si reflexionamos sobre el Modelo de Madurez propuesto en esta publicacin, la iniciativa de inteligencia
institucional en la Universidad de Illinois podra ser evaluada como de Nivel 4: Necesario.
NIVELES
DIMENSIN
VALOR
1
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
INSTITUCIONALIZADO
escaso
opcional
interesante
necesario
crtico
En muchas reas de la Universidad, los servicios del equipo central

de inteligencia institucional y los datos proporcionados por las herramientas se consideran absolutamente necesarios para poder
operar de manera efectiva. Esto es especialmente cierto en aquellos
casos en los que las soluciones locales se basan en los datos e infraestructura proporcionados por el equipo central de inteligencia
institucional. Si no dispusieran de ellos, estas unidades se quedaran sin la informacin necesaria para asumir las responsabilidades
de su puesto de trabajo. En algunos casos, esta ausencia de informacin sera considerada incluso como Crtica (Nivel 5).
En muchas reas de la
Universidad, los servicios
del equipo central de
inteligencia institucional y
los datos proporcionados
por las herramientas se
consideran absolutamente
necesarios para poder
operar de manera efectiva
En otras reas en las que el foco de inters se ha ampliado para incluir

anlisis y elaboracin de informes de gestin, estas actividades son
tratadas algunas veces como importantes, pero no indispensables
(Nivel 3: Interesante). Esto se debe parcialmente a la naturaleza de
los tipos de necesidades a las que se da soporte. Por ejemplo, un decano o un responsable de departamento pueden considerar que analizar la actividad docente o las tendencias de gasto son cuestiones interesantes y tiles, pero no una parte
estrictamente necesaria y rutinaria de su trabajo habitual. No obstante, a medida que la cultura analtica
va permeando y hacindose ms dominante, estas actividades tambin sern vistas como necesarias, y es
de esperar que, con el tiempo, acaben considerndose como crticas para el xito de la Universidad.
2.4. USO
Despus de doce aos de desarrollo activo, la Universidad de Illinois tiene actualmente un amplio data
warehouse que cubre la mayora de las reas de gestin principales de la Universidad. A enero de 2013, el
data warehouse contiene ms de 2.700 millones de registros en veintids reas temticas definidas sobre
ocho sistemas fuente diferentes.
331
2.4.1. REAS TEMTICAS DEL DATA WAREHOUSE

En el rea de Finanzas, se incluyen las siguientes reas temticas principales en el data warehouse :
Transacciones operativas y generales del libro mayor (ERP)
Cuentas por pagar y cuentas por cobrar (ERP)
Activos fijos (ERP)
Subvenciones de investigacin (ERP)
Propuestas de subvenciones (sistema de subvenciones previo a la adjudicacin)
Nmina (ERP)
Compras (ERP)
Detalles de transaccin de la Tarjeta de Compra (sistema de Tarjeta de Compra de la Universidad)
Programas de capital (sistema de gestin de proyectos de capital)
Instalaciones (sistema de gestin de las instalaciones)
Asimismo, se han desplegado los siguientes conjuntos de datos especializados para los datos de Finanzas:
Estado de resultados de la actividad (que integra detalles de la nmina y de la tarjeta de compra con
transacciones de finanzas)
Resumen de becas y ciclo de vida de las becas
Tendencias del gasto
En el rea de Recursos Humanos, se incluyen las siguientes reas temticas principales en el data
warehouse de Empresa:
Datos biogrficos y demogrficos del empleado (ERP)
Prestaciones para empleados (ERP)
Rango y permanencia en el claustro (ERP)
Informacin sobre el trabajo del empleado (ERP)
Enrutamiento de transacciones y aprobaciones del empleado (aplicacin personalizada)
Asimismo, se han desplegado los siguientes conjuntos de datos especializados para los datos de Recursos
Humanos:
332
Actividad consolidada del Personal Docente e Investigador
Resumen y tendencias de plantilla de empleados
Reconciliacin de nmina de RRHH
En el rea de Estudiante, se incluyen las siguientes reas temticas principales en el data warehouse
institucional:
Contratacin y admisiones (ERP)
Asignaturas matriculadas (ERP)
Ayuda financiera (ERP)
Catlogo y calendario de las asignaturas (ERP)
Ttulos/Historial acadmico (ERP)
Orientacin para nuevos estudiantes (aplicacin personalizada)
Estructura acadmica: Programas de asignaturas, carreras, ttulos oficiales de facultades y departamentos, etc. (aplicacin personalizada)
Asimismo, se han desplegado los siguientes conjuntos de datos especializados para los datos de Estudiante:
Censo de inscripcin (informacin de inscripcin en un momento dado)
Censo de solicitud (informacin de solicitudes y admisiones en un momento dado)
Adjudicaciones de ayuda financiera por perodo y ao
Censo de ayuda financiera (informacin en un momento dado sobre adjudicaciones de ayuda financiera)
Recuentos de admisiones y matrculas
Anlisis de capacidad de grupos de clase
2.4.2. EVALUACIN DE LA MADUREZ: ALCANCE

En trminos de Alcance, segn lo definido por el Modelo de Madurez, la iniciativa de inteligencia institucional de la Universidad de Illinois podra valorarse con el Nivel 5, el cual requiere que se ofrezcan
productos de datos para las cuatro reas funcionales clave:
Econmica/Financiera
Acadmica
Recursos Humanos
Investigacin
333
NIVELES
DIMENSIN
ALCANCE
1
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
INSTITUCIONALIZADO
ninguno/
desconocido
especializado
mltiple
generalizado
completo
Esto no significa en modo alguno que el data warehouse est terminado. Estamos aadiendo de manera continua nuevos datos de
sistemas adicionales de la Universidad . Sin embargo, es exacto decir que el data warehouse es, en la actualidad, una fuente razonablemente exhaustiva de todos los datos administrativos de la Universidad en todas sus reas principales de gestin.
es exacto decir que

el data warehouse es,
en la actualidad, una
fuente razonablemente
exhaustiva de todos los
datos administrativos de la 2.4.3. MEDICIONES DE USO
Universidad en todas sus
Existen, aproximadamente, 2.500 cuentas de usuario en el entorno
reas principales de gestin de business intelligence corporativo, y de ellas, casi 1.300 ejecutan
informes o consultas sobre el data warehouse, utilizando principalmente las herramientas de elaboracin de informes. El resto recupera informes estndar estticos, que se refrescan peridicamente
de forma masiva. Adems de los casi mil informes estndar, mantenidos por las oficinas centrales, los
clientes internos han creado ms de 20.000 informes personalizados, y ejecutan ms de 15 millones de
consultas por ao.
El siguiente grfico muestra el nmero de usuarios por tipo de unidad en la que trabajan (en la seccin
2.1.1 ya describimos las categoras de clientes internos aqu utilizadas).
334
CUADRO 3
DESCRIPCIN: Universidad de Illinois: distribucin por tipologa de los usuarios activos en la plataforma de BI a lo largo de un periodo
de nueve meses.
DIRECT USERS OF DATA WAREHOUSE
600
533
500
400
300
272
234
200
157
100
54
17
Academic
Service /
Support
Functional
Offices
Centers /
External
Administration
Institutional
Research
Esta informacin se basa en la actividad registrada en el data warehouse desde agosto de 2012 a abril
de 2013 (nueve meses). La siguiente tabla proporciona algunas estadsticas adicionales del uso para el
mismo perodo de tiempo.
[ Ver Tabla 1 (pg. sig.)
335
Consultas
Usuarios
Unidades con
usuarios
*
Unidades
totales
**
% de unidades
con usuarios*
+
% total de
consultas
% de usuarios
finales
Tipo de unidad
de cliente
Facultades/
Departamentos
Acadmicos
2.177.553
533
195
358
54%
15%
42%
Servicio/Soporte
7.467.627
272
93
184
51%
50%
21%
Centros/Externo
4.556.701
157
61
123
50%
31%
12%
Unidades
administrativas
257.906
234
35
51
69%
2%
18%
Investigacin
Institucional (y
ms)
273.511
17
100%
2%
1%
Administracin
169.038
54
23
33
70%
1%
4%
Total General
14.902.336
1.267
409
751
54%
100%
100%
Notas:
* Unidades totales que tienen uno o ms empleados utilizando de manera activa el data
warehouse
** Unidades totales con empleados (fuente: datos de RRHH sobre plazas y trabajo en el
data warehouse)
+ Unidades activas en cada categora divididas por las unidades totales en dicha categora
** Las unidades de Investigacin Institucional (Institutional Research) para los campus de
Chicago y Springfield se incluyen en Servicio/Soporte y Admin. Campus
3. ORGANIZACIN
Varios directores senior diferentes han servido como patrocinadores ejecutivos clave durante los doce
336
aos de historia de data warehousing en la Universidad de Illinois.

Las dos reas que han estado ms implicadas han sido la Oficina de
Planificacin y Presupuestacin y el servicio central de TI. Los patrocinadores ejecutivos iniciales ocuparon, ambos, el rol de Vicepresidente Asociado de Planificacin y Presupuestacin. Cuando se cre
inicialmente, el equipo de inteligencia institucional renda cuentas
directamente a este rol, haciendo depender este papel de patrocinador ejecutivo, y la rendicin de cuentas correspondiente, de una
relacin de responsabilidad formal, en vez de un tema de inters
o entusiasmo personales. Adems de la cuestin formal, la Universidad tuvo la suerte de tener a un individuo en particular en esta
funcin que apoy enormemente la misin y visin necesarias para
proporcionar inteligencia institucional a la Universidad. Este apoyo
fue un factor clave de xito en los primeros esfuerzos del equipo de
la Universidad tuvo la
suerte de tener a un
individuo en particular en
esta funcin que apoy
enormemente la misin
y visin necesarias para
proporcionar inteligencia
institucional a la
Universidad. Este apoyo fue
un factor clave de xito
Despus de una reorganizacin de la Universidad en 2009, la lnea

jerrquica para el rea de Apoyo a la Decisin (como se denomina
el equipo de inteligencia institucional) pas al Vicepresidente Asociado para Servicios Administrativos de Tecnologa de la Informacin (AITS, del ingls Administrative Information Technology Services). Al ao siguiente, Apoyo a la Decisin se fusion con AITS, donde reside
todava en 2013. Con el cambio en las lneas jerrquicas, el Vicepresidente Asociado para AITS se convirti
en el patrocinador ejecutivo identificado formalmente. En este caso, de nuevo, la Universidad ha sido
afortunada de tener a un individuo que ha apoyado enormemente los esfuerzos de business intelligence
y data warehousing, y ha garantizado que sigan siendo un foco de inters estratgico para la Universidad.
3.2. GOBERNANZA Y DIRECCIN ESTRATGICA

3.2.1. EQUIPO DE DIRECCIN INICIAL
Durante la creacin del equipo de inteligencia institucional, se cre un Equipo de Direccin formal para
supervisar la nueva funcin y garantizar que los implicados clave se comprometieran. Esto incluy oficinas centrales, tales como Negocio y Finanzas, Recursos Humanos, y Admisiones y Registros, y tambin
Investigacin Institucional, TI Administrativa, y el proyecto del ERP. Tambin se incluyeron a representantes de las facultades de cada campus.
El rol fundamental desempeado por el Equipo de Direccin fue proporcionar supervisin y recomendaciones sobre temas relacionados con los requisitos de los datos, seguridad y acceso, servicios de usuario y
representacin de la comunidad universitaria. Un rea clave en la que este grupo result crucial fue en la
formacin de polticas y procedimientos apropiados en torno a la seguridad y el acceso para el data warehouse corporativo recientemente creado.
337
El Equipo de Direccin continu reunindose mensualmente a lo largo de la implantacin del ERP, a medida que las reas temticas principales del data warehouse se iban desplegando. Fueron recibieron informes peridicos de progreso, y fueron consultados en una amplia variedad de cuestiones.
Cuando la implantacin del ERP y la creacin inicial del data data warehouse llegaron a su fin en 2005, el
Equipo de Direccin se desmantel. Hasta este punto, el equipo de inteligencia institucional haba estado
operando en su mayor parte como un equipo de proyecto a gran escala. Despus de este perodo, Apoyo
a la Decisin se convirti en una unidad permanente, y continu recibiendo directrices desde diversas
fuentes, en lugar de disponer de un nico Equipo de Direccin.
3.2.2. COMIT DE PRIORIDADES DE TI

En lo que respecta a la financiacin y priorizacin de proyectos, en 2005 la Universidad implement tambin un nuevo proceso para revisar y priorizar proyectos de TI a escala de toda Universidad: El Comit de
Prioridades de Tecnologa de la Informacin (ITPC, del ingls Information Technology Priorities Committee). La responsabilidad de priorizar nuevos proyectos de business intelligence y data warehousing recay
en este nuevo comit.
3.2.3. BUSINESS INTELLIGENCE Y COMIT DE GESTIN DEL

RENDIMIENTO
En 2009, el Equipo de Gestin Tecnolgica de la Universidad, un grupo formado por los Directores de
informtica de los Campus y de la Universidad, y presidido por el Director Financiero, form un nuevo subcomit que recibi el encargo de desarrollar una estrategia de business intelligence y gestin del
rendimiento a nivel de toda la Universidad. Este grupo era similar en composicin al equipo original de
Direccin de Apoyo a la Decisin, que inclua a implicados clave de las reas Negocio y Finanzas, Recursos Humanos, Admisiones y Registros, Investigacin Institucional tanto a nivel de Campus como de
Universidad, TI Administrativa, y las facultades de cada campus. Un foco de inters clave del grupo era
fomentar la colaboracin entre las oficinas centrales para abordar mejor las necesidades de informacin
estratgica de los decisores acadmicos (es decir, Decanos, Gestores, Directores de Departamento y Docentes/investigadores).
En este punto, coexistan dos fuentes clave de gobernanza. Este nuevo subcomit de business intelligence
y Gestin del Rendimiento (BI-PM) debati sobre la estrategia de business intelligence a alto nivel, y el
Comit de Prioridades de Tecnologa de la Informacin antes mencionado - prioriz grandes proyectos.
Sin embargo, con el paso del tiempo result claro que exista una desconexin entre ambos.
El proceso de priorizacin demostr ser efectivo para el trabajo en sistemas globales a gran escala, pero se
338
produjo inicialmente una brecha con respecto a los proyectos de business intelligence. La mayor parte del
foco de inters del comit era, necesariamente, las operaciones crticas de los sistemas administrativos,
y los miembros del comit se centraban enormemente en las unidades administrativas responsables de
dichos sistemas, y en la TI central administrativa. Los proyectos de business intelligence, centrados en mejorar la entrega de informacin a las unidades acadmicas, representaban un tipo diferente de esfuerzo,
dirigido a atender a una audiencia diferente, y con algunos implicados distintos.
Para ayudar a cerrar esta brecha, el subcomit de business intelligence y Gestin del Rendimiento fue
aadido en el proceso del Comit de Prioridades TI en 2011. Esto dio al subcomit la autoridad para aprobar proyectos pequeos y medianos, y la capacidad para recomendar proyectos ms grandes como parte
del proceso de priorizacin global. Esto ayud a garantizar que el grupo que evaluaba los proyectos de
business intelligence inclua a las partes interesadas adecuadas. Un beneficio adicional fue que el mismo
grupo que defina la estrategia, estableca las prioridades para proyectos nuevos.
3.2.4. DOCUMENTOS DE ESTRATEGIA FORMAL

La mejora en la gestin de la informacin y la provisin de un mejor acceso a los datos haban sido mencionadas en varios documentos de estrategia a nivel de la Universidad con anterioridad al establecimiento del equipo central de inteligencia institucional. Aunque esto proporcion una gran parte del impulso
necesario para crear la nueva unidad, no se haban identificado todava estrategias especficas. En 2000,
a medida que el equipo de inteligencia institucional estaba comenzando a aumentar, representantes de
este grupo y del proyecto ERP aprobaron una Estrategia de Elaboracin de Informes de la Universidad que
estableca parte del trabajo de base inicial.
El Equipo de Direccin de Apoyo a la Decisin, era el grupo lgico para establecer la estrategia de data
warehousing y business intelligence. Sin embargo, su foco de inters termin estando ms del lado de la
poltica y las operaciones debido al agresivo cronograma de implantacin del ERP, con el que debamos
mantenernos en paralelo, y la mirada de problemas operativos asociados al establecimiento de una nueva iniciativa.
Despus de que el Equipo de Direccin se disolviera en 2005, la estrategia de establecimiento de tareas
recay en la jefatura del equipo de inteligencia institucional, bajo su patrocinador ejecutivo en la oficina
de Planificacin y Presupuestacin de la Universidad, y en consenso con otros clientes y partes interesadas. A lo largo de los aos siguientes, crearon una serie de planes estratgicos internos. En ausencia de un
rgano de direccin formal, stos se centraron fundamentalmente en las actividades del equipo central
de inteligencia institucional, en lugar de abordar los esfuerzos de business intelligence en la Universidad.
An as, dado su papel central en la atencin a clientes en todos los campus, se cubri una gran cantidad
de terreno.
La fusin de Apoyo a la Decisin con los Servicios de TI Administrativos en 2010 proporcion la oportunidad para fusionar la estrategia de business intelligence en el contexto ms amplio de la estrategia glo339
La fusin de Apoyo a la
Decisin con los Servicios
de TI Administrativos
en 2010 proporcion la
oportunidad para fusionar
la estrategia de business
intelligence en el contexto
ms amplio de la estrategia
global de TI
bal de TI, y los planes estratgicos de TI subsiguientes han incluido

objetivos especficos relacionados con la inteligencia institucional.
Asimismo, cuando se cre en 2011-2012 un sistema de Estrategia de
TI ms amplio, a nivel de Universidad, Datos y capacidades analticas mejoradas fue identificado como un tema estratgico. Este sistema de Estrategia identifica tambin una serie de objetivos relacionados con los Datos Institucionales y la Informacin. Estos objetivos
se centran en ampliar la infraestructura de business intelligence
para mejorar la facilidad de uso para los decisores y los consumidores de informacin ocasionales, y en fomentar una mayor colaboracin entre los productores de informacin y usuarios intensivos.
Adems de los planes estratgicos de TI, el comit de business intelligence y Gestin del Rendimiento tambin ha realizado tres recomendaciones estratgicas claves, comenzando a esbozar una visin
del futuro de la business intelligence en la Universidad de Illinois.
Las recomendaciones estratgicas incluyen:
Proporcionar una herramienta comn de paneles de control y cuadros de mando para apoyar las
necesidades de visualizacin de la informacin, con soporte centralizado, pero a disposicin de los
productores de informacin de toda la Universidad.
Los implicados clave de las oficinas centrales deben colaborar para crear un conjunto de repositorios de datos institucionales que proporcionen informacin autorizada, fiable y soportada para que
todos los productores de informacin la utilicen en la obtencin de respuestas a preguntas comunes.
Los productores de informacin deben colaborar asumiendo un enfoque ms sistemtico para identificar, revisar y distribuir informes estndar, con el fin de proporcionar un conjunto ms completo e
integrado de respuestas oficiales a preguntas comunes en todas las unidades.
La visin de futuro sobre la business intelligence incluye los siguientes temas:
340
Los datos deben ser ms comprensibles para las personas que tratan de utilizarlos
Las herramientas de BI disponibles deben ser ms fciles de usar y presentar los datos ms grficamente
Las mtricas y los conjuntos de datos estndar deben poder ser utilizados en todas las unidades, y
deben poder agregarse/desagregarse a travs de todos los niveles de la organizacin.
La entrega satisfactoria de productos de BI en la Universidad es una actividad colectiva que requiere

una colaboracin activa entre muchas partes interesadas diferentes.
Tanto los esfuerzos centrales como los locales son crticos para la entrega de productos BI, y por tanto
es importante equilibrar la eficiencia de una infraestructura central con la necesidad de personalizaciones locales.
3.2.5. EVALUACIN DE LA MADUREZ: APOYO ESTRATGICO

Segn lo definido por el Modelo de Madurez, podra decirse que la iniciativa de inteligencia institucional
ha logrado el Nivel 4, en el cual esta constituye un servicio sostenido en la Universidad.
NIVELES
DIMENSIN
APOYO ESTRATGICO
1
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
a la deriva
local
global-proyecto
global-servicio
sostenible
INSTITUCIONALIZADO
5
la estrategia
Hay un grupo de inteligencia institucional formalmente establecido (denominado Apoyo a la Decisin)

dentro de la unidad central de Servicios Administrativos de TI, con jerarquas establecidas y un Gestor
que acta como miembro del equipo de gobierno de la unidad. Asimismo, aunque la inteligencia institucional no es todava totalmente interdependiente con la estrategia institucional global, se incluyen
en el plan estratgico de TI de la Universidad objetivos especficos relacionados con la distribucin de la
informacin.
3.3. POLTICAS Y PRINCIPIOS

Una de las polticas ms crticas para los esfuerzos en inteligencia institucional en Illinois es la poltica
de Seguridad y Acceso, que fue desarrollada por el Equipo de Direccin de Apoyo a la Decisin original y
sigue todava en vigor en la actualidad (a enero de 2013). Esta poltica proporciona el marco global sobre
cmo se controla y supervisa el acceso a los datos en el entorno del data warehouse.
Algunos temas clave cubiertos por la poltica sobre Seguridad y Acceso son:
La filosofa global, que hace hincapi en el valor de mejorar la facilidad de acceso a la informacin de
la Universidad, y cmo este debe equilibrarse tambin con la necesidad de proporcionar restricciones apropiadas para proteger los datos sensibles
Referencias a otras polticas relevantes de la Universidad, tales como la Poltica global sobre la Seguridad de la Informacin de la Universidad
Cmo deben clasificarse los datos basndose en su sensibilidad y riesgo
El acceso requiere la autenticacin de la identidad de un usuario, y la autorizacin apropiada para ver

los datos basada en la funcin y el puesto
Apoyos para el uso tales como metadatos y capacitacin en temas de datos
Roles y responsabilidades para las diversas oficinas encargadas de la tarea de gestionar y proteger
los datos de la Universidad
341
Esta poltica tambin hace

la importante aclaracin
de que el entorno del Data
warehouse no es apropiado
como archivo oficial de
datos transaccionales de la
Universidad
Otra importante poltica que se aplica especficamente al equipo

central de inteligencia institucional es la Poltica de Retencin de
Datos. La poltica de Retencin de Datos identifica los roles y las responsabilidades con respecto a la retencin de datos en el entorno
del data warehouse, establece un ventana inicial de 10 aos para
retener los datos, y describe un proceso de consulta con las partes
interesadas apropiadas en un proceso de revisin peridico. Esta
poltica tambin hace la importante aclaracin de que el entorno
del data warehouse no es apropiado como archivo oficial de datos
transaccionales de la Universidad.
Adems de las polticas para abordar cuestiones de seguridad y de

retencin, tambin se cre una poltica para abordar la demanda de
cuentas de aplicacin: adems de las cuentas de usuario nominales que dan acceso a los datos en el entorno del data warehouse, muchas oficinas se conectan al data warehouse a travs de aplicaciones locales. La Poltica de cuentas de aplicacin explica la necesidad de crear
cuentas separadas para el acceso por parte de otros sistemas, y define los roles y las responsabilidades
con respecto a este tipo de cuentas.
3.4. ESTRUCTURA ORGANIZATIVA Y ROLES

3.4.1. MISIN
En trminos sencillos, podemos declarar que la misin del equipo central de inteligencia institucional en
la Universidad de Illinois es:
Ayudamos a las personas a acceder a informacin fiable y a utilizarla para gestionar su
parte de la organizacin y para tomar decisiones. Logramos esto proporcionando infraestructura, productos y servicios de data warehousing y business intelligence a la comunidad universitaria.
ayudar a las personas a

acceder a la informacin
no es suficiente, tambin
es necesario ayudarlas a
usarla eficazmente
342
Vale la pena recalcar algunos aspectos importantes de esta declaracin. El primero es que ayudar a las personas a acceder a la informacin no es suficiente, tambin es necesario ayudarlas a usarla
eficazmente. Esto requiere una comprensin detallada de los propios datos y de los procesos de gestin que los generan, as como
el entendimiento de lo que los clientes estn tratando de lograr,
y cmo una informacin fiable puede ayudarles en ese contexto.
Tambin implica compromiso con un alto nivel de documentacin
(metadatos), formacin y soporte, que son los mtodos utilizados
para ayudar a las personas a utilizar la informacin.

Otro aspecto a recalcar es que la informacin ser utilizada tanto para el soporte a las operaciones como
para la toma de decisiones. Una solucin completa cubre tanto las necesidades operativas bsicas de
disponer informacin transaccional detallada, como informacin de gestin y analtica de ms alto nivel.
Asimismo, esta declaracin tambin explicita que una solucin completa incluye tres componentes: infraestructura, productos y servicios. Es obvio que en una implementacin madura, siempre se requiere
algn nivel de infraestructura, sin embargo, esta no siempre se hace accesible directamente para los
clientes. En algunas organizaciones, la informacin slo est disponible mediante productos de datos
tales como informes, cuadros de mando, cubos OLAP, o herramientas de consulta ad hoc. En Illinois, el
equipo central de inteligencia institucional produce esos tipos de productos de datos, pero la infraestructura tambin est disponible para clientes con perfiles tcnicos que deseen conectarse directamente
al entorno del data warehouse utilizando su propia herramienta de consulta, o que deseen utilizar la
infraestructura corporativa para crear sus propios productos de datos personalizados.
Una de las razones por las que esto es crtico es que muchas otras oficinas centrales tambin desempean
un papel clave en la produccin de productos de datos para clientes internos, y poner a disposicin una
infraestructura central comn ayuda a evitar redundancias. Asimismo, las necesidades de las unidades
locales difieren ampliamente, y tienen una gran autonoma para crear sus propias soluciones. Aqu de
nuevo, una infraestructura central que est disponible para las unidades locales ayuda a reducir la necesidad de que cada una cree su propia infraestructura (aunque, aun as, algunas lo hacen de todos modos).
Adems de la infraestructura y los productos, proporcionar servicios de apoyo es igualmente importante,
como se ha comentado anteriormente.
3.4.2. PERSONAL Y ORGANIZACIN

El equipo central de inteligencia institucional incluye actualmente a 28 empleados a tiempo completo
con un foco de inters fundamental en la inteligencia institucional. El equipo est organizado en cuatro
reas, con un Subdirector o Director Asociado a cargo de cada una:
Arquitectura de business intelligence: El Director Asociado de Arquitectura de BI y dos Coordinadores

de Arquitectura de BI son responsables de gestionar el software, los entornos y la infraestructura de
seguridad.
Arquitectura de datos: El Subdirector de Arquitectura de Datos gestiona el proceso de gestin de

datos y de movimiento de los datos. Los diseadores del data warehouse analizan los datos fuente y
crean modelos de datos, mientras que los Desarrolladores de ETL (Extraer-Transformar-Cargar) escriben los scripts que introducen los datos en el data warehouse. Este grupo tambin realiza validaciones de datos.
343
Soluciones de Informacin: El Subdirector de Soluciones de Informacin es responsable de gestionar

el desarrollo de productos de business intelligence y data warehousing. Los Coordinadores de BI/DW
sirven como analistas de negocio y gestionan proyectos. Los Especialistas de BI crean productos, tales como informes, cubos OLAP, cuadros de mando, as como las capas semnticas utilizadas por la
herramienta de consultas ad hoc.
Arquitectura de Informacin: El Subdirector de Informacin de Negocio es responsable de la parte

funcional. Los Coordinadores del rea Funcional sirven como expertos internos en las diversas reas
de gestin, y aplican este conocimiento para proporcionar soporte y formacin tanto al cliente como
a los equipos de desarrollo (como se sealar en la seccin de lecciones aprendidas, tener expertos
funcionales internos no reduce la necesidad de colaborar con las unidades administrativas fuente
de los datos). Otros tres puestos se especializan respectivamente en Atencin al Cliente, Gestin de
Relaciones con el Cliente y Formacin.
Originalmente, el equipo de inteligencia institucional era una unidad autnoma denominada Apoyo
a la Decisin, y todas sus sub-reas rendan cuentas ante un nico responsable. Cuando este equipo
se fusion con el grupo de Servicios Administrativos de TI (AITS), se adopt una estructura matricial.
Actualmente, dos de las reas rinden cuentas a otros responsables en AITS, y dos lo hacen directamente
al Director de Apoyo a la Decisin. Sin embargo, el Director retiene la responsabilidad de todas las actividades de data warehousing y business intelligence y operaciones de AITS, a las que se hace referencia
colectivamente como la funcin de Apoyo a la Decisin. Esto se describe con ms detalle a continuacin,
y se indica mediante una lnea azul de puntos en el grfico.
El siguiente organigrama muestra los diferentes grupos y roles:
344
CUADRO 4
DESCRIPCIN: Universidad de Illinois: Contexto organizativo del rea de Inteligencia Institucional (denominada Decision Support).
Assoc. VP for Admin

IT Services
Asst. VP Computer
Operations
Engineering
Assoc Director BI
Architecture
BI Architecture
Coordinators
2 FTE
Asst. VP Applications
Development,
Support, and Data
Director of Decision
Support
Asst. Director Info

Solutions
BI Specialists
5 FTE
Asst. Director Data

Architecture
BI/DW Coordinators
3 FTE
Functional Area
Coordinators
3 FTE
Data Warehouse
Designers
2 FTE
BI/DW Analyst 1
FTE
User Support
Specialist
1 FTE
ETL Developers
4 FTE
BI Specialists 5 FTE
CRM Specialist 1
FTE
Visiting Training
Specialist
1 FTE
DECISION SUPPORT FUNCTION
3.4.3. ASIGNACIN DEL TIEMPO

Si miramos el tiempo notificado para el ejercicio fiscal ms reciente (de julio de 2011 a junio de 2012),
la distribucin de esfuerzos del equipo central de inteligencia institucional puede desglosarse como se
muestra en el Cuadro 5, a continuacin:
345
CUADRO 5
DESCRIPCIN: Universidad de Illinois: Distribucin del esfuerzo del personal del rea de inteligencia institucional en el ejercicio fiscal
11/12.
45%
40%
35%
30%
25%
% OF TOTAL TIME
20%
15%
10%
5%
0%
Operations
Maintenance
New Development
Customer Support
CATEGORY OF WORK
Como muestra este grfico, casi la mitad del tiempo del grupo se dedica a las operaciones diarias y la administracin de la plataforma en su conjunto, lo cual tiene sentido para un data warehouse y una unidad
de apoyo maduros.
Por otro lado, casi el 28% del tiempo del equipo se centra en actividades de Mantenimiento, lo que incluye
un proceso de gestin del cambio formal y el despliegue de versiones de mantenimiento mensuales para
realizar mejoras menores, corregir problemas, etc.
Un poco ms del 20% del esfuerzo global del grupo se centra en desarrollar nuevas soluciones, aadir
datos de otros sistemas de gestin y fuentes diversas, etc.
Finalmente, en comparacin con las otras categoras, una cantidad de tiempo relativamente pequea
se dedica a interacciones y soporte directos con el cliente, un 5%. Aunque representa un pequeo porcentaje del esfuerzo total, vale la pena sealar que equivale a algunas miles de horas. Aunque el soporte
podra considerarse dentro de la categora de operaciones, es til tratarlo de forma separada con fines
comparativos.
346
3.4.4. POSICIONAMIENTO DEL REA DE INTELIGENCIA

INSTITUCIONAL EN LA ORGANIZACIN
Segn se ha descrito antes, el equipo de inteligencia institucional fue creado originalmente como una
unidad denominada Apoyo a la Decisin que renda cuentas a la Oficina de Planificacin y Presupuestacin de la Universidad, si bien el rea se asoci estrechamente con el grupo de Servicios Administrativos
de TI (AITS) de la Universidad para una serie de cuestiones crticas de infraestructura. En 2009, la lnea
jerrquica del equipo de inteligencia institucional cambi al responsable ejecutivo de Servicios de TI Administrativos, y el grupo se fusion con AITS al ao siguiente.
Dado que muchas Universidades tienen dificultades con la cuestin
de dnde debe posicionarse al equipo de inteligencia institucional
dentro de la organizacin, puede ser til incluir algunas observaciones sobre las ventajas y desventajas experimentadas por la Universidad de Illinois en las dos diferentes disposiciones previamente
descritas.
Durante la disposicin original, Apoyo a la Decisin fue parte de
la organizacin de Planificacin y Presupuestacin, pero operaba
ampliamente como un rea independiente con su propio personal,
objetivos, alcance, polticas y gobernanza. Aunque exista una dependencia del departamento central de Servicios de TI Administrativos, los dos grupos actuaron de manera independiente durante la
mayor parte del tiempo.
muchas Universidades
tienen dificultades con la
cuestin de dnde debe
posicionarse al equipo de
dentro de la organizacin
Este grado de autonoma e independencia supuso una importante ventaja para los esfuerzos iniciales
de inteligencia institucional, ya que sta era una funcin nueva y diferente para la Universidad, con un
conjunto exclusivo de requisitos y tecnologas. En lugar de tener que adaptarse a un conjunto existente
de expectativas y procedimientos, el grupo de Apoyo a la Decisin cre los suyos propios, basndolos en
lo que era ms efectivo para data warehousing y business intelligence. Sin embargo, esta independencia
tambin cre algunos retos en reas en las que los dos grupos necesitaban trabajar juntos.
Como rea independiente, Apoyo a la Decisin cre su propia identidad con los clientes y partes interesadas de la Universidad. Esto
ayud a establecer una marca para la iniciativa de inteligencia
institucional, lo que proporcion alguna visibilidad adicional, especialmente en los primeros aos, en los que era algo completamente nuevo para la mayor parte de la Universidad. Asimismo, el rea
trabaj para crearse una reputacin de estar muy orientada a los
clientes, lo que en aquel momento no era siempre el caso en otras
unidades administrativas centrales.
el rea trabaj para

crearse una reputacin de
estar muy orientada a los
clientes
347
Algunas consecuencias inesperadas de establecer una identidad independiente demostraron ser luego
desventajas de este enfoque. Una fue que haca mucho ms fcil para los equipos de Apoyo a la Decisin
y de Servicios de TI Administrativos tener una actitud mutua de nosotros y ellos. Aunque no necesariamente antagonistas o competitivos, cre tensiones a veces innecesarias, as como una falta de sentido
de objetivo comn. Otra desventaja de este enfoque fue que causaba confusin para el cliente, porque los
clientes a menudo no estaban seguros de con qu oficina ponerse en contacto en relacin con necesidades, preguntas y problemas relativos a la informacin.
Durante la planificacin del proyecto ERP, se consider importante establecer un alcance separado para
las actividades de inteligencia institucional. Dado el agresivo cronograma y la masiva carga de trabajo
para el equipo de ERP, se consider que las necesidades de informacin seran tratadas necesariamente
con una prioridad menor. Tener un equipo de inteligencia institucional separado permiti realizar progresos constantes en la implementacin de un data warehouse durante la implantacin del EPR sin conflictos de recursos o de prioridad. La desventaja de este enfoque fue que hizo mucho ms difcil vincular
las actividades de inteligencia institucional al contexto ms amplio de la estrategia de TI global. Tambin
limit las oportunidades de colaboracin entre el grupo de Apoyo a la Decisin y el grupo de Servicios
de TI Administrativos.
Cuando el equipo de Apoyo a la Decisin fue fusionado eventualmente con el grupo de Servicios de TI
Administrativos, se abordaron varias de las desventajas que acabamos de describir. Se establecieron procesos operativos comunes, haciendo ms fcil la colaboracin. Asimismo, la inteligencia institucional
se integr mejor en las estructuras de gobernanza globales de TI, y fue posible una visin ms integral
a medida que se desarrollaban nuevos planes estratgicos de TI. Dado que el grupo de Servicios de TI
Administrativos era tambin mucho ms grande y estaba ms consolidado, tambin hubo algunas ventajas fruto de su mayor foco de inters en infraestructuras y soporte de produccin. Tambin fue posible
centralizar algunas funciones, reduciendo la redundancia entre los dos grupos.
Con el fin de preservar los conjuntos de habilidades distintivos que se requieren para el data warehousing y business intelligence, las actividades de soporte y de desarrollo claves y el personal asociado a ellas
permanecieron separados del rea general de desarrollo de aplicaciones y de soporte de sistemas corporativos. Sin embargo, se implantaron procesos comunes, y dos de las lneas jerrquicas fueron cambiadas
para alinear a los gestores con las reas de operaciones y desarrollo de AITS. El objetivo era lograr un
equilibrio entre la necesidad de un equipo especializado y la necesidad de coherencia y eficiencia. Esto
mitig algunas de las desventajas que la fusin de la funcin de inteligencia institucional con TI podra
haber generado.
Dos retos aun pendientes tienen menos que ver con tecnologa y las operaciones, y ms con las personas.
El primero es la cultura organizativa. Aunque se han realizado progresos significativos, todava hay casos
en los que las diferencias en cultura causan alguna tensin. El otro reto tiene que ver con determinadas
reticencias que despierta el rea central de TI en Illinois. A medida que sigue creciendo el inters en
anlisis de datos y gestin del rendimiento ms avanzados, etiquetar los esfuerzos de inteligencia institucional como TI supone un factor limitador. Esto est causado por el hecho de que algunas partes de la
348
organizacin son menos receptivas a la idea de que TI desempee un papel clave en estos esfuerzos, ms
all de proporcionar solamente la infraestructura base.
3.4.5. EVALUACIN DE LA MADUREZ: EQUIPO DE INTELIGENCIA

INSTITUCIONAL
Segn lo definido por el Modelo de Madurez, el equipo central de inteligencia institucional en la Universidad de Illinois podra ser descrito como un equipo que ha logrado el Nivel 5, en el que ha evolucionado
para convertirse en un Centro de Competencia.
DIMENSIN
NIVELES
EQUIPO DE INTELIGENCIA
INSTITUCIONAL
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
INSTITUCIONALIZADO
ausente
local
global
virtual
global tiempo
completo
centro de
competencia
Ms all del simple hecho de tener un equipo formalmente establecido y a tiempo completo, el rea
de inteligencia institucional en Illinois ha logrado un nivel muy alto de experiencia tcnica en business
intelligence y data warehousing, que suma ms de 175 aos de experiencia colectiva. Esto incluye tanto
campos tcnicos como funcionales. El grupo proporciona una extensa oferta formativa que abarca a los
propios datos, las soluciones de informacin proporcionadas centralmente (tales como informes y cubos
OLAP), y el uso de las herramientas de BI para crear nuevos informes.
Muchos otros grupos, tanto otras oficinas centrales como grupos de TI locales, tambin producen activamente soluciones de informacin. Estos grupos utilizan el entorno del data warehouse proporcionado
centralmente para obtener la mayor parte de sus datos administrativos, y son participantes activos en
proyectos de data warehouse y actividades de mantenimiento. En muchos casos, utilizan tambin las
herramientas de business intelligence proporcionadas centralmente, especialmente la herramienta de
consulta ad hoc corporativa. Hay ciertamente espacio para un mayor nivel de colaboracin entre los distintos productores de informacin, pero existen muchos ejemplos dnde la colaboracin activa entre
reas diversas est produciendo resultados positivos para los consumidores de informacin.
3.5. RELACIN CON OTRAS FUNCIONES

Tal y como hemos sealado anteriormente en este caso de estudio, la Universidad de Illinois es una organizacin muy descentralizada, con grandes niveles de control y autonoma locales. La cultura institucional valora la singularidad de cada uno de los tres campus y de las diferentes unidades acadmicas, e
incluso las unidades administrativas operan de manera muy independiente. En muchas reas, las solu349
En muchas reas, las

soluciones centrales son
percibidas como carentes
de flexibilidad y agilidad
para satisfacer bien las
necesidades locales. Los
esfuerzos para centralizar
son vistos a menudo con
sospecha, y en algunos
casos, incluso con
hostilidad
ciones centrales son percibidas como carentes de flexibilidad y agilidad para satisfacer bien las necesidades locales. Los esfuerzos para
centralizar son vistos a menudo con sospecha, y en algunos casos,
incluso con hostilidad.
Como resultado de estos factores, la cuestin de proveer inteligencia institucional est en realidad ampliamente distribuida en varias
oficinas centrales, as como facultades y departamentos acadmicos locales. Estas oficinas no son slo consumidoras de informacin;
tambin son productoras de informacin por su propio derecho.
Este contexto ha moldeado y condicionado de forma significativa el
enfoque tomado por el equipo central de inteligencia institucional.
3.5.1. UNIDADES ADMINISTRATIVAS
Un grupo clave de implicados son las unidades administrativas, que

son las responsables de funciones administrativas fundamentales
de la Universidad, tales como: Admisiones y Registros, Becas, Finanzas, Recursos Humanos, etc. Estas oficinas actan tanto de proveedores de datos como de clientes, y se las
considera las propietarias de los datos que gestionan en sus respectivas reas.
cuando se identifican
problemas de calidad de
datos, normalmente son
planteados a la unidad
administrativa origen, para
que sean abordados all
Estas unidades han estado muy implicadas en los esfuerzos de inteligencia institucional desde el principio, con representacin en el
Equipo de Direccin original y en todos los grupos de gobernanza
posteriores. Tambin son incluidas normalmente en los proyecto de
desarrollo como implicados clave, para ayudar a definir las reglas
de negocio y los requisitos de seguridad de los datos que gestionan
en origen. En muchos casos, como hemos sealado, tambin son
usuarios potenciales. Asimismo, cuando se identifican problemas
de calidad de datos, normalmente son planteados a la unidad administrativa origen, para que sean abordados all.
Las relaciones entre el equipo de inteligencia institucional central y

las unidades administrativas han sido normalmente positivas y de
apoyo mutuo, con varias colaboraciones satisfactorias, especialmente en los aspectos ms operacionales.
Otro mbito en el que ambos grupos hemos tenido xito trabajando juntos es en la formacin.
Sin embargo, ha habido una cierta falta de confianza en el data warehouse que persiste en algunas de
estas unidades. Esto se debe probablemente a una combinacin de problemas durante el arranque inicial, una exposicin limitada al sistema, y una falta de comprensin del propsito de un data warehouse.
350
Otra rea en la que ha habido tensin ha sido en el trabajo directo con los consumidores de informacin,
que son los clientes ltimos de la iniciativa de inteligencia institucional. En algunos casos, las unidades
administrativas tratan de actuar como guardianes. En dichos casos, prefieren trabajar ellos de forma
exclusiva con los propios clientes, y pasar luego los requisitos al equipo de inteligencia institucional, y se
sienten menos cmodos si el rea de inteligencia institucional trabaja directamente con los consumidores de informacin para comprender sus necesidades de informacin y proporcionar soluciones.
3.5.2. INVESTIGACIN INSTITUCIONAL

Las Universidades en los Estados Unidos disponen generalmente de una unidad denominada Investigacin Institucional que desempea un papel clave en la produccin de informes externos, datos descriptivos, y la atencin a determinadas necesidades de informacin en la Universidad. Estas oficinas a menudo
desempean un papel crtico en las iniciativas de inteligencia institucional, y en algunos casos sirven
como catalizadores o impulsores para iniciarlas.
En Illinois, cada uno de los tres campus tiene su propia oficina de Investigacin Institucional (IR, del ingls Institutional Research), ms una cuarta oficina global en el rea de Administracin Central. Al igual
que en el caso de las unidades administrativas, las oficinas de Investigacin Institucional han estado
representadas desde el inicio en los grupos de gobernanza de inteligencia institucional, y han desempeado un papel clave en sus proyectos. Tambin son clientes que utilizan el data warehouse, y partes
interesadas que desempean un papel clave en las definiciones de datos y en las reglas del negocio.
Una gran parte de su foco de inters se centra en la extraccin de datos del data warehouse para su posterior procesamiento, empaquetado y distribucin a varios destinatarios tanto internos como externos.
En los primeros aos, las oficinas de IR eran socias activas del equipo central de inteligencia institucional,
y estaban bien atendidas con la creacin del data warehouse. Tambin eran muy colaboradoras, lo que
resultaba esencial dado su papel clave en el mbito de los datos en la Universidad. A lo largo del tiempo,
sin embargo, una serie de puntos de tensin han ido emergiendo. Una causa importante de esto es la
continua evolucin del equipo de inteligencia institucional, no solo como proveedores de infraestructura
y herramientas para los productores de informacin (como IR), sino como proveedores de productos y
servicios de datos directamente a los consumidores finales de la informacin. Esto crea un solapamiento
potencial entre las misiones y servicios de las dos reas, y ha causado conflictos en algunos casos concretos, especialmente en la creacin de conjuntos de datos dirigidos a perfiles concretos, y con cuestiones
relativas a cuadros de mando. Tambin ha habido diferencias en la filosofa y el enfoque para abordar los
problemas de calidad de los datos.
351
3.5.3. TI LOCAL
Existen muchos niveles diferentes de soporte de TI local en los diversos campus y unidades locales. Muchas de las facultades ms grandes tienen un grupo propio de TI de tamao considerable, que proporciona una amplia gama de servicios a sus clientes locales, incluidas la creacin de sistemas de gestin a
gran escala e infraestructura de business intelligence. El data warehouse les proporciona una fuente muy
accesible a datos integrados procedentes de los sistemas corporativos, que pueden ser extrados y utilizados para alimentar los sistemas locales. En este aspecto, los grupos locales de TI y el rea de Inteligencia
Institucional normalmente trabajan bien juntos y se apoyan mutuamente.
Al igual que con el caso de las oficinas de Investigacin Institucional, pueden producirse tensiones en
aquellos casos en los que la inteligencia institucional evoluciona desde proporcionar solamente infraestructura y dar soporte a los productores de informacin locales, hasta trabajar directamente con los consumidores de informacin. Comprensiblemente, los grupos de TI locales pueden actuar defendiendo su
cartera de consumidores de informacin locales, y protegiendo celosamente el importante rol que la TI
local desempea en la satisfaccin de sus necesidades.
Una de las reas en las que estamos teniendo xito a la hora de encontrar puntos comunes de encuentro
con las reas locales de TI es en aquellos casos en los que el grupo central de inteligencia institucional
ha extendido su infraestructura corporativa hasta ellos, poniendo las herramientas a disposicin de los
proveedores locales para que las utilicen. Esto preserva el foco de inters en soluciones desarrolladas
localmente, pero utilizando herramientas corporativas en lugar de iniciativas locales que crean su propia
infraestructura y compran sus propias herramientas de business intelligence. El tiempo dir lo efectivo
que es este enfoque de desarrollo local utilizando infraestructura corporativa
3.5.4. EVALUACIN DE LA MADUREZ: ROL DE LAS UNIDADES

ADMINISTRATIVAS
Segn lo definido por el Modelo de Madurez, las unidades administrativas fuente en la Universidad de
Illinois podran ser descritas como unidades comprometidas en el Nivel 3, en el que son participantes
activas.
DIMENSIN
NIVELES
352
ROL DE LAS UNIDADES

ADMINISTRATIVAS
FUENTE
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
INSTITUCIONALIZADO
ninguno /
desconocido
conscientes
participantes
de apoyo
administradores
En general las unidades administrativas participan conjuntamente

con el equipo central de inteligencia institucional en diversos proyectos e iniciativas. Dado que las prcticas formales de gobernanza
de datos relativas a la calidad de los datos no han sido establecidas
todava, ambas reas trabajan juntas normalmente para abordar
los problemas sobre calidad de datos de manera ad hoc, conforme
estos se van descubriendo.
No obstante, existen niveles variables de apoyo y colaboracin por
parte de las unidades administrativas fuente hacia el equipo central de inteligencia institucional. Aunque algunas son de gran apoyo, otras estn menos concienciadas, e incluso algunas podran ser
descritas como nada colaboradoras.

La financiacin inicial para el equipo central de inteligencia institucional fue extrada del presupuesto del proyecto de implantacin
del ERP. Inclua las compras iniciales de hardware y software, as
como el personal para los primeros aos. Despus de la finalizacin
del proyecto del ERP en 2005, el equipo de inteligencia institucional
obtuvo su propio presupuesto recurrente para dar soporte a las operaciones y servicios suministrados. El trabajo para nuevos proyectos
sera financiado a travs del Comit de Prioridades de Tecnologa de
la Informacin (ITPC, del ingls Information Technology Priorities),
proceso que ya hemos descrito anteriormente. Este proceso rige
cmo se crean y evalan las nuevas propuestas de proyectos, y las
decisiones de financiacin son tomadas por los comits. Cuando se
fusion el equipo central de inteligencia institucional con el grupo
de Servicios de TI Administrativos en 2010, su presupuesto operativo fue fusionado tambin.
existen niveles variables

de apoyo y colaboracin
por parte de las unidades
hacia el equipo central de
Aunque algunas son de
gran apoyo, otras estn
menos concienciadas, e
incluso algunas podran
ser descritas como nada
colaboradoras
el equipo de inteligencia
institucional obtuvo
su propio presupuesto
recurrente para dar
soporte a las operaciones y
servicios suministrados
En relacin con el personal del rea, se han utilizado a lo largo de los aos una variedad de enfoques.
Poco despus de la creacin del nuevo equipo de inteligencia institucional, se seleccion un proveedor
para la implementacin, lo que supuso tener personal de consultora in situ en varios puestos clave. Esto
nos ayud a obtener parte de la experiencia tcnica necesaria en los primeros aos. Durante la creacin
inicial del data warehouse, en paralelo con la implantacin del ERP, el personal aument hasta un mximo de 54 empleados equivalentes a tiempo completo (FTE, del ingls Full-time equivalents) con el fin de
mantenerse al nivel que el calendario de despliegue de los mdulos de ERP exiga. Una parte de ellos eran
tambin consultores.
353
Se siguieron utilizando consultores externos para complementar al personal propio, fundamentalmente

debido al modelo de financiacin basado en proyectos. Sin embargo, ste es un enfoque muy costoso, y
eventualmente se tomaron enfoques alternativos. Uno fue contratar personal mediante contratos anuales, con la posibilidad de renovarlos hasta tres aos en total. Esto es menos costoso que los recursos de
consultora, pero a menudo resulta difcil contratar personal de manera temporal. A lo largo de los ltimos aos, se ha tomado el enfoque de contratar a personal regular, pero pagarles utilizando fondos de
proyectos, bajo el supuesto de que se mantendr un determinado nivel de financiacin de proyectos. Este
modelo ha demostrado ser efectivo, aunque conlleva un cierto riesgo si los niveles de financiacin de
proyectos caen en el futuro.
En cuanto a la contratacin de tcnicos expertos en business intelligence y data warehousing, frente a la opcin de cultivarlos internamente, ha habido una mezcla de ambas. Encontrar personal
cualificado con experiencia en BI/DW y en educacin superior es
todo un reto. Dependiendo del puesto, normalmente una de las
dos opciones es vista como ms crtica para el caso, y se toma una
solucin de compromiso. En general, la mayor parte del personal
tena experiencia limitada en BI/DW al llegar al equipo central de
inteligencia institucional, y ha sido formado internamente. Esto ha
tomado algunas veces la forma de conferencias, clases y libros, pero
los mecanismos fundamentales son asesoramiento (mentoring), tutorizacin por pares (peer coaching) y
la propia adquisicin de experiencia en el puesto de trabajo.
Encontrar personal
cualificado con experiencia
en BI/DW y en educacin
superior es todo un reto
4. PRODUCTOS Y RESULTADOS
Al describir los productos de business intelligence, es til pensar en los diferentes tipos de capacidades
que las herramientas de BI proporcionan. Hay muchas formas de agrupar los diferentes sabores de BI.
El enfoque utilizado en la Universidad de Illinois es segmentar los productos de BI basndose en el tipo
de necesidades de informacin que abordan.
CUADRO 6 (pg. siguiente)
DESCRIPCIN: Universidad de Illinois: Tipologas de productos BI.
354
REPORTS
DASHBOARDS
EXPLORATION
create a static, formatted output
interactive
no predefined question or answer
single level of information per

section
multiple levels of information
dynamic analysis
generally lists and grids
visual
slice and dice
easily accessible and intuitive
look up specific values

output is paper (or electronic
equivalent)
sometimes uses prompts to filter
different views for different

audiences
output is a web-based view, not
paper
highly responsive
PRE-DEFINED REPORTS
PRE-DEFINED DASHBOARDS
Standard format/ output
Set of pre-defined views for:
Enterprise scheduled
Performance Management
Operationally focused
Management Information
Formatted to print
Operations Monitoring
Persists/archival
Reconcile transactions
CUSTOMIZABLE REPORT
TEMPLATES
Users lightly customize for
specialized needs
Not enterprise scheduled
Can include Components from

multiple providers and sources
DASHBOARD COMPONENTS
Individual charts or metrics
Can be deployed via local, campus,
or enterprise portal
STATISTICS
descriptive statistics
data mining predictive modeling
advanced analytics
Reconcile transactions
AD-HOC & CUSTOM REPORTS
Answer ad-hoc questions
Locally developed
Highly customized
AD-HOC DASHBOARDS
(BO EXPLORER)
Answer simple, one-off questions
in a visual, interactive view
Built from scratch
Intuitive, highly responsive

interface
Output can be whatever meets

need
Not intended to be used to create

custom dashboardsvneed
355
4.1. INFORMES
Hasta los ltimos aos, el foco de inters mayoritario de la mayor parte de Illinois ha estado en el mbito
de la elaboracin de informes, ya sea en la forma de Informes Estndar desarrollados centralmente o de
informes personalizados creados por unidades locales.
4.1.1. INFORMES ESTNDAR

Tal y como ya se ha descrito en apartados anteriores, como parte del despliegue del ERP se pusieron a
disposicin de los usuarios un conjunto limitado de informes fijos estndar. Estos informes estaban dirigidos a satisfacer las necesidades operacionales ms bsicas. Incluan algunos informes para las oficinas
centrales, y algunos para clientes en facultades y otras unidades acadmicas. La mayor parte de dichos
Informes estndar todava siguen en vigor en la actualidad (a enero de 2013).
Algunos de los dichos Informes Estndar estn desplegados mediante una herramienta que permite a
los clientes actualizar los datos que muestran, mientras que otros se pre-generan peridicamente y se
publican en forma de documentos PDF estticos. En algunos casos, estn disponibles tanto la versin esttica como la actualizable. Las unidades administrativas responsables de las funciones administrativas
fundamentales de la Universidad (Admisiones y Registros, Finanzas, Recursos Humanos, etc.) son consideradas las propietarias de dichos informes, mientras que el equipo central de inteligencia institucional, dentro de los Servicios de TI Administrativos, lleva a cabo el desarrollo y el mantenimiento. Hay ms
de 700 de dichos informes que cubren muchas de las reas temticas descritas anteriormente, aunque
muchos de ellos representan variaciones y no informes nicos. Asimismo, las unidades administrativas
crean y distribuyen otros informes para satisfacer diversas necesidades de informacin de sus clientes y
otros interesados.
Un recuento reciente
indicaba que han sido
creados ms de 20.000
informes personalizados
utilizando solamente la
herramienta de consulta ad
hoc corporativa
356
4.1.2. INFORMES LOCALES

PERSONALIZADOS
Aunque ms de 700 Informes Estndar pueden parecer un gran nmero, muchos de estos informes estn destinados a las oficinas centrales. Asimismo, las necesidades de informacin de los diferentes
tipos de unidades varan ampliamente. Como resultado de stos y
otros factores, muchas necesidades de informacin locales son satisfechas mediante informes personalizados creados por productores de informacin locales. Un recuento reciente indicaba que han
sido creados ms de 20.000 informes personalizados utilizando
solamente la herramienta de consulta ad hoc corporativa. Cuntas
soluciones diferentes representan estos es imposible de saber sin consultar a los cientos de unidades
que los produjeron, pero claramente suponen una parte importante de cmo se satisficieron las necesidades de los consumidores de informacin locales. Adems de aquellos creados con las herramientas
corporativas, muchos informes personalizados adicionales son creados utilizando distintas tecnologas
adquiridas localmente.
4.2. EXPLORACIN
Hace unos aos, la Universidad trascendi los meros informes para apoyar de otras formas la necesidad
de los consumidores de informacin de analizar y explorar los datos de manera ms dinmica. Se han
desplegado centralmente tres cubos OLAP diferentes para apoyar el anlisis y la exploracin multidimensionales.
El primer cubo OLAP que se despleg est centrado en datos de actividad docente consolidada, que combina diferentes mtricas de la actividad docente, tales como: horas de enseanza, estudiantes, financiacin por investigacin y empleados que soporta, salario y origen de la financiacin, etc. Uno de los retos
de trabajar con esta informacin es que hay implicados muchos datos y niveles de detalle diferentes. Por
ejemplo, un nico docente puede estar enseando en varias clases, y realizando investigacin con varias
subvenciones diferentes. Tambin se le puede estar pagando mediante una serie de fuentes de financiacin distintas, y puede tener trabajos en mltiples departamentos. Esto hace que la elaboracin de
informes a nivel de resumen sea muy difcil, especialmente cuando dicho efecto se multiplica a travs de
muchos docentes diferentes. Asimismo, se necesitan reglas de negocio complejas para garantizar que la
informacin resultante sea correcta. Dado que el cubo OLAP contiene una sola fila para cada docente (por
perodo) con las mediciones apropiadas agregadas, utilizando el cubo es mucho ms fcil desmenuzar las
diversas mediciones sin tener que preocuparse de equivocarse en las cuentas.
Otro cubo OLAP fue creado para apoyar el anlisis de la informacin
histrica de gastos. Este cubo de Anlisis de Tendencias del Gasto
facilita mucho determinar cunto se gast, en qu tipo de cosas, de
qu fuentes de financiacin, y por qu partes de la organizacin.
Uno de los aspectos clave que impuls la creacin de este producto
fue la presin presupuestaria por el descenso de la financiacin pblica en la Universidad. Cuando se recortan presupuestos y se trata
de disminuir el gasto, es vital saber a dnde va el dinero. Aunque
los informes pueden ser utilizados para responder a esas preguntas, a menudo se trata ms de explorar, en aquellos casos en los que
no hay una pregunta definida con una respuesta formateada. Una
pregunta lleva a otra pregunta, lo que lleva a otra. Los cubos OLAP
proporcionan una interfaz mucho mejor adaptada a este tipo de exploracin que los informes.
Uno de los aspectos clave

que impuls la creacin de
este producto fue la presin
presupuestaria por el
descenso de la financiacin
pblica en la Universidad
357
Otra caracterstica clave del cubo OLAP de Anlisis de Tendencias del Gasto es que se crearon una serie
de reglas del negocio para identificar los gastos de Tecnologas de la Informacin (TI). TI es un rea que a
menudo es objeto de revisiones y evaluaciones estratgicas en Illinois, al igual que en otras instituciones.
Dado lo descentralizada que es la Universidad, resulta especialmente til poder analizar dnde se est
produciendo el gasto de TI.
Impulsados tambin en gran parte por las presiones presupuestarias, los consumidores de informacin
tambin demandaron una forma fcil de analizar las plantillas de empleados a lo largo del tiempo. Esto
llev a la creacin de un cubo de Anlisis de Plantilla/Empleados a tiempo completo. Pueden analizarse
muchos detalles diferentes sobre los empleados utilizando este cubo, incluidas informacin del salario
y de las fuentes de pago, informacin demogrfica, informacin organizativa e informacin del puesto.
4.3. PANELES DE CONTROL

Hasta la fecha, la Universidad de Illinois ha logrado un progreso limitado en el despliegue de la tecnologa de paneles de control o cuadros de mando para satisfacer las necesidades de informacin. Para
comprender algunos de los motivos de esto, resulta til describir los diferentes tipos de necesidades de
informacin que satisfacen normalmente los paneles de control. El siguiente diagrama define tres tipos
diferentes de paneles de control:
CUADRO 7
DESCRIPCIN: Universidad de Illinois: Tipologas de paneles de control (dashboards).
TYPES OF DASHBOARDS
PERFORMANCE MANAGEMENT DASHBOARDS
Key Performance Indicators (KPIs)
Scorecards
Pre-defined metrics
Progress towards goals
MANAGEMENT INFORMATION DASHBOARDS
Overview of my org or function
Includes views to see my area from different perspectives
Summary -> Drill (even to reports)
OPERATIONS MONITORING DASHBOARDS
Status of ongoing operations
Alerts
Time-sensitive
358
Como indica el diagrama, un panel de control de Gestin del Rendimiento muestra las metas fijadas, las mtricas de rendimiento,
y el nivel de progreso. La definicin de indicadores de rendimiento
puede ser muy difcil en educacin superior, ya que muchas de las
autnticas metas no son fcilmente reducibles a un conjunto de
nmeros. No obstante, ya existe un volumen sustancial de investigacin en mtricas para educacin superior, y la carencia de mtricas no es el problema de la mayora de las instituciones. Un reto
al que se ha enfrentado la Universidad de Illinois ha sido establecer
conjuntos de mtricas comunes a toda la institucin. Deben definirse mtricas especficas para un departamento, una facultad, un
campus, o para toda la Universidad? La respuesta es, probablemente, para todos ellos. Otro reto es que no siempre hay disponibles
datos fiables y sistemticos para algunas de las reas en las que seran necesarios.
Un reto al que se ha
enfrentado la Universidad
de Illinois ha sido
establecer conjuntos de
mtricas comunes a toda la
institucin
Uno de los tres Campus llev a cabo una iniciativa de gestin del rendimiento e identific un pequeo
conjunto de mtricas de rendimiento para sus departamentos. El rea de Servicios de TI Administrativos
se asoci con la oficina de Investigacin Institucional del Campus, para crear una interfaz de cuadro de
mando que muestra las mtricas tanto a los directores de departamento como al personal del mismo.
Asimismo, el personal local de TI ha desarrollado algunas iniciativas para crear cuadros de mando personalizados para mostrar las mtricas de un departamento o facultad especficos.
359
FIGURA 4
DESCRIPCIN: Universidad de Illinois: Detalle del panel de control de mtricas institucionales del campus de Springfield.
Este panel de control

se utiliza por los lderes
acadmicos de facultades
y departamentos para
obtener informacin
agregada sobre la actividad
docente e investigadora de
un departamento especfico
360
La distribucin de vistas de informacin de gestin a travs de la

Web, interactivas y con datos navegables en los que se puede profundizar, representa una oportunidad en la que la tecnologa de paneles de control aade valor. Segn hemos comentado antes, una
gran parte del foco de inters inicial en Illinois resida en la elaboracin de informes operacionales, pero a medida que estas necesidades van quedando cubiertas, la demanda de informacin de gestin
comienza a salir a la superficie.
Hemos desplegado un panel de control de este tipo que utiliza el
conjunto de datos de Actividad Docente Consolidada descrito en el
punto anterior. Este panel de control se utiliza por los lderes acadmicos de facultades y departamentos para obtener informacin
agregada sobre la actividad docente e investigadora de un depar-
tamento especfico. Muestra las cargas docente e investigadora por tipo de docente (profesor a tiempo
completo, ayudante, asociado), tendencias histricas del total de horas, crditos e importes financiados
para investigacin, y la distribucin de carga de enseanza frente a carga de investigacin financiada
para cada docente, comparada con la del resto de su departamento.
FIGURA 5
DESCRIPCIN: Universidad de Illinois: Detalle del panel de control de actividad del PDI.
Hay otras iniciativas en marcha para utilizar paneles de control en la distribucin de informacin agregada de gestin relativa al gasto en TI, as como finanzas departamentales bsicas y gastos de investigacin.
Uno de los campus tambin ha creado algunos cuadros de mando para mostrar diversas estadsticas
descriptivas del perfil del campus, y el nivel de progreso hacia sus objetivos estratgicos.
361
FIGURA 6
DESCRIPCIN: Universidad de Illinois: Detalle del panel de control de objetivos y perfil del campus de Urbana-Champaign.
En meses recientes, tambin se ha emprendido una nueva iniciativa para proporcionar al personal de TI
en otras oficinas centrales y al personal local de TI una herramienta corporativa de paneles de control
soportada centralmente. Esto les permitir crear sus propios paneles de control personalizados aprovechando la infraestructura y recursos centrales de TI. Algunos proyectos piloto para utilizar esta nueva
tecnologa estn ya en curso en las oficinas centrales.
4.4. ESTADSTICAS
Aunque el anlisis estadstico, la generacin de modelos y la analtica predictiva son una parte importante del espectro global de las actividades de business intelligence, actualmente no forman parte de la
experiencia tcnica ni del alcance del equipo central de inteligencia institucional. En aquellos casos en
362
que estas actividades son realizadas en la Universidad de Illinois, lo son fundamentalmente por las oficinas de Investigacin Institucional.
4.5. EVALUACIN DE LA MADUREZ: PRODUCTOS DE DATOS

En trminos de Productos de Datos, segn lo definido por el Modelo de Madurez, el equipo de inteligencia
institucional central en la Universidad de Illinois podra ser descrito como un equipo que ha logrado el
Nivel 4, en el que, como mnimo, un despliegue est en produccin y mantenido activamente para tres de
las cuatro siguientes categoras de productos de datos:
Informes online parametrizados
Navegacin de datos ad hoc
Paneles de control/cuadros de mando
Analtica avanzada
NIVELES
DIMENSIN
PRODUCTOS DE DATOS
1
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
INSTITUCIONALIZADO
ninguno/
desconocido
limitado
expandido
mayoritario
completo
La Universidad de Illinois ha desplegado cientos de informes operacionales, y ms de 50 reas diferentes

estn disponibles mediante navegacin ad hoc, junto con varios cubos OLAP. Asimismo, unos cuantos
paneles de control y cuadros de mando han sido desplegados, ya sea central o localmente. Aunque existen algunas iniciativas en curso para explorar cuestiones relativas a la analtica avanzada, nada ha sido
desplegado todava en el entorno de produccin.
Esta seccin proporciona una descripcin general de la arquitectura del sistema y de las prcticas de
gestin de datos para inteligencia institucional en la Universidad de Illinois. Se cubren los sistemas transaccionales utilizados como fuentes de datos, el entorno de data warehouse, y las interfaces de business
intelligence. Desde una perspectiva de gestin de datos, se describen los siguientes temas: calidad de los
datos, acceso a los datos, integracin de los datos, metadatos y retencin/archivado. Finalmente, se incluye una evaluacin de madurez de Illinois en la dimensin de gestin de datos.
363

El siguiente diagrama muestra una representacin conceptual de alto nivel de la arquitectura global de
business intelligence y data warehousing de Illinois.
CUADRO 7
DESCRIPCIN: Universidad de Illinois: Arquitectura de alto nivel del entorno de BI/DW.
BUSINESS INTELLIGENCE INTERFACES

LOCAL TOOLS
MS Excel
MS Access
SAS
Cold Fusion
SQL Server
Other
STANDARD REPORTS
Business Objects
WebIntelligence
Crystal Reports
AD-HOC QUERY
Business Objects
WebIntelligence
ANALYSIS
MS Excel
Tableau
SEMANTIC LAYER
Business Objects Universes
TRANSACTION SYSTEMS
ERP
Student, Finance, HR
DASHBOARDS
Business Objects
Xcelsius
DATA WAREHOUSE ENVIRONMENT
ERP REPORTING
COPY (ODS)
TARGETED
DATA SETS
OLAP
CUBES
ENTERPRISE SYSTEMS
Purchase Card
Grant Proposals
Student Orientation
Capital Projects
Facilities
Academic Structure
Employee Appointments
Civil Service
Hiring
Customer Support
Travel & Expenses
ENTERPRISE
DATA WAREHOUSE
INSTITUTIONAL
DATA COLLECTIONS
5.1.1. SISTEMAS DE GESTIN

Como indica el diagrama, el data warehouse incluye datos de una serie de sistemas gestin que cubren
una gama bastante completa de reas temticas. Actualmente (enero de 2013) hay proyectos en curso
para aadir datos de los sistemas indicados.
En general, slo se extraen datos de sistemas corporativos, pero en algunos casos se utilizan sistemas
locales de los campus.
364
5.1.2. ENTORNO DE DATA WAREHOUSE

El entorno de data warehouse consiste en una serie de diferentes productos de datos:
Copia del ERP para informes: Una copia nocturna del sistema ERP se utiliza como fuente para un
gran nmero de informes estndar, as como tambin para otros sistemas. Tambin es consultado
directamente por el personal de la oficina central para sus necesidades de elaboracin de informes
operativos. Aunque no es un verdadero data warehouse operativo (ODS, del ingls Operacional Data
Store), contiene algunas estructuras de datos especializadas.
ata warehouse Corporativo: Los datos de los sistemas ERP y de otros sistemas transaccionales corD
porativos son transformados y cargados en un conjunto de estructuras integradas en el data warehouse para apoyar una amplia variedad de necesidades de informacin. Las estructuras de datos en
el data warehouse son optimizadas para realizar consultas ms rpida y fcilmente. Algunos ejemplos incluyen seguimiento del historial de cambios, descripciones desnormalizadas de tablas de cdigos, alertas e indicadores derivados, etc. Se utilizan ndices de base de datos y otras caractersticas
de diseo fsico para mejorar el rendimiento de las consultas. Se aplica seguridad tanto a nivel de
fila como a nivel de columna. En general el data warehouse tiene el detalle a nivel de transaccin.
Esto permite a los expertos en datos escribir una gran gama de tipos diferentes de consultas para
satisfacer diferentes necesidades. Sin embargo, este alto grado de flexibilidad tambin hace que el
data warehouse sea complicado de usar. Requiere una gran experiencia tcnica en datos, saber qu
elementos utilizar, cmo conectarlos, y cmo aplicar filtros y condiciones apropiadas para obtener
los resultados deseados.
Recopilaciones de Datos Institucionales: Tambin se incluyen en el data warehouse algunas recopilaciones de datos autnomas que no estn totalmente integradas con el resto de datos. Asimismo,
se est explorando una nueva categora de Recopilaciones de Datos Institucionales, en la que los conjuntos de datos especializados producidos por otra oficina central, como Investigacin Institucional,
son publicados en el entorno del data warehouse.
Conjuntos de Datos Especficos: Se han creado data marts y otros conjuntos de datos especializados
para pre-empaquetar datos para necesidades de informacin especficas. Aproximadamente una
docena de estos conjuntos de datos especficos han sido creados hasta la fecha, cubriendo reas tales
como: censo de la inscripcin de estudiantes, gastos financieros, tendencias de investigacin, actividad del claustro docente, plantilla de empleados, y otros. Estos productos incluyen transformaciones
ms complejas, campos derivados adicionales y pueden incluir informacin a nivel de resumen en
lugar de transacciones individuales. Aunque esto generalmente los hace mucho ms fciles de utilizar para un fin especfico, tambin los hace menos flexibles que el data warehouse. Otra importante
ventaja de crear estos conjuntos de datos especficos es que un nico conjunto de datos puede ser
reutilizado por mltiples interfaces de BI, lo que mejora tanto la eficiencia para los desarrolladores
como la coherencia para los usuarios.
Cubos OLAP: En casos en los que los consumidores de informacin necesitan poder explorar y analizar conjuntos de datos especializados, se crean cubos OLAP basados en un data mart particular.
365
El data warehouse utiliza la tecnologa de base de datos Oracle, y los cubos OLAP son creados en Microsoft
Analysis Services.
La mayor parte de los movimientos de datos desde los sistemas fuente al data warehouse utiliza el producto Informtica para realizar los procedimientos tradicionales de ETL (Extraer-Transformar-Cargar).
Adems de lo que se muestra en el diagrama anterior, hay un proyecto en curso para desplegar los productos comerciales pre-empaquetados Operational Data Store y Enterprise Data warehouse del fabricante del ERP. sta ser una implantacin muy limitada, centrada en dar soporte al mdulo de Captacin
de Estudiantes del ERP.
5.1.3. INTERFACES DE BUSINESS INTELLIGENCE

Las herramientas fundamentales de business intelligence a nivel corporativo utilizadas en la Universidad
de Illinois son de la gama SAP Business Objects. Se utilizan otras herramientas de BI corporativas para
apoyar el anlisis, y los profesionales de TI a nivel departamental utilizan diversas herramientas departamentales.
366
Capa semntica: Como la mayora de las suites de BI, Business Objects incluye la capacidad de crear
una capa semntica entre la base de datos y el usuario. En Business Objects, la capa semntica est
compuesta de una serie de universos que se centran cada uno de ellos en un conjunto especfico de
tablas relacionadas. En Illinois, estos universos se utilizan para apoyar tanto a los informes estndar a nivel corporativo como a los informes locales personalizados que utilizan la herramienta de
consulta Ad hoc Query. Hay disponibles ms de 50 universos diferentes para usuarios mediante la
herramienta de consulta Ad hoc Query, que cubre las reas temticas descritas en la seccin 2. La
mayora de estos universos son sobre el data warehouse y los conjuntos de datos especficos. Unos
60 universos adicionales se utilizan para los informes estndar, la mayora de los cuales son sobre
la Copia del ERP para informes. Asimismo, hay algunos universos directamente sobre las bases de
datos de produccin para los propios sistemas corporativos, aunque no se promueve este uso. En
estos casos, el universo fue entregado normalmente por el fabricante del sistema corporativo para
complementar las capacidades de elaboracin de informes del sistema.
Informes estndar: Se ha creado un conjunto de ms de 700 informes estndar utilizando el producto Desktop Intelligence de Business Objects. Dado que SAP va a finalizar el soporte para la versin
de sobremesa de su herramienta de consulta Ad hoc Query, estos informes estn en proceso de ser
convertidos a Web Intelligence o CrystalReports
Ad Hoc Query: Segn se ha sealado, muchos universos diferentes de Business Objects estn disponibles para que los usuarios creen informes y consultas personalizadas. Se han creado ms de
20.000 de estos informes locales.
Cuadros de mando: Illinois est en proceso de pasar desde otra herramienta al producto Xcelsius
para Cuadros de mando de Business Objects. Esto permitir crear Cuadros de mando que aprovechen
tambin los universos, aunque algunos puedan ser aprovisionados de manera diferente dependiendo de las necesidades.
Anlisis: El acceso a los cubos OLAP se realiza utilizando Microsoft Excel, que proporciona una interfaz familiar y fcil de utilizar para usuarios y decisores ocasionales. Asimismo, algunos usuarios
estn utilizando el producto Tableau para realizar anlisis visual de datos de los cubos y otros conjuntos de datos. Esto representa una audiencia ms especializada dentro de las funciones de anlisis,
y actualmente hay un nmero limitado de roles en todos los campus que hacen hincapi en este tipo
de capacidades.
Herramientas locales: Tambin se permite el acceso directo a

todos los datos en el entorno del data warehouse para profesionales expertos en datos y personal tcnico que desee utilizar
sus propias herramientas. Esto incluye personal en otras oficinas centrales, as como tambin personal en los diversos departamentos. Se aplica la seguridad a nivel de la base de datos,
en oposicin a aplicarla solamente dentro de las herramientas
de BI. Esto garantiza que incluso aquellos que acceden directamente a las tablas del data warehouse slo pueden ver la informacin para la que tienen autorizacin.
Una de las decisiones a las que se enfrentan las instituciones en relacin con su tecnologa BI es si comprar la suite de BI de un nico
fabricante, o seleccionar una combinacin de los mejores productos
disponibles de diferentes fabricantes. Inicialmente, la Universidad
de Illinois sigui el enfoque de los mejores productos disponibles
para productos profesionales de BI. Sin embargo, recientemente
se realiz un anlisis de los productos disponibles en el mercado, y
se decidi un enfoque diferente. Se tom la decisin de mantener
Business Objects, y de ampliar la utilizacin de otros productos de
Business Objects en lugar de mantener productos de mltiples fabricantes.
Se aplica la seguridad a
nivel de la base de datos,
en oposicin a aplicarla
solamente dentro de las
herramientas de BI. Esto
garantiza que incluso
aquellos que acceden
directamente a las tablas
del data warehouse slo
pueden ver la informacin
para la que tienen
autorizacin
Esto est dando lugar a la sustitucin de la herramienta de Cuadro de mando actual por el producto Xcelsius de Business Objects, segn se ha sealado con anterioridad. Asimismo, hay planes en marcha para
implementar el producto Explorer de Business Objects en el futuro, que proporciona una interfaz fcil de
usar para descubrimiento visual. Este enfoque de utilizar un nico fabricante ayudar a proporcionar
una experiencia ms sencilla para los clientes, que podrn acceder a diferentes tipos de productos de BI
desde una nica interfaz. El mantenimiento ser algo ms fcil para desarrolladores y administradores
de sistemas dado un entorno coherente. Asimismo, ser posible aprovechar an ms la capa semntica
con este enfoque, que puede mejorar tanto la eficiencia para desarrolladores como la coherencia para
usuarios.
367
Segn lo sealado en la seccin precedente, hay un proyecto en curso para implementar el mdulo de
Captacin de Estudiantes del fabricante del ERP. Adems del ODS y del datamart del fabricante, incluye
tambin un conjunto pre-empaquetado de informes y cuadros de mando con la herramienta Cognos.
5.2. GESTIN DE DATOS

El tema de la gestin de datos engloba una amplia variedad de reas. Basndonos en el Modelo de Madurez, este caso de estudio considera lo siguiente: calidad de los datos, acceso a los datos, integracin de
los datos, metadatos y retencin.
5.2.1. CALIDAD DE LOS DATOS

La calidad de los datos es una cuestin especialmente compleja en
la Educacin Superior debido a la complejidad de los datos y al nmero de partes interesadas o implicadas. El enfoque tomado generalmente en Illinois en las iniciativas de data warehousing ha sido
centrarse en garantizar que los datos en el entorno de data warehouse reflejen con precisin los sistemas fuente, incluidos los campos agregados y derivados. Esto significa que en aquellos casos en
los que los sistemas fuente contienen datos que son incoherentes o
incorrectos, el data warehouse reflejar esto tambin. Este enfoque
hace hincapi en que los problemas sobre la calidad de los datos
deben abordarse en el sistema fuente, tales como el ERP, y despus
dichas correcciones fluirn hacia los sistemas corriente abajo como el data warehouse. La alternativa a
esto sera corregir los problemas sobre la calidad de los datos en el entorno de data warehouse, dejando
los sistemas fuente tal cual.
Este enfoque hace hincapi

en que los problemas sobre
la calidad de los datos
deben abordarse en el
sistema fuente
Hay varias razones que justifican el enfoque actual. Una es que el data warehouse es solamente uno de
varios sistemas diferentes que utilizan datos de las fuentes. Si los datos son corregidos durante la carga
del data warehouse, esto solucionar el problema en el data warehouse, pero en ningn otro sitio. Otros
sistemas corriente abajo seguirn teniendo los datos problemticos. Asimismo, los datos en el entorno
del data warehouse seran incoherentes con los datos en otros entornos y sistemas, incluido el propio
sistema fuente. Esto sera problemtico en s mismo, y especialmente cuando se utilizan los datos para
necesidades de elaboracin de informes operativos en los que es importante la trazabilidad con el sistema fuente.
Un motivo adicional para este enfoque es que puede alentar a las unidades que realizan la introduccin
de datos a arreglar los problemas en el sistema fuente, al percibir que la informacin est siendo utilizada y que no refleja con precisin la realidad, se sienten motivados a corregirla.
368
El complemento necesario para este enfoque sera un mtodo sistemtico para identificar los problemas
de calidad de los datos en los sistemas fuente, revisarlos con las partes interesadas apropiadas, y determinar cmo abordarlos de la mejor manera posible, dando lugar en ltima instancia a correcciones en los
propios sistemas fuente. Desgraciadamente, dicho enfoque no ha sido implementado en Illinois. Cuando
se identifican problemas de calidad de los datos, estos son abordados caso por caso, dirigindolos a la
oficina funcional apropiada (la que es considerada propietaria de los datos) o a la unidad que introdujo
el registro.
Existen no obstante algunas situaciones aisladas en las que los datos del data warehouse no coinciden
con los del sistema fuente, debido en su mayora a problemas de procesamiento en origen, donde alguna
transaccin fue procesada de un modo incorrecto o anmalo, ajeno a las reglas implementadas en el ETL,
y no hay ningn motivo para arreglarlo en la fuente (o no estn dispuestos).
5.2.2. ACCESO A LOS DATOS

Segn hemos descrito anteriormente, una Poltica de Seguridad y Acceso para el data warehouse rige el
enfoque de seguridad de alto nivel en la Universidad de Illinois. Los detalles para determinar el acceso
apropiado a los datos es una de las responsabilidades de los Ejecutivos Funcionales que son responsables
de las funciones administrativas fundamentales de la Universidad, tales como: Admisiones y Registros,
Becas, Negocio y Finanzas, Recursos Humanos, etc. Como parte de la implementacin inicial del data
warehouse, se cre un Plan de Acceso a los Datos en asociacin con las Oficinas Funcionales. Dicho plan
esboza un conjunto de roles de usuario, y define qu acceso a los datos es apropiado para cada rol.
Las solicitudes se presentan mediante un formulario online por parte de un Contacto de Seguridad de
la Unidad, que es una persona dentro de cada oficina designada por el Ejecutivo Funcional para llevar
a cabo determinadas funciones de seguridad. En algunos casos, el personal de las Oficinas Funcionales
aprueba las solicitudes de acceso individual, pero el resto son procesadas por los Servicios de TI Administrativos basndose en el Plan de Acceso.
El acceso est restringido a qu registros se permite ver a un usuario (nivel de fila), y qu campos de dichos registros puede ver un usuario (nivel de columna). Esta seguridad a nivel de fila y a nivel de columna
permite proporcionar acceso directo a las tablas, as como tambin acceso a travs de las interfaces de BI.
Asimismo, se otorga acceso a informes estndar basndose en los roles.
5.2.3. INTEGRACIN DE LOS DATOS

Segn lo descrito en la seccin 6.1.1., una de las ventajas principales del entorno del data warehouse es tener un lugar para reunir datos de muchas reas temticas diferentes para dar soporte a una amplia gama
de necesidades de informacin. La implantacin de un nico sistema ERP en toda la organizacin facilit
369
La implantacin de un
nico sistema ERP en toda
la organizacin facilit esta
tarea, ya que el propio ERP
integra en origen los datos
de muchas de las reas
temticas fundamentales
esta tarea, ya que el propio ERP integra en origen los datos de muchas de las reas temticas fundamentales. El ERP es considerado
normalmente el sistema con mayor autoridad para las transacciones nucleares financieras, de RRHH y acadmicas. Por este motivo,
una gran parte de los dems sistemas de gestin relevantes estn
conectados al mismo y utilizan un conjunto comn de cdigos, tales como identificador de la persona, cdigos de cuenta financiera,
cdigos de organizacin y cdigos de estructura acadmica (p.ej.:
planes de estudio).
El data warehouse puede aprovechar esta estructura de codificacin

comn cuando integra datos de otros sistemas corporativos con datos del ERP. Esto facilita que los usuarios escriban una nica consulta o informe que contenga datos de mltiples sistemas dentro de un
nico entorno. Tambin se crearon algunos identificadores exclusivos del data warehouse, tales como un
identificador de persona especfico.
Una desventaja potencial de este enfoque es que se basa enormemente en el ERP para proporcionar los
cdigos comunes y los puntos de integracin. Si llegara el caso de tener que implantar un ERP diferente,
probablemente significara que la mayor parte del data warehouse tendra que ser reorganizado. Sin embargo, esto es visto como un riesgo aceptable dado que el impacto global para la Universidad de implementar un ERP diferente sera superior en varios ordenes de magnitud al impacto en el data warehouse.
Cuando los datos de un nuevo sistema fuente se aaden al data warehouse, generalmente se incluyen
datos a nivel de transaccin y se crea una nueva rea temtica. Asimismo, existen algunos casos en los
que se ha realizado un mayor grado de integracin en el data warehouse. Un ejemplo es aadir detalles
adicionales a un resumen de transacciones financieras del ERP. Por ejemplo, las transacciones de Nmina
son procesadas en lotes, y en el apartado Finanzas del ERP se muestran como una nica transaccin que
incluye pagos de muchos empleados diferentes. Esto hace imposible examinar desde los gastos globales
hasta las transacciones de la nmina para empleados individuales, salvo que el usuario combine los datos de Finanzas con los datos de la Nmina.
Para abordar esto se cre un conjunto de datos de Finanzas especializado que sustituye cada fila resumen, que representa un lote de registro de Nmina, por las filas correspondientes de transaccin de Nmina a nivel de detalle. Este conjunto de datos tambin se ampli para incluir los registros detallados de
transacciones de compradores que utilizan tarjetas de crdito de la Universidad, que solamente estaban
representados en el ERP como transacciones por lotes. Esto hace mucho ms fcil para los usuarios utilizar un nico conjunto de datos tanto para resmenes financieros globales como para un mayor nivel de
detalle de transacciones que el que existe en el ERP.
Otro ejemplo de un mayor grado de integracin es el conjunto de datos de la Actividad del Claustro Docente mencionado anteriormente, que agrega datos de una serie de reas temticas diferentes del ERP,
as como tambin un sistema separado para propuestas de financiacin de proyectos de investigacin.
370
5.2.4. METADATOS
Los metadatos son una parte importante de cualquier iniciativa de Inteligencia Institucional, e Illinois
produce una gran cantidad de metadatos y documentacin relacionada para los clientes.
Metadatos funcionales:
Informacin de los universos: Informacin detallada sobre cada uno de los universos disponibles
para la elaboracin de informes personalizados.
Estado del sistema y calidad de los datos: Informacin dinmica sobre la finalizacin de la carga de
los datos, cuestiones sobre la calidad de los datos y eventos que afectan a la disponibilidad y rendimiento del sistema.
Biblioteca de soluciones: Instrucciones paso a paso de soluciones, e informes de muestra de Business Objects diseados para satisfacer necesidades especficas de elaboracin de informes.
Repositorio sobre consultas: Plantillas de informes y cdigo SQL compartidos por los usuarios. Bsqueda de elementos para utilizar, o posibilidad de compartir elementos.
Uso de Business Objects: Informacin sobre cmo usar la herramienta de elaboracin de informes de
Business Objects para crear informes personalizados.
Notas de versin: Descripcin de los cambios implementados con cada actualizacin mensual del
data warehouse.
Conceptos de negocio y notas de uso: Informacin general sobre el uso y el significado de los datos
en el data warehouse.
Formacin sobre los universos: Materiales de autoformacin para ayudar al aprendizaje de las estructuras de los datos y a la elaboracin de informes utilizados por los universos de Business Objects.
Metadatos tcnicos:
Bsqueda de metadatos: Bsqueda de tablas y/o columnas del data warehouse.
Listado de definicin de tablas: Listado de todas las tablas del data warehouse, incluida la definicin
de cada tabla.
Listado de definicin de columnas y origen-a-destino: Listado de todas las columnas del data warehouse, incluidas la definicin de cada columna, e informacin de provisin y atributos de cada
columna.
Relacin entre formularios Banner y tablas del data warehouse: Listado de formularios de Banner, y
de tablas del data warehouse que son alimentadas con datos de Banner. Por ejemplo, un formulario
Banner de Estudiante denominado SAAADMS se corresponde con 11 tablas del data warehouse diferentes; un formulario Banner de Finanzas denominado FZIGITD se corresponde con 7 tablas del data
warehouse diferentes.
Modelos de datos: Modelos lgicos y fsicos de la estructura del data warehouse.

371
Informacin de vistas: Informacin sobre las vistas utilizadas en el data warehouse.
I nformacin de ndices de tablas: Informacin sobre los ndices de tablas utilizados en el data warehouse.
so de herramientas ODBC: Informacin para usuarios que deseen crear informes personalizados o
U
descargas de datos utilizando una herramienta que cumpla con el protocolo ODBC (MS Access, MySQL, etc.).
Educacin sobre datos de ODBC: Materiales de autoformacin para ayudar en el aprendizaje de los
datos contenidos en el data warehouse y en sus estructuras.
5.2.5. RETENCIN DE DATOS

En el apartado 3.3 expusimos a nivel general la poltica de la Universidad sobre la Retencin de Datos
para el data warehouse. Dado que muchas de las reas temticas implantadas con el ERP estn cerca de
cumplir los 10 aos, ha comenzado el debate sobre cuntos datos deben ser retenidos en el data warehouse con fines de elaboracin de informes histricos. Sin embargo, esta cuestin no ha recibido mucha
atencin todava.
Ms avances se han logrado en la eliminacin de datos que ya no se utilizan, y en la eliminacin de campos del data warehouse que son obsoletos y no se cumplimentan en los sistemas fuente.
5.2.6. EVALUACIN DE LA MADUREZ: GESTIN DE DATOS

Segn la definicin en el Modelo de Madurez, los esfuerzos de Inteligencia Institucional en la Universidad de Illinois podran considerarse que han alcanzado el Nivel 3 en la dimensin de Gestin de Datos,
en el que se dispone de cierto nivel de polticas y procedimientos para gestionar cuestiones relacionadas
con: calidad de los datos, acceso a los datos, integracin de los datos, metadatos y retencin de los datos.
NIVELES
DIMENSIN
GESTIN DE DATOS
1
AUSENTE
INICIAL
AMPLIADO
CONSOLIDADO
ninguna /
desconocida
consciente
gestionada
apoyada
INSTITUCIONALIZADO
respaldada
5
Segn lo descrito en las secciones anteriores, las reas de metadatos y de acceso a los datos estn bien
cubiertas en la Universidad de Illinois. Tambin se dispone de una poltica de retencin de datos de alto
nivel en el entorno del data warehouse, pero todava hay que definir muchos de los detalles. Finalmente,
el tema de la calidad de datos nos sigue planteando retos complicados.
372
6. EL FUTURO
6.1. EVALUACIN DE MADUREZ GLOBAL
Al describir los planes futuros para la Inteligencia Institucional en la Universidad de Illinois, resulta til
revisar en primer lugar la auto-evaluacin global de la madurez de la Universidad en Inteligencia Institucional. El siguiente diagrama muestra el nivel de Illinois para cada dimensin.
4
Consolidated
Unbalanced
LEVELS
ABSENT
INITIAL
EXPANDED
CONSOLIDATED
INSTITUTIONALIZED
I2 TEAM
absent
local
global
virtual
global full time
competency center
SCOPE
none
/ unknown
specialized
multiple
generalized
full
SBU ROLE
unaware
aware
participants
supporting
data stewards
DATA PRODUCTS
DIMENSIONS
USER COVERAGE
none
/ unknown
none
/ unknown
limited
2
limited
expanded
3
expanded
majority
4
majority
complete
5
universal
USERS ENGAGEMENT
unaware
aware
customers
drivers
co-owners
DATA MANAGEMENT
unaware
aware
managed
supported
enforced
BUSINESS VALUE
scarce
optional
interesting
necessary
critical
STRATEGIC SUPPRT
free floating
locally
embedded
project footing
sustainable service
interdependent with
strategy
Segn el Modelo de Madurez, la Inteligencia Institucional en Illinois

alcanzara el Nivel 4: Consolidada, que se describe en el modelo de
la manera siguiente: La Inteligencia Institucional est claramente
establecida como un programa permanente, global, visible y valioso
que da lugar a un servicio interno efectivo. Varios productos de datos dirigidos a diferentes grupos de usuarios y que cubren diferentes
reas del negocio han sido creados y se utilizan de manera activa.
Basndonos en las puntuaciones de Nivel 3 y de Nivel 5, el MM lo
caracterizara adems como Desequilibrado.
Segn el Modelo de
Madurez, la Inteligencia
Institucional en Illinois
alcanzara el Nivel 4:
Consolidada
373
Ambas caracterizaciones parecen apropiadas. Como muestra el diagrama, se ha logrado mucho progreso
en muchas reas claves para el xito de la Inteligencia Institucional. Sin embargo, el progreso ha sido desigual, logrando un nivel muy alto en algunas reas y logrando menos adelantos en otras. Hay una serie
de iniciativas actualmente en curso que ayudarn a abordar algunas de estas brechas, segn se describe
en la siguiente seccin.
6.2. SIGUIENTES PASOS PLANIFICADOS

6.2.1. COLABORACIN PARA MEJORAR LOS INFORMES ESTNDAR
los productores de
informacin deben
colaborar asumiendo un
enfoque ms sistemtico
para identificar, revisar y
distribuir informes estndar,
con el fin de proporcionar
un conjunto ms integral
de respuestas oficiales a
preguntas comunes a todas
las unidades
Una cuestin de importancia estratgica para la Inteligencia Institucional en Illinois es la de potenciar la colaboracin para dar soporte a los informes estndar de una forma ms sistemtica. Segn
lo indicado anteriormente en la seccin 4.2.4, el comit de business
intelligence y Gestin del Rendimiento ha recomendado que los
productores de informacin deben colaborar asumiendo un enfoque ms sistemtico para identificar, revisar y distribuir informes
estndar, con el fin de proporcionar un conjunto ms integral de
respuestas oficiales a preguntas comunes a todas las unidades.
Los proyectos relacionados con esta cuestin estratgica tendrn
un gran impacto en los consumidores de informacin a largo plazo. Habr disponible mejor informacin en formatos ms fciles de
usar y de consumir. Esto tambin dar lugar a una menor necesidad
de que los profesionales de TI departamentales creen soluciones de
informacin redundantes. La mejor colaboracin mutua entre los
productores de informacin junto con el uso de una infraestructura
comn proporcionarn un conjunto de soluciones ms sencillo para
los consumidores, reduciendo la confusin.
En trminos de madurez de la Inteligencia Institucional, estos esfuerzos aumentarn la madurez de Illinois en tres dimensiones:
En primer lugar, se centrarn en la colaboracin entre Servicios de TI Administrativos y las unidades
administrativas que sirven como unidades fuente de los datos. Esto ayudar a que las unidades administrativas pasen de actuar como meros participantes, a tener un papel ms activo, descrito en el Modelo
de Madurez como de apoyo. Asimismo, dado que el foco de inters en los informes estndar tambin
implica el establecimiento de conjuntos de datos estndar para apoyar dichos informes, puede considerarse un paso hacia la certificacin de los productos de datos descrita en el Nivel 5: Administradores de
Datos del Modelo de Madurez.
374
Otra rea en la que el foco de inters en los informes estndar afectar a la madurez de Illinois en Inteligencia Institucional es con respecto a los Productos de Datos. Aunque se ha logrado cierto progreso en la
implementacin de cuadros de mando, se utilizarn ms extensamente y para una audiencia ms amplia, apoyando a la siguiente generacin de informes estndar que se inicien desde una interfaz basada
en la Web, interactiva, basada en parmetros, y que permita la navegacin en profundidad por los datos
(drill-down). Esta interfaz ser creada utilizando la herramienta de paneles de control corporativa.
Finalmente, las iniciativas de informes estndar aumentarn el nivel de la dimensin Cobertura de
Usuarios de Illinois. La amplia mayora de miembros del claustro docente no son actualmente consumidores directos de los productos de datos que se proporcionan centralmente, confiando en su lugar en
niveles diversos de apoyo departamental local. Se estn desarrollando interfaces ms rpidas y ms fciles de usar que sern mucho ms amenas para el claustro docente que los mtodos actuales de entrega
de informes.
6.2.2. IMPLEMENTAR NUEVAS TECNOLOGAS BI

Otro avance estratgico a gran escala que est actualmente en marcha, es el de implementar nuevas
tecnologas de business intelligence en varias reas. Segn lo mencionado anteriormente, se est produciendo una implementacin ms amplia de la tecnologa de cuadros de mando que se centra en proporcionar infraestructura y servicios centrales para apoyar el desarrollo de cuadros de mando no slo en
Servicios de TI Administrativos, sino tambin en otras oficinas centrales, as como tambin en grupos de
TI departamentales.
A lo largo de los dos o tres prximos aos, se emprender otra iniciativa para implementar acceso desde dispositivos mviles a informes y cuadros de mando. El enfoque en este caso ser utilizar capacidades mviles de los fabricantes de productos de BI, en oposicin
a crear Apps o interfaces mviles personalizadas.
Otra rea en la que se implementarn nuevas tecnologas de business intelligence es en la visualizacin y exploracin de datos. Ya
existe algn uso muy limitado de una herramienta as, Tableau,
habindose implementado la infraestructura de servidor que permite a los usuarios compartir visualizaciones. Esto ser ampliado a
lo largo de los prximos dos aos, aunque esta herramienta probablemente es ms apropiada para una audiencia bastante limitada
de analistas con la combinacin apropiada de experiencia en datos
y habilidades tcnicas.
A lo largo de los dos o

tres prximos aos, se
emprender otra iniciativa
para implementar acceso
desde dispositivos mviles
a informes y cuadros de
mando
Asimismo, se implantar un nuevo producto que soporte la exploracin y visualizacin de datos, SAP
Business Objects Explorer. Este producto tiene una interfaz ms sencilla y ms intuitiva, y es potencial375
mente lo suficientemente fcil de usar como para dar apoyo a una audiencia mucho ms amplia de consumidores de informacin, especialmente a usuarios y decisores de negocio ocasionales.
Desde el punto de vista de la madurez de la Inteligencia Institucional, esto seguir impulsando a la Universidad en la dimensin Productos de Datos. Con el paso del tiempo, esto ayudar tambin a incrementar el Valor de Negocio derivado de la iniciativa de Inteligencia Institucional, que avanza hacia los
productos de datos y servicios que sern crticos para el xito de la Universidad.
6.2.3. GESTIN DE DATOS MS SISTEMTICA

En el rea definida por el Modelo de Madurez como Gestin de Datos, se ha planificado una estrategia inicial para reacondicionar el enfoque y el contenido sobre metadatos de la Universidad. Segn lo descrito
en las secciones previas, el equipo de Inteligencia Institucional de la Universidad de Illinois ya produce
una gran cantidad de metadatos, documentacin, formacin y materiales de apoyo. Sin embargo, gran
parte de este material necesita ser revisado y actualizado. Asimismo, todava se utilizan procesos muy
manuales para generarlo y publicarlo. Finalmente, una gran parte de los metadatos son muy tcnicos
por naturaleza. Tambin hay disponibles metadatos corporativos, pero a menudo son en forma de documentacin disponible en la pgina web en lugar de estar incorporados en los propios productos. Abordar
stas y otras cuestiones tendr un gran impacto tanto en la utilidad como en el mantenimiento de los
metadatos.
Otras reas de la Gestin de Datos todava plantean ms preguntas que respuestas actualmente. Una de
ellas es durante cunto tiempo deben retenerse los datos en el entorno del data warehouse. Existe una
poltica de alto nivel para esto, pero fue creada durante la implementacin inicial y todava no detalla
procedimientos para determinar durante cunto tiempo deben ser
retenidos.
requerira un compromiso
institucional para mejorar
la calidad de nuestra
informacin, que abarcase
desde cmo y qu
informacin se captura a
cmo se limpia y publica.
Dicho compromiso ha
faltado histricamente
376
La calidad de los datos sigue siendo tambin una cuestin difcil,

como ya hemos comentado, y no existe ningn camino claro que
seguir. Lo que est faltando actualmente es un mtodo sistemtico
para identificar los problemas de calidad de los datos en los sistemas fuente, y despus revisarlos con las partes interesadas apropiadas y determinar cmo abordarlos de la mejor manera posible,
dando lugar en ltima instancia a correcciones en los propios sistemas fuente. Un enfoque de este tipo requerira un alto grado de
colaboracin entre diversas oficinas centrales. Tambin requerira
probablemente alguna inversin en formacin sobre tratamiento
de datos u otras tecnologas. Lo que es ms importante, requerira
un compromiso institucional para mejorar la calidad de nuestra informacin, que abarcase desde cmo y qu informacin se captura
a cmo se limpia y publica. Dicho compromiso ha faltado histricamente, y no existe actualmente un

empuje o iniciativa estratgica en proceso.

Evidentemente, la Universidad de Illinois ha hecho un tremendo progreso en Inteligencia Institucional a
lo largo de los ltimos 12 meses. Tambin hay, obviamente, una serie de retos pendientes, y queda mucho
trabajo todava por hacer. Actualmente, hay muchos esfuerzos en marcha para seguir avanzando en los
prximos cinco aos. Pero qu pasa con el futuro ms all de eso?
6.3.1. INTELIGENCIA INSTITUCIONAL A MEDIDA, COLABORATIVA,

SEDUCTORA
Pensando en el futuro cuando la Inteligencia Institucional haya dado otro salto adelante, en tres o cinco
aos quiz, la inteligencia institucional podra calificarse en el futuro como a medida, colaborativa y
generalizada.
La Inteligencia Institucional ser a medida
Las herramientas de BI adecuadas se utilizarn para el trabajo y la audiencia adecuados. Las herramientas para consumidores de informacin menos tcnicos harn de la facilidad de uso una prioridad principal, haciendo del auto-servicio de BI una realidad.
La informacin correcta (contenido) se utilizar para las necesidades y la audiencia adecuadas: el

nivel de detalle, qu informacin se muestra, cundo est disponible y cmo se presenta.
Los consumidores de informacin sabrn qu est disponible y cundo utilizar qu soluciones, y

cuando tengan preguntas o necesiten ayuda, sabrn dnde acudir.
El soporte especializado y las actividades de formacin y apoyo estarn unidos a los ciclos de negocio de las operaciones de la Universidad.
La Inteligencia Institucional ser generalizada
Los consumidores de informacin, especialmente los decisores, tendrn la mejor informacin fcilmente disponible y en el formato ms til (es decir, a medida, segn se ha indicado anteriormente).
Los decisores tendrn interiorizado el hbito de basarse siempre en datos.
Se incluirn todos los procesos de negocio fundamentales de la Universidad, es decir, la informacin

estar disponible a travs de las interfaces de BI apropiadas. Tambin se dispondr de mecanismos
de soporte para ayudar con datos locales, sistemas especficos o sistemas de gestin perifricos, y con
datos no administrativos.
377
Se dispondr de mecanismos claros para identificar y priorizar los nuevos proyectos y el mantenimiento (basados en mecanismos de gobernanza de la Universidad). El trabajo ser llevado a cabo de
manera muy eficiente y transparente.
La informacin proporcionada ser fiable y comprensible:
Se podr utilizar informacin fiable con confianza para el fin pretendido, y las reglas de negocio
aplicadas sern apropiadas.
La informacin se etiqueta en trminos familiares para los usuarios y es comprensible, y las

reglas de negocio subyacentes estn disponibles utilizando un lenguaje que la audiencia puede
comprender.
La Inteligencia Institucional ser colaborativa.
Todos los productores de informacin, incluidos aquellos en las oficinas centrales y aquellos en facultades o unidades locales, trabajarn juntos para proporcionar a los consumidores de informacin un
conjunto de productos y servicios sencillos para satisfacer sus necesidades de informacin.
Se proporcionar infraestructura fundamental a nivel central, incluidos el entorno de datos y las

herramientas de BI, con los servicios necesarios para apoyarlos.
Tanto los productores de informacin centrales como los departamentales utilizarn conjuntos de
herramientas y mecanismos de entrega comunes para reducir los costes, facilitar ms la colaboracin y la comparticin, y facilitar la entrega de informacin a los consumidores.
Habr disponibles, donde proceda, respuestas, conjuntos de datos y mtricas estndar, y se entregarn de manera que fomenten la coherencia entre los interfaces y los proveedores.
Se dispondr de un enfoque sistemtico y de colaboracin para abordar los informes estndar, proporcionando respuestas fiables a preguntas que son comunes en la mayora de las unidades.
Se dispondr de mecanismos de comunicacin y colaboracin comunes para garantizar que los consumidores de informacin estn bien informados, y que la confusin sea mnima.
La Inteligencia Institucional ser vista en la planificacin y la gobernanza de la Universidad como

una capacidad crtica para lograr nuestras misiones acadmica, de investigacin y de servicio.
6.3.2. RETOS
La visin del futuro descrita anteriormente es alcanzable, pero todava quedan retos significativos en el
mbito de la colaboracin, la comunicacin, la fragmentacin y la tecnologa.
Colaboracin
Evidentemente, un futuro en el que se dispone ampliamente de soluciones de Inteligencia Institucio378
nal generalizada, requiere un alto grado de colaboracin de los productores de informacin a todos los
niveles. Lograr dicho grado de colaboracin representa probablemente el reto ms grande para lograr la
visin. Muchas de las diferentes oficinas implicadas tienen su propio alcance, objetivos, filosofa y retos
definidos. Esto, naturalmente, da lugar a enfoques muy diferentes con respecto a los esfuerzos de Inteligencia Institucional.
Por ejemplo, las oficinas de Investigacin Institucional reciben continuamente preguntas de administradores de alto nivel y de organismos externos. Dedican una gran cantidad de tiempo y esfuerzo
aplicando su experiencia tcnica para proporcionar respuestas muy
matizadas que dependen de las preguntas que se hacen, de quin
las hace, y de qu estn tratando de obtener. Un ejemplo clsico es la
pregunta: cuntos docentes tenemos? La respuesta es, por supuesto, depende. Hay muchas formas diferentes de hacer el recuento
de docentes dependiendo de la intencin de la pregunta. El requisito para poder proporcionar respuestas fiables, precisas, repetibles
a este tipo de preguntas impulsa a las Oficinas de Investigacin
Institucional a unos puntos de vista muy particulares sobre cmo
debe producirse y distribuirse la informacin y por parte de quin.
sta puede ser una perspectiva muy diferente de la de una unidad
administrativa que trata de proporcionar respuestas estndar automatizadas a preguntas comunes que muchas otras unidades hacen.
Esto, a su vez, es una perspectiva diferente a la de un grupo central
de Inteligencia Institucional que trata de crear infraestructura y de proporcionar herramientas de business intelligence, que es diferente de la perspectiva de un grupo de TI departamental que trata de abordar
las necesidades de informacin especficas de sus consumidores de informacin locales.
Un ejemplo clsico es
la pregunta: cuntos
docentes tenemos? La
respuesta es, por supuesto,
depende. Hay muchas
formas diferentes de hacer
el recuento de docentes
dependiendo de la
intencin de la pregunta
Claramente, todos estos grupos tienen metas que se solapan, pero

en muchos casos, estas metas entran en autntico conflicto. Cmo
pueden ser llevados a ponerse de acuerdo en una senda de colaboracin? Como en la mayora de las instituciones de educacin
superior, en Illinois no es realista ni apropiado forzar una orden
de arriba que imponga estos objetivos y obligue a las diferentes
unidades a colaborar para lograrlos. Sin embargo, se han hecho
grandes progresos estableciendo esfuerzos de gobernanza de Tecnologas de la Informacin ms amplios en los campus de la Universidad de Illinois, y esto ofrece esperanza para el futuro. En particular, el comit de business intelligence y Gestin del Rendimiento
ha hecho muchos progresos, aunque sirve fundamentalmente
como un grupo asesor y no tiene la capacidad de forzar a que se
sigan las recomendaciones.
Como en la mayora de las

instituciones de educacin
superior, en Illinois no es
realista ni apropiado forzar
una orden de arriba que
imponga estos objetivos
y obligue a las diferentes
unidades a colaborar para
lograrlos
379
Comunicacin
Otro importante reto es podernos comunicar de manera efectiva con una diversidad de audiencias tan amplia. Esto afecta a varios frentes, desde tener un directorio abierto de soluciones disponibles, a determinar
cmo se pueden integrar de manera efectiva metadatos y documentacin en las propias soluciones (en
oposicin a tenerlas en una pgina web en la que los usuarios tienen que ir a buscarlas). La comunicacin
es crtica para poder lograr los niveles de comprensin y adopcin generalizados descritos en la visin.
Fragmentacin
Otro reto significativo es evitar el alto nivel de fragmentacin que surge cuando tantos grupos diferentes tratan de abordar tantos tipos de necesidades para tantos tipos de consumidores de informacin
distintos. Para obtener progresos estratgicos en este aspecto, se requiere un esfuerzo intenso y bien
enfocado, que solo puede surgir de un acuerdo amplio. Los procesos de gobernanza, especialmente el ya
mencionado Comit de Prioridades de Tecnologa de la Informacin, estn diseados para facilitar esto.
Ha demostrado ser efectivo en Illinois, especialmente en casos en los que se necesita un proyecto de TI de
gran escala. Sin embargo, los casos en los que lo que se necesita es acuerdo sobre estrategias y enfoques
de ms alto nivel siguen planteando un reto.
Tecnologa
Qu hay de la tecnologa? Ciertamente hay retos tcnicos que superar para lograr la visin descrita anteriormente. Por ejemplo, la facilidad de uso de las soluciones de informacin es una cuestin de suma
importancia para consumidores de informacin menos tcnicos. Necesitamos un enfoque de portal que
nos permita integrar y distribuir soluciones de forma homognea, independientemente de quin las
produjo y qu tecnologa utiliz. Afortunadamente, ahora hay tecnologas maduras disponibles para
abordar estos retos, la mayora de las cuales ya han sido adquiridas.
Fruto de la reflexin sobre el camino que la Universidad de Illinois ha recorrido por la senda de la Inteligencia Institucional, surgen varias cuestiones cuya consideracin creemos que podra ser til para otras
instituciones.
7.1. PRIMERO, ENTIENDE LA NECESIDAD

La Inteligencia Institucional puede ser utilizada para abordar tipos de necesidades de informacin muy
diferentes, desde proporcionar informes operacionales bsicos a visualizar indicadores de rendimiento,
380
y hasta generar modelos analticos predictivos capaces de identificar, por ejemplo, a estudiantes en riesgo de fracaso. La Universidad de Illinois fue lo suficientemente afortunada como para poder asumir un
enfoque inicial tradicional, creando un data warehouse corporativo integral que acta como un cimiento flexible sobre el que construir muchos tipos diferentes de soluciones. Este enfoque otorga un amplio
alcance y flexibilidad, pero probablemente no es realista para otras muchas instituciones que tienen
recursos muy limitados para invertir en iniciativas de Inteligencia Institucional.
Cuando este tipo de enfoque integral inicial no es factible, es til
identificar una primera necesidad nuclear a cubrir por la Inteligencia Institucional al principio de su ciclo de vida. Esto implica identificar el conjunto adecuado de patrocinadores, implicados y clientes,
y lograr un acuerdo sobre qu necesidades de informacin abordar
inicialmente. En muchas instituciones, definir cuidadosamente un
alcance inicial especfico de esta forma, har mucho ms probable
el xito. Este alcance inicial necesita tambin ser realista dados los
recursos disponibles. Todo, desde la arquitectura a la eleccin de las
herramientas de BI, puede verse influido por lo que queremos lograr, y para quin.
es til identificar una

primera necesidad nuclear
a cubrir por la Inteligencia
Institucional al principio de
su ciclo de vida
7.2. UNA ORGANIZACIN HBRIDA PARA INTELIGENCIA

INSTITUCIONAL
Una de las lecciones que pueden aprenderse de la experiencia de la
Universidad de Illinois es el valor de crear un equipo hbrido tcnico
/ funcional con dedicacin completa a la Inteligencia Institucional.
Una Inteligencia Institucional exitosa requiere tanto habilidades
tcnicas como experiencia funcional, y existen muchas ventajas al
tener ambas facetas cubiertas dentro del equipo base. Una razn
importante es que a menudo existe una gran brecha en conocimiento y experiencia entre los consumidores y los productores de
informacin. Los consumidores, lgicamente, comprenden sus propias necesidades y cmo funcionan las unidades en las que trabajan, pero a menudo no estn familiarizados con las capacidades de
los diversos tipos de soluciones de business intelligence. Los profesionales de business intelligence, en cambio, tienen un conocimiento profundo en las herramientas y tcnicas, pero normalmente no
tienen suficiente experiencia funcional para saber dnde y cmo
aplicarlas. El personal funcional dentro del equipo nuclear de Inteligencia Institucional puede salvar esta brecha, al tener experiencia suficiente en ambas facetas, y servir
as como generadores de ideas e intrpretes.
Una Inteligencia
Institucional exitosa
requiere tanto habilidades
tcnicas como experiencia
funcional, y existen muchas
ventajas al tener ambas
facetas cubiertas dentro del
equipo base
381
Existe un riesgo potencial en este enfoque que debe ser evitado: disponer de perfiles propios con experiencia funcional puede tentar al equipo de Inteligencia Institucional a minimizar la implicacin de otras
partes interesadas funcionales, tales como la unidad propietaria de los datos u otras unidades clave
en su tratamiento e interpretacin (Investigacin Institucional, por ejemplo). La experiencia funcional
dentro del equipo es muy valiosa, pero en ningn caso reemplaza a la experiencia de estos socios clave,
ni disminuye la necesidad de colaborar con ellos.
7.3. ADOPCIN Y LIMITACIONES DEL ENFOQUE CONSTRYELO Y

YA VENDRN
Otra leccin importante de la experiencia de Illinois son las limitaciones del enfoque constryelo y ya
vendrn5 con respecto al data warehouse. La asuncin subyacente de este enfoque era que, si se ponen
los datos a disposicin de las personas, stas comenzarn a utilizarlos automticamente. Este enfoque
era el predominante en la industria del data warehousing en el tiempo en que Illinois se embarc en la
Inteligencia Institucional. En aquel momento, haba una enorme tendencia en la industria por el enfoque de crear almacenes de datos corporativos a gran escala. Lo que encontramos en Illinois fue que, de
hecho, esto fue cierto para muchos productores de informacin y profesionales de datos. Creamos el data
warehouse, y ciertamente vinieron y comenzaron a usarlo.
Sin embargo, para los usuarios funcionales ms ocasionales esto no fue as. Crear el data warehouse no
fue suficiente, y hubo una serie de factores que supusieron barreras para la adopcin efectiva. Algunas de
estas barreras se han tratado en este caso de estudio, como la necesidad de crear estructuras especficas
que simplifiquen los datos para determinadas necesidades particulares, o la importancia de disponer de
herramientas de BI que sean lo suficientemente fciles de usar.
Tampoco es sorprendente que el hecho de tener ms datos disponibles no cree mgicamente una cultura
analtica basada en datos. Los tipos de preguntas que se hacen los decisores a menudo requieren informacin que no est fcilmente disponible en los sistemas corporativos existentes, o cuya respuesta requiere de una gran experiencia en el manejo de datos, aparte de las habilidades tcnicas necesarias para
accederlos. Estas preguntas a menudo estn tambin relacionadas con decisiones polticas, y pueden no
estar directamente ligadas a un proceso operacional habitual. Muchas de las preguntas ms analticas,
aun siendo importantes, pueden no ser siempre urgentes, haciendo de la adopcin un reto cuando las
necesidades operacionales siempre son ms apremiantes.
Basndonos en estas experiencias, tiene sentido recomendar que se deben considerar al principio del ciclo de vida las barreras potenciales a la adopcin, en lugar de asumir que los clientes acudirn en masa a
5. Del ingls build it and they will come, frase hecha que se aplica cuando se construye un producto de forma unilateral, sin participacin
de los futuros usuarios del mismo, con la confianza de que su utilidad y aplicabilidad sern inmediatamente obvias y los usuarios lo adoptarn de forma espontnea.
382
la nueva solucin de Inteligencia Institucional. Adaptar la solucin

a las necesidades especficas de cada audiencia, en comunicacin
directa con ella, y proporcionar el apoyo necesario al uso son algunos factores claves a considerar.
se deben considerar al
principio del ciclo de vida
las barreras potenciales a
la adopcin, en lugar de
7.4. LA HERRAMIENTA CORRECTA PARA EL
asumir que los clientes
TRABAJO CORRECTO
acudirn en masa a
La idea de que no existe una herramienta nica para satisfacer
la nueva solucin de
todas las necesidades de informacin de nuestros clientes es difcilmente una novedad. sta es una realidad bien entendida en el Inteligencia Institucional
campo de las Tecnologas de la Informacin en general. El problema
es que, a pesar de ello, algunas veces seguimos cayendo vctimas de
la idea contraria.
En Illinois, el problema no fue que tratramos de aplicar una nica

herramienta a todos los problemas, sino que la entrada en produccin de las diferentes herramientas que se ponan a disposicin
de los clientes se produjo en distintos momentos. Como ya hemos
comentado anteriormente, la herramienta de consultas Ad hoc fue
la primera solucin disponible, y tena como objetivo facilitar al
personal menos tcnico crear sus propios informes personalizados.
Esto funcion bien para aquellos con la experiencia necesaria y la
capacidad de hacer frente a una pronunciada curva de aprendizaje, pero hubo tambin muchos consumidores de informacin para
quienes la herramienta de consulta Ad hoc no era la mejor forma de
obtener la informacin que necesitaban. Una combinacin de ms
y mejores informes estndar y de herramientas de BI adicionales, tales como cubos OLAP y paneles de
control, fueron necesarios para abordar la brecha. Sin embargo, lanzar estas herramientas adicionales
llev varios aos, y aun requerir algunos ms para que estn totalmente implantadas. Como resultado
de esta situacin, hubo una serie de usuarios que se frustraron al intentar utilizar una herramienta que,
realmente, no se ajustaba a su perfil. Adems, intentar darles soporte supuso un esfuerzo muy elevado
en apoyo y formacin por parte de las oficinas centrales.
hubo una serie de

usuarios que se frustraron
al intentar utilizar una
herramienta que, realmente,
no se ajustaba a su perfil
Aparte de la leccin obvia de utilizar la herramienta correcta para el trabajo correcto, tambin es til
preguntarnos qu significa el concepto de auto-servicio de BI para cada diferente audiencia. Para los
productores de informacin, puede significar acceso directo a datos y a herramientas sofisticadas. Para
los consumidores de informacin y otros usuarios ms ocasionales, puede implicar un conjunto de informes estndar interactivos que les proporcionan algo de flexibilidad, sin requerir un alto grado de experiencia tcnica para ser utilizados.
383
7.5. ESCALABILIDAD
A medida que se abordan con xito los retos de la adopcin, y la demanda y el uso efectivo van aumentando, pueden aparecer problemas con la escalabilidad de las soluciones disponibles. En Illinois, en los
primeros aos, experimentamos problemas de escalabilidad con nuestra infraestructura de elaboracin
de informes corporativos, y tambin con la finalizacin de las cargas de datos nocturnas. Ambos retos
fueron afrontados con decisin, y finalmente resueltos. Sin embargo, recuperarse de la percepcin negativa que estas dificultades generaron en los clientes, llev mucho ms tiempo.
tener una demanda

creciente es un problema
agradable, pero un
problema al fin y al cabo.
Identificar dificultades
de escalabilidad con la
suficiente antelacin es
muy importante
Obviamente, tener una demanda creciente es un problema agradable, pero un problema al fin y al cabo. Identificar dificultades de
escalabilidad con la suficiente antelacin es muy importante, y no
lo es menos el cmo comunicarse con los clientes cuando los problemas finalmente llegan a producirse. Una vez hecho el dao, puede
llevar mucho ms tiempo recuperarse de la percepcin negativa de
los clientes que el que llev resolver los problemas tcnicos.
7.6. TRABAJAR CON CLIENTES A TODOS

LOS NIVELES
Tal y como ya hemos comentado anteriormente, la Universidad de

Illinois es una institucin sumamente descentralizada, en la que
la tarea de poner la informacin en las manos de los clientes est
distribuida entre muchas oficinas diferentes, tanto centrales como locales. Una de las caractersticas de
dicho entorno es que cada oficina tiende a tener una actitud de propiedad hacia sus clientes. Tienen el
conocimiento, la experiencia y las relaciones apropiadas.
En muchos casos, esto puede ser muy til para un equipo de Inteligencia Institucional encargado de
abordar las necesidades de un conjunto muy diverso y extenso de potenciales clientes. Estos productores
de informacin centrales y locales pueden ahorrar mucho tiempo al equipo, porque normalmente conocen a sus clientes muy bien y pueden suponer una fuente de requisitos muy bien consolidada. Asimismo,
los desarrolladores locales tienden a conocer las rarezas y las necesidades exclusivas de sus unidades.
Tambin pueden ayudar a aquellos consumidores de informacin que el equipo central no tiene tiempo
o recursos para atender.
Por el contrario, algunas veces estas oficinas estn menos abiertas a nuevas ideas o a nuevas herramientas y enfoques: han establecido su modo de hacer las cosas, y probablemente no tienen los recursos para
aprender un nuevo conjunto de herramientas especializadas de business intelligence. Asimismo, algunas
veces el equipo central de Inteligencia Institucional necesita realmente hablar con los consumidores de
informacin directamente para comprender su perspectiva. Por ejemplo, los profesionales de TI locales
384
pueden no ser siempre conscientes de por qu y para qu los consumidores necesitan la informacin que piden. Al elaborar soluciones de business intelligence, el por qu y el para qu importan,
porque ayudan a definir la solucin correcta. Tambin es muy til
ir ms all de los datos y las reglas de negocio para obtener una
comprensin ms profunda del negocio de una unidad de servicio
o acadmica. Esta comprensin se obtiene mejor mediante la interaccin directa con los decisores. Sin embargo, estos otros productores locales de informacin a veces prefieren hacer de intermediarios
estrictos, en lugar de permitir al equipo de Inteligencia Institucional
trabajar directamente con sus clientes.
Una leccin importante que se desprende de esto es que es necesario desarrollar relaciones de asociacin entre las diversas oficinas
que actan como productores de informacin, evitando una sensacin de competencia interna entre ellas. Tambin es importante
comunicarse directamente con los clientes a todos los niveles de la
organizacin y en todos los roles, no slo con los productores de informacin o slo con los consumidores de informacin.
7.7. INTELIGENCIA INSTITUCIONAL

COLABORATIVA EN UN MUNDO
DISTRIBUIDO
Al elaborar soluciones de
business intelligence, el
por qu y el para qu
importan, porque ayudan a
definir la solucin correcta
es necesario desarrollar
relaciones de asociacin
entre las diversas
oficinas que actan como
productores de informacin,
evitando una sensacin de
competencia interna entre
ellas
Al considerar la experiencia de Illinois, otra leccin que emerge es

el reconocimiento de que en la mayora de nuestras organizaciones,
un rea central de Inteligencia Institucional no puede (y probablemente, no debe) satisfacer por s sola
todas las necesidades de todos los consumidores de informacin. Es esencial trabajar con las otras oficinas centrales. En muchos casos, algunas cosas van a terminar hacindose tambin localmente. Al reconocer y aceptar eso, se pasa, lgicamente, a ver a aquellas otras oficinas no slo como partes interesadas
sino tambin como una parte crtica de la solucin. Pensar en ellas como en parte de la solucin lleva a
tratarlas como verdaderos socios en lugar de como implicados que gestionar.
Algunos ejemplos de este tratamiento son el implicarlas al inicio, en lugar de posteriormente, cuando
ya una idea o proyecto slo necesita ser validado. En lugar de enviarles solamente los documentos por
e-mail y pedirles una respuesta, ir y hablar con ellos y obtener retroalimentacin e ideas en vivo. Tambin significa tratar de comprender su mundo, sus retos, sus objetivos y su cultura. Encuentre una base y
unos objetivos comunes. Cree una visin compartida. Est dispuesto a comprometerse. En la Universidad
de Illinois, los momentos en los que el equipo de inteligencia institucional actu de este modo dieron
lugar a resultados mucho mejores que cuando no lo hizo.
385
7.8. CREACIN DE PROTOTIPOS Y PLANIFICACIN DEL PRODUCTO

Finalmente, dos tcnicas adicionales que han sido sumamente tiles en Illinois incluyen la creacin de
prototipos y la creacin de planes de producto.
7.8.1. CREACIN DE PROTOTIPOS

El uso de prototipos es una prctica consagrada en el desarrollo de
software, y es especialmente til en business intelligence. Muchos
de nuestros clientes tienen poca o ninguna experiencia con interfaces como paneles de control y cubos OLAP, y solo cuando pueden
visualizar su posible aspecto son mucho ms capaces de proporcionar realimentacin til y relevante. Incluso con los informes, con los
que se est familiarizado, a menudo es mucho ms efectivo mostrar
una maqueta que revisar un documento de especificacin con los
clientes. En Illinois, la elaboracin de prototipos ha sido utilizada
satisfactoriamente tanto para validar que se comprende la necesidad antes de iniciar un proyecto, como para obtener requisitos adicionales durante su desarrollo.
la elaboracin de
prototipos ha sido utilizada
satisfactoriamente
tanto para validar
que se comprende la
necesidad antes de
iniciar un proyecto, como
para obtener requisitos
adicionales durante su
7.8.2. PLANIFICACIN DEL PRODUCTO
desarrollo
La planificacin del producto es una prctica menos comn, pero no

menos til. Como se ha sealado anteriormente, uno de los retos a
los que se enfrentan los equipos de Inteligencia Institucional es equilibrar la necesidad de proporcionar
resultados rpidos con la necesidad de crear una arquitectura integrada en lugar de un conjunto de silos
desconectados. Las siguientes secciones describen el enfoque de Illinois para evaluar las necesidades
de informacin de un proceso de negocio, unidad o grupo de consumidores de informacin de la Universidad en particular, y crear un plan de producto para ellos. El objetivo ltimo de dicha evaluacin es
identificar qu soluciones de informacin (tales como informes o universos de Business Objects) son
necesarias, y definir el alcance de los proyectos para entregarlas. Dado que este enfoque es menos conocido, y que nos ha sido sumamente til, proporcionamos una descripcin ms detallada a continuacin.
Este enfoque se basa en algunos principios fundamentales de business intelligence:
386
Diferentes tipos de consumidores de informacin tienen diferentes necesidades. El Decano de una Facultad tiene necesidades de informacin muy diferentes que el Jefe de un servicio, que tiene necesidades diferentes que un Asesor que trabaja con estudiantes, o un Investigador Principal que realiza investigacin financiada. Raras veces existe una solucin todo en uno para las necesidades de informacin.
Diferentes tipos de productos de business intelligence estn mejor adaptados para resolver diferentes
tipos de necesidades de informacin. Un Informe estndar funciona bien para una Lista de Clase o
una lista de Transacciones Financieras, que son esencialmente iguales para todos. Un universo de
Business Objects funciona bien cuando diferentes unidades necesitan cada una poder crear sus propios informes personalizados. Encontrar la herramienta correcta para el trabajo correcto es esencial.
Adems de las interfaces que entregarn la informacin (tales como un informe o un panel de control), tambin es importante determinar qu datos se necesitan, de qu sistemas proceden, y cmo
deben organizarse.
Una determinada solucin de informacin a menudo requiere

varias interfaces diferentes, y puede necesitar ms de un proyecto para su construccin completa. Un plan de producto
identifica todas las piezas que constituyen una solucin determinada y cmo se complementan entre s, asegurndose de
que el resultado final de los mltiples proyectos incrementales
sea una nica solucin integrada y coherente.
Pasos de la evaluacin
Una evaluacin de las necesidades de informacin incluye normalmente los siguientes pasos, y se trata de un proceso iterativo.
Normalmente, los pasos se solapan y no siempre se realizan en este
orden exacto.
1)
Una determinada
solucin de informacin
a menudo requiere varias
interfaces diferentes,
y puede necesitar ms
de un proyecto para su
construccin completa
Identificar audiencias: Cualquier proceso de negocio o rea incluir a personas con una variedad de
roles y en diferentes tipos de unidades. Estas diferentes personas a menudo tienen necesidades de
informacin diferentes. Cules son los grupos diferentes de personas implicados que pueden tener
necesidades diferentes? Cules son los roles clave? Cules son los diferentes tipos de unidades implicadas?
2) Identificar los objetivos del negocio: Qu est tratando de lograr cada grupo, desde un punto de
vista de negocio? En qu resultados del negocio estn tratando de influir? Qu procesos de negocio
estn tratando de gestionar? Cules son las decisiones importantes que necesitan tomar?
3) Identificar las preguntas/mtricas del negocio: Qu preguntas es necesario responder para saber
si se estn cumpliendo los objetivos del negocio? En otras palabras, cmo saber si las cosas estn
yendo bien o mal? Qu preguntas necesitan responder cuando toman decisiones?
4) Definir las necesidades: Qu tipo de informacin es necesaria para responder a las preguntas o para
proporcionar las mtricas? Cmo estn obteniendo esta informacin ahora? Cmo podra mejorarse?
5) Identificar las fuentes de los datos: Cules son los datos transacciones clave que se necesitan para
proporcionar la informacin identificada? En qu sistemas residen estos datos?
6) Determinar las soluciones: Qu productos de datos (por ejemplo, informes, universos, cubos OLAP,
387
paneles de control) es necesario crear para satisfacer las necesidades? De dnde procedern los datos para cada uno de ellos? Cmo es necesario integrar y/o agregar los datos? Cmo encajan los
diferentes productos y fuentes de datos?
7) Determinar el alcance de los proyectos: Qu proyectos especficos podran emprenderse para desarrollar las soluciones descritas? Cul es su alcance y cmo encajaran para proporcionar una solucin integral e integrada? En qu orden sera necesario emprenderlos? Cul es el business case, es
decir cmo beneficiar a la Universidad disponer de estas las soluciones?
La evaluacin de las necesidades de informacin no tiene como fin cubrir requisitos ms detallados, tales como definir las reglas de negocio detalladas, definir medidas especficas y atributos o campos de
datos necesarios, mtricas/KPI (indicadores clave de rendimiento) especficos o detalles del diseo de la
interfaz. Esta gestin de requisitos detallada est incluidas dentro de los proyectos reales que crearn la
solucin de informacin identificada en la evaluacin de necesidades.
Proceso
El proceso que seguimos normalmente para responder a las preguntas descritas anteriormente es facilitar en primer lugar un debate en grupo con las principales partes interesadas, centrado en los dos
primeros pasos: Quines son las audiencias? Qu estn tratando de lograr? En algunos casos, este debate inicial puede extenderse para que incluya los siguientes pasos as como tambin para tratar las
preguntas y necesidades del negocio. Sin embargo, en muchos casos es necesaria una sesin adicional
para dar cuerpo a esas ideas iniciales con ms detalle. Las partes interesadas pueden hacer esto por su
cuenta o el equipo de Inteligencia Institucional puede facilitar tambin estos debates. Cuando se trata de
identificar qu sistemas tienen los datos necesarios, normalmente hace falta incluir a personal tcnico
con experiencia en los sistemas fuente en cuestin.
Una vez que se ha obtenido la informacin de los pasos 1 5, el equipo de Inteligencia Institucional la
compila y crea un borrador de plan de producto que determina las diferentes soluciones y cmo encajan
(paso 6). Despus se identifican dependencias, y se celebra una sesin de seguimiento con las partes
interesadas para revisar el plan de producto y refinarlo, segn sea necesario. En esta sesin, las partes
interesadas identifican tambin sus prioridades sobre qu partes son ms importantes abordar.
Despus de esto, el equipo de Inteligencia Institucional puede identificar un conjunto de proyectos y en
qu orden seran realizados. En muchos casos, se pueden crear prototipos y compartirlos con las partes
interesadas originales, as como tambin con otros grupos similares de toda la Universidad para refinar
las necesidades de informacin y verificar que las soluciones propuestas seran de aplicacin general.
El paso final es rellenar las plantillas de solicitud y presentarlas al Comit de Prioridades de Tecnologa
de la Informacin, que aprueba y prioriza los proyectos corporativos de TI en la Universidad de Illinois.
388
389
CASO DE ESTUDIO
UNIVERSIDAD
DE OSNABRCK
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autor
Dr.-Ing. Bodo Rieger

Head of the Business Administration department.
Computer science and business management
support. University of Osnabrck (Alemania)
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE II CAPTULO 3: ESTUDIO DE CASO UNIVERSIDAD DE OSNABRCK
CAPTULO 3
CASO DE ESTUDIO
UNIVERSIDAD DE OSNABRCK
UNIVERSIDAD DE OSNABRCK

La Universidad de Osnabrck, situada en la Baja Sajonia, en el noroeste de Alemania y fundada en 1974, es
una institucin regional de tamao medio. A finales de 2012 tena unos 10.000 estudiantes matriculados
en unos 70 estudios de grado y 110 de posgrado, incluidos unos 800 candidatos a doctorarse en 7 programas de doctorado. Son atendidos por un personal compuesto por 1.000 acadmicos y 700 empleados
no docentes, que incluyen 250 profesores, en 10 Escuelas de Humanidades, Ciencias Sociales, Ciencias
Naturales, Derecho y Empresariales. Como la mayora de las Universidades alemanas, la Universidad de
Osnabrck est financiada principalmente por el estado con un presupuesto asignado de unos 121,9 millones en 2012, compuesto por 89,4 millones de financiacin del estado, 23,3 millones de financiacin de
terceros y 7,4 millones de ingresos por matrcula.
En el otoo de 2011, la Universidad enfrent un importante incremento del nmero de solicitantes debido
a la reduccin de la duracin de los estudios preuniversitarios de nueve a ocho aos en la Baja Sajonia, y al
mismo tiempo, la suspensin del reclutamiento por el gobierno alemn. Como consecuencia, la Universidad gener 522 plazas de estudio adicionales (un 17% de aumento de la capacidad de admisin) en programas de grado para satisfacer la demanda prevista. Se mantendrn hasta 2015 plazas adicionales en
programas de grado en la Universidad de Osnabrck, ya que los estados adyacentes reducirn tambin la
duracin del periodo preuniversitario. El siguiente pasos ser, lgicamente, planificar la ampliacin de la
capacidad de los estudios de mster. Otra iniciativa, que comenz en 2011, tiene como objetivo mejorar la
calidad de la enseanza introduciendo sistemas de gestin de la calidad y aumentando el uso de nuevas
392
tecnologas de aprendizaje y enseanza. Se identificaron criterios y cifras clave para medir la enseanza
de alta calidad en un proceso de auditora de calidad estandarizado.
A principios de 2012, la direccin de la Universidad inici revisiones anuales de rendimiento en las diferentes escuelas para evaluar los resultados de la investigacin y la enseanza, analizando, por ejemplo,
la financiacin por parte de terceros o el nmero de doctorados que se titulan, clasificando los resultados
en colaboracin con los decanos.

El punto de partida de la iniciativa de Business intelligence de la Universidad de Osnabrck puede datarse entre 1995 y 1998, cuando las condiciones en torno a las Universidades cambiaron drsticamente en
Alemania. El creciente nmero de estudiantes, adems de la jubilacin de varios profesores y las reducciones de gastos obligatorias dictadas por el gobierno impusieron modificaciones fundamentales y cambios de las herramientas y tcnicas acostumbradas para la asignacin de recursos, reforzando un control
orientado al rendimiento. Junto con los recortes de gastos, todas las estructuras universitarias fueron
evaluadas para identificar posibilidades de mejora en las estructuras operativas y organizativas. La campaa de evaluacin para la identificacin de mejoras cualitativas fue realizada por expertos externos,
una empresa consultora (para la administracin) y procesos de revisin por pares (para la investigacin
y la enseanza).
Entre otros, los resultados se utilizaron para iniciar los primeros proyectos de TI piloto compartidos entre
departamentos administrativos y departamentos de investigacin, concretamente, el Departamento de
Desarrollo y Planificacin Acadmica y la Ctedra de Sistemas de Apoyo a la Gestin, explorando versiones preliminares de elaboracin de informes multi-dimensionales. Estos proyectos fueron impulsados
por un presidente de mentalidad abierta, que crea que las Tecnologas de la Informacin junto con los
cambios organizativos podran ayudar a gestionar estos retos. Al mismo tiempo, el sistema de estudios
cambi de manera significativa pasando de diplomas a estudios de licenciado y mster junto con un sistema completamente nuevo de grados que utiliza crditos, de acuerdo con el sistema ECTS1.
Afortunadamente, en 1998, la Universidad obtuvo fondos para dos proyectos de investigacin anunciados por la Stifterverband, una comunidad privada sin nimo de lucro de empresas alemanas que tiene
como objetivo la innovacin en el sistema cientfico alemn para impulsar el desarrollo y la introduccin de Sistemas de Informacin para la Gestin (MIS, del ingls Management Information Systems) en
educacin superior, con el fin de mejorar los procesos de toma de decisiones a nivel de Universidad y de
facultades.
Como consecuencia, se desarroll una primera fuente de datos coherente e integrada que contena datos
1. ECTS: del ingls European Credit Transfer System, sistema europeo de transferencia de crditos
393
para proporcionar indicadores de rendimiento para medir, controlar y gestionar todas las reas relevantes de la toma de decisiones. Se identificaron varios mbitos diferentes en los que esta fuente de datos
poda aportar beneficios, p.ej. asignacin de recursos orientada al rendimiento, gestin estratgica y de
operaciones, y se intent tambin mejorar el rendimiento de las obligaciones de reporte, as como simplificar los procesos de evaluacin y mejora de la garanta de calidad.
En aquellos das, no todos los sistemas de gestin eran precisamente apropiados para su integracin en
un data warehouse, debido la carencia de bases de datos relacionales como soporte de almacenamiento.
Se requera una migracin de datos paso a paso, y un tremendo esfuerzo de recodificacin de los datos
a integrar en el data warehouse, realizando su historizacin. Desde un principio, el data warehouse fue
dividido en dos capas, la capa de datos reconciliados (RDL, del ingls reconciled data layer), compartida y
libre de redundancias, y la capa de datos derivada (DDL, del ingls derived data layer) tambin conocida
como data marts para solicitudes de anlisis especficas. Por motivos de rendimiento, ambas capas se
basaron en un data warehouse operacionales (ODS, del ingls operational data store), que almacenaba
datos extrados de diversas fuentes de datos.
El primer conjunto de datos inclua la matricula de estudiantes, datos de resultados acadmicos, datos
personales, datos de las instalaciones, y datos financieros. Al comienzo del proyecto de BI, los conjuntos
de datos eran actualizados dependiendo de las necesidades de los usuarios, semanalmente para datos
financieros, una vez al semestre para los datos de exmenes y matriculacin, y mensualmente, para los
datos de personal. El resto de conjuntos de datos era actualizado bajo demanda. Adems de los datos
transaccionales, el data warehouse ofreca datos calculados nuevos, con fines de anlisis y planificacin.
Los datos eran ofrecidos a los usuarios mediante cubos OLAP utilizando el CognosPowerPlay Web Explorer
como interfaz Web de usuario. Basndose en los cubos OLAP, los usuarios podan acceder a vistas de cubo
en CognosPowerPlay para comenzar su anlisis individual, utilizando una amplia gama de funciones incorporadas tales como girar ejes, segmentar, desglosar y agregar. Tambin podan descargar su informe
a Microsoft Excel para formatear ms cmodamente o guardar su vista del cubo para un anlisis posterior. A diferencia de otros sistemas de informacin de gestin, el sistema de informacin para la gestin
(MIS) de Osnabrck no se limitaba a datos cuantitativos, sino que utilizaba un sistema de gestin del
conocimiento para describir con detalle las vistas, dimensiones, mtricas y filtros para comprender mejor los significados y fines de las dimensiones y mtricas utilizadas. Dado que los productos de software
disponibles para la gestin de metadatos se limitaban a metadatos propietarios, la Universidad de Osnabrck desarroll su propia solucin para integrar datos cualitativos (basados en texto) a nivel semntico, y ofreci adems interaccin directa al usuario. Esta base de conocimiento-MIS-STIFT sirvi como
plataforma adicional con sus propias funciones de navegacin basadas en la Web con el fin de reunir y
consolidar diferentes fuentes de informacin. La informacin cualitativa y descriptiva estaba conectada
con la cuantitativa en diferentes niveles de detalle, desde sencillas explicaciones sobre mtricas o dimensiones, a descripciones integrales de informes. El contenido cualitativo se generaba automticamente
utilizando los metadatos resultantes de procesos ETL o de herramientas de elaboracin de informes, as
como tambin de bases de datos de texto, pero poda ser aadido tambin por usuarios avanzados y
expertos funcionales. Desgraciadamente, su diseo de interfaz, relativamente crudo, no sobrevivi a la
394
competencia de otras interfaces grficas de usuario del MIS central debido a la falta de recursos en Tecnologas de la Informacin para evolucionarlo. Sin embargo, est pendiente de una revitalizacin en el
futuro prximo (como se ver ms adelante).

Los proyectos de BI iniciales arriba mencionados, todava denominados en aquel entonces Sistemas de
Apoyo/Informacin para la Gestin (MIS/MSS, del ingls Management Information/Support Systems),
duraron de 1998 a 2000. Se reforzaron con dos empleados a tiempo completo, que rendan cuentas
directamente al presidente, y con respecto al contenido, a la Ctedra de Sistemas de Apoyo a la Gestin
en la Escuela de Economa y Administracin de Empresas, es decir, parcialmente fuera de la estructura
administrativa. Esto constituye una importante caracterstica especial de diseo de los servicios de TI
de Osnabrck desarrollada para lograr estmulos a la inversin. Por supuesto, solo poda ejecutarse con
xito en estrecha cooperacin con el Servicio de informtica administrativa, que era responsable de la
mayora de las fuentes de datos a integrar en la primera versin. Sin embargo, lo ms importante, desde
el inicio, fue la determinacin explcita de una orientacin innovadora, no nicamente hacia la elaboracin de informes, sino a la mejora del rendimiento y el apoyo a la toma de decisiones. As pues, la
misin que el presidente encomend al equipo de proyecto inicial de BI fue:
Apoyar las decisiones operativas y estratgicas
En todos los niveles de toma de decisiones de la Universidad,

desde los estudiantes al presidente,
Proporcionando informes estndar y analticos
Basados en la integracin de datos cualitativos y cuantitativos

procedentes de todos los sistemas operacionales
Apoyar las decisiones

operativas y estratgicas
en todos los niveles de
toma de decisiones de
la Universidad, desde los
estudiantes al presidente
Esta misin sigue estando vigente en la actualidad. Sin embargo,

su institucionalizacin sostenible en trminos de recursos eficaces
para el crecimiento se demostr difcil, y aun hoy podra ser mejor.
Desde 2003, las actividades de BI fueron ubicadas como un Centro
para la BI en la divisin de Gestin de la Informacin dentro del Centro para la Gestin de la Informacin
y Enseanza Virtual (virtUOS), recientemente creado, un instituto central orientado a la investigacin
para la innovacin en TI aplicada tanto a la enseanza, la garanta de calidad y el control administrativo.
Este centro virtUOS por primera vez integr varios departamentos de TI esparcidos con anterioridad.
En paralelo, el (nuevo) presidente decidi establecer la oficina de Investigacin Institucional (ZentralesBerichtswesen/ZBW) como un departamento ejecutivo que reportaba directamente al presidente, y que
era responsable de la planificacin, elaboracin de informes y anlisis enfocados a la gestin estratgica,
para hacer la Universidad ms controlable y medible. La idea inicial de la ZBW, muy alineada con la misin del centro para la BI, era proporcionar informacin aprobada no solamente a nivel de direccin sino
395
tambin a todos los miembros de la Universidad, y a entidades externas. Este departamento tiene como
objetivo aumentar la transparencia y definir parmetros para una mejor toma de decisiones. El proyecto
comenz en 2005 y fue ampliado por un perodo de tiempo indeterminado en 2008.
De este modo, la Oficina de Investigacin Institucional (ZBW) se convirti en un cliente potencial prominente del Centro para la BI, no obstante, sin que aumentaran los recursos destinados a BI, ni en la ZBW ni
en el Centro para la BI. Finalmente, en 2012, la Oficina de Investigacin Institucional decidi ampliar e intensificar el uso del MIS actual de forma constante, por lo que contrat a una persona adicional a tiempo
completo con conocimientos especficos en tecnologas de Business intelligence. La oficina haba estado
sufriendo al estar bajo una creciente presin de plazos y de escasez de personal durante mucho tiempo.
Por consiguiente, se necesitaban urgentemente nuevas formas de entregar datos para una amplia gama
de tareas distintas. En estrecha cooperacin con el equipo virtUOS, se identificaron nuevas reas de aplicacin, se analizaron requisitos, se disearon prototipos y finalmente se proporcionaron soluciones. Las
tareas fueron divididas en responsabilidad funcional, tales como garanta de calidad, diseo de conceptos e informes, por un lado, y responsabilidad tcnica, tales como gestin de roles, por el otro.
En realidad, el centro
virtUOS hace el papel de
consultor externo.
(...) las sugerencias de
cambios en los procesos
de anlisis y toma de
decisiones para mejorar el
rendimiento organizativo
necesitan ser propuestas
desde fuera de la
organizacin afectada
De este modo, la gobernanza de BI y el control est ahora mucho

ms cerca del presidente, aunque se sigue ofreciendo asesoramiento cientfico a travs del Consejo del centro virtUOS, que consiste
en cuatro profesores. En realidad, el centro virtUOS hace el papel de
consultor externo. Esto es importante, porque a menudo, las sugerencias de cambios en los procesos de anlisis y toma de decisiones
para mejorar el rendimiento organizativo necesitan ser propuestas
desde fuera de la organizacin afectada: desde dentro, incluso la
escasez de recursos o la competencia entre ctedras no son lo suficientemente fuertes para cambiar realmente el comportamiento,
sino que, de una forma contraproducente, a menudo slo llevan a la
ocultacin de informacin, ms que al anlisis de causas y propuestas de cambio. Es necesario que las propuestas de mejora se hagan
desde todos los niveles de la toma de decisiones, no solamente por
parte del presidente.
De hecho, un grupo importante de decanos est definiendo requerimientos de informacin y propuestas de apoyo a la toma de decisiones, provocadas de alguna forma por sugerencias del grupo de BI.
2. ALCANCE
2.1. CLIENTES Y SUS NECESIDADES
En lnea con la misin de BI mencionada anteriormente, y debido a la estructura descentralizada de las
396
Universidades alemanas (la denominada Auto-Administracin Acadmica) se pueden identificar cuatro

grupos de decisores y, por lo tanto, de clientes:
Ejecutivos centrales y personal administrativo central
Ejecutivos descentralizados (decanos, decanos de estudios, personal administrativo asociado)
Personal docente/investigador (profesores, investigadores, personal administrativo asociado)
Estudiantes
Ejecutivos centrales y personal administrativo

Este grupo se compone tradicionalmente del presidente y tres vicepresidentes (de Investigacin y Desarrollo Estudiantil, de Desarrollo del Programa Acadmico y Enseanzas, y de Finanzas y Recursos
Humanos), as como del personal administrativo correspondiente organizado en departamentos funcionales. Como es esperar, sus necesidades estn dominadas por solicitudes externas de elaboracin de
informes para la rendicin de cuentas, el control interno de la gestin por objetivos, la planificacin estratgica, el rendimiento organizativo, y, por ltimo pero no menos importante, la asignacin de recursos.
Hasta ahora, el servicio que se les presta desde el rea de BI se limita a la entrega de datos bsicos procedentes del data warehouse corporativo. En contra de las expectativas iniciales, los datos y simulaciones
para la planificacin se siguen generando todava directa e internamente por parte de estos grupos de
usuarios, y no forman parte de las soluciones provistas por el data warehouse de momento. El soporte
necesario en herramientas de BI para realizar estas labores se realiza mediante la transferencia permanente a departamentos administrativos de recursos formados en
BI, por ejemplo, a la Oficina de Investigacin Institucional, de forma que los trabajos de BI se realizan en el seno de la unidad y sin
la implicacin directa del Centro para la BI. Esto es probablemente
consecuencia del hecho de que los servicios de BI residan fuera de
la estructura administrativa central, y sean, por el contrario, parte
de un instituto de investigacin abierto (virtUOS) en el que incluso
trabajan temporalmente miembros de Facultades: el hecho de ser
parte afectada e interesada respecto a las conclusiones que se obtengan puede entrar en conflicto con la objetividad necesaria en su
papel de consultores externos.
Ejecutivos descentralizados (decanos, decanos de estudios, personal administrativo asociado)
Este grupo consta de 4 a 12 personas aproximadamente por cada
una de las 10 facultades, dependiendo de su tamao. Las necesidades de soporte de informacin y de apoyo a la toma de decisiones
incluyen desde la asignacin y planificacin de recursos hasta el
Los recortes en
la asignacin de
recursos, el aumento
de responsabilidades
descentralizadas, y el
incremento en los deberes
de rendicin de cuentas al
presidente han jugado un
papel determinante en el
incremento de la demanda
de informacin analtica
397
control del rendimiento en las reas de investigacin, docencia y estudios. El tipo de servicio que se les
presta est comenzando a cambiar desde la entrega directa de datos (en forma de volcados a Excel, debidos a la necesidad de incluir diversos refinamientos manuales) por parte de los departamentos administrativos centrales, al acceso directo online a datos del data warehouse preparados, revisados y publicados
centralmente. Tanto las propuestas proactivas por parte del rea central de BI como las crecientes necesidades de datos para el control han alentado la demanda de elaboracin de informes ms analticos
en este grupo, si bien es cierto que era algo que esperbamos que ocurriera mucho antes. Los recortes
en la asignacin de recursos, el aumento de responsabilidades descentralizadas, y el incremento en los
deberes de rendicin de cuentas al presidente han jugado un papel
determinante en el incremento de la demanda de informacin analtica en este colectivo. Sin embargo, es necesaria una labor constante y activa por parte del Centro para BI para evitar que los ejecutivos
descentralizados desarrollen sus propias soluciones, normalmente basadas en bases de datos desconectadas e inconsistentes.
Los estudiantes fueron

formalmente considerados
clientes potenciales del
servicio de BI desde el
principio de la iniciativa
Consideramos que
potenciar en los
estudiantes una mentalidad
activa de auto-evaluacin
comparativa de su
rendimiento respecto a su
cohorte, o incluso mejor,
respecto a un hipottico
estudiante ideal, en
lugar de limitarnos a
analizar a posteriori su
mal rendimiento, produce
mejoras ms directas,
rpidas, continuas y
sostenibles
398
Claustro docente (profesores, investigadores, personal administrativo asociado)

Este grupo consiste en unos 250 profesores y personal adicional,
cientfico en su mayor parte. Cada ctedra e instituto administra
y es responsable de su propio presupuesto. Por lo tanto, las necesidades de informacin van desde el control del presupuesto y de
contratos de recursos humanos, a tareas administrativas, principalmente relativas a docencia y exmenes. Debido a muchas barreras
organizativas, actualmente la entrega de informacin y el soporte a
la decisin se limitan solamente a las dos ltimas reas (ms adelante se detallar en qu consiste este soporte).
En cuanto a los presupuestos, se ha avanzado hasta obtener un nivel de acceso online en tiempo real, no obstante, solamente al sistema de gestin SAP, y no est integrado con otros datos del data
warehouse ni incluye datos de planificacin. El acceso a travs del
data warehouse, incluidos los datos de contrato de recursos humanos, es tcnicamente viable pero aun est pendiente de llevarse a
cabo. Tambin en este grupo de clientes la demanda de anlisis y
apoyo a la toma de decisiones est aumentando de manera visible,
en este caso debido a la creciente presin competitiva.
Estudiantes
Los estudiantes fueron formalmente considerados clientes potenciales del servicio de BI desde el principio de la iniciativa. Esto se
basa en la conviccin de que una trayectoria satisfactoria de los es-
tudiantes basada en las decisiones correctas determinan de manera masiva el rendimiento global de
una Universidad, rendimiento que se mide y compara en numerosos procesos de evaluacin externos e
internos, y que finalmente llevan a decisiones sobre financiacin y asignacin presupuestaria.
Consideramos que potenciar en los estudiantes una mentalidad activa de auto-evaluacin comparativa
de su rendimiento respecto a su cohorte, o incluso mejor, respecto a un hipottico estudiante ideal, en
lugar de limitarnos a analizar a posteriori su mal rendimiento, produce mejoras ms directas, rpidas,
continuas y sostenibles. Esto sin contar con los aspectos motivacionales fruto de considerar al estudiante
un implicado activo en la consecucin de los objetivo educativos, en lugar de un receptor pasivo de contenidos por parte de los profesores.
La enorme e inesperada reaccin positiva de los estudiantes a la publicacin de cuidadosos informes de
evaluacin individual comparativa de su rendimiento afirman esta tesis, y, por cierto, garantizan la continuidad de la iniciativa de BI en tiempos de inevitables recelos centrales.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
5-Universal (puesto que el

pblico no es considerado
en este modelo)
Se prestan servicios actualmente a los cuatro grupos

de usuarios claves (Direccin, Personal Administrativo,
Docentes/investigadores y Estudiantes). El pblico no es
abordado actualmente de manera directa.

A continuacin enumeramos los servicios proporcionados con respecto a dos criterios de clasificacin,
en primer lugar segn su naturaleza tcnica, esbozando los tipos de productos y servicios de datos, y en
segundo lugar, segn la temtica de los servicios, presentando las lneas principales tal cual se ofertan,
gestionan y observan internamente.
2.2.1. TIPOS DE SERVICIOS

a) Informes estndar online, calculados en tiempo real, diseados y personalizados por el departamento
central de BI, a los que acceden directa e independientemente los usuarios finales
b) Informes estndar, diseados, personalizados y generados con regularidad en frecuencias fijas por el
departamento central de BI, y a los que acceden o descargan directa e independientemente los usuarios
finales, o son entregados mediante e-mail a usuarios finales menos experimentados o externos (aqu se
incluye en envo ocasional de ficheros planos)
399
c) Vistas e informes online sobre cubos multidimensionales, almacenados como enlaces comentados,
que sirven tambin como punto de entrada a servicios de anlisis ad hoc online, que suelen terminar en
su mayor parte en la exportacin de los resultados a Excel para su refinamiento adicional y entrega a
clientes internos o externos.
d) Anlisis individuales ad hoc para clientes internos o externos, utilizando todos los tres tipos de productos anteriores (a, b y c), y que incluyen anotaciones o comentarios cualitativos (textuales), por ejemplo,
para consultas de poltica, prensa, etc.
e) Soporte parcial o total para la generacin de informes recurrentes, por ejemplo, actividades anuales, informes de evaluacin, documentacin de gastos especiales, etc., en su mayor parte informes estadsticos
que incluyen, no obstante, interpretaciones textuales intensivas.
f) Apoyo a la decisin para determinados procesos operativos, por ejemplo, generacin de calendarios de
examen optimizados, o asignacin automtica de recursos escasos basada en preferencias (BI operativa)
g) Otros: servicio de atencin (hot line), formacin peridica a usuarios, consultora para el (re)diseo
de procesos y actividades operativas, servicios sobre calidad de los datos, soporte a los procesos de (re)
acreditacin2, etc.
2.2.2. LNEAS DE SERVICIOS

Hay, como mnimo, cuatro lneas de servicios bien establecidas, que pueden clasificarse por el alcance y el
tipo de servicio. En este apartado se describen brevemente, y en secciones posteriores se har con cierto
grado de detalle.
a) MIS (Management Information Systems o Sistemas de Informacin para la Gestin)
Esta lnea de servicio proporciona, fundamentalmente, informes estndar y ad hoc para los grupos
de usuario de ejecutivos Centrales, ejecutivos descentralizados y personal docente, as como al personal administrativo asociado. Los informes entregados estn basados en el data warehouse, tanto en
la capa reconciliada (relacional) como en la capa calculada (multi-dimensional). En la medida de lo
posible, la mayora de las solicitudes se implementan como vistas almacenadas dinmicas o mate-
2. El Sistema de Acreditacin Alemn fue introducido por ley en 2005 con el fin de garantizar de manera continua la calidad de los estudios,
ya sea directamente (Acreditacin del Programa) o indirectamente (Acreditacin del Sistema). La acreditacin tiene una vigencia de 5 aos y
se otorga por parte de agencias de acreditacin descentralizadas, actualmente nueve, y parcialmente especializadas en determinados tipos
de estudios. Estas agencias son acreditadas por un Consejo de Acreditacin Central, formado por representantes de Universidades, polticos,
profesionales, y otros expertos. El Consejo define tambin los estndares y los sistemas internos de garanta de calidad a verificar durante
los procesos de acreditacin, lo que implica amplias obligaciones de reporte de datos por parte de las Universidades (ver http://www.
akkreditierungsrat.de)
400
rializadas sobre hipercubos multi-dimensionales. Ejemplos de este tipo de informes son los relativos
a la matriculacin de estudiantes o a la produccin de graduados, proporcionados y personalizados
en estrecha cooperacin entre el personal tcnico de la unidad central de BI y el personal funcional
de la Oficina de Investigacin Institucional (ZBW).
Tcnicamente, los informes son entregados como volcados a Excel o, preferiblemente, como enlaces
al portal interno de BI. El alcance es extenso, combinando mltiples datos del data warehouse, y el
tipo de servicio es la generacin y entrega centralizada de informes para uso descentralizado, incluyendo el procesamiento subsiguiente, en su mayor parte basado en Microsoft Excel. Tambin se contempla aqu la elaboracin de informes oficiales para destinatarios externos, debido a la frecuente
necesidad de incluir comentarios. No obstante, se han intensificado los esfuerzos para automatizar
la elaboracin de estos informes que combinan informacin estructurada y no estructurada.
b) OPIuM (Online Prfungs-Informations- und Management)
Esta lnea de servicio se centra en el campo de los exmenes (Prfung), proporcionando tanto informes operativos como analticos para decanos de estudios, docentes y estudiantes, y varios sistemas
de apoyo a la decisin dirigidos a optimizar el rendimiento de los procesos de asignacin de recursos en torno a los exmenes. Todos los servicios se entregan a travs de una pgina Web basada en
wiki, con tres roles generales de usuario diferentes (estudiante, docente, administrador), refinados
adicionalmente a nivel del data warehouse con respecto a facultades individuales, planes de estudio,
profesores individuales, etc. La pgina Web de OPIuM est totalmente integrada en la pgina Web
de la Universidad. Esta interfaz de usuario de desarrollo interno tambin permite la configuracin y
administracin online de estos sistemas de apoyo a la decisin, por ejemplo, para iniciar y procesar
el calendario ptimo de fechas de examen y de recursos para un perodo especfico. Por lo tanto, el alcance es especializado, centrado en el rea de exmenes, y el tipo de servicio es central, desarrollado
y ejecutado por el equipo de BI dentro del departamento de virtUOS, con la aprobacin de la Oficina
de Investigacin Institucional, cuando es necesario.
c) UBIS (Universitts-Bibliotheks-Informations-System, Sistema de Informacin de la Biblioteca de la
Universidad)
Esta lnea de servicio se centra en las reas de presupuesto y fondos de la biblioteca de la Universidad. Difiere de los otros servicios en que es operada en su mayor parte por el propio personal de
la biblioteca, constituyendo de este modo una especie de departamento de BI descentralizado. El
desarrollo inicial fue realizado como proyecto de investigacin con estudiantes y supervisado por la
ctedra de Sistemas de Apoyo a la Gestin. Lleva en produccin 7 aos aproximadamente, y entrega
informes online individuales sobre el estado, presupuesto y previsin de pedidos de biblioteca, junto
con informacin especfica del contenido de cada pedido, a aproximadamente 1.000 cuentas descentralizadas (profesores, institutos, etc.). Aparte de este servicio de carcter operacional, el propio personal de la biblioteca utiliza extensamente informes analticos, basados en un cubo multi-dimensional que agrega mensualmente datos histricos de stock y pedidos, con el fin de apoyar las decisiones
estratgicas en negociaciones con editoriales, servicios de publicacin online, etc.
401
d) Otros servicios
hay muchas aplicaciones

de BI a nivel operacional
cuyos beneficios son
considerablemente visibles
a nivel cualitativo e incluso
mensurables a nivel
cuantitativo
Adicionalmente a los ya descritos, el equipo de BI central proporciona otros tipos de servicios. Aparte de las actividades de formacin
para grupos de usuarios especializados, consisten principalmente
en actividades de consultora para el (re)diseo de procesos operacionales de forma que estn ptimamente preparados para ser soportados con sistemas analticos y de apoyo a la decisin. Este tipo
de servicio fue especialmente crtico durante el rediseo de los 200
programas de estudio y normativas de examen para los nuevos tipos de estudios recin introducidos en toda la Universidad en 2005.
La organizacin aun tiene que seguir avanzando en la interiorizacin de la importancia clave que tiene esta implicacin temprana
del equipo de BI en el diseo de procesos operacionales, con el fin de poder luego garantizar la implementacin satisfactoria de funciones de BI de apoyo a los mismos. Lo mismo se aplica a los procesos de
decisin de nivel tctico y estratgico.
2.3. VALOR PARA EL NEGOCIO

Si bien la iniciativa de BI est concebida desde su origen para generar valor en todos los niveles de la
toma de decisiones, de momento los beneficios a nivel estratgico apenas pueden ser cuantificados, aunque hay muchas aplicaciones de BI instaladas que dan soporte indirecto a las decisiones estratgicas.
En cambio, hay muchas aplicaciones de BI a nivel operacional cuyos beneficios son considerablemente
visibles a nivel cualitativo e incluso mensurables a nivel cuantitativo, como los resultantes de tomar decisiones mejores que consumen menos recursos (especialmente tiempo), mejoran la productividad de la organizacin, y aumentan la satisfaccin del cliente al
evitar situaciones tpicas de cuello de botella que peridicamente
malgastaban una gran cantidad de tiempo y energa de diferentes
miembros de la Universidad. Por ejemplo, las encuestas actuales a
graduados muestran un aumento en la satisfaccin con el trabajo
de las oficinas de examen, e incluso han podido observarse estudiantes que se graduaban ms rpidamente.
Si comparamos los
requerimientos actuales
de slo 1 a 2 das-hombre
de soporte central, con el
esfuerzo de coordinacin
previo, que exiga como
mnimo 2 semanas de
trabajo de 2 personas por
Facultad, los ahorros son
apreciables
402
Aunque estas relaciones causales ya estn modeladas en varios

prototipos de cuadro de mando integral tanto a nivel de presidente
como a nivel de Facultades, todava estn a la espera de ser puestas
en produccin.
A continuacin, se mencionan algunos de los resultados ms relevantes para la actividad de la Universidad:
Calendario ptimo de examen para toda la Universidad

Un beneficio con efectos visibles para casi todos los miembros de la Universidad es el obtenido gracias
a dos productos de BI dentro del servicio OPIuM, mencionado anteriormente. Consiste en dos sistemas
de apoyo a la decisin que tienen como objetivo la generacin de calendarios de examen ptimos para
todos los exmenes de cada uno de los cuatro perodos regulares de examen por ao (dos despus de
cada semestre). ptimo, no slo significa libre de conflictos para cualquier estudiante que participe, sino
tambin ptimo con respecto al tiempo promedio entre exmenes individuales para cada estudiante, el
nmero de supervisores (profesores), y el nmero de salas ocupadas. Despus de 5 aos de uso continuo,
actualmente a unos 4.000 estudiantes (40%) de 3 de las 10 Facultades se les presta el servicio para aproximadamente 200 exmenes consolidados por perodo. Si comparamos los requerimientos actuales de
slo 1 a 2 das-hombre de soporte central, con el esfuerzo de coordinacin previo, que exiga como mnimo
2 semanas de trabajo de 2 personas por Facultad, los ahorros son apreciables, debido especialmente a la
escalabilidad de las aplicaciones.
Asignacin de plazas basada en prioridades
Otra aplicacin de apoyo a la decisin, escalable y configurable, dentro de la lnea de servicio de OPIuM, es el sistema VOTE. Su introduccin elimin totalmente la listas en papel, redundantes, no fiables
y descoordinadas, para la solicitud de plazas en cursos optativos.
Durante la fase de solicitud online, cada solicitante (estudiante) obtiene total transparencia sobre el ratio entre las plazas ofrecidas y
las demandadas por alternativa, as como sus propias posibilidades
con respecto al algoritmo de asignacin automtica basado en las
preferencias y el rendimiento. Las asignaciones de plazas, usando
este sistema, obtienen un grado de cumplimiento de ms del 85%
en primera opcin.
Las asignaciones de plazas,

usando este sistema,
obtienen un grado de
cumplimiento de ms del
85% en primera opcin
Asignacin de recursos basada en la carga y el rendimiento

Diversos sistemas de asignacin de recursos aportan considerable valor dentro de la lnea de servicio MIS.
Estn creados en base a las mtricas clave de carga y rendimiento a diferentes niveles de agregacin.
Estos sistemas de asignacin han eliminado a los sistemas de asignacin del pasado, simples e injustos,
basados en el mero recuento. La contribucin de la BI por el momento consiste solamente en entregar
mtricas clave a diferentes niveles de agregacin, que son elegidas y ponderadas individualmente en cada
Facultad usuaria, e incluso en la administracin central. De este modo, por ejemplo, es asignado el 50% del
presupuesto regular anual de la Escuela de Economa y Administracin de Empresas, eliminando as las
interminables discusiones del pasado. En la lnea de este ejemplo, y con el fin de seguir desarrollando sistemas profesionales de asignacin de recursos, parece ser posible en un futuro cercano el desarrollo de un
componente similar de apoyo a la decisin destinado a la administracin central, que incluya simulacin
de escenarios, anlisis de sensibilidad e incluso capacidades de alineacin con objetivos.
403
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Valor para la organizacin
4-Necesario
La mayora de las aplicaciones de BI estn entre el nivel 4

(necesario) y el nivel 5 (crtico), si bien algunas hasta ahora
slo han alcanzado el nivel 3 (interesante), debido a estar en
una etapa temprana de desarrollo (prototipo o piloto).
2.4. USO
Debido a la existencia de diversos servicios de BI integrados en procesos y actividades operacionales, que incluyen en algunos casos a
los estudiantes como destinatarios, el entorno de BI es muy utilizado en la Universidad de Osnabrck. A continuacin se muestras
algunas cifras, algunas de ellas estimaciones, dado que no se hace
una auditora completa en tiempo real del comportamiento de los
usuarios o del uso de los servicios. En la tabla se hace referencia a
usuarios y roles; en general, cada miembro de la Universidad con
un identificador de usuario tiene acceso a cualquier informe del sistema de BI, sin embargo, el informe
est controlado por diversos roles que condicionan su contenido. Los usuarios y roles se obtienen del
sistema de directorio central basado en LDAP, que entrega, por ejemplo y en el caso de los estudiantes, un
nmero de matrcula que se utiliza directamente para filtrar los datos del informe e incluso los contenidos a visualizar en los portales de BI.
el entorno de BI es muy
utilizado en la Universidad
de Osnabrck
404
Categora
Mtrica
Valor
Usuarios
Nmero de docentes y personal administrativo asociado a tiempo completo
1000
Nmero de personal administrativo a tiempo completo
700
Nmero de estudiantes matriculados
10000
Nmero de usuarios diferentes por da (dato extremadamente variable debido

a picos causados por procesos operativos con fechas tope, por ejemplo,
solicitud de examen)
100-1000
Mtrica
Valor
Nmero de roles diferentes
1450
Nmero de usuarios diferentes con roles asignados explcitamente
1308
Nmero promedio de roles asignados explcitamente por usuario
4,63
Nmero de tablas en el data warehouse
1275
Nmero de consultas definidas (vistas del data warehouse)
615
Tamao del data warehouse (en GB)
175
Nmero de flujos de trabajo ETL (programado)
30
Interfaz
usuario BI
(frontend)
Nmero de informes activos (vistas)
110
Nmero de cuadros de mando
(20, en
desarrollo)
Comunidad
Nmero de solicitudes (incidencias, peticiones) registradas en la lnea de

soporte de BI al mes
100
Categora
Data
warehouse
La auditoria del uso de los productos de BI se hace preferiblemente de manera selectiva y en determinadas etapas de su ciclo de vida, por ejemplo, durante la introduccin de nuevos productos, y a veces
se utiliza con fines de motivacin durante el despliegue. La siguiente captura, por ejemplo, muestra un
informe que se public temporalmente, y que expone cuntos estudiantes por Facultad ya han utilizado
informes online de OPIuM y que porcin de ellos han incorporado activamente la opcin de notificacin
automtica por e-mail de eventos de su cuenta individual (75%).
(contina en pg. sig.)
405
FIGURA 1
DESCRIPCIN: Informe sobre el nivel de uso del sistema BI OPIuM tras su fase de despliegue inicial
Como ejemplo adicional de control de uso, el informe siguiente esboza el crecimiento del uso de los servicios de OPIuM a lo largo del tiempo, medido como el nmero de exmenes gestionados por semestre
(filas/eje-x) y facultad (columnas/reas apiladas).
FIGURA 2
DESCRIPCIN: Evolucin del n deexmenes planiicados por el sistema OPluM por semestre y facultad
406
Con respecto a la Dimensin Alcance del Modelo de Madurez de BI, el sistema de BI de Osnabrck puede
clasificarse como nivel 3-Mltiple.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Alcance
3 - Mltiple
Aun no hay productos de datos en produccin para todas las reas

funcionales clave (Financiera, Acadmica, Recursos Humanos e
Investigacin) en la misma medida. Especialmente, las reas de Recursos
Humanos e Investigacin estn todava en desarrollo.
3. ORGANIZACIN
Hasta ahora el compromiso ejecutivo ha sido constante y se ha ejercido de forma consciente, si bien de
una manera sutil. Todas las fases fueron encomendadas directamente por el propio presidente, basndose inicialmente (fase I, 1998-2000) en una propuesta de la Ctedra de Sistemas de Apoyo a la Gestin
interna, que se ha ido complementando posteriormente con ideas propias y otras derivadas de las en407
la constitucin formal de
la Oficina de Investigacin
Institucional, en 2005,
bajo el control directo del
presidente, de algn modo
confirm el compromiso
ejecutivo con la explotacin
analtica de los datos
cuestas al cliente interno llevadas a cabo por el grupo central de BI

(que, como ya hemos mencionado, es parte de un centro orientado a
la investigacin: el virtUOS). En 2004, los tres vicepresidentes recin
nombrados adquirieron compromisos ejecutivos explcitos, asumiendo las responsabilidades de la Gestin de informacin (CIO),
Estudios y enseanza (que demandaron la creacin de OPIuM) y
Finanzas y recursos humanos. En conjunto, el equipo de gobierno
est desempeando un papel impulsor de la BI, si bien, en su mayor
parte, de modo indirecto; es decir: ellos no son usuarios del sistema
por el momento, pero estn solicitando tanto al personal administrativo como al docente un creciente nmero de informes analticos
estndar y ad hoc. Por ejemplo, desde 2012, los datos necesarios para
las revisiones de rendimiento anual de cada Escuela.
Adicionalmente, la constitucin formal de la Oficina de Investigacin Institucional, en 2005, bajo el control directo del presidente, de algn modo confirm el compromiso
ejecutivo con la explotacin analtica de los datos.
3.2. GOBERNANZA Y DIRECCIN ESTRATGICA
Cada proyecto de BI,

que dura normalmente
entre 3 y 12 meses y que
incluye, como mnimo,
dos puntos de control,
se evalua por separado
directamente por el equipo
de gobierno (presidente
y vicepresidentes) y
es gestionado por un
patrocinador que se
responsabiliza de l
408
Aparte de las directrices ejecutivas relativas a la elaboracin de informes anuales de situacin, se espera del propio equipo de BI, concebido como un instituto de investigacin central, propuestas para
la direccin estratgica de la BI. Para llevar esto a cabo, se celebran
reuniones regulares con el fin de investigar, desarrollar y disear
de forma constante las directrices estratgicas de la iniciativa de BI,
como parte de una estrategia de gestin de la informacin global.
Estas directrices incluyen un desglose de propuestas de proyecto
concretas con recursos y plazos definidos para la investigacin y/o
desarrollo de nuevas aplicaciones de BI (por ejemplo, la construccin de servicios de BI mviles o la integracin de nuevas fuentes de
datos). Tambin se debe presentar una previsin de la sostenibilidad de las propuestas: los costes de funcionamiento y los beneficios
o ahorros esperados. Cada proyecto de BI, que dura normalmente
entre 3 y 12 meses y que incluye, como mnimo, dos puntos de control, se evala por separado directamente por el equipo de gobierno (presidente y vicepresidentes) y es gestionado por un patrocinador que se responsabiliza de l, que puede ser, por ejemplo, un
miembro del equipo de gobierno o incluso directores de grupos de
investigacin relevantes dentro de la Universidad.
Con el fin de obtener recursos adicionales temporales para estos proyectos, se definen proyectos de doctorado alineados con las iniciativas aprobadas, dentro y fuera del equipo de BI, que se ponen a prueba normalmente con prototipos y mediante pilotos con miembros de Escuelas, del claustro docente o del personal
administrativo, y que llegan a veces incluso a su despliegue en produccin. TOP, el sistema de optimizacin
de calendarios de exmenes, y UBIS, el sistema de informacin sobre recursos para biblioteca, ya mencionados antes y que se describirn con detalle en secciones posteriores, representan dos ejemplos satisfactorios
de este tipo de estrategia de desarrollo exploratoria, que sigue vigente con varios proyectos planificados.
Sin embargo, debe mencionarse que este enfoque slo funciona si se cumplen algunos prerrequisitos:
Los proyectos de doctorado externos deben ser llevados a cabo en un contexto de contacto y cooperacin permanente con el personal del Centro para BI (que en Osnabrck reside en un instituto
de investigacin) , mediante coloquios y/o talleres de investigacin peridicos para informar de los
proyectos.
Es necesaria una entrega final y un despliegue cuidadosamente planificados, que incluyan una
transferencia de conocimiento y unas sesiones de formacin bien documentadas. En unidades de BI
normales, que formen parte de la estructura administrativa en vez de la de investigacin, esto debe
ser combinado con la indispensable formacin permanente.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Apoyo Estratgico
4-Servicio
sostenible
La iniciativa de BI est satisfactoriamente consolidada, pero

sigue aun en transicin desde un modelo de proyectos a
un modelo de sostenimiento. Aunque hay un presupuesto
permanente, y lo que es mucho ms importante, una creciente
base de empleados experimentados con la BI, casi todas las
actividades de ampliacin de la BI se conciben en primera
instancia como proyectos limitados.
3.3. POLTICAS Y PRINCIPIOS

Hay dos fuentes de las que emanan las normas y principios relativos a las obligaciones y derechos en el
acceso a los datos: las polticas y las legales.
Polticamente, el equipo de gobierno persigue el objetivo de una distribucin de la informacin y una
responsabilidad en las decisiones jerrquicamente descentralizadas, y consecuentemente se restringe
el acceso de forma que los datos detallados slo los puede acceder el propio departamento o unidad que
consulta, y se permite el acceso a otros departamentos (competidores) en el mismo nivel o en un nivel
superior solamente de forma agregada y con fines comparativos.
409
Legalmente, las organizaciones alemanas estn estrictamente reguladas por las leyes sobre la seguridad
de los datos (Bundesdatenschutzgesetz, BDSG). Consecuentemente, el acceso a los datos e incluso el
almacenamiento de los datos tiene que ser mnimo, se tiene que garantizar la privacidad individual, y
el acceso debe estar justificado por necesidades bien definidas por motivos trabajo o por ley, o mediante
permiso explcito por escrito de los propietarios de los datos para cada caso de uso.
Para los datos de los estudiantes, esto significa, por ejemplo, que el sistema puede, de forma automtica y
basndose en sus datos de rendimiento, sugerir a un estudiante la visita a los servicios de asesoramiento
de estudios, pero el asesor que debe atenderlo necesita el permiso explcito por escrito de ese estudiante
para acceder a dichos datos de rendimiento. En la prctica, es responsabilidad del propietario de los datos
entregar esos datos, fsica o electrnicamente, al asesor. Los propietarios de los datos estn claramente
definidos con respecto a cada situacin de uso.
Tcnicamente, el acceso a los datos en el sistema de BI es controlado por un sistema de roles extensible
desarrollado internamente, que opera a nivel de registro de informe. El acceso directo a tablas o vistas
del data warehouse no est en absoluto disponible para usuarios finales. Tanto los roles que otorgan visibilidad como los individuos que los ostentan son visibles para los responsables de los datos mediante
informes de BI especiales, que permiten adicionalmente solicitar nuevos roles y su aprobacin por el
propietario de los datos. La siguiente imagen muestra un ejemplo de informes del MIS que muestra los
roles posedos actualmente por un usuario y que permite la solicitud de roles adicionales. Se planea desarrollar este prototipo para que sea un proceso habitual en el futuro cercano.
410
FIGURA 3
DESCRIPCIN: Universidad de Osnabrck: Interfaz del sistema de gestin de roles y permisos.
3.4. ESTRUCTURA OPERATIVA Y ROLES

El siguiente diagrama esboza la estructura operativa y los roles del equipo de BI, y su integracin en el
contexto global de la Universidad.
411
CUADRO 1
DESCRIPCIN: Universidad de Osnabrck: Contexto organizativo del rea de BI.
President
MIS sponsor
Institutional
Research (ZBW)
central reporting
BI development
0.5 FTE
Virtual Teaching
Research Vice
President also CIO
Studies/Teaching
Vice President
OPlum-sponsor
Finance/Human
Resources Vice
President
Schools/
Institutes/Chairs
virtUOS
Administrative IT
(VDV) ERP, DWH
services
0.5 FTE
Scientific IT (RZ)
LDAP, Web services
Central Library
(UB) UBIS service
provider
0.5 FTE
BI development
projects 1-5 FTEs
(temp./varying)
Quality Assurance
Information
Management
Executive
0.5 FTE
HISinOne
MIS
OPIum
BI development
0.25 FTE
DWH admin
1 FTE
BI development
1.75 FTE
El equipo de BI consta
de unos 5 empleados
equivalentes a tiempo
completo, repartidos en
varias reas
412
El equipo de BI consta de unos 5 empleados equivalentes a tiempo

completo, repartidos en varias reas. Asimismo, en promedio, entre 1 y 5 personas adicionales a tiempo completo estn asignadas
temporalmente a actividades de desarrollo en proyectos supervisados por Directores de institutos o departamentos (en el marco de
proyectos de investigacin). Por ejemplo, este fue el caso de 4 estudiantes de mster dirigidos por el director del departamento de Optimizacin Combinatoria de la Escuela de Matemticas y Ciencias
Informticas y el Director del departamento de Sistemas de Ayuda a la Gestin de la Escuela de Economa y Administracin de Empresas, durante el proyecto TOP. El mantenimiento del hardware es realizado
por los departamentos Administrativo y Cientfico de TI (VDZ, RZ).
El funcionamiento fsico del data warehouse, incluidos los servicios de backup es responsabilidad de TI
Administrativa, que es responsable tambin los sistemas de gestin que sirven como fuente de datos (en
hardware separado); algunas funciones del ERP (en concreto finanzas y recursos humanos) son subcontratadas a un centro de competencia en Hannover, que ejecuta SAP para varias Universidades en el estado de la Baja Sajonia; los datos son importados diariamente mediante una interfaz. La administracin
del data warehouse, sin embargo, es realizada dentro del equipo de BI por el servicio de MIS, en estrecha
cooperacin con el equipo de desarrollo central de BI, ubicado en el servicio de OPIuM.
Las actividades de desarrollo de BI, incluidos todos los pasos de la ingeniera de requerimientos, anlisis
de datos fuente, ETL, y diseo de informes, se reparten en sub-equipos dentro de la seccin de gestin
de la informacin del Centro para la Gestin de la Informacin y la Enseanza Virtual (virtUOS), a saber:
HISinOne (un proyecto basado en ERP para la gestin del ciclo de vida del estudiante desde su matrcula hasta que es egresado)
MIS (para servicios de elaboracin de informes en toda la Universidad)
OPIuM (para servicios relativos a exmenes)
La Oficina de Investigacin Institucional (ZBW) tambin juega un papel importante en estas labores:
debido al volumen de servicios de BI solicitados, y para superar determinadas restricciones respecto a la
sensibilidad de los datos, en 2012 se tom la decisin de proveer de recursos y capacidades de desarrollo
de BI propias a esta oficina.
Aparte de estos grupos nucleares, la biblioteca central tiene capacidades de BI especficas a su dominio,
que incluye capacidades de desarrollo limitadas para afrontar pequeos proyectos sobre la marcha.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Equipo de BI
5- Centro de
competencia
Aunque no muy grande en personas equivalentes a tiempo completo,

el equipo de BI tiende al nivel 5 (Centro de Competencia), debido al
papel asignado en el diseo activo de la estrategia de BI, la obtencin
de nuevos clientes y aplicaciones, e incluso el montaje y supervisin de
clusters o grupos de BI descentralizados (p.ej.: UBIS).
413
3.5. RELACIN CON OTRAS FUNCIONES (PROVEEDORES Y

CLIENTES)
Debido al rol asignado

y ejercido como Centro
de Competencia de
BI, tenemos mltiples
relaciones intensas y
activas con casi todos
los grupos funcionales y
organizativos dentro de la
Universidad.
Debido al rol asignado y ejercido como Centro de Competencia de

BI, tenemos mltiples relaciones intensas y activas con casi todos
los grupos funcionales y organizativos dentro de la Universidad.
Algunas veces las solicitudes de informacin son cursadas directamente por los usuarios finales, p.ej. decanos de estudio, profesores,
estudiantes o la alta direccin. Por consiguiente, podemos utilizar
el contacto personal directo. Tambin hay un creciente nmero de
solicitudes directas de apoyo por parte de departamentos administrativos (Planificacin Acadmica, Oficina Internacional, Oficina de
Comunicacin y Marketing, etc.). En otras ocasiones, las solicitudes
de informacin llegan al Centro para BI de forma indirecta, en forma de solicitudes de soporte de bajo nivel para la extraccin y volcado de determinados conjuntos de datos. En otros casos, se conciben
nuevos productos de datos como resultado del anlisis proactivo
que los miembros del equipo de BI realizan sobre actividades y procesos de negocio de usuarios potenciales.
En ocasiones, los nuevos productos de datos son iniciados por la alta direccin, por ejemplo para poder
anticipar o prevenir solicitudes de recursos humanos inminentes por parte de Facultades que tienen que
hacer frente a una creciente carga de trabajo, consecuencia de la reforma de Bologna e inducida por la migracin de los programas de estudio al sistema de grado/mster. El rol del Centro para la BI se asemeja en
estos casos ms a una consultora externa, analizando primero los procesos reales de negocio, diseando nuevos procesos de negocio optimizados y equipados con infraestructura de informacin eficiente y
efectiva provista por productos BI.
el Centro para la BI
trasciende el mero papel de
suministrador eficiente de
informacin, para ser ms
un Centro para el diseo
ptimo de procesos de
negocio
414
Esto implica algunas veces un rol mediador entre los usuarios finales (p.ej. los decanos) y los proveedores de datos origen, que pueden
a veces mostrar una disposicin (heredada de tiempos anteriores)
de guardin celosos de sus datos contra el acceso por parte de
otros. En muchos casos, una estrategia satisfactoria para superar
este posible bloqueo en la cooperacin es ampliar formalmente la
misin del departamento que custodia los datos e incluir la puesta
a disposicin de los mismos como un servicio ms que debe prestar,
definiendo y materializando tambin los beneficios directos que
esto supondr para la propia unidad, y algunas veces actualizando
capacitacin, puestos de trabajo y salarios. Esto contradice algunas
veces la orden inicial de la alta direccin, es decir, ahorrar, pero indirectamente lo que se obtiene es otra capacidad de BI descentrali-
zada. Un ejemplo tpico de estas relaciones son las controvertidas discusiones internas actuales sobre la
necesidad de puestos mejor pagados en las oficinas de exmenes.
Por todo lo anteriormente expuesto, el Centro para la BI trasciende el mero papel de suministrador eficiente de informacin, para ser ms un Centro para el diseo ptimo de procesos de negocio. Ambos
aspectos no pueden ser separados, y tienen consecuencias directas en el tipo de cualificacin necesaria
del personal de BI, menos tcnica y ms orientada a los procesos de negocio, perfil que en Alemania
denominamos Wirtschaftsinformatik, que se puede traducido por la Informtica aplicada al Negocio.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Rol de las unidades

3- Participantes
Aunque en muchos casos su papel ya se puede considerar

como de apoyo, debemos decir honestamente que sigue
habiendo algunas unidades administrativas que slo estn en
el nivel 2 conscientes, y incluso algunas veces bloquean
debido a temores (injustificables) de perder poder; por lo tanto,
el nivel 3- Participantes describe mejor a la mayora de las
Unidades administrativas fuente
Implicacin del usuario
3- Clientes
Vara en las diversas unidades organizativas y reas de datos,

desde el nivel 2-Consciente y el nivel 4-Impulsores, sin
embargo la mayora se establecen cada vez ms en el nivel
3-Clientes

Durante mucho tiempo, los recursos de BI han sido manejados en el marco de proyectos temporales que
eran constantemente prorrogados. Esto es probablemente consecuencia de la colocacin intencionada
de las capacidades de BI en un organismo de investigacin, que est dominado normalmente por proyectos limitados en el tiempo. No obstante, poco a poco la infraestructura de BI ha evolucionado hasta ser
un componente operacional bsico, indispensable y duradero dentro de la Universidad. De este modo, los
contratos limitados apenas son ya justificables, y son incluso arriesgados. La Universidad tuvo que aprender esta leccin perdiendo mucho personal de BI cualificado en poco tiempo, debido tambin a la creciente demanda en el mercado laboral de personal de BI cualificado, con ofertas de salarios insuperables
para una Universidad pblica. Incluso la estrecha conexin con una cadena de suministro interna para la
formacin de profesionales en BI (el estudio de Sistemas de Apoyo a la Gestin), no fue suficiente para
resolver este problema. Aparte de esto, el coste que se debe asumir en formacin inicial constante es
poco rentable. Actualmente, la alta direccin est cambiando de opinin y se est aumentando la cuota
de puestos permanentes. Paralelamente, se ha iniciado una estrategia combinada de descentralizacin
del know-how de BI para capacitar al personal en determinados puestos y departamentos. La biblioteca
de la Universidad es quizs el primer ejemplo de esto, siendo ya un proveedor de servicio independiente
para el sistema UBIS. La Oficina de Investigacin Institucional (ZBW) es otro, al disponer ya, mediante
415
un puesto recientemente creado, de know-how de BI explcito. Esto

cambiar el rol futuro del Centro para BI ms hacia un proveedor
de infraestructura con respecto a todo tipo de recursos de BI, y concentrndose en coordinacin, estndares y formacin continua del
personal de la Universidad.
se ha iniciado una
estrategia combinada de
descentralizacin del knowhow de BI para capacitar al
personal en determinados 4. PRODUCTOS Y RESULTADOS
puestos y departamentos
Como ya hemos comentado antes, con el fin de satisfacer las dife-
rentes necesidades de informacin, la Universidad de Osnabrck

desarroll tres lneas principales de productos de datos que proporcionan soluciones personalizadas para los diferentes perfiles decisores en la Universidad: estas tres lneas se denominan MIS, OPIuM y UBIS.
Debido a que las necesidades de informacin que deben atender cruzan normalmente los lmites de varios sistemas de gestin distintos y requieren el uso de objetos de anlisis y decisin complejos (reas),
las tres lneas se basan en un modelo de data warehouse comn integrado, estructurado en reas temticas , al estilo de la definicin de data warehouse de Inmon3. Las lista de reas temticas ya disponibles o
planificadas, junto con una descripcin de los datos ms importantes que contienen, son las siguientes.
Estas reas temticas no estn diseadas ni modeladas desde cero, sino que son el resultado de una
visin analtica de los contenidos y sus relaciones que se integran continuamente en el data warehouse.
Estudiante
Todos los aspectos individuales sobre el ciclo de vida completo, desde la solicitud a la matrcula, examen (continuo) hasta el egreso, con el fin de apoyar las decisiones del estudiante y/o su asesora.
Planes de estudios
Todos los datos que describen el rendimiento de los planes de estudios, en trminos absolutos y
tambin en comparacin con sus objetivos y otros estudios competidores, tanto de dentro como de
fuera de la Universidad, con el fin de apoyar las decisiones para un funcionamiento eficiente, y un
diseo y asignacin de recursos apropiados.
Asignaturas (y exmenes)
Todos los datos que describen contenidos y condiciones operativas (rendimiento) de los recursos
docentes, con el fin de disear y entregar recursos docentes ptimos, p.ej. con respecto a su uso en
planes de estudios diferentes. Esto incluye especialmente el calendario ptimo de las fechas y salas
de examen, y tambin la monitorizacin y el anlisis de las tasas de fracaso a lo largo del tiempo.
3. Inmon, W. H. (2005), Building the Data Warehouse, Wiley &Sons, 4th ed., 2005
416
Personal acadmico
Todos los datos a nivel de cada miembro del personal docente e investigador, con el fin de apoyar fundamentalmente sus propias decisiones para optimizar sus actividades de enseanza e investigacin,
o gestionar sus acuerdos de objetivos.
Facultades
Todos los datos que describen su rendimiento, absoluto y en comparacin a objetivos y facultades
competidoras, tanto de dentro como de fuera de la Universidad, con el fin de apoyar las decisiones
para un funcionamiento eficiente, y una organizacin y asignacin de recursos apropiadas.
Recursos (la parte de finanzas no est implementado todava)

Todos los datos que describen los recursos utilizados para producir los resultados de la Universidad,
fundamentalmente financieros, pero tambin edificios, salas, equipo tcnicos y recursos humanos
(tanto personal acadmico como administrativo), con el fin de apoyar las decisiones para una asignacin ptima de recursos y una adquisicin sostenible de los mismos.
reas de investigacin (no implementado todava)

Todos los datos que permiten apoyar las decisiones para el diseo y evaluacin de las actividades de
investigacin, por ejemplo reas prometedoras para la solicitud de financiacin externa. Las jerarquas dimensionales necesarias incluyen facultades, personal acadmico y recursos.
Unidades administrativas (no implementado todava)

Todos los datos sobre recursos, utilizacin de la capacidad y rendimiento de las unidades administrativas, con el fin de apoyar su funcionamiento ptimo, la asignacin de recursos e incluso la evaluacin de posibilidades de externalizacin.
El siguiente diagrama muestra un esquema en el que se muestran las tres lneas de productos de BI
(OPIuM, UBIS y MIS), los mbitos organizativos en los que se gestionan, y los sistemas fuente de los que
se extraen los datos origen.
417
CUADRO 4
DESCRIPCIN: esquema en el que se muestran las tres lneas de productos de BI (OPIuM, UBIS y MIS), los mbitos organizativos en los
que se gestionan, y los sistemas fuente de los que se extraen los datos origen.
STUDENTS
STUDY DEANS
EXAMINATION OFFICE
FACULTIES
ADMINISTRATION
OTHERS
Library
Team
virtUOS
PERSONAL LEARNING
ENVIRONMENT
OPIuM
WEB-BASED
BI PLATAFORM
CONCEPTION & QUALITY MANAGEMENT
e.g. Personal Benchmark,

Exam Results
Team
ZBW
Reports
DEVELOPMENT & TECHNICAL

IMPLEMENTATION
Reports
UBIS
e.g.
retention rate,
success monitoring,
combination of
study fields
Pre-defined reports
for recurring analysis
MIS
Cubes
e.g.
applicant data,
student data,
graduates data
Flexible analysis for

ad-hoc queries
DATA WAREHOUSE
DATA INTEGRATION
PICA
Library
Software
Stud.IP
eLearning
HIS
Campus
Management
SAP
HR & Finance
Other
Data Sources
OPIuM se centra principalmente en las necesidades de informacin de estudiantes, decanos de estudios

y oficinas de exmenes, tanto a nivel de detalle como agregado, por ejemplo:
418
el informe de evaluacin comparativa personal para estudiantes
datos agregados sobre el xito de los estudiantes por semestre, profesor o mdulo para decanos de
estudios,
calendarios y listas de exmenes con fechas, nmero de estudiantes que asisten, supervisores de
cada examen y sala, para el soporte administrativo.
Asimismo, se han implementado algunos sistemas de apoyo a la decisin basados en el data warehouse,
por ejemplo, la programacin ptima de exmenes.
MIS, como herramienta de apoyo a las decisiones ms estratgicas y analticas, se centra en las necesidades de las administraciones de las Facultades, los departamentos administrativos centrales, la Oficina de
Investigacin Institucional y por ltimo, pero no menos importante, la Alta Direccin de la Universidad
de Osnabrck, que consiste en el presidente y los tres vicepresidentes.
UBIS es similar a MIS con respecto a los tipos de productos de datos que pone a disposicin de los usuarios, sin embargo est especializada en datos de biblioteca (adquisiciones) y es gestionada de forma
descentralizada por la administracin de la biblioteca, lo cual representa un caso de auto-servicio de BI
independiente.
En los siguientes apartados se describen con ms detalle las lineas de productos BI arriba mencionados.
4.1. MIS4
El producto nuclear de la oferta de BI es el MIS (Sistema de Informacin para la Gestin), que distribuye tanto informes estndar como
analticos para todo tipo de usuarios a travs de un portal Web centralizado. Los informes se basan fundamentalmente en tres tipos
de cubos multidimensionales: aspirantes, matriculados y exmenes, extrados de los subsistemas correspondientes del sistema de
gestin acadmica HIS. Los datos se recopilan y se actualizan de dos
modos diferentes: por un lado reflejando la situacin en dos fechas
de referencia fijas por ao, principalmente para dar soporte a las
estadsticas oficiales, y por otro reflejando la situacin actual, que
se actualiza diariamente o bajo demanda.
un ejemplo tpico de esta

multiplicidad es el nmero
de estudiantes, concepto
para el cual existen, como
mnimo, seis mtricas
diferentes
Casi todos los informes solicitados a la Universidad interna y externamente, se derivan de estas recopilaciones del data warehouse y data marts asociados. Para lograr esto, se ha ido definiendo a lo largo del
tiempo un conjunto integral de mtricas y dimensiones que se actualiza de manera continua, a menudo
con dimensiones, jerarquas y mtricas alternativas. Un ejemplo tpico de esta multiplicidad es el nmero de estudiantes, concepto para el cual existen, como mnimo, seis mtricas diferentes, desde el conteo bsico de personas hasta recuentos temticos especficos teniendo en cuenta criterios funcionales
4. Acrnimo de Management Information System: Sistema de Informacin para la Gestin

419
diversos sobre la matrcula. En cuanto a las dimensiones, actualmente hay ms de 100 definidas, entre
las que se encuentran, por ejemplo: semestre, ttulo, facultad, campo de estudio, permiso de excedencia,
nacionalidad, edad, gnero, etc.
Debido al enfoque analtico OLAP, slo se describen a continuacin algunos ejemplos representativos.
4.1.1. ANLISIS DE COHORTES PARA EL CONTROL DE EFICIENCIA

FIGURA 4
DESCRIPCIN: Universidad de Osnabrck: Informe de anlisis de cohortes .
Son de especial
inters las funciones
de reporte selectivo
basado en excepciones,
que seleccionan
automticamente
programas de estudio y
cohortes con tasas de
abandono excepcionalmente
altas
420
Este informe muestra un anlisis de cohortes, es decir, las matriculaciones continuas de diferentes promociones a lo largo del tiempo,
en el ejemplo filtradas por programas de estudio del denominado
grupo MINT (programas de estudio de Matemticas, Sistemas de Informacin, Ciencias Naturales y Tcnicos). Debido al enfoque OLAP,
el informe puede adaptarse fcilmente para otros grupos de programas de estudio y horizontes temporales. Son de especial inters las
funciones de reporte selectivo basado en excepciones, que seleccionan automticamente programas de estudio y cohortes con tasas
de abandono excepcionalmente altas, convirtiendo estos informes
generales en sistemas de apoyo a la decisin que identifican rpidamente las situaciones que requieren atencin y acciones especficas. Este ltimo tipo de informes est todava en fase de desarrollo,
debido a requisitos fundamentales que no se han resuelto aun.
4.1.2. INFORME DE PROGRESO EN EL ESTUDIO PARA LA

PLANIFICACIN DE CAPACIDAD
FIGURA 5
DESCRIPCIN: Universidad de Osnabrck: Informe de progreso en los estudios.
El Informe de Progreso en el Estudio, disponible para cada plan de estudios, muestra la evolucin de los
estudiantes matriculados, tanto en total por perodo, como por semestre de la cohorte. Su utiliza como
soporte a los clculos de actualizacin de la capacidad a corto plazo. Asimismo, pueden derivarse previsiones ms precisas con fines de planificacin de la capacidad, si los datos se combinan con supuestos
sobre el rendimiento futuro de cada cohorte individual. Este enfoque, popular pero rudimentario, se est
investigando actualmente para obtener mejoras en las previsiones mediante mtodos ms sofisticados.
421
4.1.3. ANLISIS DE GNERO PARA PLANIFICACIN ESTRATGICA

FIGURA 6
DESCRIPCIN: Universidad de Osnabrck: detalle del informe de recuento de estudiantes por gnero y nivel de estudios.
Este informe grfico est dedicado al anlisis de gnero en diferentes tipos de estudios para un perodo
determinado. Muestra las cuotas absolutas y relativas de estudiantes masculinos y femeninos, calculadas
como estudiantes equivalentes a tiempo completo. Puede utilizarse para la planificacin de actividades
orientadas al logro de objetivos de igualdad de gnero.
4.2. OPIUM5
El portal Web de examen-informacin y gestin (OPIuM) combina el soporte de TI para tareas operativas
en la administracin de exmenes (como la inscripcin en exmenes, la impresin de certificados o la
visualizacin de los resultados), con un conjunto de informes analticos para estudiantes, profesores,
decanos de estudios y personal administrativo. Puesto que el foco de este caso de estudio es el apoyo a las
decisiones, slo se ofrecen a continuacin ejemplos de los informes analticos, en concreto un caso para
cada uno de los grupos de clientes.
5. Acrnimo de Online Prfungs-Informations- und Management: Informacin y gestin online de exmenes.
422
4.2.1. BENCHMARK PERSONAL PARA LA AUTO-EVALUACIN DEL

ESTUDIANTE
FIGURA 7
DESCRIPCIN: Universidad de Osnabrck: detalle del informe de benchmark personal para estudiantes.
Este informe es un ejemplo del nfasis en la auto-supervisin de los

estudiantes. Puede ser accedido por parte de cualquier estudiante a
travs del portal Web del sistema OPIuM. El informe analiza los resultados del estudiante en comparacin con sus compaeros de cohorte, clasificados en cuartiles (25 mejor%, 25% mejor que la mediana, 25% peor que la mediana, 25% peor). Entre los resultados que se
comparan hay exmenes, as como resultados de mdulos completados, asignaturas, tesis e incluso programas completos. Junto a la
grfica, el informe tabula informacin detallada para la evaluacin
El informe de benchmarking
personal se hizo
rpidamente muy popular
entre los estudiantes
423
la noticia de la
disponibilidad de este
informe se propag en
la comunidad estudiantil
como un incendio fuera de
control
cuantitativa, por ejemplo esfuerzo (en crditos ECTS), distribucin

temporal, nmero de intentos o tamao de la cohorte. El informe
de benchmarking personal se hizo rpidamente muy popular entre
los estudiantes, y sabemos que incluso se utiliza, por ejemplo, en la
bsqueda de empleo.
Durante el desarrollo de esta iniciativa, en el equipo de BI ramos

escpticos sobre la acogida que tendra, ya que temamos protestas
relativas a ser clasificados como estudiante torpe, as que empezamos el despliegue con cobarda, y slo a un grupo pequeo y muy
controlado de estudiantes seleccionados, observando las reacciones
en tiempo real, y con un dedo en el botn de parada. Sin embargo, la
reaccin fue justo la contraria: la noticia de la disponibilidad de este
informe se propag en la comunidad estudiantil como un incendio fuera de control, e incluso se demand ms informacin de este estilo.
Un punto importante fue que tuvimos que demostrar que slo el propietario de los datos y nadie ms
(ni los profesores ni el personal administrativo), poda acceder a los informes de benchmarking personal.
4.2.2. GRADUADOS CON/SIN HONORES POR FACULTAD (PARA

DECANOS DE ESTUDIOS Y PRESIDENTE)
En el contexto del control de calidad de los resultados educativos, la pregunta, cuntos estudiantes
han aprobado su examen con honores? es relevante. El informe que se muestra a continuacin permite
analizar, para una o ms Facultades seleccionables, cuntos estudiantes han aprobado su examen en el
Perodo del Verano de 2012 y qu proporcin ha obtenido una calificacin <= 1,30, es decir, con honores.
El rea interior de la grfica (azul) indica el nmero de graduados con honores. El rea exterior (amarillo)
indica el nmero total de graduados. Cuanta mayor diferencia entre el rea amarilla y el rea azul, peor
tasa de graduados excelentes (ntese que se utiliza una escala logartmica). La comparacin entre las
facultades ayuda a calificar el nivel de calidad de los resultados obtenidos, sirve como un instrumento de
apoyo a la toma de decisiones y de control para los decanos de estudios y para el presidente.
424
FIGURA 8
DESCRIPCIN: Universidad de Osnabrck: detalle del informe comparativo de resultados acadmicos por centro.
4.2.3. ACTAS PENDIENTES (PARA LA

OFICINA DE EXMENES)
La Universidad de Osnabrck tiene entre sus objetivos minimizar el
nmero de actas que se entregan con retraso respecto a las fechas
tope establecidas, que se definen en los reglamentos generales de
exmenes. En este contexto, la oficina de exmenes est apoyada
en su trabajo diario por el informe descrito continuacin. Los resultados se agrupan en cuatro grupos segn su nivel de retraso. El color
blanco hace referencia a un resultado sin cuestionar, uno verde a un
resultado que aun puede llegar a tiempo, uno amarillo a un resultado ligeramente retrasado y uno rojo a un resultado muy retrasado.
Los datos de nmero de estudiantes presentados en la columna sin
resultado (without result) permite navegar a informacin adicional detallada adicional (semestre, estudio, profesor).
[ Ver figura 9 (pg. sig.)
La Universidad de
Osnabrck tiene entre
sus objetivos minimizar
el nmero de actas que
se entregan con retraso
respecto a las fechas
tope establecidas, que se
definen en los reglamentos
generales de examenes
425
FIGURA 9
DESCRIPCIN: Universidad de Osnabrck: detalle del informe de supervisin de plazos en la entrega de actas.
4.2.4. ESTADSTICAS DE EXMENES PARA DECANOS DE ESTUDIO

El informe de estadsticas de exmenes representa una herramienta de BI analtica desarrollada para los
decanos de estudio y otros perfiles analticos. La principal idea tras esta sencilla tabla cruzada es identificar puntos de tropiezo desde el principio hasta el final de la carrera. Si hay exmenes con una elevada
tasa de fracaso, tiene que discutirse qu es lo que la causa. Los parmetros de seleccin de semestre, de
tipo de examen y de indicadores de rendimiento ayudan a ampliar o a reducir la vista. De esta forma,
diversos problemas especficos pueden analizarse de manera flexible.
FIGURA 10
DESCRIPCIN: Universidad de Osnabrck: Informe detallado de resultados acadmicos por asignatura.
426
4.2.5. COMBINACIN DE CAMPOS DE ESTUDIO PARA EL

VICEPRESIDENTE DE ENSEANZAS Y DESARROLLO DE
PROGRAMAS ACADMICOS
FIGURA 11
DESCRIPCIN: Universidad de Osnabrck: informe de recuento de estudiantes con grados combinados.
Este informe de matrculas consolidadas en los programas especiales de grados de doble especialidad,
muestra cmo los estudiantes han configurado su combinacin de dos estudios a lo largo del tiempo.
De este modo, constituye informacin valiosa para planificar ofertas futuras de programas y asignar de
forma efectiva los recursos.
4.3. UBIS6
El sistema UBIS es en realidad un componente integral de MIS pero gestionado descentralizadamente
por la biblioteca de la Universidad. Entrega informes diarios de estado a cada dueo de una cuenta de
biblioteca (normalmente profesores), tanto con respecto a finanzas como a contenidos, sobre el presupuesto disponible, gastos, rdenes de compra abiertas o finalizadas, etc.
6. Acrnimo de Universitts-Bibliotheks-Informations-System: Sistema de Informacin para Bibliotecas de Universidad

427
El siguiente ejemplo de informe ejemplifica navegaciones a distintos niveles de detalle:
descripcin general de varias cuentas para una facultad (presupuesto del ao pasado y del ao actual, gastos reales, pedidos abiertos, y presupuesto neto disponible),
detalles para una cuenta determinada: todos los pedidos de biblioteca cerrados y abiertos para un
perodo financiero contable seleccionado
detalles bibliogrficos de un pedido especfico; en caso de pedidos cerrados incluso la entrada del
catlogo de la biblioteca de la Universidad, incl. informacin de la pgina Web.
FIGURA 12
DESCRIPCIN: ejemplo de navegacin a niveles de detalle en el sistema UBIS
428
Para lograr esta visin unificada y a varios niveles de detalle, diversos sistemas de gestin tuvieron que ser integrados con actualizaciones diarias: el sistema de pedidos PICA, el catlogo de la biblioteca OPAC y el mdulo del ERP SAP-FI/CO.
El sistema UBIS no slo sirve a los propietarios de cuentas de biblioteca. Se han diseado informes multi-dimensionales (cubos) para
dar apoyo a los denominados consultores de biblioteca responsables de las diferentes reas cientficas, cuyo trabajo es controlar
y optimizar los gastos de la biblioteca a nivel de toda la Universidad, por ejemplo, negociando con las empresas editoras. Con el fin
de lograr estas metas, pueden analizar la estructura y el volumen
de los pedidos y los contratos a lo largo del tiempo. Como ejemplo,
el siguiente informe OLAP muestra el desarrollo de la distribucin
de los gastos totales de la biblioteca con respecto a tipos de medios
como monografas, recopilaciones de hojas sueltas, journals, y licencias online. En el informe se puede ver reflejado el cambio constante
desde medios fsicos a medios online.
Se han diseado informes

multi-dimensionales
(cubos) para dar apoyo
a los denominados
consultores de biblioteca
responsables de las
diferentes reas cientficas,
cuyo trabajo es controlar
y optimizar los gastos de
la biblioteca a nivel de
toda la Universidad, por
ejemplo, negociando con
las empresas editoras
429
FIGURA 12
DESCRIPCIN: Universidad de Osnabrck: informe OLAP del sistema UBIS detallando la evolucin de los gastos de biblioteca clasificados por el tipo de medio de las publicaciones.
4.4. TOP7
El sistema TOP es una combinacin de informes operacionales y analticos y procesos en lote y online que
permiten generar calendarios ptimos de fechas de examen para conjuntos configurables de estudiantes
y exmenes en toda la Universidad. Fue desarrollado por varios proyectos de investigacin en cooperacin con la Escuela de Ciencia Informtica, en particular la Ctedra de Optimizacin y Combinatoria, y
la Escuela de Economa y Administracin de Empresas, especialmente la Ctedra de Sistemas de Apoyo
a la Gestin.
En total, su desarroll tom recursos de unos 5 aos-hombre, y todava necesita algunos desarrollos menores en el interfaz de usuario con el fin de traspasar totalmente su funcionamiento a manos del Centro
para la BI. El traspaso se realiza mediante formacin prctica en el trabajo, es decir, un miembro del
Centro para la BI y un desarrollador del sistema pasan por todas las fases juntos y paso a paso durante
un caso real. El sistema requiere una formacin de base intensa debido a la elevada complejidad meto7. Acrnimo de Termin-OPtimierung: programacin ptima de exmenes
430
dolgica y de procedimiento, y se recomienda que el personal de BI

que lo opera tenga nivel cientfico.
Hasta el ao 2013, el sistema ha sido utilizado para planificar unos
12 perodos de examen, cada uno con hasta 9.000 exmenes individuales de unos 120 cursos diferentes. El nmero de situaciones en
las que un estudiante tenan que hacer frente a ms de un examen
por da disminuy drsticamente (con saltos tan notables como
desde cincuenta casos a cero), el tiempo promedio entre exmenes
para cada estudiante individual aument, y los recursos invertidos
en trminos de salas y de personal de supervisin disminuyeron en
aproximadamente un 30%. No obstante, debido a la complejidad
del sistema, y como ya hemos comentado, est todava en desarrollo y siendo implantado en el centro virtUOS.
La parte ms difcil, sin embargo, reside en convencer a las facultades de que utilicen el sistema TOP y adapten sus operativas individuales. Por ejemplo, dado que el sistema TOP se basa en solicitudes de estudiantes para exmenes individuales, las Escuelas deben
requerir las solicitudes a los estudiantes antes de que se fijen las
fechas de examen. Sin embargo, la mayora de las facultades estn
acostumbradas a fijar y publicar primero las fechas de los exmenes antes de que se abra el periodo de solicitudes para los estudiantes, asumiendo -errneamente - que los estudiantes no podran de
otro modo decidir a qu exmenes presentarse; otras facultades
(como Derecho) argumentan que los reglamentos de estudio no
permitiran cancelar las solicitudes de examen a posteriori. Con estas operativas, el nmero de participantes para las fechas de examen fijadas se basan en malas estimaciones, y generan solicitudes
de reserva de salas sobredimensionadas, por no mencionar que se
impiden la generacin de los calendarios de exmenes ms favorables segn la demanda real. Afortunadamente, la continua escasez
de recursos y la priorizacin en la asignacin de recursos para los
procesos TOP (en estrecha cooperacin con el presidente), estn convenciendo a las facultades.
El nmero de situaciones
en las que un estudiante
tenan que hacer frente a
ms de un examen por da
disminuy drsticamente
(...) el tiempo promedio
entre exmenes para
cada estudiante individual
aument, y los recursos
invertidos en trminos
de salas y de personal de
supervisin disminuyeron en
aproximadamente un 30%
La parte ms difcil,
sin embargo, reside en
convencer a las facultades
de que utilicen el sistema
TOP y adapten sus
operativas individuales
La captura a continuacin ilustra la pantalla de administracin del sistema, que controla los pasos automatizados del proceso, desde la planificacin de nuevas ejecuciones con fechas de inicio y fin, las facultades y recursos de salas incluidas, hasta los diferentes estados de preparacin y ejecucin en lote de la
optimizacin, el inicio del ajuste manual, y el despliegue de la solucin resultante en el sistema de gestin correspondiente. Todas las funciones estn integradas en el portal de MIS, basado en IBM-Cognos, y
son accesibles solamente con autorizaciones de rol especiales.
431
FIGURA 13
DESCRIPCIN: Universidad de Osnabrck: Interfaz de administracin del sistema TOP para la generacin de calendarios ptimos de
exmenes.
Dado que el algoritmo de optimizacin heurstica subyacente no puede ser ilustrado visualmente, slo se
muestra en la siguiente imagen el componente de puesta a punto manual. En la prctica, la optimizacin
heurstica se utiliza solamente para generar una solucin de inicio factible, en el sentido de que est libre
de colisiones de fechas para estudiantes individuales, y proporcionando resultados ptimos para criterios generales como asientos de sala utilizados o distancia mxima entre exmenes en promedio sobre
todos los estudiantes. Las restricciones individuales, como fechas de inicio especiales para estudios en el
extranjero, no pueden ser incluidas en el modelo heurstico debido a costes de modelado. Lo mismo se
aplica a las preferencias individuales de las Facultades o de los profesores sobre las salas. Pueden resolverse mejor individualmente en la etapa de ajuste manual mediante cambios de examen especficos. Estos cambios son facilitados por el sistema marcando visualmente las alternativas factibles con respecto
a fecha, hora y salas, a lo largo de todo el perodo de optimizacin. Asimismo, las consecuencias de cada
cambio manual se reflejan en el lado derecho segn un conjunto de ms de diez criterios de optimizacin, p.ej.: el nmero de casos de estudiantes con exmenes en dos o tres das consecutivos, la distancia
432
promedio entre exmenes, etc., e incluso se calcula una puntuacin agregada que permite comparar la
calidad de las soluciones entre s. Cada decisin de cambio puede ser revertida, y se pueden almacenar
diferentes versiones en la base de datos.
Dado que el sistema forma parte del data warehouse, est sujeto a la elaboracin de informes analticos
como cualquier otro sistema de gestin integrado. De este modo, los resultados generados pueden ser
analizados para identificar las mejoras que provoca en el rendimiento y en el uso de recursos, lo que con
el paso del tiempo ser un argumento importante para convencer a las ltimas Facultades reticentes
respecto a su futura participacin.
FIGURA 14
DESCRIPCIN: Ejemplo de ajuste manual de un examen con el sistema TOP
Adems de este servicio de programacin centralizado, la informacin de programacin est a disposicin de todos los profesores e incluso de los estudiantes con el fin de dar soporte posteriormente a las
posibles negociaciones individuales sobre cambios de fecha de examen. La siguiente captura muestra un
ejemplo de este tipo de soporte, enumerando todas las fechas bloqueadas por otras exmenes de todos
los inscritos (36) en el examen bajo anlisis: asignatura MSS-I en el semestre de invierno 2012/2013, perodo 01.
433
FIGURA 15
DESCRIPCIN: pantalla de soporte para el cambio de fechas de examen a posteriori, mostrando las fechas prohibidas por afectar a
alguno de los estudiantes inscritos
4.5. VOTE (ASIGNACIONES DE RECURSOS BASADAS EN

PREFERENCIAS)
Este Sistema de Apoyo a las decisiones permite a los decanos de estudios asignar recursos docentes escasos basndose en las preferencias de los estudiantes, registradas mediante un sistema de votacin online. Fue desarrollado en su origen en cooperacin con la Facultad de Derecho para la asignacin equitativa
de plazas restringidas de asignaturas optativas en determinados estudios. Posteriormente, el prototipo
fue generalizado con un componente de personalizacin para el nmero de alternativas, el nmero de
prioridades, parmetros de tiempo relativos a la fecha de inicio y fin de la votacin, e incluso procedimientos alternativos (algoritmos) para la asignacin de recursos. De este modo, ahora puede ser ejecutado para un nmero ilimitado de votaciones en paralelo, y ha sido aplicado ms de 40 veces en los ltimos
6 aos, por ejemplo, para la asignacin de plazas en tesis y seminarios.
434
Al igual que con TOP, una pantalla de administracin permite definir y gestionar las ejecuciones de VOTE.
Se pueden personalizar, por ejemplo, el nombre de ejecucin, el perodo de votacin, el algoritmo de asignacin, y varias funciones operativas y administrativas, especialmente la asignacin automtica basada
en crditos ECTS y ttulos que presentan los solicitantes. Por supuesto, estos datos son extrados directamente del data warehouse, en el que este sistema de apoyo a las decisiones est tambin totalmente
integrado.
La siguiente captura muestra la pantalla de votacin para estudiantes. No solo permite introducir las
prioridades por alternativa, tambin ofrece informacin (de apoyo a la decisin) basada en el universo de
votacin real y relativa a las alternativas, sus capacidades, y sus cargas de prioridad. Actualmente estamos valorando incluso ampliar esta informacin a prospecciones en tiempo real sobre las posibilidades
de ganar una determinada plaza durante el proceso de votacin.
FIGURA 16
DESCRIPCIN: Pantalla del sistema VOTE para los estudiantes
435
436
La ltima captura de pantalla muestra los resultados comparativos de dos algoritmos de asignacin alternativos, uno que funciona aplicando las prioridades primero y las notas despus, y otro que funciona
justo al revs. Estas comparativas han sido a menudo de ayuda durante las discusiones con representantes de estudiantes sobre la cuestin de qu algoritmo escoger para realizar las asignaciones (finalmente,
los profesores delegaron esta decisin en los propios estudiantes).
FIGURA 17
DESCRIPCIN: pantalla de comparacin de resultados entre dos algoritmos de asignacin distintos
437
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Productos de datos
4-Mayora
La mayora de los usuarios estn utilizando solamente

informes online parametrizados, no obstante, a menudo en
combinacin con sistemas de apoyo a las decisiones, que se
pueden corresponder con el tipo de productos de datos de
analtica avanzada de esta dimensin. Algunos usuarios
(principalmente el rea de Investigacin Institucional) estn
utilizando informes analticos y cubos OLAP. Los paneles
de control para determinados grupos (decanos), estn en
preparacin. Por consiguiente, cubrimos tres de los cuatro tipos
de productos de datos.
La arquitectura del sistema mostrada en la siguiente imagen es clsica, integrando todos los sistemas
transaccionales relevantes en un data warehouse multinivel que sirve tanto para la elaboracin de informes estndar como analticos. Asimismo, varios sistemas de apoyo a las decisiones de desarrollo propio
estn superpuestos al data warehouse con su interfaz de usuario integrada en la interfaz Web de elaboracin de informes cuando es posible. Los sistemas de apoyo a las decisiones e incluso algunos componentes de la elaboracin de informes retornan su actividad y resultados de nuevo al data warehouse, recopilndose de este modo datos relevantes para el anlisis de uso y la toma de decisiones correspondientes,
por ejemplo: preferencias de los usuarios para la optimizacin en la programacin de exmenes. Los tres
niveles se describen con ms detalle en las siguientes subsecciones.
438
CUADRO 5
DESCRIPCIN: Arquitectura general del entorno de BI
metadata
wiki-contents
self-developed
systems
WEB
BROWSER
WikiwebPortals
(MIS,
OPIuM,
UBIS,...)
Cognos ReportNet
Server
Informatica PowerCenter
HIS-SOS/POS/
HISinOne
other data sources

(conject FM, SAP,
HR...)
WEB
SERVER
standard
ad-hoc
reports
PICA-System
Stud.IP
self-developed
DSS applications
Data
Warehouse
students
WINDOWS CLIENTS
alumni
Oracle Database
Enterprise Edition
DATA WAREHOUSE ENVIRONMENT
budget
Cognos PowePlay
Enterprise Server
Cognos
PowerPlay
Windows
Cognos
PowerPlay
Excel
BUSINESS INTELLIGENCE INTERFACES
5.1.1. SISTEMAS DE GESTIN

La fuente ms importante de datos de transacciones la aportan los mdulos del software HIS (que
actualmente est migrando a la nueva versin HISinOne), un sistema ERP de la compaa HIS (Hochschul-Informations-System, Ltd.), fundada en su origen por los estados alemanes en los aos 70 para
suministrar a las Universidades de software especializado en gestin universitaria. Los mdulos implantados cubren casi todo el ciclo de vida del estudiante, desde la solicitud de ingreso (mdulo APP), pasando
por la matrcula (mdulo STU), hasta las evaluaciones y la graduacin (mdulo EXA). El modulo ALU, que
se ocupa de la gestin de los antiguos estudiantes, va a ser sustituido en un futuro cercano por un sistema de Alumni de desarrollo propio.
Las Finanzas y Recursos Humanos son procesados con mdulos del sistema SAP, a saber FI/CO/PSM para
finanzas, con un componente especial superpuesto a FI/CO especfico para organizaciones pblicas, y HR
para Recursos Humanos, aunque aqu se gestionan los datos maestros solamente, dado que la contabi439
lidad de la nmina es realizada externamente y slo est integrada, indirectamente, a travs de SAP-FI/
CO/PSM.
Los presupuestos de biblioteca son administrados mediante un sistema de gestin separado, denominado
PICA8 de OCLC9 (una iniciativa europea internacional) que da soporte a la gestin de adquisiciones, de
catlogo y de prstamos. Los datos de PICA son integrados en el data
warehouse tanto directamente a nivel de detalle (ver la exposicin
sobre el sistema UBIS en la seccin anterior) como indirectamente a
travs de los sistemas financieros (SAP-FI).
el conjunto de sistemas de
gestin de la Universidad
de Osnabrck presenta un
panorama heterogneo
tpico, que supone un reto
para la integracin
Los datos sobre los procesos de enseanza son obtenidos del sistema LMS10 Stud.IP, un desarrollo conjunto de las Universidades
alemanas. Stud.IP se utiliza tambin para la administracin de salas, siendo de este modo una importante fuente de datos para las
decisiones sobre la asignacin de recursos y su anlisis por parte
del sistema de BI. En general, el conjunto de sistemas de gestin de
la Universidad de Osnabrck presenta un panorama heterogneo
tpico, que supone un reto para la integracin.
5.1.2. ENTORNO DE DATA WAREHOUSE

El componente fundamental de la arquitectura de BI, el data warehouse, est diseado lgicamente de
conformidad con el modelo de referencia de Devlin11, con al menos dos niveles:
una capa de datos reconciliada (RDL) con tablas integradas, normalizadas, y no redundantes
una capa de datos derivada (DDL) con datos procesados desde el RDL para fines especficos, incluyendo data marts multidimensionales.
Todo el data warehouse est implementado sobre tecnologa de base de datos relacional (Oracle Enterprise Edition 10g), y algunos data marts son cubos MOLAP basados en ficheros (IBM Cognos PowerCubes).
Todos los procesos ETL estn diseados y son ejecutados por el software Informatica PowerCenter. Incluyen todas las transacciones tpicas para la extraccin y transformacin, especialmente la anonimizacin
de los datos personales (estudiantes), generacin de claves sustitutas, identificacin y gestin de versiones dimensionales, y generacin de dimensiones y agregaciones clave. Todos los procesos son modelados
para formar un conjunto de flujos de trabajo relacionados entre s que se ejecutan automticamente con
frecuencias especficas mediante un sistema de planificacin.
8. Acrnimo de Project of Integrated Catalogue Automation: Proyecto de Automatizacin Integrada del Catlogo
9. Acrnimo de Online Computer Library Center: Centro de bibliotecas computerizadas online.
10. Acrnimo de Learning Management System: Sistema de Gestin de Aprendizaje
11. Devlin, B. (1997), Data Warehouse: From Architecture to Implementation, Addison-Wesley, 1997, p. 69 ff
440
5.1.3. HERRAMIENTAS DE BUSINESS INTELLIGENCE

Las herramientas de BI que sirven a los diferentes requisitos de informacin de los usuarios estn integradas en una interfaz basada
en un sistema Wiki desarrollado internamente, que enlaza en su
mayor parte con informes y cubos de IBM-Cognos. A travs de la
Wiki tambin se entregan, de forma rudimentaria, metadatos de
el apoyo al ususario. Se planea ampliarla a una interfaz interactiva
impulsada por los datos, que sirva para el despliegue universal de
metadatos con un enfoque de gestin del conocimiento (ms sobre esto en la seccin prximos pasos previstos, ms adelante). Las
herramientas de cara a los usuarios pueden ser clasificadas en tres
grupos:
Las herramientas de BI
que sirven a los diferentes
requisitos de informacin
de los usuarios estn
integradas en una interfaz
basada en un sistema Wiki
desarrollado internamente
La mayor parte de la elaboracin de informes de BI se realiza

con el software IBM Cognos 8 Report Net Server, que actualmente est migrando a IBM-Cognos-10.2. Se utiliza fundamentalmente para generar informes estandarizados (tabulares y parcialmente jerrquicos), asociados a
grupos de usuarios especficos en la interfaz de usuario de la Wiki, con mltiples selectores de filtrado
(desplegables o listas de seleccin nica/mltiple), que se cumplimentan directamente por el usuario
final o mediante vistas de informes pre-filtradas. Esta tcnica de publicacin permite la estandarizacin pretendida en toda la Universidad, y aumenta tambin la eficiencia en el uso de los productos
de datos.
La segunda herramienta de cara a los usuarios, realizada con

IBM-Cognos-PowerPlay, permite la elaboracin de informes
OLAP analticos. Est orientada fundamentalmente a algunos
usuarios avanzados, especialmente en la Oficina de Investigacin Institucional. Asimismo, los ficheros de cubos subyacentes
(data marts) se estn usando extensamente como fuente de
datos para la elaboracin de informes estndar parametrizados, desplegados por IBM-Cognos-ReportNet. Otro uso eficiente se da mediante el despliegue de vistas de cubo individuales
como simples URLs, junto con una interpretacin verbal y una
descripcin de uso publicadas a travs del sistema Wiki. La entrega directa de cubos puros a los usuarios finales, tal como se
haba concebido inicialmente, no obtuvo aceptacin y pronto
tuvo que ser sustituida por la interfaz de informes estndar
parametrizados. Por consiguiente, el modelo de licencia con
respecto al software IBM-Cognos tuvo que ser adaptado, correspondientemente.
La entrega directa de
cubos puros a los usuarios
finales, tal como se haba
concebido inicialmente, no
obtuvo aceptacin y pronto
tuvo que ser sustituida
por la interfaz de informes
estndar parametrizados
Finalmente, los sistemas de apoyo a las decisiones desarrollados internamente (descritos en la seccin anterior) son integrados, como mnimo, en el sistema Wiki. En casi todos los casos esto se hace
441
a travs de IBM Cognosreports, a pesar de su baja adecuacin para aplicaciones interactivas que reescriben en el data warehouse. La principal razn es poder conectar estas aplicaciones de apoyo a las
decisiones al sistema de autenticacin y autorizacin del data warehouse. La necesaria re-escritura a
las tablas del data warehouse puede realizarse mediante una artimaa, registrando procedimientos
almacenados de Oracle como falsas fuente de datos para los informes de IBMCognos, lo que nos
permite usar el intercambio de parmetros de entrada del informe entre IBMCognos y Oracle. Sin
embargo, las aplicaciones que requieren niveles de interaccin intensos y que tienen un nmero
restringido de usuarios, como la personalizacin de calendarios de exmenes optimizados, todava
usan su propia interfaz de Windows o basada en la Web (como es el caso del sistema TOP, descrito en
la seccin anterior).
5.2. CUESTIONES DE GESTIN Y CALIDAD DE LOS DATOS

Para evaluar el nivel de madurez en la dimensin Gestin de datos del modelo de madurez, se abordan
los siguientes puntos:
La calidad de los datos

demostr ser esencial
para la supervivencia de la
iniciativa de BI
(...) la Universidad instaur,
para garantizar y mejorar
la calidad de los datos, y
de manera consensuada,
un proceso continuo
basado en principios
y responsabilidades
explcitas,
fundamentalmente en el
lado de los sistemas fuente
La calidad de los datos demostr ser esencial para la supervivencia de la iniciativa de BI de manera continua e interminable. Desgraciadamente, como ocurre con cualquier proyecto de
data warehousing, la calidad de los datos de los sistemas fuente
no se adapta a los requisitos analticos. Tras las primeras experiencias dolorosas, la Universidad instaur, para garantizar
y mejorar la calidad de los datos, y de manera consensuada, un
proceso continuo basado en principios y responsabilidades explcitas, fundamentalmente en el lado de los sistemas fuente.
Los aspectos ms importantes son:
que se identifiquen y se asignen de manera explcita las

responsabilidades de los datos a personas concretas, por
ejemplo: el jefe de la oficina de estudiantes para los datos
de matrcula
que estas personas sean integradas en la iniciativa de BI y

que sean declaradas como usuarios prioritarios con acceso a informes (temporales) especialmente diseados para
ayudarles a analizar los problemas de calidad de datos, y
retener el despliegue final de informes hasta que los responsables de los datos lo autoricen (a veces con condiciones).
De este modo, se genera un beneficio directo incluso para personas

a menudo intocables en la organizacin, y se mejora de manera
continua la calidad de los datos de los sistemas de gestin origen.
442
El acceso a los datos es controlado generalmente a nivel de registro del data warehouse. Tcnicamente, las consultas de informes que incluyen datos sensibles estn diseadas con enlaces
que permiten o restringen el acceso con respecto a una lista
extensible de roles, cuya asignacin a identificadores de usuarios individuales se almacena dentro del data warehouse, y es
gestionada por un componente administrativo. Aparte de las
entradas manuales por parte de los administradores del data
warehouse, este componente permite solicitudes de acceso online, autorizacin online de los propietarios de los datos, y consulta online para propietarios de datos y usuarios que posean
actualmente determinados derechos de acceso. La asignacin
formal de la propiedad de los datos es una decisin de vital
importancia y se toma de manera consensuada entre el equipo
de BI y los departamentos administrativos correspondientes.
En aquellos casos en los que sea posible, se definen principios
generales, por ejemplo: cada profesor slo puede ver matrculas
y notas de sus propias asignaturas, y la asignacin de los derechos de acceso se delega descentralizadamente, por ejemplo, los profesores deben dar permiso sobre quin tiene acceso a sus cuentas.
De momento, el registro de acceso a los datos solo se lleva a cabo en algunos mbitos, en su mayor
parte operativos, por ejemplo: las solicitudes de examen, que puede tener consecuencias judiciales.
La asignacin formal de la
propiedad de los datos
es una decisin de vital
importancia y se toma
de manera consensuada
entre el equipo de BI
y los departamentos
administrativos
correspondientes
Los metadatos son clasificados, segn el modelo de Devlin,

como metadatos de desarrollo, de control y de uso12. Esta previsto integrar la documentacin de metadatos, actualmente
muy dispersa dentro de las diferentes herramientas de desarrollo de BI (base de datos de Oracle, Informatica/PowerCenter
ETL, IBM-Cognos) en una base de metadatos comn, integrada
con la interfaz de BI basada en el sistema Wiki, y abierta para
la edicin por parte de los usuarios. De este modo, se pueden
incluir especialmente los metadatos orientados a dar soporte
al usuario, lo que demostr ser sumamente importante para
lograr de manera efectiva la aceptacin del usuario, y por tanto
todos los beneficios derivados de la BI previstos para la organizacin. Dicho sistema ya fue desarrollado como un prototipo en
los primeros tiempos de la iniciativa, sin embargo todava no
ha podido ser migrado y desplegado con los principales componentes de BI basados en IBM-Cognos,
debido a restricciones de recursos. Sin embargo, est programado para el futuro cercano, como se
expondr ms adelante.
Con mucha frecuencia,

se da la necesidad de
mantener versiones
alternativas de dimensiones
y/o mtricas debido a
diferentes requerimientos
de uso
12. Devlin, B. (1997), Data Warehouse: From Architecture to Implementation, Addison-Wesley, 1997, p. 140 ff
443
La integracin de los datos es gestionada centralmente por el Centro para la BI, mediando y coordinando cuando es necesario tomar decisiones sobre la paternidad de datos duplicados que compiten
entre s. Con mucha frecuencia, se da la necesidad de mantener versiones alternativas de dimensiones y/o mtricas debido a diferentes requerimientos de uso. De este modo, el ideal terico de una
nica versin de la verdad tiene, en la realidad, variantes. Por ejemplo, como ya hemos sealado, la
Universidad de Osnabruck ha definido, como mnimo, seis mtricas para calcular el nmero de estudiantes, cada una de ellas con su justificacin.
La retencin de los datos y su archivado actualmente no son un problema en la Universidad de

Osnabrck. Los volmenes de datos todava no son crticos, aunque hay almacenadas historias de
ms de 20 aos en determinadas reas. Sin embargo, s se deben almacenar diferentes versiones de
los datos, especialmente los relativos al ciclo de vida del estudiante: una actualizada continuamente,
para el anlisis y la toma de decisiones, y otra con instantneas en momentos definidos para estadsticas y comparativas externas. Como resultado, existen unas 40 instantneas de datos de estudiantes.
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Gestin de Datos
3-Gestionado
Muchos de los aspectos de la gestin de datos estn implantados. Sin

embargo, la integracin de metadatos y su publicacin para dar soporte
a la utilizacin de los diversos componentes por parte de los usuarios
finales son aspectos que tienen que ser mejorados todava.
6. EL FUTURO
6.1. PASOS SIGUIENTES PLANIFICADOS
La aplicacin del modelo de

madurez y el anlisis de los
resultados obtenidos han
dado lugar a una serie de
iniciativas de mejora
444
En los siguientes apartados se presentan algunas de las iniciativas

en curso o planificadas en el futuro cercano en la Universidad de
Osnabruck.
La aplicacin del modelo de madurez y el anlisis de los resultados
obtenidos han dado lugar a una serie de iniciativas de mejora que se
expondrn en primer lugar. Posteriormente se describen proyectos
escogidos que estn planificados en el futuro cercano o que ya han
sido probados parcialmente con un prototipo y esperan con inters
ser implantados en produccin.
6.1.1. INICIATIVAS FRUTO DE LA EVALUACIN CON EL MODELOS DE

MADUREZ
A continuacin se muestra la tabla de resultados de la evaluacin realizada aplicando el modelo de madurez.
CUADRO 6
DESCRIPCIN: Tabla resumen con los resultados de la evaluacin de inteligencia institucional en Universidad de Osnabruck mediante
el modelo de madurez

4
Consolidated
Unbalanced
DIMENSIONS
LEVELS
ABSENT
INITIAL
EXPANDED
CONSOLIDATED
INSTITUTIONALIZED
I2 TEAM
absent
local
global
virtual
global full time
competency center
SCOPE
none
/ unknown
specialized
multiple
generalized
full
SBU ROLE
unaware
aware
participants
supporting
data stewards
DATA
PRODUCTS
none
/ unknown
limited
expanded
majority
complete
USER
COVERAGE
1 none
/ unknown
2 limited
3 expanded
4 majority
5 universal
USERS
ENGAGEMENT
unaware
aware
customers
drivers
co-owners
DATA
MANAGEMENT
unaware
aware
managed
supported
enforced
BUSINESS
VALUE
scarce
optional
interesting
necessary
critical
STRATEGIC
SUPPORT
free floating
locally
embedded
project footing
sustainable service
interdependent with
strategy
Fruto del anlisis de los resultados, se recoge en la siguiente tabla el resumen de las iniciativas de mejora
surgidas:
[ Ver tabla en pg. sig.
445
Dimensin Modelo
de Madurez de BI
Nivel
Comentario
Equipo de BI
5- Centro de
competencia
Fortalecer la lnea de suministro existente de expertos de BI (jvenes

acadmicos) para compensar las continuas prdidas de personal
hacia la empresa privada.
Convencer a la direccin de que invierta ms en puestos
permanentes
Fomentar la comunicacin de los departamentos de Investigacin
Institucional y Tecnologas de la Informacin mediante reuniones
regulares
Rol de las unidades

administrativas
fuente
3Participantes
Perseverar y convencer a las unidades que siguen dudando

mediante la propuesta de proyectos de BI a medida para ellos
Implicacin del
usuario
3- Clientes
Continuar con la captacin proactiva de nuevos grupos de usuarios

Aumentar la base de usarios avanzados descentralizados (hacia el
auto-servicio de BI)
Productos de datos
4-Mayora
Ampliar los interfaces de usuario mediante la inclusin de paneles

de control integrados en la Wiki
Continuar con el desarrollo de aplicaciones avanzadas de apoyo a las
decisiones
Cobertura de usuario
5- Universal
Implementar paneles de control pblicos, aprovechando as la

infraestructura de BI para el trabajo activo de relaciones pblicas
Alcance
4 - Mltiple
Integrar SAP-HR (Recursos Humanos) e Investigacin como fuentes

de datos para la elaboracin de informes
Aumentar el nmero de informes basados en datos financieros
Valor para la
organizacin
4-Necesario
Aadir indicadores visuales explcitos que midan los beneficios

generados para la organizacin gracias a determinados productos BI,
anticipando y mitigando as las siempre recurrentes crticas y dudas
internas
Apoyo Estratgico
4-Servicio
sostenible
Ampliar la base de apoyo estratgico animando al equipo de

gobierno a convertirse en usuarios activos directos
Gestin de Datos
3-Gestionado
Migrar el prototipo existente de gestin del conocimiento para

publicar los distintos tipos de metadatos actualmente dispersos
6.1.2. ACTUALIZACIN DE OPIUM DEBIDO A LA MIGRACIN DEL

SISTEMA DE GESTIN SUBYACENTE (HISINONE)
OPIuM, como entorno de informes personales sobre los resultados de exmenes, est disfrutando de una
gran aceptacin en la Universidad. No obstante, hay algunos retos tcnicos que esperan en los prximos
meses. La tecnologa del Sistema ERP subyacente cambiar (de HIS a HISinOne), y el servidor del data
446
warehouse y el software se actualizarn a nuevas versiones. Estos cambios de versin requerirn mucho
trabajo de desarrollo para migrar los procesos ETL y re-disear los informes y paneles de control. De
acuerdo con el modelo de madurez, el equipo de inteligencia institucional y varias unidades administrativas estarn profundamente implicadas en este Proyecto de BI de prxima generacin. Las principales
metas de este cambio generacional en las herramientas ser aumentar el nivel de madurez en determinadas dimensiones como la implicacin del usuario y el valor para la organizacin y concentrarse en
elaborar el conjunto fundamental de informes estndar.
6.1.3. EVOLUCIN DEL PORTAL DE BI HACIA LA GESTIN DEL

CONOCIMIENTO
Como ya se ha mencionado antes, la superacin de los diseos de
interfaz de usuario tradicionales se ve como esencial para la aceptacin y el xito sostenible de la BI. Los factores crticos de xito son
la integracin completa de datos cuantitativos y cualitativos, especialmente los metadatos orientados a facilitar el uso, as como la
capacidad de interaccin por parte del usuario final. Esto lleva directamente a la integracin de los resultados sobre gestin del conocimiento obtenidos al principio de la evolucin de BI en Osnabrck (a
finales de los aos 90), cuando se desarroll y prob un prototipo
con buenos resultados13,14. Debido al crecimiento de la demanda de
informes de BI fundamentalmente cuantitativos, este proyecto se
ha ido posponiendo hasta ahora. La planificacin actual tiene como objetivo una re-implementacin del
sistema en el entorno actual del sistema wiki.
la superacin de los diseos

de interfaz de usuario
tradicionales se ve como
esencial para la aceptacin
y el xito sostenible de la BI
El siguiente cuadro muestra el enfoque conceptual.

13. Rieger, B., Kleber, A.: Semantic Integration of Heterogeneous Information Sources: Experiences from a Practical MSS-Case. En: Roantree,
M., Hasselbring, W., Conrad, S. (Hrsg.): Proceedings of the 3rd Workshop EFIS 2000, S. 89-100, Dublin 2000.
14. Rieger, B., Kleber, A.: Metadata-Based Integration of Qualitative and Quantitative Information Resources Approaching Knowledge Management. En: Hansen, H.R., Bichler, M., Mahrer, H. (Hrsg.): Proceedings of the 8th European Conference on Information Systems (ECIS 2000),
Volume 1, S. 372-378, Wien 2000.
447
CUADRO 7
DESCRIPCIN: Diagrama conceptual del sistema de gestin del conocimiento para el apoyo a la BI
DECISIONMAKER
OTHER CLIENT
TOOLS
WEB SERVER
WEB AGENT
WEB AGENT
OTHER CLIENT
TOOLS
CONTEXT-DRIVEN RETRIEVAL/EDIT
INFORMATION SOURCE A
MOLAP-Cube
(Dimensions, Measures, Views)
INFORMATION SOURCE B
WEB AGENT
KNOWLEDGE BASE
(INFORMATION OBJECTS)
Text Database
(Questionnaire, Text Fragments, Graphs)
Name, Description, Type, Information

Source Link
(Application and Data)
METADATA EXTRACTION
RELEVANCE LINKS
RELEVANCE LINKS
El ncleo del sistema se basa en un modelo intencionadamente simple y genrico para la representacin
eficiente de cualquier tipo de metadatos: un conjunto extensible de objetos de informacin clasificados,
por ejemplo: elementos de datos, dimensiones, mtricas, informes, vistas de informe o incluso notas individuales, que pueden ser interrelacionados en cualquier orden. Tanto los objetos de informacin como
las relaciones se extraen preferiblemente de las herramientas de desarrollo de BI, transfiriendo por lo
tanto metadatos tcnicos (de tiempo de creacin y de control) en un entorno de despliegue genrico.
Asimismo, se han probado satisfactoriamente funciones de generacin automtica de metadatos, por
ejemplo, para apoyar a usuarios avanzados en documentar la vista resultante de un anlisis OLAP que
hayan realizado, describiendo su estructura, filtros y mucho ms importante la utilidad y los beneficios que su uso puede reportar a colectivos destinatarios configurables, y quiz privados (en un primer
paso). Finalmente, los objetos de informacin pueden ser abiertos a las aportaciones individuales, con
el fin de apoyar la recopilacin e intercambio de experiencias, y por lo tanto la evolucin de una memoria organizacional interna. Con el fin de lograr estas metas, slo se predefine una estructura obligatoria
mnima para los objetos de informacin, consistente en ttulo, fecha, propietario, tipo, descripcin, y - si
procede un enlace activo a la aplicacin o al componente que proporciona los datos, por ejemplo, un
informe concreto.
448
La siguiente imagen muestra un ejemplo de cmo pueden ser utilizadas por los usuarios finales las interrelaciones entre elementos cuantitativos (en este caso, un informe de BI) y elementos cualitativos (en
este caso, la descripcin del uso de un informe y su relacin con resultados de encuestas textuales).
FIGURA 18
DESCRIPCIN: Universidad de Osnabrck: Ejemplo de navegacin contextual desde una salida de informacin de tipo cuantitivo hacia
otras, textuales, que la dotan de contexto.
CUADRO 7
DESCRIPCIN: Diagrama conceptual del sistema de gestin del conocimiento para el apoyo a la BI
La visin final es sustituir en su totalidad los mens fijos tradicionales para el acceso a recursos de BI, e
incluso representar colecciones de paneles de control, haciendo posible de este modo una plataforma
genrica para la recuperacin de la informacin. Como efecto colateral, el mantenimiento de BI debera
ser ms eficiente, al estar documentados los usos de los elementos de BI a cualquier nivel de detalle.

6.2.1. PREDICCIN DE MATRCULA BASADA EN CBR15 PARA LA
PLANIFICACIN DE CAPACIDAD
Fruto del contexto actual de incremento en las responsabilidades de decisin descentralizadas, junto con
una creciente necesidad de planificacin, los decisores en los niveles operativos y estratgicos solicitan
15. Acrnimo de Case Based Reasoning: razonamiento basado en casos, una tcnica de inteligencia artificial que consiste en la resolucin de
problemas nuevos basndose en las soluciones de problemas similares registradas en el pasado.
449
los decisores en los niveles

operativos y estratgicos
solicitan cada vez ms
soluciones que implican la
generacin de informacin
predictiva y anlisis del tipo
qu pasara si?
cada vez ms soluciones que implican la generacin de informacin

predictiva y anlisis del tipo qu pasara si?. Las actividades recientes se centran en apoyar estos procesos de planificacin operativa y estratgica de varios tipos de decisores.
A nivel operativo, la programacin y planificacin de asignaturas y
exmenes, y la carga docente asociada, son cuestiones de gran inters.
La planificacin de estas actividades es muy susceptible de ser mejorada al disponer de informacin predictiva, mxime en el contexto actual de creciente complejidad de los planes de estudio, con
asignaturas que se comparten entre varios programas. La mtrica
fundamental aqu es el nmero de estudiantes que se matricularn
por asignatura. Prever esta demanda es difcil, ya que est muy influida por decisiones individuales de los estudiantes de complicada modelizacin, por ejemplo, esperar
hasta el ltimo momento para matricularse. Por lo tanto, los mtodos de previsin tradicionales (por
ejemplo, medias mviles o mtodos economtricos) se muestran limitados al intentar emplearlos para
predecir las matrculas en asignaturas. Normalmente, en estos mtodos, las elecciones individuales no
se tienen en cuenta y los modelos matemticos subyacentes requeriran ser personalizados para cada
plan de estudios individual. Su aplicacin en la totalidad de los estudios de la institucin es, por tanto,
prcticamente inviable.
Para resolver el problema, se ha diseado un nuevo enfoque de prediccin y se ha implementado mediante un prototipo16. El enfoque se basa en dos componentes:
El primero se trata de un proceso de razonamiento basado en casos mejorado. Este proceso tiene
como objetivo predecir las matrculas en asignaturas para uno o ms semestres futuros, a nivel de
cada estudiante individual. Las predicciones de la selecciones de asignaturas para estudiantes de
primero y segundo ao se deducen reutilizando las selecciones que hicieron estudiantes ms avanzados o ya graduados. Este enfoque permite tener en cuenta las previsiones individuales de los estudiantes integrando una aplicacin Web que les permita componer interactivamente itinerarios de
estudio futuros basados en las predicciones de sus matrculas. Por lo tanto, adems de a los planificadores de capacidad docente, a los estudiantes tambin se les proporciona la funcionalidad de apoyo
a las decisiones. El enfoque es aplicable a mltiples programas con poco esfuerzo de ingeniera del
conocimiento, ya que se basa principalmente en la identificacin de estudiantes similares, evitando,
por tanto, la necesidad de generar un modelo formal para cada dominio.
Las predicciones para cada estudiante se almacenan en una base de datos que se utiliza como interfaz para el segundo componente, a saber, un sistema de apoyo a las decisiones basado en los datos
16. Pppelmann, D.: A Refined Case-Based Reasoning Approach to Academic Capacity Planning. En: Maier, R. (Hrsg.): 6th Conference on
Professional Knowledge Management (WM2011) - From Knowledge to Action (21. - 23. Februar 2011, Innsbruck, Austria). S. 395-399. Bonn
(2011).
450
generados. Este segundo componente tiene como objetivo proporcionar a los decisores de varios niveles dentro de la Universidad datos predictivos al nivel que sea necesario, agregando las previsiones
individuales hasta el nivel correspondiente para la decisin de planificacin a tomar: por ejemplo, a
nivel de asignaturas individuales para la generacin de horarios, o a nivel de departamentos para
planificar la ocupacin de aulas.
Este enfoque fue implementado mediante prototipos y aplicado en la previsin de matrculas en asignaturas de la Facultad de Economa y Empresariales. Las primeras evaluaciones muestran resultados
prometedores.
CUADRO 8
DESCRIPCIN: arquitectura de alto nivel del sistema de prediccin de matrculas en asignaturas
COMPONENT 1:
REDEFINED CASE-BASED REASONING CYCLE
COMPONENT 2:
DATA-DRIVEN DECISION SUPPORT SYSTEM
initialize
DWH
rep
??
ea
retrie
v
Facts
revise 1
save
revise 2
ETL
PREDICTED
COURSE
SELECTIONS
La imagen superior muestra un ejemplo del resultado final del componente de apoyo a las decisiones,
dedicado a los decisores responsables de la planificacin de recursos ya sea a nivel de Universidad, de
Facultad o incluso de Departamento.
451
FIGURA 19
DESCRIPCIN: modelo de prediccin de matriculas en asignaturas. Grfica de matrculas por docente y periodo
El principal objetivo es
establecer estructuras de
incentivos para alinear
las metas individuales de
varios decisores, con las
metas superiores de la
institucin
452
6.2.2. DISEO Y EVALUACIN DE FRMULAS DE ASIGNACIN BASADO EN SIMULACIONES

Introducida como una de las partes ms relevantes de las reformas
propuestas bajo el trmino Nueva Gestin Pblica, los modelos de
asignacin de recursos son un mtodo relativamente nuevo para la
gestin orientada al rendimiento y a las metas en las Instituciones
de Educacin Superior alemanas. El principal objetivo es establecer estructuras de incentivos para alinear las metas individuales
de varios decisores, con las metas superiores de la institucin. Por
consiguiente, los recursos, especialmente los presupuestos, son
asignados en base a modelos matemticos. Disear estos modelos
es una tarea compleja que necesita tener en cuenta diversos incentivos que emanan de los diferentes
componentes utilizados, a saber indicadores (p.ej.: nmero de publicaciones o nmero de estudiantes),
pesos relativos y algoritmos.
La capacidad de suministrar a los decisores informacin relativa al impacto de configuraciones alternativas en estos modelos, es objeto de investigacin constante en el campo de la toma de decisiones estratgicas en la Universidad de Osnabrck. Un enfoque para el que ya se ha creado un prototipo consiste en
la combinacin de un componente de simulacin de sistemas dinmicos con un data warehouse activo
que permite el diseo y evaluacin de diferentes modelos de asignacin. Los modelos de sistemas dinmicos se utilizan para simular las consecuencias del modelo de asignacin resultante en los campos de la
enseanza y la investigacin a largo plazo. Los resultados de estas simulaciones son almacenados en un
data warehouse activo, donde se calculan mtricas que indican el nivel de logro de objetivos superiores
cuando se aplican modelos alternativos. Los decisores son apoyados en su eleccin del modelo apropiado
suministrndoles datos comparativos sobre estas mtricas, a travs de informes estndar y analticos
dirigidos por eventos.
La imagen siguiente esboza la arquitectura global del enfoque combinado de apoyo a las decisiones (sibEUS), desarrollado durante un proyecto de doctorado en la Ctedra de Sistemas de Soporte para la Gestin17,18.
17. Gelhoet, M.; Rieger, B.: SimulationsbasierteAnalyse des WirkungsgradeseinerformelbasiertenRessourcenallokationimHochschulwesen., In:

Bichler, M. et al. (Hrsg.): MultikonferenzWirtschaftsinformatik 2008. Berlin, GITO-Verlag, 2008, S. 193-204.
18. Gelhoet, M., SimulationsbasierteUntersttzungbei der Gestaltung von EntscheidungsalgorithmenKonzeption und prototypischeRealisierung am Beispiel der RessourcenallokationimHochschulwesen, PhD thesis, Osnabrck University, 2009,
453
CUADRO 9
DESCRIPCIN: arquitectura general del sistema de apoyo al diseo y evaluacin de frmulas de asignacin
DSS
3.REPORTING
4. REPORTING
CONFIGURATION
3.REPORTING
MIS
OLAP
PERFORMANCE
INDICATORS
INTERACTION
SIBEUS
1. FORMULA
CONFIGURATION
DECISION
MAKER
ALLOCATIONFORMULA
DWH
FINANCIAL
RESULTS
2. MODEL
CONFIGURATION
SD
SIMULATION
RESULTS
La imagen siguiente da una idea del alcance del anlisis multi-criterio sobre los efectos de frmulas de
asignacin alternativas a lo largo del tiempo.
454
FIGURA 20
DESCRIPCIN: efecto de distintas variedades de frmulas de asignacin a lo largo del tiempo
A continuacin se ofrece una lista - admitimos que subjetiva y algunas veces intencionadamente provocativa - de recomendaciones
que pretenden condensar y resumir las principales lecciones aprendidas en la Universidad de Osnabrck respecto a la inteligencia institucional:
Garantice el apoyo continuo de la alta direccin
Aparte de su inevitable papel en la financiacin, la alta direccin
puede ayudar algunas veces en el desarrollo y despliegue operativo
de la BI. Las soluciones de BI efectivas afectan con frecuencia a privilegios existentes (la informacin es poder) e implican cambiar
procesos, competencias y responsabilidades arraigadas. Los argumentos objetivos no son siempre convincentes, y algunas veces se
necesitan mandatos/instrucciones claras de la alta direccin.
Las soluciones de BI
efectivas afectan con
frecuencia a privilegios
existentes (la
informacin es poder)
e implican cambiar
procesos, competencias
y responsabilidades
arraigadas
455
Piense en grande a pesar de tener que empezar siempre en pequeo

No se deje persuadir por la direccin de que las soluciones de BI son pequeas o que pueden mantenerse
discretas. No pueden si son realmente soluciones de BI- ya que su naturaleza es ofrecer una visin analtica universal sobre la organizacin. Por otro lado, convenza siempre a los clientes para que empiecen en
pequeo con el fin de poder presentar resultados y ventajas en poco tiempo.
Hgase indispensable
Los detractores inmovilistas

a menudo tratan de pintar
a las aplicaciones de BI
como aadidos de lujo
que no son esenciales para
las operaciones bsicas
de la Universidad. Esta
percepcin puede llegar a
ser fatal para una iniciativa
de BI
Los detractores inmovilistas a menudo tratan de pintar a las aplicaciones de BI como aadidos de lujo que no son esenciales para las
operaciones bsicas de la Universidad. Esta percepcin puede llegar
a ser fatal para una iniciativa de BI, especialmente en situaciones
de escasez de fondos y equipos de gobierno cambiantes (por ejemplo, en Alemania se elige equipo de gobierno cada 6 aos, y actualmente se estn aboliendo las tasas de matrcula). Por consiguiente,
es una buena idea proponer al menos algunas aplicaciones de BI
que puedan llegar a ser componentes esenciales del funcionamiento operativo de la Universidad, si se pretende la sostenibilidad. Por
ejemplo, el servicio OPIuM demostr ser una lnea de servicio sumamente til en Osnabrck en este sentido.
Concntrese en los usuarios de mente abierta
Trate de identificar activamente a los empleados de mente abierta

en la organizacin para que sean incluidos en los equipos de proyectos de BI. Y tambin al contrario, sea consciente de los elementos inmovilistas, que solicitan formalmente
su participacin en los proyectos con el fin de evitar la evolucin organizativa. En caso de que la participacin de estos ltimos sea inevitable, por ejemplo por motivos de privacidad de los datos, seguridad de
los datos o motivos legales, se les deben asignar deberes y responsabilidades concretas y con la pre-condicin clara de que el proyecto
debe llegar a buen trmino, es decir, la orden no es si(condicional)
sino cmo.
las solicitudes iniciales

de los usuarios a
menudo estn lastradas
y restringidas por
experiencias pasadas con
entornos tecnolgicos ya
superados
456
Sea innovador e incluso valiente

Las soluciones de BI no deben conformarse slo con cumplir lo que
los usuarios entrevistados solicitan explcitamente al inicio. Sea
consciente de que las solicitudes iniciales de los usuarios a menudo
estn lastradas y restringidas por experiencias pasadas con entornos tecnolgicos ya superados. Especialmente lamentables son las
concepciones restringidas por la hoja de clculo Excel. El trabajo del
personal de BI es generar y proponer de manera proactiva nuevas soluciones que rompan las limitaciones que a veces los propios usuarios autoimponen por desconocimiento. No debe haber inhibiciones en
este sentido, justificadas, por ejemplo, en la presunta resistencia del peticionario. La historia del informe
Personal de Benchmark para estudiantes, ya mencionado en las secciones previas, es un buen ejemplo
de ello. No obstante, nadie ira de cabeza a una trampa, y por tanto informe personal de Benchmark fue
probado primero en un pequeo grupo de estudiantes seleccionados previamente. En este caso, la situacin del rea de BI en una estructura orientada a la investigacin, que incluye a grupos estudiantiles de
proyecto, fue sumamente ventajosa.
457
III
PARTE III
OPORTUNIDADES
DE APLICACIN
LIBRO BLANCO DE
INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
INTRODUCCIN
CULES SON LAS
PREGUNTAS CLAVE?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
INTRODUCCIN - PARTE III
Autor
Manuel Rivera Segu

Director de Comunicacin
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III INTRODUCCIN: CULES SON LAS PREGUNTAS CLAVE?
INTRODUCCIN
CULES SON LAS
PREGUNTAS CLAVE?
El xito en la explotacin
analtica de la
informacin comienza
con la formulacin de las
preguntas adecuadas
El xito en la explotacin analtica de la informacin comienza con

la formulacin de las preguntas adecuadas: a travs del encadenamiento de preguntas y la obtencin de las pertinentes respuestas
se va conformando un proceso analtico cuyo resultado final es la
toma de decisiones oportunas. Sin la formulacin explcita de preguntas, la inteligencia institucional carece de objetivos y de rumbo.
A pesar de que a primera vista esta puede parecer una cuestin trivial, la identificacin y definicin de cules son las preguntas clave en cada uno de los mltiples mbitos de la gestin universitaria
dista mucho de ser una tarea fcil, ya que requiere una reflexin
pausada y un conocimiento profundo de los diversos mbitos de gestin y sus problemticas asociadas.
Con el fin obtener un primer conjunto bsico de preguntas cuyo planteamiento suponga un caldo de
cultivo ideal para desarrollar la inteligencia institucional, la direccin del Comit Cientfico Acadmico
organiz, en el marco de la redaccin de este libro, varios grupos de trabajo compuestos por diversos expertos en gestin universitaria de mltiples perfiles, con el encargo de:
Identificar un conjunto de preguntas clave de aplicabilidad general, relacionadas con las principales reas de gestin universitaria
Describir el proceso analtico basado en informacin que, a su juicio, debera llevarse a cabo para
responder a esas preguntas y, como resultado final, poder tomar decisiones.
Como resultado de diversas sesiones de trabajo, se seleccionaron 31 preguntas que se consideraron que
servan bien al fin expuesto, clasificadas en los cuatro grande mbitos de gestin universitaria, y que son
las siguientes:
462
Sobre la actividad docente
Cmo es la oferta docente de mi Universidad?
Se adecua la oferta docente a la demanda real existente?
Cul es el nivel de satisfaccin de los estudiantes con el proceso de aprendizaje/enseanza?
Cul es la tasa de empleabilidad de los egresados de mi Universidad?
Cul es el perfil socio-econmico de los estudiantes de la Universidad?
Qu prcticas realizan los estudiantes de mi Universidad?
Qu necesidades de profesorado tengo en mi Universidad?
Qu recursos materiales necesito para el desarrollo de la docencia?
Qu resultados acadmicos obtienen mis estudiantes en la Universidad?
Es efectiva la actividad docente?
Sobre la actividad investigadora
Cmo es el perfil de la actividad de I+D+i en mi Universidad?
Cul es la actividad de transferencia de mi Universidad?
Cmo se financian la investigacin y la transferencia en mi Universidad?
Cul es la plantilla investigadora?
Cules son las reas investigadoras de excelencia en mi Universidad?
Cules son las reas de mayor actividad de transferencia en mi Universidad?
Cul es la participacin institucional de mi Universidad en el sistema de investigacin y difusin a

la sociedad?
Sobre la gestin de los Recursos Humanos
Cmo es la plantilla de empleados de la Universidad? Cul es la composicin de la plantilla de

la Universidad atendiendo a una clasificacin por razn de gnero? Es adecuada en funcin de la
definicin de polticas de igualdad de gnero establecidas? Si no lo es, cul es la mejor manera de
afrontar el problema?
Cul es la composicin de la plantilla de la Universidad atendiendo a una clasificacin por edad?

Qu problemas presenta? Cmo pueden afrontarse?
El desarrollo de los mritos de investigacin del personal acadmico de la Universidad es el adecuado?
Cul es el volumen y composicin global del personal (PAS, PDI, personal exclusivamente investigador) de la Universidad? Se adeca a las necesidades y a las posibilidades? Cules son las causas de
las deficiencias, si se detectan?
463
Cul es la distribucin del profesorado en las diferentes categoras del mismo? Es adecuada en
funcin de las previsiones de evolucin de la plantilla, de la oferta docente y de la actividad investigadora?
La distribucin del PAS entre personal fijo y temporal es adecuada?
Cmo est organizada la estructura administrativa, de gestin y servicios de la Universidad?
La distribucin del personal de administracin y servicios en sus diferentes grupos y niveles permite garantizar la existencia de una organizacin profesional estable al servicio de los sucesivos
equipos de gobierno de la Universidad?
Sobre la gestin econmica
Cmo est captando recursos de I+D+i la Universidad?
Cul es el coste de la I+D+i?
Se han utilizado los recursos de acuerdo a los objetivos planificados en el presupuesto y queda crdito disponible para desarrollar la actividad?
Cul es el coste de las titulaciones? y de los centros de enseanza?
Cul es el peso relativo del coste-obligaciones reconocidas/ingreso-derechos reconocidos?
Cul es la situacin financiera y de tesorera de la Universidad?
Puesto que el desarrollo exhaustivo de todas estas preguntas generara con seguridad material suficiente
para dedicar un libro completo solo a ellas, se ha seleccionado un subconjunto representativo de siete
preguntas (resaltadas en negrita en la lista anterior), incluyendo al menos una de cada rea de gestin,
que han sido desarrolladas con detalle por parte de los diversos grupo de trabajo. Los resultados de estos
trabajos constituyen cada uno de los captulos que conforman esta ltima parte del libro.
464
465
CMO ES LA
OFERTA DOCENTE
DE MI UNIVERSIDAD?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
CAPTULO 1 - PARTE III
Autor
Juan Hernndez Armenteros

Profesor titular del departamento de Economa
de la Universidad de Jan
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 1: CMO ES LA OFERTA DOCENTE DE MI UNIVERSIDAD?
CAPTULO 1
CMO ES LA OFERTA DOCENTE
DE MI UNIVERSIDAD?
En esta pregunta, que tiene una clara vocacin descriptiva, se plantea conocer la oferta de enseanzas
universitarias de una determinada institucin. Esto puede realizarse atendiendo a la conjugacin de cuatro atributos que responden a la extensin, intensificacin, localizacin e imparticin de las enseanzas
que integran su oferta acadmica.
As, el atributo extensin nos debe permitir determinar el mbito de presencialidad acadmica de la
institucin que podr abarcar la totalidad, o parte, de los productos acadmicos universitarios: ttulos
de grado, ttulos de postgrado y de doctorado; ttulos propios de postgrado; enseanzas a demanda; etc.
La intensificacin nos vendr dada por el desarrollo que la institucin pueda haber realizado en cada uno
de los diversos itinerarios curriculares que pueden ofertarse en cada una de las cinco grandes ramas del
conocimiento: Humanidades, Sociales, Ciencias, Ingenieras y Salud, dando lugar a una oferta acadmica
institucional generalista o con un determinado ndice de especializacin.
La localizacin o ubicacin geogrfica de la oferta de enseanzas nos informar en lo referente a la concentracin o dispersin en uno o varios campus que, a su vez, pueden ser identificativos de unas estructuras acadmicas especializadas o generalistas que reiteran determinadas enseanzas.
Por ltimo, la metodologa docente aplicada para la imparticin total o parcial de la oferta acadmica
a travs de la necesidad o no de la presencialidad fsica del estudiante en las aulas universitarias nos
pondr de manifiesto el carcter presencial, virtual o mixto atribuible a una determinada institucin.
Estos atributos que tipifican la oferta de enseanzas de una institucin universitaria pueden analizarse
con un conjunto de indicadores que han de permitirnos caracterizar a una determinada Universidad en
el contexto de un sistema universitario concreto. Para este caso, se ha decidido seleccionar un indicador
que nos informar de la presencialidad en la oferta oficial institucional de la tipologa de enseanzas y
de la especializacin por mbitos del conocimiento:
468
Estructura interna de la oferta: registra el porcentaje que en la oferta de cada Universidad representan
las enseanzas ofrecidas en cada una de las cinco ramas de enseanza por nivel de acreditacin acadmica.
En este caso se va a analizar la estructura interna de la oferta de enseanzas oficiales de grado atendiendo a la informacin del Ministerio de Educacin de Espaa recogida en el Registro de Universidades,
Centros y Titulaciones (RUCT) correspondiente al curso acadmico 2010/2011.
TABLA 1
DESCRIPCIN: Universidad de estudio. Estructura de la oferta de enseanzas universitarias oficiales en centros propios.
Enseanzas Universitarias de Grado
Campus 1
HUMANIDADES
SOCIALES
CIENCIAS
Total
4
Total
11
11
Total
3
Campus 2
INGENIERAS
CIUENCIAS
SALUD
TOTAL RAMAS
Total
13
13
Total
Total
27
27
34
34
Campus N
Total Campus
11
11
Enseanzas Universitarias de Postgrado: Mster
Campus 1
HUMANIDADES
SOCIALES
CIENCIAS
Total
Total
Total
INGENIERAS
CIUENCIAS
SALUD
TOTAL RAMAS
Total
Total
Total
23
25
23
25
Campus 2
Campus N
Total Campus
469
Enseanzas Universitarias de Postgrado: Programas de Doctorado
Campus 1
HUMANIDADES
SOCIALES
CIENCIAS
Total
Total
Total
INGENIERAS
CIUENCIAS
SALUD
TOTAL RAMAS
Total
Total
Total
16
16
16
16
Campus 2
Campus N
Total Campus
(P): Nmero de enseanzas con docencia presencial

(V): Nmero de enseanzas con docencia virtual
Total de enseanzas con docencia Presencial y Virtual
1. EJEMPLO DE PROCESO ANALTICO PARA DAR

RESPUESTA A ESTA PREGUNTA
El objeto del indicar sobre la estructura interna de la oferta es mostrar la presencia relativa que tiene cada
una de las cinco ramas de enseanza en el conjunto de la oferta de enseanzas de grado impartidas en
los centros oficiales (propios y adscritos) de una determinada institucin universitaria. La cuantificacin
del indicador requiere de la informacin referida al nmero total de enseanzas de grado impartidas por
la Universidad en el curso acadmico que se desee estudiar, as como de la identificacin de cada enseanza con la correspondiente rama atendiendo al desarrollo curricular que permite su singularizacin.
Hasta fechas recientes, curso acadmico 2009/2010, en Espaa exista un nico catlogo de enseanzas
oficiales de grado que registraba las diferentes titulaciones atendiendo al ciclo (duracin), acreditacin
y especialidad que podan ofertar las Universidades pblicas y privadas en sus centros universitarios,
siendo 140 las titulaciones oficiales que se distribuan por ramas de enseanza en: Humanidades 26
(18,57%); Sociales y Jurdicas 31 (22,14%); Experimentales 15 (10,71%); Tcnicas 59 (42,14%) y Salud 9 (6,43%);
y a su vez se agregaban atendiendo a su duracin / acreditacin en: Diplomatura (1er ciclo): 60 (42,86%);
Licenciatura (1er y 2 ciclo): 56 (40,00%) y Licenciatura (slo segundo ciclo): 24 (17,14%).
El Real Decreto 55/2005, de 21 de enero, establece la estructura de enseanzas universitarias oficiales espaolas de acuerdo con las lneas generales emanadas del Espacio Europeo de Educacin Superior (EEES)
y de conformidad con lo previsto en el artculo 88.2 de la Ley Orgnica 6/2001 de 21 de diciembre, de
Universidades. Las enseanzas universitarias conducentes a la obtencin de ttulos de carcter oficial
y validez en todo el territorio nacional se estructuran en grados y postgrados, siendo las enseanzas de
grado las correspondientes al primer ciclo y las enseanzas de postgrado las pertenecientes al segundo
ciclo (mster) y tercer ciclo (doctorado).
470
La Ley Orgnica 4/2007, de 12 de abril, por la que se modifica la Ley Orgnica 6/2001, de 21 de diciembre,
de Universidades, determina en la nueva redaccin del Ttulo VI la estructura de las enseanzas y ttulos universitarios oficiales que permite concluir la convergencia de nuestras enseanzas universitarias
con los principios de la construccin del EEES. El Real Decreto 1393/2007, de 29 de octubre, establece la
ordenacin de las enseanzas universitarias oficiales, profundizando en la concepcin y expresin de
la autonoma universitaria de modo que en lo sucesivo sern las propias Universidades las que crearn
y propondrn, de acuerdo con las reglas establecidas, las enseanzas y ttulos que hayan de impartir y
expedir, sin sujecin a la existencia de un catlogo previo establecido por el Gobierno, como era obligado
hasta la fecha de publicacin del decreto.
Los ttulos oficiales de enseanzas universitarias quedan fijados en Grado, Mster y Doctorado, siendo
obligatorio que las Universidades lo inscriban en el Registro de Universidades, Centros y Ttulos (RUCT).
En el caso de las enseanzas universitarias de grado, la Universidad propondr la adscripcin del correspondiente ttulo de graduado o graduada a alguna de las siguientes ramas de conocimiento: a) Artes y
Humanidades; b) Ciencias; c) Ciencias de la Salud; d) Ciencias Sociales y Jurdicas y e) Ingeniera y Arquitectura.
A partir del curso acadmico 2008/2009 las Universidades espaolas iniciaron el proceso de adaptacin
de las enseanzas universitarias oficiales a las nuevas estructuras acadmicas de Grado, Mster y Doctorado, siendo el curso acadmico 2010/2011 el primer ao que registraba el conjunto de las ofertas de
enseanzas universitarias de conformidad con este nuevo diseo.
Las titulaciones universitarias de primer ciclo (diplomaturas) y de primer y segundo ciclo (licenciaturas)
que integraban el Catlogo Oficial de Titulaciones Universitarias han pasado a titulaciones de grado,
siendo en muchos casos coincidentes no slo los desarrollos curriculares sino, tambin, la propia denominacin y adscripcin del ttulo a la rama de enseanza que lo identificaba en el referido Catlogo.
En otros casos, las Universidades han procedido a reducir el nmero de titulaciones representativas de
determinadas especialidades, como sucede con las enseanzas de magisterio, que de siete ttulos mantiene slo dos, y las enseanzas de las ingenieras que han simplificado en la nueva oferta institucional la
presencia de la diversidad de especialidades que contemplaba el Catlogo para las titulaciones de primer
ciclo. En otros casos, los menos, las Universidades han incorporado nuevos ttulos a la nmina de grados
cuya adscripcin a ramas de conocimiento no siempre resulta coincidente, siendo destacable las diferencias de ubicacin que se observan para determinadas enseanzas que se adscriben indistintamente
a los mbitos de Artes y Humanidades y Ciencias Sociales y Jurdicas. En lo que afecta a la desaparicin
de titulaciones registradas en el extinto Catlogo Oficial, sealar que esta circunstancia se limita, salvo
excepciones, al marco de las titulaciones de slo segundo ciclo, 24 de 140 ttulos, que en su mayora, han
ampliado sus contenidos curriculares y se han transformado en grados.
El resultado de este proceso de adaptacin de enseanzas universitarias oficiales a la consideracin acadmica de grados, se concreta en la ruptura de la homogeneidad derivada de la exclusividad del Catlogo, en la reiteracin de las referencias nominales de los ttulos de grado que conforman las ofertas
institucionales, en la reubicacin de determinados ttulos, caso de Psicologa, en reas de conocimiento
471
distintas a las que mantenan en el Catlogo y en la presencia ms extensa e intensa, aunque todava
resulten minoritarias, de las titulaciones conjuntas que con anterioridad eran poco frecuentes. Sin embargo, al analizar los valores concretos del indicador, el perfil institucional de la oferta de enseanzas
universitarias de grado no ha sufrido modificacin estructural en ninguna de las Universidades, pblicas
y privadas, espaolas.
En lo concerniente a las enseanzas universitarias de grado, la informacin que nos suministra este indicador nos permite identificar a una determinada institucin como generalista, cuando presenta oferta
de enseanzas en todas y cada una de las ramas del conocimiento, o especializada, cuando limita su oferta de enseanzas a una o varias de las cinco ramas del conocimiento que establece el R.D. 1393/2007. Esta
clasificacin puede ser matizada atendiendo al predominio que en el conjunto de la oferta institucional
puedan manifestar un determinado grupo de titulaciones.
Adems, la relevancia del indicador Estructura interna de la Oferta, radica en que facilita a los diferentes usuarios y destinatarios de los servicios acadmicos universitarios una primera aproximacin a la
realidad productiva de una determinada Universidad. Al mismo tiempo que permite a los responsables
institucionales, internos y externos, posicionar la institucin en relacin al conjunto de enseanzas que
conforman el denominado mapa universitario, pudiendo observar los niveles de presencialidad, singularidad, complementariedad y diversidad que presentan en sus ofertas las Universidades que operan en
un determinado territorio.
As, desde la perspectiva del usuario de los servicios docentes universitarios (estudiantes y familias) cabra preguntarse qu enseanzas se pueden estudiar en una u otra Universidad. En este caso, resultara
pertinente conocer las preferencias del potencial cliente universitario acerca de qu modalidad de institucin prefiere: pblica o privada y qu metodologa docente es la que mejor se adapta a sus necesidades y posibilidades de estudio: enseanza presencial o enseanza no presencial. La informacin que
se adjunta en la tabla 2 (A y B) referida a una Universidad nos muestra la presencialidad que tienen las
diferentes enseanzas segn rama de conocimiento en la oferta global de la institucin en el curso acadmico 2010/2011.
472
TABLA 2-A
DESCRIPCIN: Universidad de estudio: Detalle numrico de la oferta de enseanzas universitarias en centros propios por rama y
modalidad docente. Curso acadmico 2011-2012.
GRADO
P
ARTES Y
HUMANIDADES
MSTER
TOTAL P
DOCTORADO
TOTAL P
TOTAL ENSEANZAS UNIVERSIARIAS

TOTAL P
TOTAL (%) P
(%) V
11
81,82
2,44
11
11
19
19
100,00
0,00
CIENCIAS
17
17
100,00
0,00
CIENCIAS DE LA
SALUD
11
11
100,00
0,00
INGENIERAS Y
ARQUITECTURA
13
13
17
17
100,00
0,00
TOTAL RAMAS
34
34
23
25
16
16
73
75
97,33
2,05
SOCIALES Y
JURDICAS
(P): Nmero de enseanzas con docencia presencial

(V): Nmero de enseanzas con docencia virtual
TABLA 2-B
DESCRIPCIN: Universidad de estudio: Estructura Interna de la Oferta de Enseanzas Universitarias por ramas de enseanza impartidas en centros propios. Curso acadmico 2010-2011.
GRADO
MSTER
I1
I2
I1
DOCTORADO
I2
I1
TOTAL ENSEANZAS
UNIVERSIARIAS
I2
I1
N.E.
ARTES Y
HUMANIDADES
11,79
36,36
16,00
36,36
18,75
27,27
14,67
11
SOCIALES Y
JURDICAS
32,35
57,89
20,00
26,31
18,75
15,79
25,33
19
CIENCIAS
8,82
17,65
36,00
52,94
31,25
29,41
22,67
17
CIENCIAS DE LA
SALUD
8,82
27,27
16,00
36,36
25,00
36,36
14,67
11
INGENIERAS Y
ARQUITECTURA
38,23
76,47
12,00
17,65
6,25
5,88
22,67
17
100,00
45,33
100,00
33,33
100,00
21,33
100,00
75
TOTAl RAMAS (%)

TOTAL RAMAS (N.E.)
34
25
16
75
(I1): Expresa la participacin relativa de las enseanzas universitarias correspondientes a una rama del conocimiento
en el total de la oferta de enseanzas para grado, mster y doctorado.
(I2): Expresa la participacin relativa de las enseanzas universitarias correspondientes a grado, mster y doctorado
en el total de la oferta de enseanzas por ramas de conocimiento.
473
Los datos que se suministran en los dos apartados del tabla 1 facilitan al potencial usuario de servicios
formativos universitarios una identificacin de la Universidad del ejemplo, como una institucin pblica de enseanza superior con ofertas en los tres niveles de acreditacin universitaria para cada una de
las cinco ramas de enseanza que integran el conocimiento cientfico (vase cuadro 1-A). Universidad
que, en una clasificacin institucional, estara ubicada en el grupo de Universidades generalistas. Sin
embargo, la presencia de ttulos universitarios en los diferentes niveles de acreditacin y mbitos del
conocimiento no resulta equilibrada, existiendo una relativa especializacin que afecta, de una parte, a
las enseanzas de grado que conforman el 45,33 por 100 de su oferta universitaria y, de otra parte, a las
ramas de conocimiento de sociales e ingeniera que concentran el 48 por 100 del total de las enseanzas
ofertadas en el curso 2010/2011. Especializacin en contenidos cientficos que difiere segn el nivel de
acreditacin que estemos considerando, siendo el rasgo ms destacable el que se observa en la rama de
ingeniera donde las enseanzas de grado son mayora (76,47%), en contraposicin a las enseanzas de
doctorado (5,88%) que aparecen como testimoniales. Signo contrario muestran las enseanzas del mbito de las ciencias experimentales que ofertando un nmero igual de enseanzas (17), sin embargo, son
las enseanzas correspondientes a mster y doctorado las que aglutinan ms del 82 por 100 del total de
la oferta (Vase cuadro 1-B).
CUADRO 1-A
DESCRIPCIN: Universidad de estudio: Estructura Interna de la Oferta de Enseanzas Universitarias por ramas de enseanza impartidas en centros propios. Curso acadmico 2010-2011.
GRADO
50,00%
MSTER
50,00%
40,00%
38,23
40,00%
36,00
32,35
30,00%
30,00%
20,00%
20,00%
11,76
8,82
10,00%
0,00%
ARTES
SOCIALES Y
Y HUMANI- JURDICAS
DADES
CIENCIAS
8,82
16,00
12,00
10,00%
CIENCIAS DE INGENIERAS
LA SALUD
Y ARQUITECTURA
DOCTORADO
50,00%
20,00
16,00
0,00%
50,00%
40,00%
ARTES
SOCIALES Y
Y HUMANI- JURDICAS
DADES
CIENCIAS
LA SALUD
Y ARQUITECTURA
TOTAL ENSEANZAS UNIVERSITARIAS
40,00%
31,25
30,00%
20,00%
18,75
18,75
20,00%
10,00%
0,00%
474
30,00%
25,00
6,25
ARTES
SOCIALES Y
Y HUMANI- JURDICAS
DADES
CIENCIAS
LA SALUD
Y ARQUITECTURA
25,33
22,67
14,67
22,57
14,57
10,00%
0,00%
ARTES
SOCIALES Y
Y HUMANI- JURDICAS
DADES
CIENCIAS
LA SALUD
Y ARQUITECTURA
CUADRO 1-B
DESCRIPCIN: Participacin porcentual de las enseanzas universitarias de grado, mster y doctorado impartidas en centros propios
en la oferta total de enseanzas universitarias por ramas de enseanza. Curso acadmico 2010/2011.
45,33
TOTAL RAMAS
33,33
76,47
INGENIERAS Y ARQUITECTURA
27,27
CIENCIAS DE LA SALUD
17,65
36,36
17,65
CIENCIAS
GRADO
21,33
36,36
52,94
SOCIALES Y JURDICAS
5,88
29,41
27,89
26,31
15,79
MSTER
DOCTORADO
36,36
ARTES Y HUMANIDADES
0%
10%
20%
36,36
30%
40%
50%
27,27
60%
70%
80%
90%
100%
En general, las cifras que reflejan los grficos correspondientes a la estructura de la oferta de enseanzas
universitarias de la Universidad del ejemplo nos presentan una institucin orientada a dar respuesta al
conjunto de las demandas de formacin universitaria que apunta una relativa especializacin en sus
contenidos cientficos y preferencia por los niveles ms bsicos de la acreditacin universitaria, sin que
la complementariedad que pueda existir entre las enseanzas que se ofertan en los distintos niveles de
acreditacin redunde a favor de su especializacin.
Ahora bien, cabra preguntarse hasta qu punto esta estructura que presenta la oferta de enseanzas
universitarias de esta Universidad es comn o singular en el colectivo de instituciones universitarias y,
ms especficamente, en el sector de las Universidades pblicas presenciales espaolas. La respuesta a
esta pregunta nos vendra facilitada mediante la agregacin en una nica estructura informativa del
conjunto de la oferta de enseanzas universitarias de las 47 Universidades que tienen como principal
referencia su carcter de institucin pblica.
Los destinatarios de esta informacin, adems de los potenciales demandantes de servicios de formacin,
sern tanto los responsables institucionales como las autoridades competentes en materia universitaria
que dispondrn de datos que les permitirn conocer los rasgos diferenciadores de las Universidades y, a
la vez, plantearse estrategias de benchmarking y de responsabilidad social considerando instituciones
que presenten la mxima afinidad entre sus respectivas estructuras acadmicas. Igualmente, esta informacin ser de utilidad para los responsables de la planificacin institucional y sistmica que debern
475
optimizar la eficacia y la eficiencia de las ofertas de enseanzas que anualmente proponen las diferentes
Universidades.
Con esta intencionalidad se presenta en el cuadro 2 la informacin referida a la oferta de enseanzas
universitarias de grado por ramas de conocimiento que las Universidades pblicas espaolas registraron
en el curso acadmico 2010/2011. Los datos que proporciona el cuadro 2 estn referidos al nmero de
enseanzas de grado (N. E.), a la participacin relativa que representan las enseanzas adscritas a una
rama del conocimiento sobre el total de enseanzas de grado de una Universidad y al valor relativo que
alcanza la oferta de una Universidad en relacin al valor de referencia de dicha oferta para el conjunto de
las Universidades pblicas espaolas, siendo en este caso los valores superiores a 100 los identificativos
de posiciones en la oferta institucional que expresan mayor especializacin en un determinado mbito
del conocimiento que el que denota el agregado de las Universidades pblicas.
Sin nimo de agotar las reflexiones que pueden extraerse de la informacin suministrada en el cuadro
2, pasamos a exponer los rasgos principales de la oferta de enseanzas del Sistema Pblico de Universidades en el convencimiento de que en las lneas siguientes se podrn encontrar respuesta a muchas de
las preguntas que inicialmente podramos calificar como pertinentes para conocer el perfil formativo de
una determinada institucin.
En primer lugar, sealar que existe una amplia dispersin en lo concerniente al nmero de enseanzas
de grado ofertadas por las Universidades pblicas que varan desde las 16 de la Universidad que menos
ofrece hasta las 91 de las que ms. La oferta media de enseanzas de grado por institucin se situ en el
citado curso en 44,63; siendo 19 las instituciones que presentaban ofertas superiores al valor medio y 28
las que situaron sus ofertas acadmicas por debajo de esta referencia sistmica.
476
TABLA 3
DESCRIPCIN: Universidades espaloas: Detalle numrico de la oferta de enseanzas universitarias en centros propios por rama y
modalidad docente. Curso Acadmico 2010-2011.
FUENTE: Elaboracin propia.
UNIVERSIDAD
Artes y Humanidades
N E.
I1
I2
Sociales y Jurdicas
Ciencias
N E.
N E.
I1
I2
Ciencias Salud
I1
I2
N E.
Ingeniera y
Arquitectura
I1
I2
N E.
Total Ramas
I1
I2
N E.
(%)
S.T.
UNIVERSIDAD 1
15,38
94,12
11
42,31
128,95
11,54
98,80
11,54
106,55
19,23
67,85
26
1,24
UNIVERSIDAD 2
17,78
108,75
13
28,89
88,05
17,78
152,14
11,11
102,58
11
24,44
86,24
45
2,14
UNIVERSIDAD 3
16,67
101,96
26,67
81,25
20,00
171,23
10,00
92,33
26,67
94,07
30
1,43
UNIVERSIDAD 4
16
22,22
135,98
28
38,89
118,53
11
15,28
130,82
10
13,89
128,25
9,72
34,30
72
3,43
UNIVERSIDAD 5
10,71
65,54
11
39,29
119,75
14,29
122,26
7,14
65,93
28,57
100,81
28
1,33
UNIVERSIDAD 6
11,76
71,97
11
32,35
98,60
8,82
75,51
8,82
81,44
13
38,24
134,90
34
1,62
UNIVERSIDAD 7
15,52
94,98
17
29,31
89,33
8,62
73,80
12,07
111,36
20
34,48
121,66
58
2,76
UNIVERSIDAD 8
18,18
111,26
13
59,09
180,09
13,64
116,78
4,55
41,92
4,55
16,02
22
1,05
UNIVERSIDAD 9
14
20,59
126,01
19
27,94
85,15
10,29
88,10
11,76
108,59
20
29,41
103,77
68
3,24
SUBTOTAL CC. AA.
67
17,49
107,04
131
34,20
104,24
50
13,05
111,73
42
10,97
101,29
93
24,28
85,67
383
18,26
UNIVERSIDAD 10
15,52
94,98
18
31,03
94,57
15,52
132,88
13,79
127,33
14
24,14
85,18
58
2,76
SUBTOTAL CC. AA.
15,52
94,98
18
31,03
94,57
15,52
132,88
13,79
127,33
14
24,14
85,18
58
2,76
UNIVERSIDAD 11
18,37
112,42
12
24,49
74,64
12,24
104,79
12,24
113,01
16
32,65
115,21
49
2,34
SUBTOTAL CC. AA.
18,37
112,42
12
24,49
74,64
12,24
104,79
12,24
113,01
16
32,65
115,21
49
2,34
UNIVERSIDAD 12
17,95
109,85
17
43,59
132,85
12,82
109,76
12,82
118,37
12,82
45,24
39
1,86
SUBTOTAL CC. AA.
17,95
109,85
17
43,59
132,85
12,82
109,76
12,82
118,37
12,82
45,24
39
1,86
UNIVERSIDAD 13
11
25,00
153,00
12
27,27
83,11
9,09
77,82
13,64
125,95
11
25,00
88,21
44
2,10
UNIVERSIDAD 14
18,42
112,73
13
34,21
104,26
2,63
22,52
15,79
145,80
11
28,95
102,15
38
1,81
SUBTOTAL CC. AA.
18
21,95
134,33
25
30,49
92,93
6,10
52,22
12
14,63
135,08
22
26,83
94,67
82
3,91
UNIVERSIDAD 15
7,41
45,35
25,93
79,00
7,41
63,44
11,11
102,58
13
48,15
169,90
27
1,29
SUBTOTAL CC. AA.
7,41
45,35
25,93
79
7,41
63,44
11,11
102,58
13
48,15
169,9
27
1,29
UNIVERSIDAD 16
10
12,82
78,45
28
35,90
109,42
5,13
43,92
12
15,38
142,01
24
30,77
108,57
78
3,72
SUBTOTAL CC. AA.
10
12,82
78,45
28
35,90
109,42
5,13
43,92
12
15,38
142,01
24
30,77
108,57
78
3,72
UNIVERSIDAD 17
7,69
47,06
11
42,31
128,95
7,69
65,84
7,69
71,00
34,62
122,12
26
1,24
UNIVERSIDAD 18
16,67
101,96
10
27,78
84,64
11,11
95,12
13,89
128,25
11
30,56
107,80
36
1,72
UNIVERSIDAD 19
18
26,47
162,00
19
27,94
85,15
11,76
100,68
10,29
95,01
16
23,53
83,03
68
3,24
UNIVERSIDAD 20
10
14,71
89,96
25
36,76
112,03
10,29
88,10
8,82
81,44
20
29,41
103,77
68
3,24
SUBTOTAL CC. AA.
36
18,18
111,26
65
32,83
100,06
21
10,61
90,84
20
10,10
93,26
56
28,28
99,79
198
9,44
UNIVERSIDAD 21
25
32,47
198,71
19
24,68
75,19
14
18,18
155,65
11,69
107,94
10
12,99
45,84
77
3,67
UNIVERSIDAD 22
16
26,67
163,16
20
33,33
101,58
12
20,00
171,23
11,67
107,76
8,33
29,39
60
2,86
UNIVERSIDAD 23
17,95
109,85
15
38,46
117,22
10,26
87,75
10,26
94,64
23,08
81,43
39
1,86
UNIVERSIDAD 24
20,00
122,40
10
33,33
101,58
10,00
85,61
16,67
153,83
20,00
70,57
30
1,43
UNIVERSIDAD 25
0,00
1,75
5,33
7,02
60,10
0,00
52
91,23
321,91
57
2,72
UNIVERSIDAD 26
11,54
70,62
14
53,85
164,09
3,85
32,96
7,69
71,01
23,08
81,44
26
1,24
UNIVERSIDAD 27
15,79
96,63
13
34,21
104,26
13,16
112,67
10,53
97,14
10
26,32
92,84
38
1,81
SUBTOTAL CC. AA.
63
19,27
117,93
92
28,13
85,4
43
13,15
112,58
31
9,48
87,53
98
29,97
105,75
327
15,59
UNIVERSIDAD 28
23,08
141,18
15
38,46
117,22
17,95
153,68
2,56
23,64
17,95
63,34
39
1,86
UNIVERSIDAD 29
13,79
84,39
12
41,38
126,12
6,90
59,07
6,90
63,71
31,03
109,49
29
1,38
UNIVERSIDAD 30
3,85
23,56
34,62
105,49
11,54
98,80
26,92
248,57
23,08
81,44
26
1,24
UNIVERSIDAD 31
5,71
34,94
14,29
43,52
8,57
73,37
0,00
25
71,43
252,05
35
1,67
UNIVERSIDAD 32
10
17,54
107,34
23
40,35
122,98
10
17,54
150,17
14,04
129,55
10,53
37,12
57
2,72
SUBTOTAL CC. AA.
26
13,98
85,55
64
34,41
104,88
25
13,44
115,07
18
9,68
89,38
53
28,49
100,53
186
8,87
UNIVERSIDAD 33
12,31
75,27
20
30,77
93,78
12,31
105,39
10
15,38
142,01
19
29,23
103,14
65
3,10
SUBTOTAL CC. AA.
12,31
75,27
20
30,77
93,78
12,31
105,39
10
15,38
142,01
19
29,23
103,14
65
3,10
477
UNIVERSIDAD 34
10,26
62,73
14
35,90
109,42
5,13
43,92
12,82
118,37
14
35,90
126,67
39
1,86
UNIVERSIDAD 35
11
22,92
140,27
16
33,33
101,58
12,50
107,02
14,58
134,63
16,67
58,79
48
2,29
UNIVERSIDAD 36
16,67
101,96
15
35,71
108,84
11,90
101,88
7,14
65,93
12
28,57
100,81
42
2,00
SUBTOTAL CC. AA.
22
17,05
104,34
45
34,88
106,31
13
10,08
86,3
15
11,63
107,39
34
26,36
92,98
129
6,15
UNIVERSIDAD 37
13,89
85,01
11
30,56
93,11
11,11
95,12
16,67
153,83
10
27,78
98,02
36
1,72
UNIVERSIDAD 38
5,71
34,94
19
54,29
165,44
0,00
0,00
14
40,00
141,14
35
1,67
UNIVERSIDAD 39
15
23,44
143,45
23
35,94
109,54
10
15,63
133,72
11
17,19
158,72
7,81
27,56
64
3,05
UNIVERSIDAD 40
10,14
62,05
36
52,17
159,01
7,25
62,07
8,70
80,24
15
21,74
76,71
69
3,29
UNIVERSIDAD 41
0,00
2,38
21,97
4,76
40,75
0,00
39
92,86
327,66
42
2,00
SUBTOTAL CC. AA.
40
14,04
85,86
100
35,09
105,88
29
10,18
87,07
28
9,82
93,9
88
30,88
108,96
285
13,58
UNIVERSIDAD 42
10
20,41
124,91
19
38,78
118,16
10
20,41
174,74
16,33
150,69
4,08
14,40
49
2,34
UNIVERSIDAD 43
0,00
11,76
35,84
0,00
0,00
15
88,24
311,33
17
0,81
SUBTOTAL CC. AA.
10
15,15
92,72
21
31,82
96,98
10
15,15
129,71
12,12
111,91
17
25,76
90,9
66
3,15
UNIVERSIDAD 44
0,00
50,00
152,39
0,00
12,50
115,42
37,50
132,32
16
0,76
SUBTOTAL CC. AA.
0,00
50,00
152,39
0,00
12,50
115,42
37,50
132,32
16
0,76
UNIVERSIDAD 45
12
13,19
80,72
28
30,77
93,78
11
12,09
103,42
7,69
71,00
33
36,26
127,95
91
4,34
SUBTOTAL CC. AA.
12
13,19
80,72
28
30,77
93,78
11
12,09
103,42
7,69
71
33
36,26
127,95
91
4,34
UNIVERSIDAD 46
15,79
96,63
36,84
112,28
15,79
135,19
5,26
48,57
26,32
92,87
19
0,91
SUBTOTAL CC. AA.
15,79
96,63
36,84
112,28
15,79
135,19
5,26
48,57
26,32
92,87
19
0,91
342
16,30
100,00
688
32,79
100,00
244
11,63
100,00
228
10,87
100,00
596
28,41
100,00
2.098
100,00
19,23
117,68
10
38,46
117,22
15,38
131,68
3,85
35,55
23,08
81,44
347
16,34
698
32,86
248
11,68
229
10,78
602
28,34
TOTAL UNIV. PRESENCIALES

UNIVERSIDAD 47
TOTAL UU.PP. ESPAOLAS
26
1,24
2.124
101,24
Una segunda reflexin est directamente vinculada con el indicador analizado en este caso, es decir, con
la estructura interna de la oferta de enseanzas universitarias de grado segn mbitos de conocimiento.
En esta direccin, tenemos que sealar que 41 del total de las 47 Universidades pblicas tienen presencia
acadmica en cada una de las cinco ramas de enseanza, siendo, en consecuencia, la pauta comn de las
instituciones espaolas su carcter generalista en contraposicin a la especializacin que se observa en
algunos de los sistemas universitarios europeos. nicamente seis instituciones no presentan oferta de
enseanzas de grado en todo el conjunto de las ramas (4 de las cuales son Universidades politcnicas, y
por tanto especializadas por naturaleza).
La especializacin, salvo para las cuatro Universidades politcnicas, slo es posible vislumbrarla si consideramos las enseanzas ofertadas en dos ramas del conocimiento en relacin al total de la oferta institucional, siendo, en este caso, las ramas de sociales e ingenieras las que concentran un mayor nmero
de Universidades que presentan perfiles presididos por enseanzas adscritas a estos mbitos del conocimiento.
Una cuarta consideracin que nos proporciona la informacin registrada en el cuadro 2 est referida a la
necesidad que tienen los responsables institucionales de realizar peridicamente anlisis comparativos
con instituciones que presenten rasgos de coincidencia o similitud con la estructura productiva de su
propia institucin, siendo en este caso relevante considerar el grupo ms afn para poder extraer conclu478
siones que faciliten la aplicacin de programas de mejora. En esta direccin, un primer posicionamiento
de la institucin nos vendra dado por la comparacin de la estructura interna de la oferta de la Universidad con las estructuras de las oferta de los sistemas universitarios de su propia regin y del conjunto de
la oferta de enseanzas de grado del Sistema Universitario Pblico de Espaa.
CUADRO 2
DESCRIPCIN: Estructura interna de la oferta de enseanzas universitarias de grado en centros propios de la Universidad de ejemplo,
y de las de su regin, y de todas las Universidades Presenciales de Espaa. Curso Acadmico 2010-2011.
ESPAA
50,00%
40,00%
32,74
28,41
30,00%
20,00%
16,30
11,63
10,91
10,00%
0,00%
ARTES
SOCIALES Y
Y HUMANI- JURDICAS
DADES
CIENCIAS
LA SALUD
Y ARQUITECTURA
UNIVERSIDAD DE ESTUDIO
50,00%
38,23
40,00%
COMUNIDAD AUTNOMA
50,00%
40,00%
34,20
32,35
30,00%
30,00%
20,00%
20,00%
11,76
10,00%
0,00%
8,82
8,82
CIENCIAS
LA SALUD
Y ARQUITECTURA
17,49
13,05
10,97
10,00%
0,00%
ARTES
SOCIALES Y
Y HUMANI- JURDICAS
DADES
24,28
ARTES
SOCIALES Y
Y HUMANI- JURDICAS
DADES
CIENCIAS
LA SALUD
Y ARQUITECTURA
Profundizando en el objetivo de identificar elementos comunes que favorecen la comparacin interinstitucional, es factible conformar cinco grupos de Universidades que presentan en sus perfiles de oferta de
enseanzas de grado un nivel de especializacin igual o superior al que registra el Sistema Universitario
Pblico Presencial. En concreto, serian:
1)
Universidades Politcnicas, grupo integrado por 4 Universidades con acusada especializacin en

la rama de enseanzas de las ingenieras, con una escala de su especializacin que vara desde el
92,86% al 71,43% de las enseanzas de grado especficas del mbito de las ingenieras.
2) Universidades Humanidades-Sociales, grupo integrado por 2 Universidades que concentran en estas

dos ramas de enseanza ms del 50 por 100 del global de sus respectivas ofertas.
479
3) Universidades Sociales-Humanidades, grupo integrado por 11 Universidades. Todas estas instituciones presentan en la agregacin de sus enseanzas de sociales y humanidades una ratio que supera
la referencia media del Sistema, siendo, en muchas de ellas, escasa la presencia de las enseanzas del
mbito de las ingenieras y relevante las enseanzas de la rama de salud.
4) Universidades Sociales-Ingenieras, este perfil de especializacin corresponde, salvo la Universidad
que ocupa la posicin 20 (con un 66,17%), con instituciones que han sido creadas en los aos de
expansin del Sistema, siendo muchas de ellas antiguos centros perifricos de las Universidades
histricas ubicadas en sus respectivos territorios. En concreto, son 15 Universidades.
5) Universidades Ingenieras-Sociales, a diferencia del anterior grupo, en este caso son las enseanzas
del mbito de las tcnicas las que lideran la especializacin que lo identifican como grupo de referencia, siendo cinco las Universidades que lo integran.
6) Una nica Universidad, quedara como nica institucin que su ndice de especializacin est definido por las enseanzas de los mbitos del conocimiento de sociales y salud (61,53%).
7) Finalmente, quedara un total de 10 Universidades pblicas presenciales en las que, para nueve de
ellas, la agregacin de dos de las cinco ramas de conocimiento no presenta ndices de especializacin
que resulten superiores a los que ofrece el Sistema en su conjunto. Estas Universidades son las que
ms pueden identificarse con el carcter generalista que califica a nuestras instituciones, si bien,
son las enseanzas de sociales e ingeniera las que mayor presencialidad tienen en sus respectivas
ofertas de grado.
Una reflexin adicional surge de la realizacin de un anlisis que nos permite conocer la posicin relativa
que para cada rama de enseanza ocupa una determinada Universidad, siendo el ndice 100 la referencia
media del Sistema. La representacin grfica referida a cada mbito del conocimiento muestra como la
mayor intensificacin se produce en la rama de las enseanzas tcnicas que es, precisamente, donde se
encuentran las Universidades que hemos catalogado como especializadas.
Todas las Universidades pblicas ofertan enseanzas de grado del mbito de conocimiento de las ingenieras, aunque se aprecia una amplia variabilidad en la intensificacin que estas enseanzas registran
en relacin con los valores de referencia del Sistema (vase cuadro 3.E). Igualmente, todas las Universidades pblicas ofertan enseanzas de la rama de sociales y jurdicas pero, a diferencia de lo que ocurre en
la rama de ingeniera, la horquilla que cuantifica la intensificacin de esta modalidad de enseanzas no
resulta tan abierta (Vase cuadro 3.B). Las enseanzas de la rama de Artes y Humanidades, donde cuatro
Universidades no presentan oferta, muestran un rango de intensificacin de especializacin intermedio
(Vase cuadro 3.A). Las enseanzas de la rama de Ciencias (vase cuadro 3.C), muestra que tres Universidades no presentaron ofertas en el curso 2010/2011. Por ltimo, las enseanzas del mbito de Ciencias
de la Salud, contabilizan un total de cinco instituciones sin oferta en esta rama del conocimiento (Vase
cuadro 3.D).
480
UNIV. 1
UNIV. 2
UNIV. 3
UNIV. 4
UNIV. 5
UNIV. 6
UNIV. 7
UNIV. 8
UNIV. 9
UNIV. 10
UNIV. 11
UNIV. 12
UNIV. 13
UNIV. 14
UNIV. 15
UNIV. 16
UNIV. 17
UNIV. 18
UNIV. 19
UNIV. 20
UNIV. 21
UNIV. 22
UNIV. 23
UNIV. 24
UNIV. 25
UNIV. 26
UNIV. 27
UNIV. 28
UNIV. 29
UNIV. 30
UNIV. 31
UNIV. 32
UNIV. 33
UNIV. 34
UNIV. 35
UNIV. 36
UNIV. 37
UNIV. 38
UNIV. 39
UNIV. 40
UNIV. 41
UNIV. 42
UNIV. 43
UNIV. 44
CUADROS 3
(pgina actual y siguientes)
198,71
172,58
163,16
DESCRIPCIN: Posicin
relativa de la oferta de
enseanzas universitarias de grado impartidas
en centros propios en
relacin con los
valores de referencia de
la estructura interna de la
oferta del Sistema Universitario Pblico de Espaa.
Curso acadmico
2010/2011.
162,00
153,00
143,45
141,18
140,27
135,98
126,01
124,91
122,40
117,68
112,73
CUADRO 3-A
Artes y Humanidades
112,42
111,26
109,85
109,85
108,75
107,34
101,96
101,96
101,96
96,63
96,63
94,98
94,98
94,12
89,96
85,01
84,39
80,72
78,45
75,27
71,97
70,62
65,54
62,73
62,05
47,06
45,35
34,94
34,94
23,56
0,00
50,00
100,00
150,00
200,00
250,00
481
CUADRO 3-B
Sociales y jurdicas
UNIV. 1
UNIV. 2
UNIV. 3
UNIV. 4
UNIV. 5
UNIV. 6
UNIV. 7
UNIV. 8
UNIV. 9
UNIV. 10
UNIV. 11
UNIV. 12
UNIV. 13
UNIV. 14
UNIV. 15
UNIV. 16
UNIV. 17
UNIV. 18
UNIV. 19
UNIV. 20
UNIV. 21
UNIV. 22
UNIV. 23
UNIV. 24
UNIV. 25
UNIV. 26
UNIV. 27
UNIV. 28
UNIV. 29
UNIV. 30
UNIV. 31
UNIV. 32
UNIV. 33
UNIV. 34
UNIV. 35
UNIV. 36
UNIV. 37
UNIV. 38
UNIV. 39
UNIV. 40
UNIV. 41
UNIV. 42
UNIV. 43
UNIV. 44
UNIV. 45
UNIV. 46
UNIV. 47
UNIV. 48
180,09
165,44
164,09
159,01
152,39
132,85
128,95
128,95
126,12
122,98
119,75
118,53
118,16
117,22
117,22
117,22
112,28
112,03
109,54
109,42
109,42
108,84
105,49
104,26
104,26
101,58
101,58
101,58
98,60
94,57
93,78
93,78
93,11
89,33
88,05
85,15
85,15
84,64
83,11
81,25
79,00
78,15
75,19
74,64
43,52
35,84
21,97
5,33
0,00
482
20,00
40,00
60,00
80,00
100,00 120,00 140,00 160,00 180,00 200,00
UNIV. 1
UNIV. 2
UNIV. 3
UNIV. 4
UNIV. 5
UNIV. 6
UNIV. 7
UNIV. 8
UNIV. 9
UNIV. 10
UNIV. 11
UNIV. 12
UNIV. 13
UNIV. 14
UNIV. 15
UNIV. 16
UNIV. 17
UNIV. 18
UNIV. 19
UNIV. 20
UNIV. 21
UNIV. 22
UNIV. 23
UNIV. 24
UNIV. 25
UNIV. 26
UNIV. 27
UNIV. 28
UNIV. 29
UNIV. 30
UNIV. 31
UNIV. 32
UNIV. 33
UNIV. 34
UNIV. 35
UNIV. 36
UNIV. 37
UNIV. 38
UNIV. 39
UNIV. 40
UNIV. 41
UNIV. 42
UNIV. 43
UNIV. 44
UNIV. 45
CUADRO 3-C
Ciencias
175,60
174,74
171,23
171,23
155,65
153,68
152,14
150,17
135,19
133,72
132,88
131,68
130,82
122,26
116,78
112,67
109,76
107,02
105,39
104,79
103,42
101,88
100,68
98,80
98,80
95,12
95,12
88,10
88,10
87,75
85,61
77,82
75,51
73,80
73,37
65,84
63,44
62,07
60,10
59,07
43,92
43,92
40,75
32,96
22,52
0,00
20,00
40,00
60,00
80,00
100,00 120,00 140,00 160,00 180,00 200,00
483
CUADRO 3-D
Ciencias de la salud
UNIV. 1
UNIV. 2
UNIV. 3
UNIV. 4
UNIV. 5
UNIV. 6
UNIV. 7
UNIV. 8
UNIV. 9
UNIV. 10
UNIV. 11
UNIV. 12
UNIV. 13
UNIV. 14
UNIV. 15
UNIV. 16
UNIV. 17
UNIV. 18
UNIV. 19
UNIV. 20
UNIV. 21
UNIV. 22
UNIV. 23
UNIV. 24
UNIV. 25
UNIV. 26
UNIV. 27
UNIV. 28
UNIV. 29
UNIV. 30
UNIV. 31
UNIV. 32
UNIV. 33
UNIV. 34
UNIV. 35
UNIV. 36
UNIV. 37
UNIV. 38
UNIV. 39
UNIV. 40
UNIV. 41
UNIV. 42
UNIV. 43
248,57
158,72
153,83
153,83
150,69
145,80
142,01
142,01
134,63
129,55
128,25
128,25
127,33
125,95
118,37
118,37
118,37
115,42
113,01
111,36
108,59
107,94
107,76
106,55
102,58
102,58
97,14
95,01
94,64
92,33
81,44
81,44
80,24
71,01
71,00
71,00
65,93
65,93
63,71
48,57
41,92
35,55
23,64
0,00
484
50,00
100,00
150,00
200,00
250,00
300,00
UNIV. 1
UNIV. 2
UNIV. 3
UNIV. 4
UNIV. 5
UNIV. 6
UNIV. 7
UNIV. 8
UNIV. 9
UNIV. 10
UNIV. 11
UNIV. 12
UNIV. 13
UNIV. 14
UNIV. 15
UNIV. 16
UNIV. 17
UNIV. 18
UNIV. 19
UNIV. 20
UNIV. 21
UNIV. 22
UNIV. 23
UNIV. 24
UNIV. 25
UNIV. 26
UNIV. 27
UNIV. 28
UNIV. 29
UNIV. 30
UNIV. 31
UNIV. 32
UNIV. 33
UNIV. 34
UNIV. 35
UNIV. 36
UNIV. 37
UNIV. 38
UNIV. 39
UNIV. 40
UNIV. 41
UNIV. 42
UNIV. 43
UNIV. 44
UNIV. 45
UNIV. 46
UNIV. 47
UNIV. 48
CUADRO 3-E
Ingeniera y
arquitectura
327,66
321,91
311,33
252,05
169,90
141,14
134,90
132,32
127,95
126,67
122,12
121,66
115,21
109,49
108,57
107,80
103,77
103,77
103,14
102,15
100,81
100,81
98,02
94,07
92,87
92,84
88,21
86,24
85,18
83,03
81,44
81,44
81,44
81,43
76,71
70,57
67,85
63,34
58,79
45,84
45,24
45,24
37,12
34,30
29,39
27,56
16,02
14,40
0,00
50,00
100,00
150,00
200,00
250,00
300,00
350,00
%
485
SE ADECA LA
OFERTA DOCENTE
A LA DEMANDA?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autor

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 2: SE ADECA LA OFERTA DOCENTE A LA DEMANDA?
CAPTULO 2
SE ADECA LA
OFERTA DOCENTE A LA DEMANDA?
Esta pregunta se orienta a analizar el comportamiento acadmico de las instituciones universitarias

considerando las variables que identifican la oferta y la demanda al objeto de establecer el nivel de adecuacin (eficacia) y el grado de ocupacin (eficiencia) que en cada curso acadmico registran agregada y
singularizadamente las instituciones y sus respectivas enseanzas.
Las variables de referencia para contrastar el grado de adecuacin de la oferta y la demanda de enseanzas universitarias en los diferentes niveles de acreditacin acadmica, grado y postgrado, son, de
una parte, el nmero de plazas ofertadas por enseanza y curso acadmico que identifica la capacidad
productiva de la institucin y, de otra parte, las magnitudes representativas de la demanda que se manifiestan, en primera instancia, en la fase llamada de preinscripcin que registra la libre voluntad del
estudiante al establecer sus preferencias por unas u otras enseanzas y, posteriormente, en la fase de
matriculacin que concreta la eleccin de la enseanza de entre las diferentes opciones consideradas en
la preinscripcin.
Los alumnos al acceder a los estudios universitarios se plantean una serie de preguntas bsicas referidas a
la institucin en la que estudiar y a las enseanzas en las que desean matricularse, adems de interrogarse acerca de cuestiones logsticas como pueden ser, entre otras, eleccin de lugar de residencia, posibilidad
de compatibilizar estudios con otras actividades, etc. En el caso de la eleccin de institucin y enseanza, la
manifestacin expresa del estudiante es condicin necesaria, aunque no siempre suficiente, dadas las limitaciones de capacidad que para determinadas titulaciones manifiestan las instituciones universitarias.
Las Universidades, orientadas por los deseos que los estudiantes expresan libremente al formalizar su
preinscripcin, procuran adaptar sus capacidades productivas para poder satisfacer al mximo las demandas estudiantiles. No obstante, es preciso advertir de las dificultades que tienen las instituciones
para equiparse de recursos suficientes y adecuados que requieren de un considerable periodo de tiempo
para su dotacin, caso del profesorado, entre otros, mientras que por el contrario las necesidades motivadas por las demandas del alumnado se concretan en un corto periodo de tiempo. Enfrentamos, para
488
compatibilizar, las demandas de un colectivo numeroso que accede a la fase de preinscripcin sin que
muchos de sus componentes tengan decidida la enseanza en la que desea matricularse (volatilidad de
la demanda), con la inflexibilidad que en el corto plazo caracteriza a la capacidad productiva de las instituciones universitarias (oferta inelstica), siendo el resultado de este encuentro no siempre el adecuado
para los intereses que se conjugan.
La transcendencia social y econmica que contienen las decisiones que se toman por los usuarios de
los servicios acadmicos universitarios en el momento de elegir institucin y enseanzas requiere de la
mxima implicacin de todos los agentes e instituciones que participan directamente en las fases previas
y especificas al acceso universitario. En esta direccin, aunque han sido muchos los avances que se han logrado al facilitar a los futuros universitarios informacin referente a los perfiles acadmicos y profesionales de las diversas enseanzas, persisten notables desajustes entre las demandas y las ofertas de un muy
considerable nmero de enseanzas que ao tras ao estn presentes en el mapa universitario espaol.
La extensin y la intensificacin que en los ltimos veinte aos se ha producido en la oferta institucional de enseanzas universitarias ha resultado determinante para mejorar el grado de satisfaccin de la
demanda de los usuarios universitarios en su primera opcin, siendo prcticamente atendida en su totalidad con la excepcin de las enseanzas de la rama de Ciencias de la Salud. Sin embargo, este proceso se
ha materializado atendiendo a criterios de proximidad geogrfica y de homogeneidad productiva institucional. Circunstancias, que en nada favorecen la especializacin, ni incentivan la competencia institucional que son dos aspectos bsicos que estn condicionando la eficiencia del gasto pblico universitario.
Los estudiantes pre-universitarios disponen de suficientes seales para autorregular sus preferencias
universitarias, siendo las calificaciones acadmicas un referente determinante para ampliar su campo de
eleccin. Las instituciones universitarias pblicas no pueden seleccionar a los estudiantes que acceden a
sus aulas, salvo por la va indirecta de fijar un determinado nmero de plazas por titulacin. Sin embargo,
el carcter generalista y uniformador que predomina en el diseo de las ofertas universitarias, ha debilitado notablemente el alcance de esta medida.
Son stas, entre otras, las cuestiones que deben ser consideradas por los responsables de la poltica universitaria, administracin financiadora y administracin universitaria, cuando decidan en aspectos relacionados con la oferta y la demanda de enseanzas universitarias, siendo preciso considerar las implicaciones que en el conjunto de la oferta inter e intrainstitucional puedan tener las actuaciones dirigidas
a su modificacin.
En este contexto podran utilizarse cuatro indicadores que, aplicados de mayor a menor generalizacin
de la oferta institucional de enseanzas universitarias, pueden facilitar las decisiones que deben tomar
tanto demandantes como oferentes de enseanzas universitarias. La informacin que aportan y el anlisis de la evolucin de sus correspondientes valores, constituyen, en nuestra opinin, una adecuada herramienta para incidir en la consecucin del objetivo final que hemos identificado con la adecuacin eficaz
y eficiente de la oferta y la demanda de enseanzas universitarias institucionales.
Los cuatro indicadores en cuestin son:
489
Grado de Preferencia: registra el porcentaje de estudiantes preinscritos en su primera opcin en una

determinada enseanza sobre el total de plazas ofertadas en la mencionada enseanza.
Grado de Adecuacin: registra el porcentaje de estudiantes matriculados en su primera opcin en una
determinada enseanza sobre el total de matrcula de nuevo ingreso de la mencionada enseanza.
Grado de Ocupacin: registra el porcentaje de estudiantes de nuevo ingreso matriculados en una determinada enseanza sobre el total de plazas ofertadas en la mencionada enseanza.
Grado de Eficiencia: registra el porcentaje de estudiantes de nuevo ingreso matriculados en una determinada enseanza en valores mayor que cero y menor que (X) sobre el total de estudiantes matriculados en
primer curso en el conjunto de las enseanzas universitarias ofertadas.

RESPUESTA A ESTE PREGUNTA
De los cuatro indicadores sugeridos se ha seleccionado uno, el Grado de Ocupacin, restringido a las
enseanzas universitarias de grado, y utilizando informacin elaborada por el Ministerio de Educacin
de cara a responder a la necesidad de expresar en trminos cuantitativos (porcentuales) la ocupacin
de la oferta de plazas universitarias que cada curso acadmico presenta una determinada institucin
en el conjunto de las enseanzas universitarias de grado que se imparten en cada uno de sus diferentes
centros oficiales (propios y adscritos) que son responsables de la formalizacin de la matrcula de los
estudiantes que acceden a primer curso, por primera vez, en una determinada enseanza (titulacin).
La cuantificacin del indicador requiere disponer de una estructura de informacin que registre anualmente (por curso acadmico) la capacidad de plazas universitarias que la institucin pone a disposicin
de los demandantes de las enseanzas universitarias, as como el detalle de la demanda real expresada
en trminos de nmero de estudiantes que formalizan matricula en el primer curso, por primera vez, en
las enseanzas ofertadas por la Universidad.
La forma de clculo de este indicador responde a la siguiente expresin:
Grado de Ocupacin de la Uij(n/n+1) = (Nmero de Estudiantes Matriculados en primer curso, por primera vez, en Uij(n/n+1) / Nmero de Plazas Ofertadas en Uij(n/n+1)) x 100
Siendo: Uij(n/n+1)
U: Universidades Pblicas Presenciales
i: relacin nominal de Universidades (47 Universidades)
j: detalle de las enseanzas universitarias de grado
(n/n+1): ao acadmico (2011/2012)
El valor del indicador, mayor, igual o menor a 100, nos estar informando en qu medida la matrcula uni490
versitaria: institucional, por ramas de enseanza, por centros universitarios, o, por titulacin, consume
las plazas ofertadas por la Universidad. As, valores prximos a 100 pueden ser considerados como referencias que muestran un elevado grado de eficacia en la definicin y materializacin de lo que se conoce
como mapa de enseanzas universitarias, de una institucin o de un sistema universitario.
Sin embargo, esta conclusin puede resultar precipitada e imprecisa si no se establece, previamente, una
referencia tipo que fije el suelo de la oferta de plazas que para cada enseanza debe ser contrastada con
el registro numrico de su correspondiente matrcula. As por ejemplo, podran resultar igual de adecuados los registros de este indicador que referidos a dos enseanzas, E1 y E2, mostrarn los siguientes
valores de las variables que los definen:

E1 = (70/75) x 100 = 93,33 %
E2 = (28/30) x 100 = 93,33 %
La observacin, sin ms, de los valores del indicador Grado de Ocupacin, nos conducira a la conviccin
de que ambas enseanzas, E1 y E2 muestran un elevado grado de ocupacin de las plazas ofertadas y, en
consecuencia, existe un elevado grado de eficacia en la poltica institucional de acceso a la Universidad.
Empero, esta conclusin, que cuantitativamente es correcta, oculta un claro desajuste entre la capacidad
potencial que la institucin dispone para la enseanza E2 y la demanda real que la sociedad manifiesta
hacia dicha enseanza que se encuentra muy por debajo del nivel de referencia del rango de matrcula
que permite establecer un adecuado nivel de eficacia y eficiencia en la gestin de la oferta de esta enseanza universitaria.
Esta situacin, que veremos en detalle al analizar la evolucin del comportamiento real de una institucin, determina que sea preciso concretar la referencia numrica de la oferta de plazas que conforma el
tamao tipo que debe ser considerado para establecer comparaciones temporales e inter institucionales
del conjunto o de la particularidad del catlogo de enseanzas universitarias. Igualmente, resulta muy
adecuado contextualizar los registros numricos de este indicador en la categora de los indicadores que
hemos considerado para mostrar el grado de adecuacin de la oferta de enseanzas de una determinada
Universidad con la demanda real que la sociedad viene anualmente registrando mediante la formalizacin de sus correspondientes matrculas.
Este indicador de Grado de Ocupacin, dependiendo del nivel de agregacin con el que se elabore su
informacin, ser de mucha utilidad para el decano, como responsable acadmico directo de la provisin
de las enseanzas universitarias, y para el estudiante, como usuario de los servicios acadmicos.
Un primer nivel de mxima agregacin, est referido al comportamiento que registra este indicador para
el conjunto de las enseanzas universitarias de grado en un periodo (por ejemplo 2006-2007 a 20092010) en los mbitos de la Universidad en estudio, el conjunto de las Universidades de la regin, y en el
conjunto del Sistema Universitario Pblico Presencial de Espaa.
De la observacin de los valores comparados del indicador se aprecia una mejora generalizada en el nivel
de ocupacin de la oferta de plazas universitarias por la demanda real contabilizada en estos aos, sien491
do el conjunto de las Universidades de la regin las que alcanzan un mayor nivel de ocupacin, 93,44%,
con un aumento de 13,78 puntos. Por el contrario, la Universidad de estudio presenta la peor posicin
con un nivel de ocupacin del 81,84%, y, aunque ha registrado un mayor aumento (15,64 puntos) que el
conjunto de las Universidades pblicas espaolas y las de su regin, se encuentra distante de los valores
que muestran al final del periodo los indicadores de ocupacin de Espaa y de la regin, respectivamente.
TABLA 1
DESCRIPCIN: Evolucin del Indicador Grado de Ocupacin del total de las enseanzas universitarias de grado de las Universidades
pblicas de Espaa. Cursos acadmicos 2006/07 a 2009/10
CURSOS
ACADMICOS
OFERTA DE PLAZAS
MATRICULA DE NUEVO INGRESO
GRADO DE OCUPACIN (I)
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
2006-2007
250.436
49.745
4.110
207.630
39.629
2.721
82,91
79,66
66,20
2007-2008
239.824
47.800
3.365
204.556
42.383
2.961
85,29
88,67
87,99
2008-2009
236.801
50.326
4.236
207.200
43.708
3.352
87,50
86,85
79,13
2009-2010
236.781
51.959
4.335
219.785
48.553
3.548
92,82
93,44
81,84
GRFICO 1
DESCRIPCIN: Estudio de la oferta, demanda y matricula de nuevo ingreso en las Universidades Pblicas y Privadas. Ministerio de
Educacin.
100,00%
95,00%
90,00%
85,00%
80,00%
75,00%
70,00%
65,00%
60,00%
2006-2007
ESPAA
COMUNIDAD AUTNOMA
492
2007-2008
2008-2009
2009-2010
El bajo nivel de partida que mostraba el indicador de la Universidad en estudio con relacin a los valores de este indicador para su regin y para todo el pas, evidencia un claro desajuste en la capacidad de
la oferta de la Universidad de estudio que debera hacer reflexionar a los responsables institucionales.
Mxime, cuando la matrcula de la Universidad de estudio ha registrado en estos aos un aumento del
30,39%, frente al 22,51% y 5,85% experimentado por las Universidades de la regin y espaolas, respectivamente.
El mensaje que arroja este indicador a los responsables institucionales de la Universidad de estudio, es
que dicha Universidad est viendo como su oferta universitaria, a pesar del crecimiento de su matrcula,
se ocupa en menor intensidad que las ofertas agregadas que presentan las Universidades de su regin
y del pas y, en consecuencia, hay un campo de mejora que debe ser explorado y un objetivo a alcanzar
que se cifra en lograr los valores que este indicador presenta a nivel nacional y, posteriormente, a nivel
regional. Las claves para poder elaborar la estrategia que permita en el medio plazo la consecucin de
mayores ndices de eficiencia en lo referente a su capacidad productiva docente las podremos encontrar
al considerar el detalle singularizado del comportamiento acadmico registrado por las enseanzas universitarias de grado que conforman su oferta institucional.
Un segundo nivel de anlisis puede formularse considerando el agregado de enseanzas universitarias
pertenecientes a una rama de enseanza, siendo, en este caso, cinco las posibles agregaciones que caben
realizar: Artes y Humanidades; Sociales y Jurdicas; Ciencia; Arquitectura e Ingeniera y Ciencias de la
Salud. El cuadro y tabla 5 recogen los valores del indicador grado de ocupacin que han registrado las
enseanzas universitarias de grado del mbito de la rama de Sociales y Jurdicas.
TABLA 2
CURSOS
ACADMICOS
OFERTA DE PLAZAS
GRADO DE OCUPACIN (I2)
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
2006-2007
119.088
24.137
2.010
106.283
21.454
1.643
89,24
88,88
81,74
2007-2008
116.154
25.607
1.960
107.353
23.844
1.902
92,42
93,11
97,04
2008-2009
115.521
26.506
2.166
108.479
24.635
2.151
93,90
92,94
99,31
2009-2010
113.185
27.363
2.210
110.476
26.716
2.128
97,60
97,63
96,29
493
GRFICO 2
DESCRIPCIN: Estudio de la oferta, demanda y matricula de nuevo ingreso en las Universidades Pblicas y Privadas. Ministerio de
Educacin.
100,00%
95,00%
90,00%
85,00%
80,00%
75,00%
2006-2007
2007-2008
2008-2009
2009-2010
ESPAA
COMUNIDAD AUTNOMA
La contemplacin de estos datos nos permite extraer al menos dos conclusiones que matizan la posicin
que con carcter general viene registrando la Universidad de estudio. As, podemos afirmar que el grado
de ocupacin de la oferta de plazas de las enseanzas universitarias de la rama de Sociales y Jurdicas es,
en todos los casos y para todos los aos acadmicos, apreciablemente mayor al mostrado por la oferta
agregada de enseanzas universitarias de grado, siendo especialmente mejor en el caso de la Universidad
de estudio que registra valores muy prximos al 100. En segundo lugar, podemos afirmar que la adecuacin de la oferta a la demanda se ha producido ms intensamente por la va de la demanda, aumentando
el nmero de las matriculaciones, que por la oferta, donde el nmero de plazas ha sufrido modificaciones
de escasa relevancia, aunque para el agregado Espaa se ha experimentado un leve retroceso en el total
de plazas ofertadas que ha redundado en una mejora en las cifras identificativas del grado de ocupacin.
En consecuencia, podemos concluir que el excedente de oferta que viene registrando a nivel agregado
la Universidad en estudio, no puede atribuirse al mbito de las enseanzas de Sociales y Jurdicas que
muestran un elevado grado de ocupacin en el total de las plazas ofertadas por las enseanzas universitarias pertenecientes a la misma. La oferta de plazas y la matrcula de estudiantes en las enseanzas
de Sociales y Jurdicas de la Universidad en estudio representan para el conjunto de los aos acadmicos
analizados el 50% y 60% del total institucional. Porcentajes, que nos informan de una relativa especiali494
zacin de la Universidad en estudio y, a la vez, nos permiten avanzar en la concrecin y cuantificacin de

la problemtica objeto de anlisis. Los responsables institucionales de la Universidad en estudio debern
determinar qu enseanzas de su oferta universitaria de grado son las que provocan la prdida de eficacia que explicita el grado de ocupacin correspondiente a su oferta agregada institucional.
El anlisis particularizado de cada una de las enseanzas universitarias de grado que define la oferta de
plazas de una determinada institucin, conforma el mayor nivel de desagregacin que resulta factible
obtener para el indicador Grado de Ocupacin. En este caso, la informacin institucional debe elaborarse
atendiendo al comportamiento acadmico de las enseanzas ofertadas en los correspondientes cursos
acadmicos, de manera que podamos mostrar los grados de ocupacin de cada titulacin y determinar
las diferencias que existen entre ellas, que sern, en ltima instancia, las que expliquen las desviaciones
que a nivel agregado presenta la Universidad en estudio con relacin a las Universidades pblicas de
su regin y de Espaa, respectivamente. Los destinatarios de esta informacin sern preferentemente
los responsables institucionales de las titulaciones (decanos y directores de centros universitarios) y los
estudiantes que cursan o desean cursar la correspondiente enseanza universitaria.
Continuando con la metodologa que permita el anlisis interinstitucional, se ha considerado la titulacin de Derecho, que pertenece a la rama de Sociales y Jurdicas, y que es una enseanza ofertada por 43
de las 47 Universidades pblicas presenciales espaolas.
Los datos de la tabla y el cuadro 6 nos informan y muestran como, con carcter general, en el ltimo
curso acadmico del periodo en estudio el indicador grado de ocupacin supera el nivel de 100. Lo que
indica que la matricula ha rebasado en todos los casos la capacidad inicial que las Universidades pblicas
presenciales hicieron pblica a travs de sus respectivas ofertas de plazas para acceder a la titulacin de
Derecho.
TABLA 3
CURSOS
ACADMICOS
OFERTA DE PLAZAS
GRADO DE OCUPACIN (I3)
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
ESPAA
CC. AA.
UNIV. DE
ESTUDIO
2006-2007
13.046
2.793
210
11.801
2.244
98
90,46
80,34
46,67
2007-2008
12.899
2.714
165
12.086
2.493
151
93,69
91,86
91,51
2008-2009
12.885
3.085
210
12.855
3.144
226
99,76
101,91
107,62
2009-2010
13.423
3.030
230
13.886
3.231
241
103,45
106,63
104,78
495
GRFICO 3
DESCRIPCIN: Estudio de la oferta, demanda y matricula de nuevo ingreso en las Universidades Pblicas y Privadas
110,00%
105,00%
100,00%
95,00%
90,00%
85,00%
80,00%
75,00%
70,00%
65,00%
60,00%
55,00%
50,00%
45,00%
40,00%
2006-2007
2007-2008
2008-2009
2009-2010
ESPAA
COMUNIDAD AUTNOMA
El caso de esta enseanza en la Universidad en estudio muestra una evolucin interesante en su ndice
de ocupacin que ha pasado del 46,67% al 104,78% en los cuatro aos objeto de anlisis. Comportamiento
singular que se explica, fundamentalmente, por el acusado retroceso que experiment la matrcula de
nuevo ingreso en el curso acadmico 2006-2007 y que posteriormente ha mantenido una tendencia firme y regular en su crecimiento que ha llegado a saturar la capacidad ofertada por la institucin.
En el mbito interno de la institucin, los responsables acadmicos, institucionales y de centros universitarios, deben observar la evolucin que registra el indicador grado de ocupacin en cada una de las diferentes enseanzas que ofertan atendiendo a la matricula que anualmente (curso acadmico) formalizan
los estudiantes que acceden a la Universidad. En el caso de la Universidad en estudio, las cifras del cuadro
4 corresponden a los valores registrados para el periodo 2006/2007 a 2011/2012 por las variables explicativas del coeficiente de ocupacin, oferta de plazas y estudiantes matriculados, as como el valor relativo
del propio coeficiente de ocupacin por curso acadmico y para el conjunto de los aos considerados.
[ Ver Tabla 4 (pg. sig. doble)
496
Sealar, previamente al anlisis de los datos mostrados en el referido cuadro, que con carcter general se
ha considerado la oferta de plazas que para cada enseanza han aprobado los rganos de gobierno de la
Universidad en estudio, salvo cuando estos valores han sido inferiores a 75 que se considera la referencia suelo que identifica la estructura productiva requerida para la implantacin de una titulacin en el
mbito universitario. Advertir que, salvo excepciones, las enseanzas universitarias que se contemplan
en este cuadrado corresponden a titulaciones de primer ciclo (diplomaturas), primer y segundo ciclo (licenciaturas) y slo segundo ciclo (licenciaturas) en los cursos acadmicos 2006/2007 a 2009/2010 y a
titulaciones de grado para los aos 2010/2011 y 2011/2012, respectivamente, siendo sta la razn de la
presencia y ausencia de informacin para determinadas enseanzas que se han impartido, continan
impartindose o se incorporan al agregado de la oferta general de la Universidad en estudio.
De estos datos, cabe formular, entre otras, las siguientes consideraciones:
La presencia de un nutrido nmero de enseanzas que obtienen para el conjunto de los cursos acadmicos considerados un grado de ocupacin inferior a la referencia del indicador que posiciona a la
Universidad en estudio en el conjunto del Sistema Universitario Pblico Presencial. En concreto, 23 de
las 38 titulaciones tienen un grado de ocupacin inferior al 78 por 100 (Vase grfico 4).
De este colectivo de enseanzas, 8 titulaciones no logran alcanzar el nivel del 50 por 100 en el indicador grado de ocupacin. Situacin, que aparece diferenciada atendiendo a la consideracin de
enseanzas de ciclo o enseanzas de grado, siendo el comportamiento registrado por las enseanzas de grado notablemente mejor en el caso de las titulaciones de Filologa Hispnica y Ciencias
Ambientales que superan ambas la referencia del 50 por 100, en tanto que no sucede igual con las
titulaciones de ingeniera impartidas en uno de los centros. En concreto, con las enseanzas de Ingeniera de Minas, Ingeniera de Recursos Energticos e Ingeniera Elctrica que mantienen, en su condicin de enseanzas universitarias de ciclo y grado, valores que, dada su persistencia en el tiempo
y el proceso de adaptacin a las exigencias de Bolonia concluido en el 2010, resultan preocupantes
por la prdida de eficiencia que implica la insuficiente utilizacin de recursos que la Universidad en
estudio condiciona al continuar con estas enseanzas en su oferta institucional.
Con carcter general, la Universidad en estudio muestra un mejor nivel de ocupacin de su oferta de
plazas en los aos acadmicos de vigencia de las enseanzas de grados que en el periodo correspondiente a los ltimos aos de vigencia de las estructuras acadmicas de ciclos. Comportamiento, que
resulta especialmente reseable para las enseanzas ubicadas en los campos de las Humanidades
y de las Ciencias Experimentales que han experimentado una notable mejora en sus respectivos
ndices de ocupacin.
Los mayores desajustes entre capacidad productiva (oferta de plazas) y demanda de servicios (matricula de estudiantes de nuevo ingreso) se presentan en enseanzas de las ramas de Humanidades,
Experimentales e Ingeniera, siendo particularmente preocupante la situacin mostrada por las enseanzas de ingeniera que conforman una relativa especializacin de la institucin, 39 por 100 del
total de la oferta de enseanzas y 24 por 100 del total de matrcula de nuevo ingreso contabilizada en
el periodo objeto de anlisis, que, sin embargo, pierde fortaleza por la existencia de dos centros politcnicos que repiten enseanzas (ingeniera mecnica y elctrica) y que, a su vez, presentan notables
deficiencias en la especializacin vertical por campos de la ingeniera que, de mantener la presencia
497
TITULACIN
2006/2007
Cdi- Denominacin
go
2007/2008
2/1
2008/2009
2/1
2/1
H-1
Filologa Hispnica
75
11
14,67
75
12
16,00
75
13
17,33
H-2
Filologa Inglesa
115
18
15,65
75
21
28,00
110
65
59,09
H-3
Historia del Arte
75
59
78,67
75
38
50,67
75
44
58,67
H-4
Geografa e Historia
ARTES Y HUMANIDADES
265
88
33,21
225
71
31,56
260
122
46,92
SJ-1
Ciencias Empresariales (a)
250
267
106,80
250
273
109,20
250
278
111,20
SJ-2
Gestin y Administracin Pblica
75
28
37,33
75
28
37,33
75
67
89,33
SJ-3
Relaciones Laborales
125
67
53,60
75
60
80,00
115
57
49,57
SJ-4
Trabajo Social
175
177
101,14
175
183
104,57
175
197
112,57
SJ-5
Turismo
155
115
74,19
165
85
51,52
155
117
75,48
SJ-6
Maestro Ed. Fsica
125
126
100,80
125
126
100,80
125
142
113,60
SJ-7
Maestro Ed. Infantil
125
126
100,80
125
127
101,60
125
129
103,20
SJ-8
Maestro Ed. Musical
125
60
48,00
75
90
120,00
125
111
88,80
SJ-9
Maestro Ed. Primaria
125
130
104,00
125
118
94,40
125
128
102,40
SJ-10 Maestro Ed. Lenguas Extranjeras
125
116
92,80
125
128
102,40
125
131
104,80
SJ-11 Admn. y Direccin Empresas
210
128
60,95
200
171
85,50
210
256
121,90
SJ-12 Derecho
210
98
46,67
165
151
91,52
210
226
107,62
45,33
SJ-13 Derecho y Admn. y Direccin Empresas

SJ-14 Ciencias del Trabajo
75
55
73,33
75
34
SJ-15 Psicopedagoga
75
100
133,33
75
56
74,67
78,79
1.830
1.695
92,62
1.965
1.929
98,17
SJ
SOCIALES Y JURDICAS
C-1
Estadstica
75
12,00
75
11
14,67
75
11
14,67
C-2
Biologa
125
52
41,60
75
64
85,33
115
58
50,43
C-3
Ciencias Ambientales
125
23
18,40
75
37
49,33
115
18
15,65
C-4
Qumica
75
19
25,33
75
27
36,00
75
26
34,67
CIENCIAS
400
103
25,75
300
139
46,33
380
113
29,74
I-1
I.T. Explotacin Minas
75
16
21,33
75
12
16,00
75
22
29,33
I-2
I.T. Recursos Energticos
75
12,00
75
16
21,33
75
10
13,33
I-3
I.T. Prospecciones Mineras
75
12,00
75
9,33
75
15
20,00
I-4
I.T. Telemtica
100
99
99,00
100
59
59,00
100
50
50,00
I-5
I.T. Informtica de Gestin
238
93
39,08
115
88
76,52
218
103
47,25
I-6
Topografa
150
97
64,67
115
113
98,26
150
82
54,67
I-7
I.T.I. Electricidad (Campus 1)
125
76
60,80
100
62
62,00
125
99
79,20
I-8
I.T.I. Electricidad (Campus 2)
75
22
29,33
75
29
38,67
75
39
52,00
I-9
I.T.I. Electrnica
125
43
34,40
75
34
45,33
125
56
44,80
I-10
I.T.I. Mecnica (Campus 1)
125
98
78,40
125
96
76,80
125
119
95,20
I-11
75
36
48,00
75
45
60,00
75
60
80,00
I-12
I.T.I. Qumica Industrial
75
56
74,67
75
46
61,33
75
71
94,67
I-13
Geodesia y Cartografa
75
6,67
75
8,00
I-14
Organizacin Industrial
I-15
Grado Ingeniera Civil
I-16
I
1.438
Grado Ingeniera Telecomunicacin

INGENIERAS
CS-1
Enfermera
CS-2
Fisioterapia
CS-3
Psicologa
CS
CIENCIAS DE LA SALUD
UJA
498
1.825
1.313
654
49,81
1.155
612
52,99
1.368
732
53,51
155
156
100,65
155
160
103,23
155
159
102,58
75
77
102,67
75
77
102,67
75
75
100,00
210
205
97,62
210
207
98,57
210
222
105,71
440
438
99,55
440
444
100,91
440
456
103,64
4.243
2.721
64,13
3.950
2.961
74,96
4.413
3.352
75,96
2009/2010
1
2010/2011
2/1
2011/2012
2/1
2012/2013
2/1
2/1
75
37
49,33
75
54
72,00
75
71
94,67
450
198
44,00
110
83
75,45
75
74
98,67
75
87
116,00
560
348
62,14
75
55
73,33
75
59
78,67
75
60
80,00
450
315
70,00
75
64
85,33
75
76
101,33
150
140
93,33
260
175
67,31
300
251
83,67
300
294
98,00
1.610
1.001
62,17
250
254
101,60
150
146
97,33
150
149
99,33
1.300
1.367
105,15
75
34
45,33
75
71
94,67
75
79
105,33
450
307
68,22
100
93
93,00
75
74
98,67
75
78
104,00
565
429
75,93
140
141
100,71
150
132
88,00
150
144
96,00
965
974
100,93
155
128
82,58
75
72
96,00
75
76
101,33
780
593
76,03
150
155
103,33
525
549
104,57
150
159
106,00
1.025
977
95,32
100
96
96,00
425
357
84,00
150
153
102,00
1.118
109,07
100
106
106,00
210
210
230
241
250
211
84,40
250
225
90,00
250
281
112,40
250
308
123,20
1.025
475
481
101,26
100,00
225
228
101,33
225
249
110,67
1.280
1.242
97,03
104,78
150
158
105,33
150
164
109,33
1.115
1.038
93,09
75
77
102,67
75
80
106,67
150
157
104,67
90
34
37,78
75
74
98,67
75
87
116,00
390
284
72,82
125
122
97,60
75
81
108,00
75
90
120,00
425
449
105,65
2.025
1.926
95,11
1.625
1.605
98,77
1.625
1.729
106,40
10.895
10.322
94,74
75
16
21,33
300
47
15,67
75
70
93,33
75
77
102,67
75
78
104,00
540
399
73,89
75
33
44,00
75
59
78,67
75
67
89,33
540
237
43,89
75
31
41,33
75
66
88,00
75
63
84,00
450
232
51,56
300
150
50,00
225
202
89,78
225
208
92,44
1.830
915
50,00
75
15
20,00
75
24
32,00
75
28
37,33
450
117
26,00
75
20
26,67
75
38
50,67
75
32
42,67
450
125
27,78
75
12
16,00
300
43
14,33
100
57
57,00
75
39
160
69
43,13
150
150
120
80,00
75
150
107
71,33
100
45
150
52,00
75
23
30,67
550
327
59,45
142
94,67
150
122
81,33
1.031
617
59,84
75
100,00
75
52
69,33
715
539
75,38
75
92
122,67
75
66
88,00
650
502
77,23
45,00
75
36
48,00
75
28
37,33
475
199
41,89
70
46,67
75
74
98,67
75
69
92,00
625
346
55,36
150
147
98,00
150
156
104,00
150
172
114,67
825
788
95,52
100
77
77,00
75
61
81,33
75
41
54,67
475
320
67,37
100
97
97,00
75
14
18,67
75
26
34,67
475
310
65,26
75
12
16,00
75
16
21,33
75
16
21,33
375
55
14,67
75
29
38,67
75
75
100,00
75
55
73,33
225
159
70,67
75
79
105,33
75
79
105,33
150
158
105,33
75
44
58,67
75
44
58,67
150
88
58,67
1.535
877
57,13
1.275
965
75,69
1.275
853
66,90
7.921
4.693
59,25
140
144
102,86
150
146
97,33
150
149
99,33
905
914
100,99
75
74
98,67
75
74
98,67
75
82
109,33
450
459
102,00
210
202
96,19
225
216
96,00
225
235
104,44
1.290
1.287
99,77
425
420
98,82
450
436
96,89
450
466
103,56
2.645
2.660
100,57
4.545
3.548
78,06
3.875
3.459
89,26
3.875
3.550
91,61
24.901
19.591
78,68
499
de los dos centros, debera primar para la ordenacin y agregacin del conjunto de las enseanzas de
la rama de ingeniera en la Universidad en estudio.
Es preciso que los responsables acadmicos consideren con mayor rigor la determinacin del nmero de plazas que van a ofertar en cada curso acadmico, dada la importancia que esta decisin tiene
para la condicionalidad de los recursos y para la vigencia de una enseanza en el mbito de la oferta
docente institucional. La observacin conjunta de los valores de los indicadores grado de ocupacin y
grado de eficiencia, resulta determinante para objetivar la evolucin del mapa de enseanzas de una
determinada Universidad desde las perspectivas sociales y econmicas que deben presidir en toda
actuacin que demande recursos pblicos.
GRFICO 4 (pg. sig.)

DESCRIPCIN: Universidad en estudio. Grado de ocupacin de la oferta de plazas de las enseanzas universitarias de grado impartidas
en centros propios. Periodo 2006/2012. Estudio de la oferta, demanda y matricula de nuevo ingreso en las Universidades
Pblicas y Privadas. Ministerio de Educacin
A la vista de todo este anlisis, se puede concluir que la determinacin del indicador grado de ocupacin
de la oferta de plazas de cada una de las enseanzas que conforman el mapa universitario de una determinada institucin, mediante la fijacin de una oferta mnima de plazas por enseanza que no podr ser
inferior a la consideracin de un grupo de docencia terica magistral (75 a 100 estudiantes), nos informa
acerca del grado de eficacia que caracteriza a nivel agregado y/o particularizado a la oferta universitaria
institucional. Complementariamente, nos muestra una referencia que, sin duda, ser determinante a
la hora de concretar la eficiencia econmica y social con la que opera una determinada institucin que,
como es sabido, dispone de recursos que mayoritariamente son financiados con fondos pblicos.
La utilidad de este indicador queda reforzada en la media que para su determinacin se aplique idnticos
criterios en la cuantificacin de las variables acadmicas que lo definen. En este sentido, algunas de las
diferencias que pueden observarse al analizar la informacin documental disponible, que para el periodo
2006/2007 a 2009/2010 ha elaborado el Ministerio de Educacin, se explican por el dispar tratamiento
que por parte de las Universidades se ha venido dando a la dimensin numrica de la oferta de plazas
impartidas a las enseanzas universitarias.
La informacin suministrada por este indicador ofrece una valoracin diferente atendiendo al destinatario que se est considerando. El demandante de servicios acadmicos (estudiantes y familias de universitarios) recibe mensajes relativos a las preferencias que manifiestan el colectivo de estudiantes con relacin a las diferentes enseanzas ofertadas, al tiempo que puede conocer cul ser el tamao del grupo
donde desarrollar el proceso de aprendizaje. Los gestores institucionales aprecian con los valores de este
indicador las preferencias de los demandantes y, en consecuencia, el acierto de la implantacin de una
determinada enseanza, al tiempo que podrn evaluar la continuidad, el cierre temporal o la cancelacin
definitiva de las enseanzas ofertadas.
500
SJ-9
SJ-15
I-15
SJ-1
SJSJ-6
CS-2
SJ-10
CS-1
SJ-4
CS-3
SJ-11
I-10
SJ-7
H-4
SJ-12
SJ-8
U. DE ESTUDIO
I-7
SJ-5
SJ-3
I-6
C-2
SJ-14
I-14
H-3
SJ-2
I-11
I-12
H-2
I-5
I-4
I-16
I-9
C-4
H-1
C-3
I-8
I-2
I-1
C-1
I-13
I-3
109,07
105,65
105,33
105,15
104,67
104,57
102,00
101,26
100,99
100,93
99,77
97,03
95,52
95,32
93,33
93,09
84,00
78,68
77,23
76,03
75,93
75,38
73,89
72,82
70,67
70,00
68,22
67,37
65,26
62,14
59,84
59,45
58,67
55,36
51,56
44,00
43,89
41,89
27,78
26,00
15,67
14,67
14,33
0,00
20,00
40,00
60,00
80,00
100,00
120,00
501
ES EFECTIVA LA
ACTIVIDAD DOCENTE?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autores

D. Pilar Laguna Snchez

Decana de la Facultad de Ciencias Jurdicas y Sociales
de la Universidad Rey Juan Carlos
D. Rosa Santero Snchez
Vicedecana de la Facultad de Ciencias Jurdicas
y Sociales de la Universidad Rey Juan Carlos
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 3: ES EFECTIVA LA ACTIVIDAD DOCENTE?
CAPTULO 3
ES EFECTIVA LA
ACTIVIDAD DOCENTE?
Los recursos comprometidos con el desempeo formativo y los resultados alcanzados por curso acadmico, modalidad de enseanza y titulacin, conforman la agrupacin ms relevante para la evaluacin
institucional. Sin embargo, en este sentido la informacin institucional se muestra escasa, al tiempo que
la disponible presenta insuficiencias relacionadas con determinados atributos que podran ayudar a explicar algunas de las diferencias que vienen apareciendo al elaborar los indicadores que cuentan con un
mayor grado de aceptacin.
Las Universidades pblicas espaolas han realizado, en un breve periodo de tiempo, un destacado ejercicio de transparencia acorde con la responsabilidad social que se deriva del origen bsicamente pblico
de su financiacin. Prcticamente, la totalidad de las Universidades pblicas presentan en sus correspondientes webs datos y series estadsticas referidas a los diversos campos de su actividad. No obstante, con
frecuencia estos esfuerzos quedan ensombrecidos por deficiencias que tienen su origen en la visibilidad,
accesibilidad, comprensibilidad y continuidad con la que se elaboran los contenidos informativos que se
muestran en la web y en publicaciones institucionales. Adems, las Universidades no disponen de una
estructura informativa homognea que deba ser cumplimentada y actualizada a una fecha determinada
y que responda a una metodologa uniforme que permita presentar de manera agregada y singularizada
las principales magnitudes e indicadores de la realidad universitaria.
Los sistemas informticos de gestin universitaria han sido, sin duda, determinantes para avanzar en
la transparencia institucional y estamos convencidos de que su implicacin en estos desempeos se
encuentra en un estado incipiente. Cabe esperar que en breve tiempo, al calor de las demandas sociales
de informacin, estas herramientas nos permitan progresar en la cuantificacin diferenciada y singularizada de las actividades desarrolladas por estas instituciones y, a la vez, incorporar aspectos de contexto
que puedan ayudar a explicar diferencias que se escapan a la consideracin meramente cuantitativa de
la realidad universitaria.
504
Las observaciones que acabamos de realizar resultan plenamente pertinentes para el rea de los recursos y los resultados acadmicos, donde durante aos ha prevalecido la oscuridad, la carencia de criterios
uniformes y la escasez de estudios que, lejos de resultar espordicos, singulares y parciales, abordaran de
manera integral y continuada la asignacin de recursos y la consecucin de resultados en las enseanzas
oficiales impartidas por las Universidades pblicas.
La ordenacin de las enseanzas universitarias oficiales, en pos de la armonizacin de los sistemas universitarios que exiga el proceso de construccin del Espacio Europeo de Educacin Superior, ha permitido establecer criterios uniformadores en las memorias de los ttulos oficiales que deben ser verificadas y
aprobadas por el Consejo de Universidades, previo informe de evaluacin de la Agencia Nacional de Evaluacin de la Calidad y Acreditacin (ANECA). En la memoria del ttulo oficial, la Universidad responsable
del proyecto deber explicitar los recursos vinculados a su imparticin, personal acadmico, docente y
no docente, medios materiales y servicios disponibles, as como los resultados previstos que debern ser
valorados atendiendo a tres indicadores: tasa de graduacin; tasa de abandono y tasa de eficiencia . La
exigencia que establece el artculo 24.2 del R.D. 1393/2007, de 29 de octubre, de que los ttulos oficiales
debern someterse a un proceso de evaluacin cada seis aos con el fin de mantener la acreditacin que
en su da le concediera el Consejo de Universidades, constituye la principal garanta para que podamos
confiar en la irreversibilidad del cambio cultural que supone la incorporacin de la transparencia al elenco de valores que identifican a las instituciones universitarias.
Los responsables universitarios saben que sus ttulos oficiales, Grados, Msteres, y Doctorados, sern peridicamente evaluados para confirmar o no la pertinencia de su imparticin y, en consecuencia, debern
interrogarse todos los cursos acadmicos acerca del grado de satisfaccin que registran los valores alcanzados por los indicadores de referencia. Sealar, que el citado R.D. no establece unos valores que puedan
ser considerados mnimos aceptables para confirmar la acreditacin de una determinada enseanza,
aunque la Universidad debe hacer explcita su previsin de resultados. No obstante, la exposicin pblica
de los registros de estos indicadores evidenciar las diferencias y las posiciones que caracterizan a las
enseanzas ofertadas por una determinada Universidad en relacin con las restantes instituciones que
imparten dichas enseanzas.
Es preciso reconocer que mejorar los resultados acadmicos que se muestran a travs de los tres indicadores que la normativa establece, graduacin, abandono y eficiencia, excede el marco competencial
que pueden desarrollar los responsables institucionales, dado que las Universidades pblicas no pueden
seleccionar directamente a los estudiantes que acceden a sus enseanzas, lo que, sin duda, constituye
un serio hndicap para garantizar, de manera inequvoca, el logro de los resultados que hayan podido
prever. Adems, no podemos ocultar las importantes diferencias que las Universidades pblicas muestran en el mbito de los recursos que vienen aplicando al desempeo de la tarea formativa. Diferencias,
que son observables a nivel inter e intrainstitucional con lo que es previsible que, al menos durante un
considerable periodo de tiempo, se manifiesten comportamientos diferentes en los valores de estos indicadores, sin que ello pueda ser atribuido exclusivamente a un mayor o menor esfuerzo de las autoridades
acadmicas directamente vinculadas a estos objetivos, tales como: vicerrectores, decanos y directores de
departamentos universitarios.
505
De aqu la importancia de completar la informacin que facilitan los indicadores de rendimiento acadmico, que sern objeto de consideracin de los estudiantes y familiares que van a decidir acerca de qu
enseanza cursar y en qu institucin universitaria hacerlo, con datos e indicadores referidos al perfil
del estudiante que est matriculado en las citadas enseanzas y, a su vez, con datos e indicadores que
identifiquen los recursos asignados por cada centro universitario a la provisin del servicio docente. En
esta direccin, resultan pertinentes indicadores referidos a la cohorte de entrada en una determinada
enseanza que contemplen:
Porcentaje de estudiantes que acceden a la enseanza (x) con nota de corte igual o superior a 7 sobre
10, sobre total de estudiantes matriculado en la enseanza (x), en el curso acadmico (n/n+1).
Porcentaje de estudiantes que acceden a la enseanza (x) con la condicin de becario, sobre el total
de estudiantes matriculados en la enseanza (x), en el curso acadmico (n/n+1).
Porcentaje de estudiantes que acceden a la enseanza (x) en la primera opcin de demanda, sobre el
total de estudiantes matriculados en la enseanza (x), en el curso acadmico (n/n+1).
Porcentaje de estudiantes que acceden a la enseanza (x) teniendo al menos uno de sus progenitores
acreditados estudios universitarios, sobre el total de estudiantes matriculados en la enseanza (x),
en el curso acadmico (n/n+1).
Porcentaje de estudiantes que acceden a la enseanza (x) con dedicacin exclusiva al estudio, sobre
el total de estudiantes matriculados en la enseanza (x), en el curso acadmico (n/n+1).
Entendemos que los valores que registren estos indicadores referidos al perfil del estudiante de nuevo
ingreso en una determinada enseanza universitaria, adems del gnero que viene mostrando claras
diferencias en los rendimientos acadmicos a favor de la mujer, ayudarn a comprender y a explicar las
diferencias que vienen dndose en los comportamientos acadmicos de nuestras Universidades y que,
obviamente, no pueden deducirse de las meras cifras aportadas por los indicadores de rendimiento acadmico. Igualmente, es preciso contextualizar los resultados que nos muestran los indicadores de abandono, graduacin y eficiencia acadmica de una determinada enseanza con los recursos habilitados
para su imparticin. En esta direccin, cabe considerar, entre otros, los siguientes indicadores:
Porcentaje de profesores doctores sobre el total de profesores que imparten docencia en el primer
ao de la enseanza (x), en el curso acadmico (n/n+1).
Estudiantes equivalentes a tiempo completo (60 crditos) por Profesor equivalente a tiempo completo en la enseanza (x), en el curso acadmico (n/n+1).
Gasto corriente por estudiante equivalente a tiempo completo en la enseanza (x), en el curso acadmico (n/n+1).
Coste total medio por estudiante equivalente a tiempo completo en la enseanza (x), en el curso
acadmico (n/n+1).
Se sugiere que los indicadores de resultados acadmicos sean considerados aproximaciones cuantitativas de la actividad formativa de una Universidad. Desde esta concepcin, resulta imprescindible co506
nocer su evolucin tanto para evaluar la influencia que en sus registros puedan tener los atributos que
singularizan a las diferentes cohortes de estudiantes que acceden a las enseanzas universitarias, como
para valorar la incidencia que en ellos hayan podido tener los recursos identificados con cada una de las
enseanzas universitarias. Se cometera un grave error, si hiciramos de los valores de estos indicadores
la referencia de la calidad acadmica institucional. Mxime, cuando la cultura de la comunidad universitaria espaola, y muy especialmente del colectivo de profesorado, ha venido ignorando en sus formulaciones estratgicas institucionales, y en los planes de desarrollo profesional del profesorado, el alcance
y la trascendencia que les asigna la ordenacin de las enseanzas universitarias en el marco del EEES.
De estos tres indicadores, cuya definicin se toma del R.D. 1393/2007, analizaremos los diferentes enfoques y los principales interrogantes que desde distintos centros de decisin pueden plantearse en relacin con los indicadores tasa de abandono y tasa de graduacin. En concreto, la definicin que se realiza
de estos tres indicadores para su aplicacin a las enseanzas universitarias de Grado, Mster y Doctorado
es la que se detalla:
Tasa de Abandono. Registra el porcentaje de estudiantes de una cohorte de nuevo ingreso en una determinada enseanza que debieron obtener el ttulo el ao acadmico anterior y que no se han matriculado
en dicha enseanza ni en ese ao acadmico ni en el anterior, en relacin al total de estudiantes de su
cohorte de entrada.
Tasa de Graduacin. Registra el porcentaje de estudiantes que finalizan la enseanza en la que han estado matriculados en el tiempo previsto en su correspondiente plan de estudios o en un ao acadmico
ms en relacin al total de estudiantes de su cohorte de entrada.
Tasa de Eficiencia. Registra el porcentaje entre el nmero total de crditos del plan de estudios a los que
debieron haberse matriculado a lo largo de sus estudios el conjunto de los graduados de una enseanza
en un determinado ao acadmico y el nmero total de crditos en los que realmente han tenido que
matricularse.

El abandono del estudio junto con la graduacin en el estudio determinan la cifra total de salidas de estudiantes sobre la cohorte de entrada de nuevo ingreso en una determinada enseanza impartida por un
centro universitario (propio o adscrito) de una Universidad espaola. La diferencia entre los estudiantes
de entrada y los estudiantes de salida contabiliza el embolsamiento que identifica el retraso temporal
de aquellos alumnos que permanecen, en una fecha posterior a la prevista para obtener la graduacin,
cursando la enseanza que inicialmente eligieron en su acceso a los estudios universitarios.
Abandono y graduacin son las dos vas por las que puede transitar el proceso de aprendizaje universi507
tario que se inicia con el acceso del estudiante a una enseanza concreta en el curso acadmico (n/n+1).
La graduacin la identificamos con el xito y el abandono con el fracaso del proyecto personal y social
de los individuos que acceden a las enseanzas universitarias. El objetivo acadmico de los responsables
institucionales es, obviamente, alcanzar la mayor tasa de graduacin que motivar la menor tasa de
abandono, con lo que se lograr avanzar en la eficiencia social y econmica del gasto universitario. Sin
embargo, las cifras disponibles de graduacin y abandono de los estudios universitarios en las Universidades espaolas manifiestan un considerable campo de mejora que requiere de la decidida implementacin de polticas encaminadas a reducir los abandonos y a incentivar las tasas de graduacin alcanzadas
en los aos programados en los correspondientes planes de estudio.
En el abandono de los estudios universitarios cabe considerar diferentes situaciones que vienen determinadas por la consideracin de la enseanza elegida y el centro universitario donde sta se desarrolla. As,
podemos analizar el comportamiento acadmico de un estudiante de nuevo ingreso que se matricula en
el curso (n/n+1) en la titulacin (a), que se identifica con el mbito de estudio de Sociales y Jurdicas (s),
que imparte un centro propio de la Universidad (k). En el curso siguiente (n+1/n+2), el estudiante puede
permanecer en la enseanza elegida (Eask), o bien puede registrar uno de los cinco comportamientos
acadmicos siguientes vinculados al abandono:
1)
Abandono de la enseanza (Eask) y matriculacin en la enseanza (Ebsk) que se corresponde con

otra titulacin (b) del mbito de Sociales y Jurdicas (s) en la misma Universidad (k).
2) Abandono de la enseanza (Eask) y matriculacin en la enseanza (Ecik) que se corresponde con otra
titulacin (c) del mbito de Ingeniera (i) en la misma Universidad (k).
3) A
bandono de la enseanza (Eask) y matriculacin en la enseanza (Ebsj) que se corresponde con
otra titulacin (b) del mbito de Sociales y Jurdicas (s) pero impartida en un centro perteneciente a
la Universidad (j).
4) Abandono de la enseanza (Eask) y matriculacin en la enseanza (Ecij) que se corresponde con otra
titulacin (c) del mbito de Ingeniera (i) pero impartida en un centro perteneciente a la Universidad
(j).
5) Abandono de la enseanza (Eask) y no matriculacin en las instituciones del Sistema Universitario
de Espaa (SUE).
En sentido estricto, el abandono slo se produce en la situacin en la que el estudiante deja de matricularse en el SUE, sin que haya alcanzado la graduacin, en los restantes casos de abandono lo que realmente estamos analizando son situaciones de cambio (movilidad) que conjugan el tipo de enseanza
y la institucin responsable de su imparticin. Obviamente, en todos los casos se produce una ruptura
en el proceso de aprendizaje de la enseanza universitaria inicialmente elegida y, en consecuencia, una
demora en la obtencin de la graduacin y un derroche de recursos.
La determinacin cuantitativa del abandono de la enseanza que concreta el R.D. 1393 requiere que el
estudiante manifieste fehacientemente su renuncia a continuar cursando los estudios que inicialmente
eligi en el ao n (curso n/n+1) y, por ello, se establece como referencia de abandono la relacin de in508
dividuos que no han registrado matricula en la enseanza elegida en los aos n+(t-1) y n+t, siendo (t) el
nmero de aos programados para la obtencin de la graduacin y excluyndose de los abandonos los
estudiantes que a la fecha considerada han logrado la acreditacin en la enseanza elegida. La exigencia
informativa que requiere el clculo del abandono correspondiente a la cohorte de nuevo ingreso n (curso
n/n+1), es de un total de cinco aos acadmicos: n; n+1; n+2; n+3; n+4 para una enseanza cuya duracin
programada sea de cuatro aos (grados), siendo los aos (n+3) y (n+4) los que deben ser observados para
cuantificar la cifra global de abandonos con relacin a los ingresos del ao (n).
La metodologa de clculo elegida por el R.D. 1393 para precisar cuantitativamente la cifra y la tasa de
abandonos de una determinada enseanza en el ao (n+4), hace innecesarios los procesos de agregacin
que requieren las metodologas que abordan el clculo del abandono atendiendo a los registros observados en el primer, segundo y tercer ao para los que resulta factible determinar cifras de abandonos de la
enseanza. Sin embargo, la agregacin y el desplazamiento temporal oscurecen los comportamientos de
abandonos que pueden darse en los aos anteriores, y muy especialmente al ao siguiente al de inicio,
y que persisten en el tiempo de referencia de clculo que lo contabiliza ignorando el momento en que el
estudiante desisti de permanecer en la enseanza elegida.
La tasa de abandono y la tasa de graduacin utilizan, en la metodologa del R.D. 1393, las mismas referencias temporales de observacin en lo tocante al ao de evaluacin y al ao de ingreso en la enseanza. La
secuencia temporal para una y otra es la siguiente:
AO
CURSO ACADMICO
ABANDONOS
GRADUADOS
n (2006)
n/n+1 (2006/2007)
n+1 (2007)
n+1/n+2 (2007/2008)
n+2 (2008)
n+2/n+3 (2008/2009)
n+3 (2009)
n+3/n+4 (2009/2010)
A1
G1
n+4 (2010)
n+4/n+5 (2010/2011)
A1
G2
Tasa de abandono de la Enseanza: registra en el numerador el nmero total de estudiantes pertenecientes a la cohorte de entrada del ao (n) en la enseanza (E) de la Universidad (K) que no han formalizado matricula en el ao (n+3)(A1), ni en el ao (n+4)(A1), y en el denominador el nmero de estudiantes
de nuevo ingreso en la enseanza (Ek) en el ao (n).
Tasa de graduacin en la Enseanza: registra en el numerador el nmero total de estudiantes pertenecientes a la cohorte de entrada del ao (n) en la enseanza (E) de la Universidad (k) que han obtenido la
graduacin en el tiempo previsto en el plan de estudios (n+3)(G1) y los que la han obtenido en un ao
acadmico ms (n+4)(G2), y en el denominador el nmero de estudiantes de nuevo ingreso en la enseanza (Ek) en el ao (n).
En el desarrollo de la vida acadmica de la cohorte de estudiantes de nuevo ingreso en la enseanza de
grado (Ek), pueden registrarse abandonos, que podramos calificar de temporales, de estudiantes que en
509
un ao, dos e incluso tres aos no formalizan matricula, pero que en el ao (n+4) estn matriculados en
la enseanza que eligieron en el ao (n) y no pueden, por tanto, ser contabilizados como abandonos, aunque durante aos hayan dejado las aulas y, en consecuencia, con su incorporacin posterior muestren un
retraso con relacin a los estudiantes que iniciaron con ellos el proceso de aprendizaje de la enseanza
(Ek). El abandono de la enseanza (Ek) contabiliza slo aquellos estudiantes que han desistido en formalizar matricula en los aos (t) y (t+1), siendo (t) el nmero de aos programados para obtener la graduacin.
Quedan excluidos de la cifra de abandono aquellos estudiantes que dejen de cursar la enseanza (Ek) en
los aos siguientes al ao (t+1).
La observacin del comportamiento acadmico de una cohorte de entrada que formaliza matricula en la
enseanza (Ek) en el ao (n) y que su plan de estudios prev (t) aos para la consecucin de la graduacin,
se manifestara en el ao (t+1) de acuerdo con la siguiente expresin.
Estudiantes de nuevo ingreso (I) = Abandonos (A1) + Graduados (G1+G2) + Embolsamiento (P).
Analticamente se expresara:
I = I + I + I, siendo , , , las tasas de abandono, graduacin y embolsamiento de la
enseanza (Ek) en el ao (t+1).
La cuantificacin de la tasa de abandono que determina el R.D. 1393 para las enseanzas universitarias
que establece en su artculo 2 (Grado, Mster y Doctorado), resulta poco factible al inicio del curso acadmico 2012/2013, dada la obligatoriedad de las Universidades de aplicar esta estructura de enseanzas
a partir del curso acadmico 2010/2011. Al menos, para las enseanzas de grado, no es posible disponer
de datos que nos permitan analizar el comportamiento acadmico de la primera cohorte de estudiantes
que formalizaron su matrcula en el curso 2010/2011 y habr que esperar al curso 2014/2015 para poder
calcular las tasas de abandono correspondientes a estas enseanzas universitarias.
Esta situacin, nos plantea la disyuntiva de analizar este indicador con datos ficticios o, por el contrario,
recurrir a un concepto de tasa de abandono menos global y que coincide con la llamada tasa de abandono en el primer ao1 para la cual es posible disponer de informacin numrica real referida a las enseanzas de primer y segundo ciclo (diplomaturas y licenciaturas). La ventaja de considerar la segunda opcin
es, de una parte, que la cifra de abandonos se nutre fundamentalmente de la desercin de estudiantes
que se produce en los aos contemplados en esta formulacin de la tasa de abandono, con lo que las
diferencias entre una y otra tasa, salvo excepciones, no sern relevantes. De otra parte, nos parece ms
enriquecedor para las personas interesadas en conocer y utilizar la informacin que proporciona este
indicador el disponer de datos reales frente a la opcin de tener que inventarlos.
1. Se denomina tasa de abandono de primer ao al registro porcentual de los estudiantes de la cohorte de nuevo ingreso correspondiente al
ao (n) que desisten de continuar en la enseanza elegida en los aos (n+1) y (n+2). Es necesario que transcurran dos aos, adems del ao
inicial, para contabilizar los estudiantes que por primera vez manifiestan su voluntad de abandonar las enseanzas que eligieron en el ao
(n) y que lo hacen sin haber obtenido la graduacin.
510
La eficiencia informativa del indicador tasa de abandono, con independencia de cul sea la frmula de
clculo, resulta mxima en el detalle por enseanzas universitarias y en la evolucin que ste registra en
el transcurso de los aos. Esta informacin es relevante para los responsables acadmicos de las enseanzas (decanos y directores de centros universitarios); para los responsables de proveer las enseanzas
(directores de departamentos universitarios); para los demandantes de servicios docentes (alumnos y
familiares) y para los responsables institucionales (consejo de direccin y consejo social). Las autoridades gubernamentales (Comunidades Autnomas y Ministerio de Educacin) estarn ms interesadas
en conocer la cifra correspondiente a la tasa de abandono global de la Universidad que la especfica de
cada enseanza, dado que su preocupacin estar centrada en la eficiencia econmica y social del gasto
pblico en las Universidades pblicas.
Complementariamente al anlisis intra-institucional, que como veremos presenta notables diferencias
entre las enseanzas de un mismo mbito de estudio y entre enseanzas de distintos mbitos de estudio, resulta relevante considerar los registros que de manera global y singularizada ofrecen las tasas
de abandono de otras Universidades, tanto pblicas como privadas. En todos los casos y para todas las
situaciones es preciso tener presente a la hora de valorar las cifras que nos puedan aportar este indicador
las diferencias que acompaan a los estudiantes que cursan una y otra titulacin, los recursos utilizados
para el desempeo acadmico, las aptitudes y las actitudes del profesorado responsable de la docencia,
as como el marco normativo que regula el proceso de aprendizaje de los estudiantes universitarios.
Los datos del cuadro y del grfico 5, referidos a la Universidad en estudio nos muestran las tasas de abandono que registraron las diferentes enseanzas de primer ciclo (diplomaturas), y de primer y segundo
ciclo (licenciaturas) en el curso 2010-2011, siendo la cohorte de entrada diferente atendiendo a la duracin
que cada enseanza establece para alcanzar su graduacin en su correspondiente plan de estudios. De
los datos facilitados cabe extraer, entre otras, las siguientes consideraciones:
1)
Del total de las enseanzas impartidas (41), el 60,97% registran tasas de abandono superiores al valor
de referencia institucional que alcanz en el curso 2010/2011 el 18,26%; es decir, ms de 18 de cada
cien alumnos de nuevo ingreso han desertado, a los dos aos siguientes de su entrada, en la enseanza que haban elegido. De estos abandonos desconocemos cuntos estudiantes han cambiado
de enseanza, cuntos han cambiado de enseanza y de Universidad y cuntos han desistido de
realizar estudios universitarios, si bien todos ellos tomaron su decisin de abandonar en el ao (n+1)
que result confirmada por la ausencia de matrcula del ao (n+2).
2) Se observan notables diferencias en los valores alcanzados por las tasas de abandono de las enseanzas impartidas en la Universidad de estudio, siendo las enseanzas de Enfermera (1,32%) y la de
Ingeniera Tcnica de Informtica de Gestin (52,54%), las titulaciones que marcan los extremos de
la horquilla, aunque corresponden a las enseanzas del mbito de las ingenieras la mayor concentracin de tasas de abandono que superan la referencia institucional, en concreto 15 de las 17 enseanzas contabilizaron registros superiores al 18,26%.
La rotundidad con la que se manifiestan las enseanzas de la rama de ingeniera es, sin duda, la nota
ms destacada del detalle de las tasas de abandono correspondiente a las enseanzas impartidas en
511
la Universidad en estudio, siendo preciso que los responsables acadmicos (directores de centros)
y los responsables del gobierno institucional (consejo de direccin y consejo social), se interroguen
acerca de las razones explicativas de las generalizadas y elevadas deserciones que se muestran en el
mbito de las ingenieras. En este sentido, cabe plantearse actuaciones de carcter preventivo dirigidas al colectivo de estudiantes preuniversitarios que manifiesten inters por estas enseanzas facilitndoles informacin referente al desarrollo curricular, al comportamiento acadmico y a las salidas
profesionales que caracterizan a estas enseanzas. Igualmente, resultara pertinente analizar las direcciones curriculares que siguen los flujos de abandonos del mbito de las ingenieras, observando
tanto la intensidad como la persistencia con las que los mismos se manifiestan, as como las principales causas que argumentan los estudiantes que desisten de permanecer en estas enseanzas.
3) La presencia de bajas y estimulantes tasas de abandonos en enseanzas de las ramas de sociales y
ciencias de la salud que muy probablemente encuentren en el carcter vocacional con el que acceden los estudiantes a estas enseanzas la razn principal de que el abandono no alcance tasas de
dos dgitos, como ocurre con Trabajo Social (7,30%); Maestro, en sus diferentes especialidades, a excepcin de la especialidad en Educacin Musical (30,00%); Enfermera (1,32%) y Fisioterapia (4,11%).
Estas enseanzas contabilizaron, todas ellas, unas cohortes de entrada que exceden al tamao de
referencia de eficiencia para el grupo, 75 a 100 estudiantes, frente a enseanzas que han registrado
elevadas tasas de abandono y que, sin embargo, la matrcula de nuevo ingreso result muy alejada
de la referencia tipo, como sucede con Estadstica (36,36%); Explotacin de Minas (38,46%); Sondeos y
Prospecciones (33,33%) y Filologa Hispnica (22,63%); entre otras. Esta diferenciacin en el comportamiento de estas enseanzas debera suscitar en los responsables acadmicos algunos interrogantes
en lo referente a las relaciones recursos-resultados y, muy especialmente, a la reiterada eficacia acadmica de la ratio estudiantes por profesor.
512
TABLA 1
DESCRIPCIN: Detalle de la tasa de abandono de las enseazas universitarias de primer, segundo y slo segundo ciclo de centros
propios. Curso 2010/2011
TITULACIN
TASA DE
ABANDONO
TITULACIN
CDIGO
DENOMINACIN
TASA DE
ABANDONO
CDIGO
DENOMINACIN
H-1
Filologa Hispnica
22,63
I-7
I.T.I. Electrnica Industrial
42,00
H-2
Filologa Inglesa
23,26
I-8
I.T.I. Qumica Industrial
15,31
H-3
Historia del Arte
46,43
I-9
I.T. Telemtica
27,12
S-1
Ciencias Empresariales
19,28
I-11
I.T. Explotacin Minas
38,46
S-2
Gestin y Administracin
Pblica
14,29
I-12
I.T. Sondeos y
Prospecciones
33,33
S-3
Relaciones Laborales
24,00
I-13
I.S. Industrial
22,58
S-4
Trabajo Social
7,30
I-14
I.S. Geodesia y Cartografa 13,33
S-5
Turismo
19,51
I-15
27,03
S-6
Maestro Ed. Primaria
5,13
I.S. Organizacin
Industrial
S-7
Maestro Ed. Infantil
8,13
I-16
I.S. Informtica
18,92
S-8
Maestro Ed. Fisica
5,52
I-17
I.S. Telecomunicacin
25,00
S-9
Maestro Ed. Lenguas

Extranjeras
9,62
CS-1
Enfermera
1,32
CS-2
Fisioterapia
4,11
S-10
Maestro Ed. Musical
30,00
S-11
Admn. y Direccin
Empresas
21,27
S-12
Derecho
14,78
S-13
Psicologa
13,50
S-14
Ciencias del Trabajo
17,65
S-15
Psicopedagogia
26,02
C-1
Estadstica
36,36
C-2
Biologa
11,27
C-3
Ciencias Ambientales
14,71
C-4
Qumica
12,90
I-1
T. Topografa
26,89
I-2
I.T. Informtica de Gestin 52,54
I-3
28,03
I-4
33,70
I-5
I.T.I. Electricidad (Campus 1) 32,32
I-6
I.T.I. Electricidad (Campus 2) 20,93
Universidad de estudio
18,26
513
CUADRO 1
DESCRIPCIN: Tasa
de Abandono de
las enseazas
universitarias de
primer, segundo y
slo segundo ciclo
de centros propios.
Curso 2010/2011.
Estudio de la oferta,
demanda y matricula de nuevo ingreso
en las Universidades
Pblicas y Privadas.
Ministerio de Educacin.
FUENTE: Elaboracin
propia
I-2
H-3
I-7
I-11
C-1
I-4
I-12
I-5
I-10
S-10
I-3
I-9
I-15
I-1
S-15
I-17
S-3
H-2
H-1
I-13
S-11
I-6
S-5
S-1
I-16
S-14
I-8
S-12
C-3
S-2
S-13
I-14
C-4
C-2
S-9
S-7
S-4
S-8
S-6
CS-2
CS-1
52,54
46,43
42,00
38,46
36,36
33,70
33,33
32,32
30,00
30,00
28,03
27,12
27,03
26,89
26,02
25,00
24,00
23,26
22,63
22,58
21,27
20,93
19,51
19,28
18,92
18,26
17,65
15,31
14,78
14,71
14,29
13,50
13,33
12,90
11,27
9,62
8,13
7,30
5,52
5,13
4,11
1,32
0,00
514
10,00
20,00
30,00
40,00
50,00
60,00
4) Resulta imprescindible para avanzar cuantitativamente en el anlisis de los factores que pueden
tener un mayor o menor grado de influencia en las tasas de abandono que, como muestran estos
datos, carecen de uniformidad, el procesar la informacin del registro de matrcula en la enseanza
estableciendo diferentes apartados para la cifra global de abandono en la misma. As, resultaran
esclarecedores los datos referentes a abandonos por enseanza atendiendo al gnero, cuntas mujeres de la cohorte de nuevo ingreso en una determinada enseanza han desistido de continuar en
el estudio elegido sobre el total de mujeres matriculadas en la referida enseanza. El abandono de
los estudiantes que accedieron a una enseanza para la que desde el primer ao (n) dispusieron de
beca y que en el ao (n+2) han dejado estos estudios, cul es el valor que registra su tasa de abandono
frente al colectivo de estudiantes de nuevo ingreso que no dispusieron de beca en su primer ao de
estudio. Cul es la tasa de abandono del colectivo de estudiantes cuyos padres cuentan con titulacin universitaria en comparacin con el grupo de estudiantes que sus padres no disponen de esta
acreditacin acadmica. Estos y otros atributos que definen el perfil socioacadmico del estudiante
entendemos que pueden ser de gran vala para comprender las diferencias que se observan en las
tasas de abandono que presentan las enseanzas universitarias.
5) El elevado coste social y econmico que implica la presencia de elevadas tasas de abandono en determinadas enseanzas universitarias, que no pueden considerarse un hecho fortuito ni ocasional,
ni tampoco pueden limitarse al mbito especfico de una rama determinada de enseanza ni es
propio de una u otra Universidad, hace que sea preciso superar el exclusivo mbito competencial
de los responsables institucionales para tratar de acordar medidas que puedan paliar los efectos
negativos del abandono.
En esta direccin, una primera y urgente actuacin viene de la mano de la transparencia informativa
que debera superar la simple elaboracin de datos y estadsticas, an hoy muy deficitaria e incompleta,
para avanzar por la comunicacin institucional y sistmica a la comunidad universitaria y a la sociedad,
en general.
La informacin suministrada por el cuadro 5 referida a la tasa de abandonos registrados en el curso
2010/2011 por las enseanzas universitarias de la Universidad en estudio, es preciso contextualizarla y
complementarla en una doble direccin. De una parte, presentando la evolucin temporal que registran
las tasas de abandono de las diferentes enseanzas de la Universidad en estudio al objeto de evaluar la
persistencia o la volatilidad que caracteriza a cada enseanza, dado que el programa de actuaciones que
puede plantearse resultar sensiblemente distinto atendiendo a que la enseanza mantenga en el transcurso de los aos altas o bajas tasas de abandono o, por el contrario, manifieste una irregular fluctuacin
en sus correspondientes tasas anuales de abandono. De otra parte, resultara un eficaz ejercicio que, sin
duda, puede ayudar a los responsables acadmicos en el diseo de sus programas de actividades el poder
comparar los registros de la propia Universidad con las tasas de abandono que vienen presentando para
cada enseanza las Universidades pblicas de su regin y los valores sistmicos (SUE) correspondientes
a cada enseanza en un determinado curso acadmico.
La consideracin numrica y grfica de toda esta informacin permitir que los responsables acadmicos institucionales de la Universidad en estudio, y de cualquier otra Universidad, conozcan la dimensin
515
objetiva del fracaso universitario, al tiempo que favorecer que estudiantes y familiares puedan pronunciarse por una u otra enseanza conociendo aspectos relevantes que hoy por hoy estn ausentes en
sus decisiones y que, sin embargo, no pueden ser considerados neutrales por la trascendencia que los
mismos tienen en el devenir acadmico de los estudiantes.
516
517
CMO ES LA
PLANTILLA DE
EMPLEADOS DE LA
UNIVERSIDAD?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autor
D. Luis Mediero Osl

gerente de la Universidad de Salamanca
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 4: CMO ES LA PLANTILLA DE EMPLEADOS DE LA UNIVERSIDAD?
CAPTULO 4
CMO ES LA PLANTILLA DE
EMPLEADOS DE LA UNIVERSIDAD?
Las Universidades son organizaciones de gestin del conocimiento, intensivas en personal. Su mayor activo y tambin su mayor coste son sus recursos humanos, por lo que su gestin eficiente es fundamental
para el cumplimiento de los fines de la Universidad.
As pues, el conocimiento de la composicin y organizacin de los recursos humanos con que se cuenta,
el conocimiento de la capacidad que tienen para hacer frente a las necesidades de la Universidad y de
su adecuacin a las mismas, de su previsible evolucin futura, etc. es esencial para el establecimiento de
polticas de recursos humanos que permitan hacer frente a los retos que ha de asumir la Universidad.
Los datos que caracterizan al personal son muchos y muy variados. Probablemente por eso su mera acumulacin no aporta una gran riqueza, que slo se obtiene cuando se ponen en relacin con la definicin
de la orientacin de la poltica de recursos humanos de la Universidad o con el control del cumplimiento
de sus objetivos.
Por ejemplo, un porcentaje elevado de personal temporal no es en s mismo un mal dato (dejando a parte
la posibilidad de incumplimiento de los lmites legales); es cierto que el personal temporal puede sentir
una mayor necesidad de estabilidad y puede buscarla en otra organizacin, pero tambin que el personal fijo puede sentir la misma necesidad de abandonar la organizacin por otros motivos (expectativas
de desarrollo profesional, mejores retribuciones, ) y que un porcentaje elevado de personal fijo puede
constituirse en un problema en caso de cambios que minoren la demanda o la financiacin en sectores
muy especializados.
Sern los rganos de gobierno de la Universidad los que deban determinar si el conjunto de la Universidad o determinadas actividades o reas de actividad deben estar servidas por personal fijo o temporal y,
por lo tanto, cundo y bajo qu condiciones un determinado porcentaje de personal temporal es un mal
dato.
520
Este razonamiento es aplicable a cualquiera de los indicadores que se planteen acerca de los recursos
humanos y, ms todava, la relacin de los datos disponibles con la estrategia ha de convertirse en criterio
para determinar los datos que interesar analizar, entre la multiplicidad de los disponibles: El gobierno
de la Universidad deber decidir las polticas que desea implementar y, por lo tanto, cules son los indicadores objeto de su inters.
En este sentido, las preguntas clave, los indicadores y los datos a que se hace referencia a continuacin,
deben considerarse tan solo ejemplos de algunas formas de concretar las siguientes preguntas clave
genricas que, en materia de recursos, se hace toda organizacin:
Qu tengo?: Cules son los recursos disponibles en la organizacin?
Tengo lo que necesito?: Los recursos disponibles y su previsible evolucin futura son los que precisa la organizacin? (La definicin poltica es imprescindible, bien porque la pregunta se traduzca
en trminos de tengo lo que quiero?, bien porque se corresponda con tengo lo que necesito para
conseguir lo que quiero en materia de calidad acadmica, capacidad investigadora, relevo generacional, etc.?)
Por qu tengo lo que tengo? (o, lo que es lo mismo, qu puedo hacer para cambiarlo?): Qu factores han incidido en que los recursos disponibles sean los que son? y, por tanto, sobre qu decisiones
de poltica de recursos humanos debe incidirse para resolver los problemas planteados?
Estas preguntas genricas y generales tendrn respuestas evidentes en algunos casos y tendrn que
traducirse, para profundizar en el anlisis, en preguntas ms especficas y concretas que pueden ser distintas segn las peculiaridades de cada organizacin.
A efectos meramente sistemticos, abordaremos el anlisis de los recursos humanos desde dos puntos de
partida diferentes, bien considerando las caractersticas de las personas que trabajan en la organizacin,
esto es, su perfil individual, previo a su condicin de empleado de la Universidad, bien considerando su
posicin como personal incluido en la determinada estructura organizativa de la Universidad, atendiendo a las responsabilidades y capacidades que les confiere tal posicin.
En el caso de que se analice el personal desde la perspectiva del perfil de las personas que trabajan en la
Universidad se considerarn cuestiones como su edad, su sexo, la formacin, tanto acadmica como no
acadmica que poseen, sus mritos, sus conocimientos de idiomas u otras caractersticas personales o
profesionales que, si bien tienen incidencia en su actividad, son propias de cada individuo y lo caracterizan independientemente de su pertenencia a la plantilla.
En el supuesto de que se analice el personal desde la perspectiva de su posicin en la estructura organizativa, se tendrn en cuenta cuestiones como el rgimen jurdico de su relacin con la Universidad (si es
funcionario o personal laboral, si es personal fijo o temporal), el grupo, subgrupo o categora profesional
a la que pertenece, el nivel u otras caractersticas (si es tcnico, de jefatura o de apoyo) de su puesto de
trabajo, el rea funcional a la que pertenece por razn de su cuerpo o escala de adscripcin o el rea
funcional en que presta servicios, suponiendo que sea distinta, es decir, las caractersticas que definen
521
a las personas en virtud de su relacin laboral, como empleados de la Universidad y que implican que
desarrollen determinadas tareas y asuman determinadas responsabilidades en lugar de otras y que se
les atribuyan determinadas potestades y no otras.
No obstante, esta divisin terica no debe limitar el anlisis: aunque convenga distinguir los datos relativos al perfil individual perfil de los datos relativos a la posicin en la organizacin estructura en
mltiples ocasiones resultar til mezclarlos.
Por ejemplo, si una Universidad desea impulsar polticas de recursos humanos para potenciar la igualdad de gnero, puede que el mero anlisis del nmero de hombres y mujeres que prestan servicios en
la organizacin sea insuficiente: es posible que la estabilidad en el empleo y, en determinadas pocas, la
mayor sensibilidad de las administraciones pblicas en relacin con la conciliacin en la vida laboral y
la familiar hagan que el trabajo en una Universidad resulte atractivo para las mujeres que se planteen
sus opciones laborales; es posible tambin que la presentacin de un mayor nmero de mujeres que de
hombres y la mayor constancia y capacidad de las mujeres en relacin con los sistemas de acceso por
oposicin condicionen que, globalmente, haya un mayor nmero de mujeres que de hombres trabajando
en la Universidad.
Pero esta Universidad es realmente igualitaria en cuanto a gnero? El nmero de mujeres que desempean puestos directivos es superior, igual o inferior al de hombres? Las mujeres acceden en igualdad numrica a los niveles superiores de la funcin acadmica, lideran en la misma proporcin grupos
de investigacin, acumulan los mismos mritos? Las mujeres son mayoritarias en administracin y
no lo son en mantenimiento? Para comprobarlo ser necesario no slo considerar la caracterstica sexo,
propia del perfil, que deber mezclarse con otras caractersticas propias de la estructura (cuerpo, nivel,
rea funcional, etc.).
En la misma lnea, si una Universidad desea conocer las dificultades que la excesiva edad de su personal
de administracin y servicios le plantear en el futuro inmediato no puede limitarse al estudio del nmero de personas que se jubilarn en los prximos diez aos o la proporcin que los mismos representan
en el conjunto de la organizacin, sino que debe comprobar cuntos de los futuros jubilados ocupan posiciones estratgicas en la organizacin por desempear puestos de direccin o tcnicos con elevado grado
de especializacin y cules son las posibilidades de sustitucin bien dentro de la propia organizacin,
por existir personal del rgimen jurdico y grupo o subgrupo adecuados, bien mediante reclutamiento
externo y, en este caso, si resulta viable realizarlo.
Por ltimo, aunque el examen del perfil personal y de la estructura organizativa se realice utilizando
los datos de cada empleado como materia prima para obtener datos estadsticos representativos de la
realidad del conjunto del personal de la Universidad, esta forma de abordar el estudio del personal no
nos permitir analizarlo en su totalidad, como ente especfico y diferenciado, con una personalidad y un
perfil propios e identificativos que, por elevacin, identificarn a la Universidad permitiendo calificarla
como dinmica, innovadora, emprendedora, conservadora, etc.
522
Este estudio, ms difcil de objetivar, no se corresponde con un anlisis meramente estadstico de las
caractersticas de los trabajadores que prestan sus servicios en la Universidad o de los empleos que stos
ocupan, y debe ponerse en relacin con otras reas de la inteligencia institucional de la Universidad,
pero ha de tenerse presente si se quiere definir una estrategia de mejora de la organizacin y los recursos
humanos.
1. PERFIL
Como se ha indicado, el perfil hace referencia a las caractersticas individuales de las personas independientemente de su adscripcin a la organizacin. Se ha indicado tambin que, en muchas ocasiones, los
datos sobre el perfil habrn de analizarse utilizando datos sobre la estructura para que su estudio detallado aporte un valor aadido.
No obstante, en aras de la sistemtica, sern objeto de estudio en este apartado las preguntas clave que
se refieran a aspectos del perfil, aunque para su estudio pueda ser conveniente acudir a indicadores o
datos de la estructura.
En relacin con el perfil, las Universidades comparten con otras organizaciones excelentes la preocupacin por la participacin de la mujer en la labor universitaria, tanto desde el punto de vista meramente
numrico como del de la calidad de tal participacin, generalizada en el mbito de la gestin y, merced a
la generalizacin de los estudios universitarios, pujante en el mbito acadmico.
Adems, las Universidades ms antiguas han vivido ya y las ms nuevas han de afrontar en un futuro
ms o menos cercano las dificultades derivadas del envejecimiento de la plantilla y de la necesidad de
reposicin ordenada de los efectivos que van jubilndose para no perder know how, en el mbito de la
gestin, y para garantizar el mantenimiento de la calidad acadmica, docente e investigadora. Ambos
mbitos de la vida universitaria requieren disponer de efectivos con el nivel suficiente, lo que a su vez
requiere un reclutamiento y seleccin adecuados y orientados a la evolucin de la Universidad y su mercado y un tiempo de maduracin de los profesionales y profesores, ya sea con carcter previo o una vez
incorporados a la Universidad.
Otras preocupaciones de las Universidades relacionadas con el perfil pueden ser si su personal de administracin y servicios tiene un nivel acadmico adecuado a su ubicacin en la organizacin o si el
nivel acadmico est sobredimensionado; si el PAS tiene una formacin adecuada en relacin con las
exigencias del puesto de trabajo que ocupa o en relacin con su desarrollo profesional; si el personal,
tanto docente como de administracin y servicios, tiene unos conocimientos de idiomas adecuados al
nivel de internacionalizacin actual o pretendido por la Universidad; si el personal docente participa en
iniciativas de innovacin docente; cul es su orientacin en investigacin; si acumula mritos docentes
y de investigacin a un ritmo adecuado; si el nivel de transferencia o de impulso del emprendedurismo
es adecuado Por todas, se analizar aqu la evolucin de los mritos de investigacin del profesorado.
523
Se resalta nuevamente que las cuestiones hasta aqu enumeradas y las preguntas clave relacionadas que
a continuacin se recogen no son ms que ejemplos de una orientacin estratgica determinada que
pueden interesar a un equipo de gobierno de una Universidad concreta en una situacin determinada y
ser indiferentes para otro, que tendr preocupacin por otras lneas de accin.
En algunos casos las preguntas y el anlisis tipo estn ms desarrollados y en otros casos menos. La complejidad puede ser infinita y depender de los datos disponibles y la capacidad de anlisis y tambin, de
manera importante, de las peculiaridades de cada Universidad, su historia reciente y su voluntad de cara
al futuro inmediato. No puede olvidarse, al gestionar recursos humanos que las actuaciones en esta materia tienen efectos prolongados en el tiempo y la situacin actual puede estar condicionada por polticas
adoptadas hace muchos aos, ya que es habitual que el personal desarrolle la mayor parte de su vida
laboral en la Universidad. Por ello, resulta recomendable que las polticas de personal no se improvisen y
que se alineen con las lneas estratgicas de la Universidad, garantizando as, por un lado, la estabilidad,
y por otro, evitando la tentacin, tantas veces presente en el peculiar sistema de gobierno, altamente
participativo de las Universidades, de favorecer al personal aunque no se favorezca a la organizacin.
2. ESTRUCTURA
En lo relativo a la estructura se analizan los datos del personal en funcin de su posicin en la organizacin. En este mbito es ms infrecuente que haya que utilizar datos relativos al perfil para obtener
provecho de los indicadores, aunque en algunas ocasiones s resulta necesario.
La preocupacin ms elemental de las Universidades en relacin con esta cuestin se refiere al volumen y
a la distribucin de su personal entre acadmico y no acadmico, y a la valoracin de su adecuacin a las
necesidades planteadas y a las disponibilidades existentes. Uno de los enfoques para este anlisis es la
valoracin comparativa de los volmenes de personal entre s y con otros parmetros diversos (relacin
PAS/PDI, relacin con el nmero de alumnos o con el nmero de crditos matriculados, relacin con los
resultados de investigacin, relacin con la financiacin disponible o con la financiacin obtenida, etc.,
en funcin de la orientacin que quiera darse al anlisis por los rganos de gobierno de la Universidad).
La estructura del personal acadmico presenta problemas que varan de unas Universidades a otras, en
funcin de su orientacin acadmica, de la distribucin acadmica y territorial de los centros en los que
prestan servicios y de la oferta de titulaciones. No obstante, es un problema comn a muchas Universidades que la demanda de titulaciones requerida por la sociedad evolucione a un ritmo ms rpido que
la capacidad de adaptacin de las plantillas de personal docente a los nuevos planteamientos. Hay que
tener en cuenta:
524
Que el personal docente se caracteriza por un elevado grado de formacin y, por lo tanto, de especializacin que no siempre es compatible con una variacin rpida en las necesidades de personal y que,
desde luego, no lo es con un reciclaje del personal para dedicarse a otras tareas,
Que la funcin pblica, a la que pertenecen en sentido amplio tanto los profesores funcionarios
como los no funcionarios, presenta determinadas condiciones de estabilidad en el empleo,
Que la dedicacin mltiple del personal acadmico (a la docencia, a la investigacin, a la gestin), no

permite dar una respuesta global al problema de disminucin de la carga docente, ante la material
incapacidad de las Universidades de implantar un control de la dedicacin investigadora que tenga
consecuencias prcticas y la limitacin intrnseca de la funcin de gestin y,
Finalmente, que el recurso al mantenimiento de planes de estudios, o de partes de planes de estudios

que justifiquen la existencia de determinadas plazas no conducir, por s sola, a una variacin en la
demanda de formacin universitaria.
Por ello, el polinomio que conjugue adecuadamente la elevada especializacin con la relacin correcta
de estabilidad/temporalidad en el empleo y con la configuracin de una oferta acadmica atractiva no
siempre es sencillo de perfilar.
Por otra parte, la gestin del personal de administracin y servicios se encuentra muy condicionada por
la cultura organizativa de cada Universidad, aunque son comunes a muchas de ellas las dificultades derivadas de:
La gran variedad de los mbitos de actuacin y la consiguiente heterogeneidad y dispersin del personal,
La escasa movilidad del personal derivada de esta gran heterogeneidad y de la prctica inexistencia
de procesos entre administraciones, e incluso entre Universidades,
La reducida oferta de empleo libre que slo en pocos casos se produce en otras categoras distintas de
las consideradas de acceso o despus de agotados los procedimientos de reclutamiento y provisin
interna y
La existencia de un empleo temporal elevado y prolongado que, incluso en procedimientos de seleccin libres proporciona justificacin a la preferencia en base a los mritos obtenidos durante la
interinidad.
Factores que conducen a una cierta situacin endogmica (segn la RAE ()rechazo a la incorporacin
de miembros ajenos al propio grupo o institucin) que puede determinar limitaciones en los procesos
de incorporacin, y la consecuente inexistencia, del personal directivo necesario para disponer de una
estructura administrativa profesional lo suficientemente slida, con los niveles de responsabilidad adecuados y claramente jerrquica que abarque la gran amplitud y heterogeneidad de las funciones del PAS
en la Universidad y sea independiente de los vaivenes electorales para garantizar la continuidad de la
gestin al servicio del equipo rectoral de turno.
Esta deficiencia se solventa en demasiadas ocasiones mediante la implantacin de un enmaraado sistema de mltiples dependencias (jerrquicas, funcionales, ) que complican la gestin, el recurso a la
proliferacin de cargos de gestin desempeados por docentes, no siempre expertos en gestin, excesivamente transitorios y con dedicacin parcial y, en ltima instancia, en base a una amplia libertad de
525
accin de responsables de nivel intermedio sin direccin real por parte de los equipos de gobierno de las
Universidades.

Encontrar respuesta a la pregunta clave que nos ocupa resultar til al consejo de gobierno y al consejo
social, al equipo rectoral y, especialmente, al rector, gerente, vicerrector de profesorado y vicerrector de
investigacin, en orden al anlisis de situacin y, en su caso, definicin e implementacin de polticas de
impulso de la mejora de la cualificacin y reclutamiento de personal. Tambin puede serlo para los servicios de planificacin y gestin de personal, docente e investigador o de administracin y servicios, como
unidades responsables de realizar el control de situacin y elevar propuestas de mejora.
3.1. VOLUMEN DEL PERSONAL VS ACTIVIDAD DE LA UNIVERSIDAD

Un primer acercamiento a las categoras del personal de las Universidades pasa por la comparacin entre
los dos grandes colectivos del mismo: el PDI y el PAS y la relacin entre ellos y con las actividades fundamentales de la Universidad, la docencia y la investigacin.
A continuacin se analizar la estructura de PDI y PAS de cuatro Universidades de similar tamao en
relacin con su actividad docente, medida a travs del parmetro de su nmero de estudiantes, y con su
actividad investigadora. A efectos de simplificacin, sta ltima se presenta utilizando tan solo uno de los
criterios que pueden utilizarse para cuantificarla, el de fondos obtenidos, pero naturalmente un estudio
ms detallado debe considerar el resto de indicadores de investigacin.
526
PAS, PDI Y ESTUDIANTES

N ESTUDIANTES
PDI
PAS
RATIO
ALUMNOS:
PDI
RATIO
ALUMNOS:
PAS
RATIO PDI:
PAS
Universidad 1
25.047
2.621
1.365
9,5
18
1,92
Universidad 2 (misma Comunidad

Autnoma)
24.147
2.770
1.061
8,7
23
2,61
Universidad 3 (otra Comunidad

Autnoma)
25.701
2.181
1.120
11,8
23
1,95
Universidad 4 (otra Comunidad

Autnoma)
25.429
2.170
1.279
11,7
20
1,70
TOTAL UUPP presenciales
1.037.444
96.587
49.898
10,7
21
1,94
Media UE (19)
16,0
Media OCDE
15,3
Los datos muestran que la Universidad 1 se posiciona entre las de mayor nmero de efectivos de personal
docente e investigador, junto con la otra Universidad de la misma comunidad autnoma, frente a cifras
menores de otras comunidades, tanto si se consideran en trminos absolutos como si se atiende a la relacin entre alumnos y PDI, en los que las Universidades de la misma comunidad autnoma tienen cifras
ms bajas de alumnos por profesor que las de otras comunidades autnomas, alejndose ms que ellas y
que la media nacional de idntica ratio en los pases de la UE(19) y de la OCDE.
La Universidad 1 presenta datos sensiblemente ms elevados de personal de administracin y servicios
que sus pares y, por tanto, con menores tasas de eficiencia a igualdad de resultados, tanto si se consideran
los datos nominalmente como si se considera la relacin entre alumnos y PDI o entre alumnos y PAS.
El resultado mejora, sin llegar a ser bueno, si lo que se compara es el PDI con el PAS, ya que la Universidad
1 se sita cerca de la ratio 2:1, mostrando una menor eficiencia que la otra Universidad de la misma comunidad autnoma, en que cada PAS apoya a 2,61 profesores, pero siendo muy similar a la Universidad 3
y mejorando las cifras de la Universidad 4, en que cada PAS apoya a 1,70 profesores.
El anlisis de estos datos ha de ser prudente y compararse con otras variables (calidad de la enseanza,
composicin de los planes de estudios titulaciones lineales o de candelabro, que exigen mayor especializacin del personal -, inters estratgico de determinadas titulaciones que obliguen a su mantenimiento a pesar de su matrcula baja, gran volumen de actividad investigadora y de transferencia, nivel
de externalizacin de los servicios, etc.), pero del mismo puede resultar la necesidad de adoptar medidas
que logren incrementar la eficiencia del personal de mi Universidad.
527
PDI Y ACTIVIDAD INVESTIGADORA

PDI
INGRESOS POR
INVESTIGACIN
RATIO INGRESOS POR

INVESTIGACIN: PDI
UNIVERSIDAD 1
2.621
16.568.232,10
6.321,34
UNIVERSIDAD 2 (MISMA COMUNIDAD

AUTNOMA)
2.770
20.781.053,60
7.502,19
UNIVERSIDAD 3 (OTRA COMUNIDAD

AUTNOMA)
2.181
32.862.277,00
15.067,53
UNIVERSIDAD 4 (OTRA COMUNIDAD

AUTNOMA)
2.170
21.625.977,08
9.965,89
TOTAL UUPP PRESENCIALES
96.587
1.465.851.654,18
15.176,49
Los resultados de la Universidad 1 en relacin con los ingresos por investigacin referidos al volumen
de personal docente e investigador tambin figuran por debajo de los de las Universidades objeto de
comparacin y de la media nacional. Al igual que en el caso anterior, la orientacin docente e investigadora hacia las diferentes reas de conocimiento, el volumen de financiacin disponible a nivel regional y
otros factores similares pueden incidir en este resultado, que adems habr de matizarse con el anlisis
de otros indicadores de la actividad investigadora pero, de confirmarse, sugiere la necesidad de adoptar
medidas de fomento de la productividad investigadora.
3.2. DISTRIBUCIN POR CATEGORAS Y DEPARTAMENTOS DEL

PERSONAL DOCENTE E INVESTIGADOR
En funcin de su rgimen jurdico, podemos distinguir 3 grandes colectivos de personal docente con peculiaridades funcionales que pueden tener incidencia en la actividad acadmica y en la proyeccin futura de la Universidad, de la rama del conocimiento y del departamento en el que se encuadran:
528
el profesorado permanente doctor (catedrticos y titulares de Universidad y de escuela universitaria

y profesores contratados doctores) - en adelante, PPDoct. -, con plena capacidad docente e investigadora, que garantiza la calidad acadmica de los estudios y contribuye a la madurez investigadora de
las disciplinas en cuestin.
los profesores asociados (especialistas de reconocida competencia que ejercen su actividad profesional fuera del mbito acadmico de la Universidad) en adelante, PAsoc. -, cuya actividad se limita a la
docencia y aporta la comunicacin con el mundo del ejercicio profesional, el conocimiento prctico
y la aplicacin de las enseanzas que se imparten.
personal temporal en formacin o en las primeras fases de la carrera docente (ayudantes y profesores ayudantes doctores) en adelante, PInyF. -, que revitaliza la institucin y contribuye al relevo
generacional del sistema universitario y, particularmente, de la Universidad en que presta servicio.
La distribucin del profesorado en los diferentes grupos funcionales est determinada por lmites legales
pero, ms all de stos, un adecuado dimensionamiento de los mismos posiciona a la Universidad en una
determinada opcin y muestra su orientacin en el corto y en el largo plazo.
Un primer acercamiento a estos datos en las Universidades generalistas no suele presentar sorpresas:
Universidad 1PDI
GRUPO FUNCIONAL
TOTAL
PPDoct
60,36%
PAsoc
30,18%
PInyF
9,46%
TOTAL
100,00%
TOTAL UUPP presenciales
96.587
La masa crtica est compuesta por el profesorado permanente doctor, incorporando entre un cuarto y
un tercio del personal orientado a la conexin con la prctica profesional y un porcentaje variable de
profesorado en las primeras fases de su carrera o en formacin que garantiza el relevo generacional y que
debera estar por encima de la previsin de bajas por jubilacin u otras causas en los aos inmediatos.
Sin embargo, un anlisis ms profundo, por ramas de enseanza o, ms detalladamente, por departamento, puede poner de relieve desajustes que pueden implicar, si se extreman, dificultades para mantener la calidad de la oferta docente, comprometer la conexin de las enseanzas con la prctica profesional o dificultar la renovacin generacional.
Universidad 1PDI
GRUPO
FUNCIONAL
RAMAS DE ENSEANZA
CIENCIAS EXPERIMENTALES
CC SALUD
CC SOCIALES Y
JURDICAS
ARTES Y
HUMANIDADES
INGENIERA Y
ARQUITECTURA
PPDOCT
77,60%
40,03%
60,31%
70,51%
64,51%
PASOC
8,53%
54,75%
28,82%
18,74%
26,14%
PINYF
13,87%
5,23%
10,86%
10,75%
9,35%
TOTAL
100,00%
100,00%
100,00%
100,00%
100,00%
529
En la tabla se aprecia que determinadas ramas del saber como ciencias de la salud cuentan con un
porcentaje de profesores asociados superior al 50%, debido a las peculiares caractersticas de las titulaciones y a la interaccin entre los sistemas pblicos sanitario y universitario para el desarrollo de la
docencia prctica, tan importante en estas titulaciones, mientras que otras como las ciencias biolgicas
y qumicas o la filosofa y letras no llegan al 20%, presentando una limitacin en la transmisin de la
formacin relacionada con el desempeo profesional.
Tambin en la rama de ciencias de la salud se aprecia un porcentaje menor de profesorado permanente
doctor y el reducido volumen de profesorado inicial y en formacin, debido a la importante orientacin
clnica de la formacin de los profesionales de este mbito frente a la tradicional investigadora, habitual en otras ramas.
Por otra parte, la evolucin de las necesidades docentes, asociada a la oferta y demanda de titulaciones
y al nmero de estudiantes matriculados en las mismas puede condicionar que no se considere adecuado dotar nuevo personal en determinados departamentos con baja carga docente, no ofertndose
u ofertndose un nmero reducido de plazas para profesores en la primera fase de la carrera docente o
en formacin y, por tanto, limitando el necesario relevo generacional y las posibilidades de desarrollo
futuro de estudios de esa rama de enseanza en la Universidad.
3.3. TEMPORALIDAD DEL PERSONAL DE ADMINISTRACIN Y

SERVICIOS
Mientras la temporalidad del personal docente e investigador es consustancial a algunas de las categoras de profesorado por configurarse as en su regulacin legal, lo normal es que el personal de administracin y servicios preste servicios con carcter fijo y las relaciones temporales se presentan como
una situacin excepcional en el marco general del Estatuto Bsico del Empleado Pblico y del Estatuto
de los Trabajadores.
Frente a otras administraciones pblicas, las Universidades presentan la peculiaridad de que la mayor
parte de la financiacin de la actividad investigadora depende de las subvenciones para proyectos de
investigacin obtenidas en convocatorias competitivas, con el riesgo de fluctuaciones que implica, condicionando la inestabilidad del empleo relacionado.
Por otra parte, no es infrecuente que las necesidades estructurales de personal de administracin y servicios presenten niveles importantes de temporalidad aunque estn provistas mediante financiacin
bsica estable. El anlisis de este fenmeno puede realizarse mediante diferentes acercamientos:
Evolucin respecto a aos anteriores
Los datos que se incluyen a continuacin son los de una Universidad que ha ido modificando sus re530
laciones de puestos de trabajo atendiendo a una mayor necesidad de personal pero no ha acompaado
este crecimiento con la convocatoria de procesos selectivos de personal fijo, que slo se han producido en
pocas ocasiones, sino que ha ido incorporando fundamentalmente personal temporal.
Evolucin nominal del PAS fijo y temporal
2000
2001
2002
2003
2004
2005
P. FIJO
466
465
466
465
472
471
P. TEMPORAL
142
179
221
259
269
267
Evolucin porcentual del PAS fijo y temporal

2000
2001
2002
2003
2004
2005
P. FIJO
76,64%
72,20%
67,83%
64,23%
63,70%
63,82%
P. TEMPORAL
23,36%
27,80%
32,17%
35,77%
36,30%
36,18%
Comparacin de la situacin actual con los objetivos de la poltica de recursos humanos

Se trata de valorar el grado de cumplimiento de objetivos diseados en la poltica de recursos humanos
en relacin con la temporalidad o fijeza de los efectivos.
En la Universidad del apartado anterior se fija el objetivo de reducir el empleo temporal mediante la
convocatoria de los procesos selectivos correspondientes. La evolucin de los efectivos en 2006 se aade
a continuacin en la tabla:
Evolucin nominal del PAS fijo y temporal
2000
2001
2002
2003
2004
2005
2006
P. FIJO
466
465
466
465
472
471
626
P. TEMPORAL
142
179
221
259
269
267
149
Y puede apreciarse mejor en el siguiente grfico que expresa la reduccin de la temporalidad desde el
entorno del 36% al del 25% en el primer ao de aplicacin de las medidas:
531
GRFICO 1
DESCRIPCIN: reduccin de la temporalidad desde el entorno del 36% al del 25% en el primer ao de aplicacin de las medidas.
% PAS FIJO Y TEMPORAL

90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
2000
2001
2002
2003
2004
2005
2006
P. FIJO
P. TEMPORAL
3.4. ANLISIS DE LA RELACIN ENTRE LA COMPOSICIN DEL

PERSONAL DOCENTE E INVESTIGADOR Y LA CARGA ACADMICA
(DOCENTE E INVESTIGADORA)
Dado que habitualmente las variaciones en la actividad docente e investigadora de un departamento
no se producen de manera repentina, es frecuente que la evolucin de la distribucin de su personal se
acompase con la variacin en la actividad.
As, si analizamos la relacin entre el porcentaje de personal del departamento en las primeras fases de
la carrera docente o en formacin y lo relacionamos con el coeficiente de actividad del departamento,
resultado de hallar el porcentaje de la actividad acadmica (docente e investigadora) del departamento
entre su capacidad acadmica (docente e investigadora), obtendremos resultados en los que los departamentos con coeficientes de actividad superiores al 100% tienen personal en formacin. En la mayor
parte de los casos, este personal supera el 10% del personal del departamento, llegando en algunos casos
al entorno del 24%.
532
DEPTO.
% PINYF S/ TOTAL PERSONAL DEPTO.
COEF. ACTIVIDAD DEPTO.
Z011
13,16%
105,2
Z018
24,00%
106,7
Z021
19,23%
108,5
Z024
10,42%
102,3
Z028
23,64%
115
Z036
12,77%
101
Z045
13,51%
100,9
Z048
15,79%
102,8
Z052
14,29%
114
Z053
9,45%
105,7
Z056
13,95%
103,4
Z060
8,89%
101,1
Z068
17,39%
110,9
Z069
10,69%
107,5
Z070
15,79%
110,2
Z072
16,67%
105,3
Z074
10,34%
101,1
Z082
8,33%
104,3
Z083
13,04%
117,8
Z084
18,75%
116
Por el contrario, los departamentos que tienen un coeficiente de actividad inferior al 90% tan solo en muy
pocas ocasiones tienen personal en formacin y, cuando lo tienen, nunca alcanza el 10% del personal del
departamento.
533
DEPTO.
Z013
4,72%
74,77
Z027
8,00%
89,48
Z030
9,73%
89,99
Z046
6,79%
86,56
Z065
9,09%
84,14
Z080
7,14%
86,51
En los departamentos con coeficientes de actividad entre el 90 y el 100%, se dan situaciones mixtas.
DEPTO.
Z012
10,20%
98,56
Z015
7,69%
97,34
Z016
8,82%
90,58
Z019
11,27%
90,83
Z020
14,06%
95,65
Z023
2,97%
95,95
Z025
10,53%
97,04
Z026
13,95%
91,63
Z029
13,89%
96,81
Z033
13,79%
98,5
Z044
8,33%
93,52
Z047
15,00%
96,93
Z051
12,12%
97,37
Z061
9,09%
95,89
Z073
13,64%
94,26
El anlisis es similar en relacin con el porcentaje de profesores asociados y su relacin con la actividad
de los departamentos, aunque presenta distorsiones en funcin de las necesidades de docencia prctica
534
y, significativamente, en el caso de los departamentos que imparten docencia en titulaciones de la rama

de ciencias de la salud.
En los departamentos con coeficiente de actividad superior a 100, es ms habitual encontrar porcentajes
de profesores asociados prximos o por encima del 20%.
DEPTO.
% PASOC S/ TOTAL PERSONAL DEPTO.
Z011
15,79%
105,2
Z018
30,00%
106,7
Z021
30,77%
108,5
Z024
25,00%
102,3
Z028
12,73%
115
Z036
17,02%
101
Z045
8,11%
100,9
Z048
20,12%
102,8
Z052
25,71%
114
Z053
14,52%
105,7
Z056
17,02%
103,4
Z060
28,89%
101,1
Z068
19,57%
110,9
Z069
26,23%
107,5
Z070
17,25%
110,2
Z072
9,42%
105,3
Z074
10,34%
101,1
Z082
47,62%
104,3
Z083
9,23%
117,8
Z084
21,88%
116
Mientras que los porcentajes son muy inferiores en los departamentos con coeficiente de actividad por
debajo del 90%, salvo en los supuestos de imparticin de docencia en ciencias de la salud.
535
DEPTO.
% PASOC S/ TOTAL PERSONAL DEPTO.
Z013
76,42%
74,77
Z027
16,00%
89,48
Z030
10,72%
89,99
Z046
17,34%
86,56
Z065
29,55%
84,14
Z080
30,95%
86,51
3.5. SELECCIN DEL PERSONAL DE ADMINISTRACIN Y

SERVICIOS
Si bien la temporalidad del personal docente est asociada a la distribucin en categoras de este colectivo, la del personal de administracin y servicios est ms bien relacionada con la capacidad de una
administracin de un tamao determinado para realizar y resolver, con la fluidez conveniente y las garantas debidas, las convocatorias pblicas necesarias para proporcionar a la organizacin la estabilidad
de plantilla imprescindible para el buen funcionamiento de los servicios.
La seleccin del PAS ha de satisfacer la gran diversidad de necesidades de una organizacin excepcionalmente compartimentada si se considera su tamao, lo que condiciona sistemas selectivos muy desagregados, con un gran nmero de convocatorias para, proporcionalmente, un nmero reducido de plazas,
sobre todo en el caso del personal laboral.
Se representan a continuacin la evolucin de procesos selectivos convocados y del nmero de las plazas
que han incluido, para el caso de la Universidad a la que se haca referencia en el apartado 5.3.
536
GRFICO 2
DESCRIPCIN: Seleccin: evolucin de procesos convocados.
40
35
n de procesos
30
25
20
15
10
FUNCIONARIOS
LABORALES
FIJOS
2000
2001
2002
2003
2004
2005
2003
2004
2005
aos
GRFICO 3
DESCRIPCIN: Seleccin: evolucin de plazas convocadas.
140
120
n de procesos
100
FUNCIONARIOS
LABORALES
FIJOS
LABORALES
TEMPORALES
80
60
40
20
0
2000
2001
2002
aos
Como puede apreciarse, las convocatorias para la provisin de necesidades temporales han disminuido
en 2005, incrementndose las de personal fijo, correspondiendo con la voluntad de la Universidad de
reducir la temporalidad en las plazas estructurales.
537
El elevado nmero de plazas convocadas (en proporcin mayor en funcionarios para un menor nmero
de procesos) ha permitido la consolidacin de empleo temporal que ya ha surtido parcialmente efectos
en el ejercicio 2006.
4. CONCLUSIONES
La rigidez de las plantillas de personal docente e investigador condiciona la distribucin de categoras
de profesorado.
El personal docente e investigador se caracteriza por un elevado nivel de especializacin que dificulta la
adaptacin de las plantillas a la evolucin de la demanda de estudios y puede condicionar la actividad
de la Universidad, que no puede utilizar, como en otros colectivos, herramientas para el reciclaje del personal.
Por ello, la cada de la matrcula en determinadas titulaciones en favor de otras determina la inmovilizacin de las dotaciones de personal de los departamentos en los que, por tener una baja carga docente, la
Universidad decide no convocar plazas de nuevo ingreso, limitando la renovacin generacional y propiciando el envejecimiento de la plantilla.
La Universidad puede, adems, en caso de profundizacin en la reduccin de la carga docente de un departamento, reducir el nmero de profesores asociados, lo que puede llegar a implicar una limitacin en
la aportacin de esta clase de profesorado a la formacin prctica de los estudiantes.
La desagregacin del PAS a efectos de seleccin dificulta la fluidez de las convocatorias de plazas fijas.
La correccin de los excesos de temporalidad del personal de administracin y servicios en plazas estructurales en las Universidades se realiza mediante convocatorias pblicas de procesos selectivos.
La clasificacin profesional del PAS de las Universidades se estructura a travs de escalas propias de funcionarios y del sistema de categoras de personal laboral y, normalmente, est muy diversificada debido
a la complejidad de la organizacin universitaria.
Ello condiciona el espaciamiento, a veces excesivo, de las convocatorias de los procesos a que se ha hecho referencia, incrementando el nivel de temporalidad y generando en el personal temporal de larga
duracin expectativas de continuidad en la relacin laboral o estatutaria que complican la gestin de las
convocatorias siguientes al generar demandas de procesos de consolidacin de empleo.
Por otra parte, la seleccin de personal temporal se realiza en algunos casos mediante convocatorias
especficas y, en muchos otros casos, como consecuencia de la aplicacin de listas de espera constituidas
con los candidatos que superaron los ejercicios de la ltima oposicin pero no obtuvieron destino en la
misma por razn del nmero de plazas convocadas.
538
Estas dos circunstancias (listas de espera de los que no obtuvieron plaza + retraso en la convocatoria de
los procesos selectivos siguientes que justifica procesos de consolidacin de empleo) se complementan y
pueden generar conflictos de expectativas entre los aspirantes con puntuacin en fase de concurso por
razn de su relacin temporal previa con la Universidad y los que no la tienen. La solucin en estos casos
es compleja, no siempre satisfactoria ni justa.
5. DECISIONES POSIBLES
En base al anlisis mostrado se podran tomar las siguientes decisiones:
Aprovechamiento del profesorado excedentario mediante diversificacin de la actividad.
Mejoras en el reparto de la docencia que permita la asignacin de profesorado excedentario a

asignaturas ms generales de los primeros cursos de grado. Establecimiento, donde los planes de
estudio lo posibiliten, de asignaturas generales comunes a diversas titulaciones.
Establecimiento de titulaciones on line demandadas a nivel nacional o internacional.
Fomento de cursos de formacin permanente en las reas con personal infrautilizado.
Fomento de la productividad investigadora y de transferencia, as como de las acciones de internacional.
Establecimiento de contratos programa u otras medidas presupuestarias y de personal para premiar o sancionar a los departamentos que faciliten o dificulten el mejor aprovechamiento de los
recursos.
Mejoras en los procesos selectivos de PAS
Incorporacin una mayor fluidez en la realizacin de convocatorias selectivas, simplificando los

procesos selectivos para que no sean tan gravosos, dirigindolos especficamente a la prueba de
las habilidades requeridas en los puestos de trabajo del mbito respectivo.
Disminucin del peso de la puntuacin de la fase de concurso en los procesos selectivos libres.
539
CUL ES EL COSTE
DE LAS TITULACIONES?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autor
Daniel Snchez Toledano

Profesor Titular del departamento de Contabilidad
y Gestin de la Universidad de Mlaga
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 5: CUL ES EL COSTE DE LAS TITULACIONES?
CAPTULO 5
CUL ES EL COSTE
DE LAS TITULACIONES?
1. UTILIDAD DE LA PREGUNTA SEGN COLECTIVOS

Equipo rectoral/Consejo Social: Como mximo decisor de la Universidad, necesita conocer los costes derivados de la oferta acadmica de la institucin para adoptar las decisiones que resulten pertinentes de
acuerdo a su estrategia, tanto en el mbito de la introduccin de nuevas titulaciones como del anlisis
y reorganizacin de la oferta formativa de la Universidad, as como para la fijacin de precios pblicos.
Decano/Director de Centro/Director de Departamento: Le resulta til conocer el coste de las titulaciones
en la medida en que propone incluir nuevas titulaciones regladas y no regladas- en la oferta de la Universidad. En consecuencia, parece lgico suponer que necesita realizar un anlisis de viabilidad de las
mismas tanto para analizar la razonabilidad y oportunidad de las propuestas elevadas al equipo rectoral
como para informar a ste de los costes de las mismas para la oportuna toma de decisiones por parte de
ste.
Adems de ello, como partcipes en la prestacin del servicio y, por tanto, en la formacin del coste del
mismo, con determinadas partidas controlables por su gestin, resulta til disponer de dicha informacin para orientar la toma de decisiones a su nivel de responsabilidad y la bsqueda de la eficiencia en la
prestacin de los servicios propios del Centro de enseanza o Departamento.
Alumnos: Aunque en este mbito, sus decisiones se articulan sobre la base de los precios pblicos de las
enseanzas ofertadas por la Universidad, est interesado en conocer que dichos costes no superan el
importe de los precios pagados y/o qu parte del coste est cubriendo con el precio pagado.
Administracin Pblica financiadora: Est interesada en conocer la cobertura de los precios pblicos sobre el coste de la prestacin del servicio para la racionalizacin de los recursos asignados a su sistema de
educacin superior.
542
Como se ha sealado en la formulacin de la pregunta clave de gestin, resulta de gran utilidad a los
diferentes niveles gerenciales de la Universidad el conocimiento del coste de las enseanzas que oferta.
El anlisis de tales costes y, en consecuencia, de los recursos que la Universidad consume para la prestacin del servicio, debe articularse en diferentes niveles.
A priori, las coordenadas de su estudio pueden situarse sobre dos grandes reas de anlisis:
Estructura de la oferta docente:
Oferta de nuevas titulaciones
Racionalizacin de las existentes
Tipologa de enseanza:
Enseanzas regladas
Otras enseanzas
Respecto a la estructura de la oferta, el planteamiento se sita, como se ha indicado, tanto en el mbito

de la viabilidad de la oferta de nuevas titulaciones, como en el relativo a la racionalizacin y eficiencia en
la prestacin del servicio para las ya existentes.
Sin embargo, como se destaca en el segundo eje propuesto, el planteamiento aparece condicionado a la
tipologa de enseanza analizada, radicalmente diferente para las enseanzas regladas de carcter oficial, normalizadas a nivel nacional, prestadas a usuarios que satisfacen precios pblicos que no cubren el
coste del servicio y que, por su utilidad social, son subvencionadas por las Administraciones Pblicas, de
los ttulos propios y el resto de enseanzas de la Universidad que, generalmente, deben autofinanciarse
con la matrcula, es decir, los precios deben cubrir sus costes o, si la Universidad considera apropiado
financiar en mayor o menor medida algunas de tales enseanzas, precisa conocer los costes para planificar y adoptar decisiones en relacin a tales coberturas.
En cualquiera de los casos, la necesidad de garantizar una gestin transparente y eficiente de los recursos
pblicos, obliga a considerar la gestin de costes de las titulaciones como uno de los elementos clave de
la gestin econmica-financiera de la institucin.
543

2.1. ANLISIS DEL COSTE DE TITULACIONES EXISTENTES: COSTE
DE LA TITULACIN X
2.1.1. ANLISIS DEL COSTE TOTAL DE LA TITULACIN
Se sita el estudio del coste de la titulacin X de una Universidad en el marco de su Plan Estratgico
para el perodo 2006-2010, en relacin a la mejora de la eficiencia y, en particular, respecto al coste de la
docencia en sus titulaciones de grado, con el objeto fundamental de conocer en qu estudios no se estn
alcanzando los objetivos previstos y el nivel de cumplimiento de stos.
En este sentido, dada la escasa experiencia en el clculo de costes, la Universidad no estableci objetivos
concretos de coste para sus titulaciones sino tan slo un objetivo general concretado en ajustar el crecimiento de los costes de docencia a la evolucin del IPC para el perodo de referencia, en un escenario de
estabilidad en el nmero de alumnos matriculados, as como identificar las posibles ineficiencias en la
prestacin del servicio.
Los datos de costes totales y promedios por Alumno Equivalente a Tiempo Completo (en adelante AETC)
del conjunto de las titulaciones; y nmero de AETC para el perodo de referencia fueron los que se recojen
en la tabla 1:
TABLA 1
DESCRIPCIN: Coste total y promedio y nmero de alumnos equivalentes a tiempo completo de la Titulacin X. Cursos 2006/07 a
2009/10.
CURSO 2006/07
CURSO 2007/08
CURSO 2008/09
CURSO 2009/10
COSTE TOTAL
3321320,92
3602511,86
3781591,44
3838163,90
AETC
1175
1065
1002
970
COSTE PROMEDIO
2826,66
3382,64
3774,04
3956,87
En una primera aproximacin a la cuestin, se ha producido, tal y como se aprecia en la cuadro 1., un
significativo incremento del coste total de docencia del Grado X. Sin embargo, dicho crecimiento ha ido
desacelerndose a lo largo del tiempo, partiendo de un entorno de crecimiento cercano al 8% (7,81%), para
el curso 2007/08, a una variacin del 1,47% para el curso 2009/10, como se observa tanto en trminos
absolutos como porcentuales.
544
CUADRO 1
DESCRIPCIN: Evolucin del coste total de la Titulacin X en trminos absolutos y relativos. Cursos 2006/07 a 2009/10.
COSTE TOTAL
3950000
3850000
3750000
3650000
3550000
3450000
COSTE TOTAL
3350000
3250000
Curso
2006/07
Curso
2007/08
Curso
2007/08
Curso
2009/10
% INCREMENTO COSTE TOTAL

8,00%
7,00%
6,00%
5,00%
4,00%
3,00%
2,00%
% INCREMENTO
COSTE TOTAL
1,00%
0,00%
-1,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
Tales incrementos se sitan claramente por encima de la evolucin del ndice de precios al inicio de la
serie temporal analizada, presentando, no obstante, una senda de moderacin que conduce a valores un
1% por debajo del IPC para el Curso 2009/10.
545
CUADRO 2
DESCRIPCIN: Evolucin del coste total de la Titulacin X y del IPC en el perodo analizado.
% INCREMENTO COSTE TOTAL

8,00%
7,00%
6,00%
5,00%
4,00%
3,00%
% INCREMENTO
COSTE TOTAL
IPC
2,00%
1,00%
0,00%
-1,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
Para explicar tal comportamiento se hace preciso estudiar los componentes de dicha magnitud.
Dicho anlisis puede articularse a travs de diversos ejes:
Estudio del coste de los diferentes consumos vinculados al grado (personal PDI-; personal PAS;
material docente; suministros; amortizaciones de espacios e instalaciones, ).
Estudio de la participacin en la formacin del coste del Grado X de los diferentes centros de la Universidad (Departamentos, Aularios, Bibliotecas y Laboratorios, Decanato, Secretara, Otros centros de
soporte centralizado y descentralizado, ).
Estudio de la participacin en el Grado del coste de las diversas asignaturas y actividades acadmicas
que lo integran.
2.1.1.1. ANLISIS DE ELEMENTOS DE COSTE (CONSUMOS)

ASOCIADOS AL GRADO X
Respecto al primero de dichos ejes, el comportamiento de los consumos aplicados para la enseanza del
Grado X, podemos observar en el cuadro 3 la preminencia del coste de personal respecto al resto de partidas.
546
CUADRO 3
DESCRIPCIN: Composicin del coste total de la Titulacin X en trminos absolutos y relativos. Cursos 2006/07 a 2009/10.
4000000,00
3500000,00
OTROS COSTES
3000000,00
COSTE AMORTIZACIONES
2500000,00
COSTE SUMINISTROS
2000000,00
COSTE ADQUISICIN
BIENES Y SERVICIOS
1500000,00
COSTES PAS
1000000,00
COSTES PDI
500000,00
0,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
100,00
90,00
80,00
70,00
OTROS COSTES
60,00
COSTE SUMINISTROS
50,00
40,00
COSTE ADQUISICIN
BIENES Y SERVICIOS
30,00
COSTES PAS
COSTES PDI
20,00
10,00
0,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
Que, de hecho, llega a representar ms del 70% del coste total del Grado X. En concreto, el coste del PDI
pasa de representar un 47% del coste total en el curso 2006/07 a un 48,50% en el curso 2009/10, mientras
que el coste del PAS se mantiene estable con un ligero retroceso desde el 25% al 24,64% del total.
547
Por su parte, en los cuadros 4 y 5 puede observarse la evolucin, tanto en trminos absolutos como relativos, del coste total y las diferentes partidas que lo integran para el perodo de referencia y su comparacin con la evolucin del IPC.
CUADRO 4
DESCRIPCIN: Evolucin en trminos absolutos del coste total de la Titulacin X y de las diferentes partidas que lo integran. Cursos
2006/07 a 2009/10.
3900000,00
3400000,00
2900000,00
2400000,00
COSTE TOTAL
1900000,00
COSTES PDI
1400000,00
COSTES PAS
COSTE ADQUISICIN
BIENES Y SERVICIOS
OTROS COSTES
548
900000,00
400000,00
-100000,00
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
CUADRO 5
DESCRIPCIN: Evolucin en trminos relativos del coste total de la Titulacin X y de las diferentes partidas que lo integran y comparacin con la evolucin del IPC. Cursos 2006/07 a 2009/10.
% VARIACIN COSTES VS IPC

12,00%
% VARIACIN COSTE TOTAL
% VARIACIN COSTES PDI
% VARIACIN COSTES PAS
% VARIACIN COSTE
ADQUISICIN BIENES
Y SERVICIOS
10,00%
8,00%
6,00%
% VARIACIN COSTE
SUMINISTROS
4,00%
2,00%
OTROS COSTES
IPC
0,00%
Curso
2007/8
Curso
2008/09
Curso
2009/10
Puede apreciarse el dinamismo inicial de la partida coste de PDI con incrementos cercanos al 12% (11,56%)
muy por encima de la inflacin de los perodos de referencia, que va suavizando su comportamiento
hasta ajustarse a un crecimiento casi nulo (0,46%), por debajo de la evolucin del IPC, en el curso 2009/10.
Igualmente destaca el comportamiento del PAS, con un progresivo ajuste que lo sita en torno a la evolucin de la inflacin en el curso 2009/10 y de la partida de suministros, que presenta un comportamiento
crecientemente acelerado pero que, por su escaso peso relativo sobre el total (en el entorno del 4%), no
condiciona significativamente el comportamiento final del coste total de la docencia del grado.
Analizados los datos de personal, se deduce que dichos incrementos han venido explicndose tanto por
el crecimiento natural de la masa salarial por antigedad de la plantilla- como por aumentos y promociones de la plantilla de profesorado y personal de administracin y servicios en los cursos 2007/08 y
2008/09.
Tales aumentos de la plantilla de profesorado han tenido un efecto destacado en el promedio de dedicaciones del PDI que ha pasado de un valor inicial de 217,50 crditos (7,25 horas semanales) en el curso
2006/07 a un total de 187,20 crditos (6,24 horas semanales) en el curso 2009/2010, con una reduccin
inicial cercana al 10% que ha ido atenundose hasta convertirse en un ligero aumento del 1,22% en la
dedicacin promedio del PDI en el curso 2009/10.
549
CUADRO 6
DESCRIPCIN: Evolucin de la dedicacin en crditos del PDI a la Titulacin X en trminos absolutos y relativos. Cursos 2006/7 a
2009/10.
N CRDITOS DEDICACIN PROMEDIO PDI

220,00
210,00
200,00
190,00
180,00
N CRDITOS
DEDICACIN
PROMEDIO PDI
170,00
160,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
% VARIACIN DEDICACIN PDI

2,00%
0,00%
-2,00%
-4,00%
-6,00%
-8,00%
% VARIACIN
DEDICACIN PDI
550
-10,00%
-12,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
2.1.1.2. PARTICIPACIN DE LOS DISTINTOS CENTROS DE LA

UNIVERSIDAD EN LA FORMACIN DEL COSTE TOTAL DEL GRADO X
Respecto al segundo eje de anlisis, la participacin de los diferentes centros de la Universidad en la
formacin del coste del Grado X, en los cuadros 7 y 8 puede apreciarse la participacin de aqullos en el
coste total.
CUADRO 7
DESCRIPCIN: Evolucin del coste total del Grado X y de los diferentes centros de la Universidad que participan en la formacin de
dicho coste. Cursos 2006/07 a 2009/10.
3900000,00
3400000,00
2900000,00
2400000,00
COSTE TOTAL
1900000,00
COSTES
DEPARTAMENTOS
1400000,00
COSTES AULARIOS
COSTE BIBLIOTECAS Y
LABORATORIOS
900000,00
COSTE DECANATO
400000,00
-100000,00
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
OTROS OTROS
CENTROS DE
SOPORTE
551
CUADRO 8
DESCRIPCIN: Evolucin del coste total del Grado X y de la participacin de los diferentes centros de la Universidad en la formacin de
dicho coste. Cursos 2006/07 a 2009/10.
4000000,00
3500000,00
3000000,00
COSTE OTROS
CENTROS DE
SOPORTE
2500000,00
COSTE SECRETARA
2000000,00
COSTE DECANATO
1500000,00
COSTE BIBLIOTECAS
Y LABORATORIOS
1000000,00
COSTE AULARIOS
500000,00
0,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
COSTE
DEPARTAMENTOS
En este sentido, se observa la participacin destacada de Departamentos, especialmente por su carcter

intensivo en personal PDI para la prestacin del servicio.
De hecho, su participacin se sita en el entorno del 44% de los costes totales del grado, como puede apreciarse en el cuadro 9 en la que se representa el porcentaje que los diferentes grupos de centros aportan a
la formacin del coste total del Grado X.
552
CUADRO 9
DESCRIPCIN: Evolucin en trminos relativos de la participacin de los diferentes centros de la Universidad en la formacin del coste
del Grado X. Cursos 2006/07 a 2009/10.
100,00
90,00
80,00
70,00
COSTE OTROS
CENTROS DE
SOPORTE
COSTE SECRETARA
COSTE DECANATO
COSTE BIBLIOTECAS
Y LABORATORIOS
COSTE AULARIOS
COSTE
DEPARTAMENTOS
60,00
50,00
40,00
30,00
20,00
10,00
0,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
En esta lnea de anlisis, resulta de gran utilidad disponer de datos sobre la formacin escalonada del
coste del servicio, identificando, de forma perfectamente diferenciada los costes operativos vinculados
a la prestacin directa del servicio (docencia de departamentos, aularios, etc.), los costes de soporte descentralizado o estructura vinculados al grado (secretara, decanato, etc.) y los costes de estructura general
o soporte centralizado de la Universidad, conocimiento relacionado con una adecuada identificacin de
costes controlables a cada nivel de gestin (departamento, centro de enseanza, Universidad) y de costes
variables y fijos en relacin a la ocupacin de recursos.
Esta informacin adquiere gran inters para la toma de decisiones en el mbito de la racionalizacin de
los recursos disponibles, va identificacin de holguras respecto a la capacidad potencial del profesorado
de los departamentos, infrautilizacin de las instalaciones de la Universidad (aularios) y demandas potenciales de formacin, que podran aconsejar el trasvase de profesorado entre departamentos de igual
rea de conocimiento o de reas de similar contenido, la reestructuracin de grupos, creacin de grupos
de dobles titulaciones, agrupacin de titulaciones de grado de diversos centros de similar contenido en
un solo centro, y otras decisiones tendentes a mejorar la eficiencia de los recursos utilizados, optimizar la
oferta formativa y reducir los costes promedio del servicio.
Por ltimo, en el cuadro 10 se representa la evolucin del coste de los centros respecto al coste total y al
IPC a lo largo del perodo de referencia.
553
CUADRO 10
DESCRIPCIN: Evolucin del coste de los centros respecto al coste total del grado X y respecto al IPC. Cursos 2006/07 a 2009/10.
12,00%
COSTE TOTAL
COSTE
DEPARTAMENTOS
10,00%
COSTE AULARIOS
8,00%
COSTE BIBLIOTECAS
Y LABORATORIOS
6,00%
COSTE DECANATO
4,00%
COSTE SECRETARA
COSTE OTROS
CENTROS DE
SOPORTE
2,00%
0,00%
Curso
2007/8
Curso
2008/09
Curso
2009/10
IPC
-2,00%
Igualmente, en dicho grfico, resulta preciso destacar el dinamismo del comportamiento del coste de
los Departamentos, muy ligado al anteriormente comentado componente de coste de personal PDI y
responsable en gran medida del incremento de los costes totales, pero que para el curso 2009/10 ya
contribuye positivamente a su comportamiento, con una reduccin del 0,86%. Igualmente destacar la
evolucin positiva del coste del Decanato y los Aularios.
2.1.1.3. PARTICIPACIN EN EL COSTE DEL GRADO X DE LAS

DIFERENTES ASIGNATURAS Y ACTIVIDADES ACADMICAS QUE LO
INTEGRAN
Por ltimo, el tercer eje de anlisis se sita en el estudio de la participacin en el Grado del coste de las
diversas asignaturas y actividades acadmicas que lo integran.
A ttulo de ejemplo, se representan, en el cuadro 11, seis de las asignaturas que conforman el Grado, impartidas por tres Departamentos diferentes.
554
CUADRO 11
DESCRIPCIN: Evolucin de la participacin en el coste total del Grado X del coste de las asignaturas 1 a 6. Cursos 2006/07 a
2009/10.
CUADRO 11
250000,00
230000,00
ASIGNATURA 1
(DEP. Y)
210000,00
ASIGNATURA 2
(DEP. Y)
ASIGNATURA 3
(DEP. Z)
190000,00
ASIGNATURA 4
(DEP. N)
170000,00
ASIGNATURA 5
(DEP. N)
150000,00
ASIGNATURA 6
(DEP. N)
130000,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
En dicho cuadro se observan diferencias significativas en el coste de las asignaturas y cierta agrupacin
de valores por departamentos.
A efecto de identificar los factores explicativos de dicho comportamiento, resulta preciso analizar los
desencadenantes de las diferencias en el coste de las asignaturas (n crditos, categora administrativa y
antigedad del profesor responsable de la docencia, grado de experimentalidad de la materia, costes promedio del Departamento, utilizacin de laboratorios o instalaciones especiales para su imparticin, nmero de grupos de teora y prcticas y de alumnos por grupo, etc.) de manera que sea posible conocer el
proceso de formacin de sus costes, e investigar y delimitar posibles ineficiencias y potenciar eficiencias
en la prestacin del servicio ofertado, pues en este mbito, la toma de decisiones no se articula, generalmente, en torno a la inclusin o no de determinadas asignaturas o actividades docentes por motivos econmicos, sino acadmicos, por considerarse necesarias o venir legalmente impuestas para dicho estudio.
2.1.1.4. VALORACIN CONTEXTUAL. COMPARACIN COSTES

TOTALES DEL GRADO X CON REFERENCIAS INTERNAS E
INTERNAS
El anlisis de cualesquiera referencias de una Universidad (rendimiento acadmico, produccin cientfica, etc.) no puede estudiarse como un fenmeno aislado sino que, por el contrario, para poder enjuiciar la
555
bondad de la gestin de la institucin, es preciso establecer puntos de comparacin que permitan situarnos frente tanto a los objetivos planificados por la propia institucin, como a los valores alcanzados por
otras organizaciones o a promedios de referencia territoriales, que posibiliten polticas de benchmarking
orientadas a la mejora de la prestacin de servicios, el desempeo y la eficiencia de la Universidad.
Esta realidad es igualmente vlida en el mbito de la gestin econmico-financiera de la Universidad y,
en particular, de la gestin de sus costes.
No obstante, tal comparacin no adquiere especial utilidad para la gestin cuando las referencias se
articulan sobre el coste total de las titulaciones que, sin consideracin de los alumnos matriculados en
las mismas y, en consecuencia, de la intensidad del servicio (nmero de grupos, direccin y evaluacin de
actividades individuales del alumno, etc.), no permite alcanzar un conocimiento objetivo sobre la productividad y eficiencia real de los servicios.
Por el contrario, la formulacin de parmetros de comparacin adquieren especial relevancia en el mbito de los costes promedio, que abordamos en el apartado 2.1.2.1.
2.1.2. ESTUDIO DE LOS COSTES PROMEDIO DE LA TITULACIN X

Con independencia de la importancia de las referencias absolutas representadas por el coste total de la
titulacin y sus distintos componentes y agregados, para alcanzar un adecuado conocimiento del comportamiento real de los mismos y de los niveles de eficiencia alcanzados, adquiere gran relevancia el
anlisis de referencias relativas que vinculen tales costes con el nivel de servicio prestado y de demanda
del mismo (alumnos matriculados, alumnos egresados que superan la titulacin, etc.)
A partir de los datos del indicador de costes promedio para el Grado X desde el curso 2006/07 al curso
2009/10, podemos analizar la evolucin histrica del coste de dicho Grado en los ltimos cuatro cursos
acadmicos, con el objeto tanto de estudiar y mejorar su comportamiento futuro como de identificar
tendencias generales y anticipar evoluciones probables.
556
CUADRO 12
DESCRIPCIN: Evolucin del coste promedio por AETC del Grado X en trminos absolutos. Cursos 2006/07 a 2009/10.
COSTE PROMEDIO AETC

4100,00
3900,00
3700,00
3500,00
3300,00
3100,00
2900,00
COSTE
PROMEDIO AETC
2700,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
CUADRO 13
DESCRIPCIN: Evolucin del coste promedio por AETC del Grado X en trminos relativos. Cursos 2006/07 a 2009/10.
% INCREMENTO COSTE PROMEDIO

22,00%
17,00%
12,00%
7,00%
2,00%
-3,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
% INCREMENTO
COSTE PROMEDIO
557
En los cuadros 12 y 13 se observa que el coste promedio del grado X ha sufrido un espectacular incremento
en los ltimos 4 cursos acadmicos, que alcanz cifras cercanas al 20% (la quinta parte del total) -19,67%en el curso acadmico 2007/08, moderando su ritmo de crecimiento curso a curso, situndose en el 4,84%
para el curso acadmico 2009/10.
Por otra parte, el cuadro 14 nos indica que estamos incumpliendo el objetivo de evolucin de costes promedio del grado X, claramente situado por encima de la evolucin del IPC, aunque con una clara mejora
en su comportamiento que ha permitido ajustar una diferencia superior a 15 puntos hasta reducirla a
una distancia menor a 1,5 puntos.
CUADRO 14
DESCRIPCIN: Evolucin del coste promedio por AETC del Grado X en trminos relativos. Cursos 2006/07 a 2009/10.
25,00%
20,00%
15,00%
10,00%
IPC INTERANUAL
5,00%
% VARIACIN COSTE
PROMEDIO GRADO X
0,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
Para conocer las razones que explican el negativo comportamiento del coste promedio del Grado X en
el perodo de referencia es preciso profundizar en las causas que lo motivan, situadas en relacin a las
dos variables que lo condicionan: de una parte, el coste total del Grado X y, de la otra, el nmero de AETC
matriculados en el Grado X
Analizado anteriormente el comportamiento creciente del coste total del Grado X y los elementos determinantes de dicho incremento es preciso atender al estudio de la evolucin del nmero de AETC, segundo factor explicativo del coste promedio del Grado X, junto a sus costes de docencia.
En este sentido, resulta necesario destacar que se ha producido una significativa reduccin en la matrcula, que ha pasado del entorno de los 1.200 AETC (1175 AETC) en el curso 2006/07, a menos de 1.000
alumnos (970 AETC) para el curso 2009/10. Cifras que representan una cada de la demanda del grado
del 17,45%.
558
No obstante, la cada en el nmero de AETC matriculados en el grado, que alcanz en el curso acadmico
2007/08 valores cercanos al 10% -10,33%-, ha ido moderando su evolucin hasta llegar al entorno del 3%
-3,30%- para el curso 2009/10, tal y como puede observarse en los cuadros 15 y 16.
CUADRO 15
DESCRIPCIN: Evolucin de comparativa de costes promedio del grado X frente a la evolucin del IPC. Curso 2006/07 a 2009/10
AETC
1200
1150
1100
1050
1000
950
AETC
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
CUADRO 16
DESCRIPCIN: Evolucin del nmero de AETC en trminos absolutos. Curso 2006/07 a 2009/10.
% DECREMENTO EATC
0,00%
-2,00%
-4,00%
-6,00%
-8,00%
-10,00%
-12,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
% DECREMENTO
EATC
559
Consecuencia de lo anterior, el estudio realizado nos permite comprender el notable incremento del coste promedio por AETC del Grado X, resultado del efecto combinado de importantes incrementos en el coste laboral derivados de contratacin de nuevo profesorado y promociones del existente, correlacionados
con una bajada de la dedicacin promedio del PDI del 13,93% en el perodo de referencia, con reducciones
de la demanda del Grado, materializada en una importante contraccin del nmero de AETC.
Este escenario, especialmente crtico para los primeros cursos de la serie temporal analizada (incremento
del coste promedio del Grado X del 19,67%), logra moderarse durante la serie y, especialmente, para el
ltimo curso acadmico, como consecuencia de la congelacin de contrataciones y promociones y una
cierta estabilizacin de la matrcula, que permiten que el coste promedio del Grado X tan slo avance un
4,84% en el curso 2009/10.
2.1.2.1. VALORACIN RESPECTO AL CONTEXTO: EVOLUCIN DEL

COSTE PROMEDIO DEL GRADO X. COMPARACIN CON LA MEDIA
DE LA UNIVERSIDAD, DEL REA O RAMA DE CONOCIMIENTO Y LA
DEL MISMO GRADO EN OTRAS UNIVERSIDADES
El siguiente anlisis nos permite conocer la situacin y evolucin del coste promedio por AETC del Grado
X en el contexto de la Universidad, de las diferentes reas o ramas de conocimiento y en el mbito de la
comparacin externa con el mismo grado en otras Universidades competidoras, Universidades de referencia o promedios territoriales (regional, nacional o internacional).
En primer lugar, efectuamos la comparacin con el coste promedio del Grado X en nuestra Universidad
frente al coste promedio del mismo grado en dos Universidades elegidas como referente. La primera de
ellas en la misma Comunidad Autnoma de nuestra Universidad (referente regional) y la otra en Espaa
(referente nacional). Igualmente, tambin se podra haber establecido la comparativa con el dato promedio de la Comunidad Autnoma o nacional si se dispone del mismo.
560
CUADRO 17
DESCRIPCIN: Evolucin comparativa en trminos absolutos del coste promedio del Grado X en nuestra Universidad frente al coste
promedio del mismo grado en Universidad referente en la misma Comunidad Autnoma y Universidad referente nacional. Curso
2006/07 a 2009/10.
4500,00
4300,00
4100,00
3900,00
3700,00
3500,00
COSTE PROMEDIO
AETC GRADO X MI
UNIVERSIDAD
3300,00
COSTE PROMEDIO
AETC GRADO X
UNIV. REF. CA
3100,00
2900,00
2700,00
COSTE PROMEDIO
AETC GRADO X UN.
REF. NAC
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
CUADRO 18
DESCRIPCIN: Evolucin comparativa en trminos relativos del coste promedio del Grado X en nuestra Universidad frente al coste
promedio del mismo grado en Universidad referente en la misma Comunidad Autnoma y Universidad referente nacional. Curso
2006/07 a 2009/10.
20,00%
15,00%
% VARIACIN
COSTE PROMEDIO
GRADO X MI
UNIVERSIDAD
10,00%
% VARIACIN
COSTE PROMEDIO
GRADO X UNIV.
REF. CA
5,00%
0,00%
Curso
2006/07
-5,00%
Curso
2007/08
Curso
2008/09
% VARIACIN
COSTE PROMEDIO
GRADO X UNIV. REF.
NAC
561
A partir de los cuadros 17 y 18 puede deducirse que el coste promedio del Grado X en mi Universidad
partiendo de un nivel inferior al del mismo grado tanto en la Universidad elegida como referencia en la
Comunidad Autnoma en la que se ubica nuestra Universidad como en la elegida a nivel nacional, se ha
producido un notable empeoramiento del indicador que, a partir del curso 2008/09, supera al referente
de la Comunidad Autnoma y se aproxima al valor del referente nacional.
Por otra parte, si bien es cierto que el comportamiento creciente del coste promedio se atena a lo largo
de la serie y en especial en el ltimo curso analizado (curso 2009/10), no lo es menos que su comportamiento es netamente peor que el de las Universidades de referencia creciendo siempre por encima de
stas que, incluso para el caso del referente nacional consigue reducir sus costes para el curso 2008/09.
En segundo lugar, podemos efectuar la comparativa del coste promedio del Grado X con el de los Grados
del mismo rea o rama de conocimiento en nuestra Universidad y en las Universidades de referencia
regional y nacional.
CUADRO 19
DESCRIPCIN: Evolucin comparativa en trminos absolutos del coste promedio del Grado X con el de los Grados del mismo rea o
rama de conocimiento en nuestra Universidad y en las Universidades de referencia regional y nacional. Curso 2006/07 a 2009/10.
4300,00
4100,00
COSTE PROMEDIO
AETC GRADO X MI
UNIVERSIDAD
COSTE
PROMEDIO REA
CONOCIMIENTO MI
UNIVERSIDAD
COSTE
PROMEDIO REA
CONOCIMIENTO
UNIV. REF. CA
COSTE
PROMEDIO REA
CONOCIMIENTO
UNIV. REF. NAC
562
3900,00
3700,00
3500,00
3300,00
3100,00
2900,00
2700,00
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
CUADRO 20
DESCRIPCIN: Evolucin comparativa en trminos relativos del coste promedio del Grado X con el de los Grados del mismo rea o
rama de conocimiento en nuestra Universidad y en las Universidades de referencia regional y nacional. Curso 2006/07 a 2009/10..
% VARIACIN COSTE
PROMEDIO GRADO X
MI UNIVERSIDAD
% VARIACIN COSTE
PROMEDIO REA
CONOCIMIENTO MI
UNIVERSIDAD
% VARIACIN
COSTE
PROMEDIO REA
CONOCIMIENTO
UNIV. REF. CA
% VARIACIN
COSTE
PROMEDIO REA
CONOCIMIENTO
UNIV. REF. NAC
20,00%
15,00%
10,00%
5,00%
0,00%
-5,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
Del estudio de los cuadros 19 y 20 se observa igualmente que, partiendo de niveles de coste promedio
mejores que los del rea de conocimiento tanto de nuestra Universidad como de los referentes regional
y nacional, se ha producido un notable empeoramiento de la ratio coste-alumno que ha llevado a que
en el ltimo curso analizado (2009/2010) el coste promedio del Grado X supere el promedio del rea de
conocimiento tanto de mi Universidad como del referente nacional, mantenindose, sin embargo, por
debajo, de la media del rea para nuestra Comunidad Autnoma, que tambin presenta un comportamiento negativo.
Se observa en la grfica de datos relativos que el incremento del coste promedio del Grado X siempre se
encuentra por encima de los referentes elegidos y aunque mejora su comportamiento en el tiempo lo
hace en menor medida que nuestra Universidad o la referencia regional y nacional, que logra incluso
mejorar sus costes para el curso 2009/10.
Por ltimo, establecemos la comparacin con el coste promedio de los grados tanto en nuestra Universidad como en los referentes regional y nacional.
563
CUADRO 21
DESCRIPCIN: Evolucin comparativa en trminos absolutos del coste promedio del Grado X con el coste promedio de los grados en
nuestra Universidad y en los referentes regional y nacional. Curso 2006/07 a 2009/10..
5700,00
5200,00
COSTE PROMEDIO
AETC GRADO X MI
UNIVERSIDAD
4700,00
4200,00
COSTE PROMEDIO
MI UNIVERSIDAD
3700,00
3200,00
COSTE PROMEDIO
AETC GRADO X
UNIV. REF. CA
2700,00
COSTE PROMEDIO
AETC GRADO X
UNIV. REF. NAC
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
CUADRO 22
DESCRIPCIN: Evolucin comparativa en trminos relativos del coste promedio del Grado X con el coste promedio de los grados en
nuestra Universidad y en los referentes regional y nacional. Curso 2006/07 a 2009/10.
20,00%
18,00%
% VARIACIN COSTE
PROMEDIO GRADO X
MI UNIVERSIDAD
% VARIACIN
COSTE PROMEDIO
GRADO X MI
UNIVERSIDAD
% VARIACIN
COSTE PROMEDIO
GRADO X UNIV.
REF. CA
% VARIACIN
COSTE PROMEDIO
GRADO X UNIV. REF.
NAC
564
16,00%
14,00%
12,00%
10,00%
8,00%
6,00%
4,00%
2,00%
0,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
Cuando comparamos el coste promedio del Grado X con el de las titulaciones de grado tanto en nuestra
Universidad como en los referentes regional y nacional, observamos que, debido al menor coste propio
del rea de conocimiento del Grado, el coste promedio del Grado X se sita por debajo de los promedios
de referencia pero, al igual que en los anteriores casos, con un comportamiento claramente peor que el
de aqullos.
2.2. ANLISIS DEL COSTE DE NUEVAS TITULACIONES

Tal y como se ha indicado anteriormente, parece lgico suponer que la inclusin de nuevas titulaciones
en el catlogo de ttulos ofertado por una Universidad obliga a un anlisis de la viabilidad no slo acadmica sino econmica de las mismas, de manera que las decisiones que, en este mbito, adopte la institucin, no adolezcan de la objetividad y racionalidad que de ellas cabe esperar.
En el marco de dicho anlisis de la viabilidad econmica-financiera de las nuevas titulaciones ofertadas
por la Universidad adquiere especial relevancia el estudio del coste vinculada a las mismas.
Adems, como tambin se destac con anterioridad, los parmetros del anlisis de la viabilidad de los
ttulos se reviste de diferentes matices para el caso de titulaciones oficiales y para el de los ttulos propios
de la Universidad que, sin duda, deben ser considerados en el correspondiente estudio.
2.2.1. ANLISIS DEL COSTE DE NUEVAS TITULACIONES OFICIALES

Como se acaba de indicar, la formulacin de una nueva titulacin oficial ha de estar sujeta a determinados condicionantes.
De una parte, la existencia de una demanda real de matrcula de la misma, consecuencia del inters social generado por sta en trminos de empleabilidad potencial de su alumnado.
De otra, por la viabilidad econmica de la misma, consecuencia de que previsiblemente pueda cubrirse la
matrcula necesaria para garantizar el nivel de autofinanciacin y suficiencia financiera del ttulo, junto
con la existencia de recursos financieros suficientes obtenidos por la Universidad para la cobertura de
las necesidades generadas por el mismo, en la bsqueda de la necesaria sostenibilidad financiera de la
misma.
Consecuencia de lo anterior, las decisiones adoptadas por la Universidad en este mbito pueden responder a diversas vertientes ciertamente diferenciadas, entre las que cabe destacar:
La estrategia de posicionamiento formativo de la institucin (especializacin en determinadas reas

ciencias de la salud, ciencias sociales y jurdicas, humanidades, etc.) que aconseje la inclusin de
determinadas titulaciones en su catlogo de enseanzas.
565
La deteccin de una demanda social no satisfecha (p.e.: alumnos locales que marchan a cursar una
titulacin a una Universidad en otra Comunidad Autnoma u otro mbito territorial).
La racionalizacin de la oferta formativa y los recursos disponibles por la institucin.
El desarrollo econmico presente o futuro de la zona que obliga a tener profesionales formados adecuamente para cubrir las necesidades del mercado laboral.
2.2.1.1. ANLISIS DEL COSTE DE NUEVAS TITULACIONES

OFICIALES: COSTE DEL TTULO Z
De acuerdo a las directrices de su planificacin estratgica, y una vez detectada la oportunidad de ofertar
el ttulo oficial Z, hasta ahora no incluido en su oferta formativa, como consecuencia de la identificacin
de importantes bolsas de alumnado local que estn cursando dicho ttulo en otras Universidades de la
misma Comunidad Autnoma, nuestra Universidad decide analizar la viabilidad econmica de esta decisin, partiendo como restriccin bsica para su inclusin, que no implique aumentos de la plantilla ni
construccin de nuevas instalaciones y edificaciones, debido al entorno de restricciones presupuetarias
en que se encuentra.
Para ello, inicia el estudio de los costes incrementales asociados a esta decisin, estructurado sobre la
base de la identificacin de los recursos que es preciso allegar para la prestacin del correspondiente servicio y el anlisis de posibles ociosidades o recursos no aplicados que pudieran dedicarse a su cobertura.
De acuerdo con este planteamiento, efecta el siguiente anlisis, para el perodo 2010/11 a 2013/14:
1. Matrcula potencial de nuevo ingreso del estudio
El anlisis preliminar de la viabilidad del ttulo Z, efectuado como consecuencia del objetivo de incrementar su oferta formativa para alcanzar una mayor cobertura de las titulaciones oficiales del rea de
conocimiento Q, se inici con el seguimiento del nmero de alumnos locales de nuevo ingreso que cursaron sus estudios del ttulo Z en otras Universidades de la misma Comunidad Autnoma1, cuyos datos
para el perodo 2006/07 a 2009/10 fueron los que se representan en la tabla 2.
1. La razn por la que el anlisis se circunscribi a los alumnos que cursaban sus estudios en la misma Comunidad Autnoma fue la irrelevancia del nmero de alumnos que estudiaban el Ttulo Z fuera de la Comunidad, tal y como se aprecia en la correspondiente tabla de datos.
566
TABLA 2
DESCRIPCIN: Detalle del nmero de alumnos locales matriculados en la Titulacin Z en Universidades de la Comunidad Autnoma y
de otros territorios del Estado. Curso 2006/07 a 2009/10.
Alumnos locales matriculados ttulo z

CURSO 2006/07
CURSO 2007/08
CURSO 2008/09
CURSO 2009/10
UNIVERSIDAD 1
625
646
671
699
UNIVERSIDAD 2
23
22
19
20
UNIVERSIDAD 3
UNIVERSIDAD 4
17
21
24
26
OTRAS
UNIVERSIDADES
TOTAL COMUNIDAD
AUTNOMA
666
692
716
747
TOTAL ESTADO
667
693
718
748
EXTRA CA
De dichos datos se detecta un importante y creciente nmero de alumnos locales de nuevo ingreso demandando matrcula en la Titulacin Z en otras Universidades de la Comunidad y, en especial, la Universidad 1, que tal y como se aprecia en el cuadro 23 representa ms del 93% de alumnos locales que
ingresaban en la Titulacin Z.
567
CUADRO 23
DESCRIPCIN: Evolucin en trminos relativos del nmero de alumnos locales matriculados en la Titulacin Z en Universidades de la
Comunidad Autnoma y de otros territorios del Estado. Curso 2006/07 a 2009/10.
100%
90%
80%
ALUMNOS
LOCALES OTRAS
UNIVERSIDADES
70%
60%
ALUMNOS LOCALES
UNIVERSIDAD 4
50%
40%
ALUMNOS LOCALES
UNIVERSIDAD 3
30%
ALUMNOS LOCALES
UNIVERSIDAD 2
20%
10%
0%
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
ALUMNOS LOCALES
UNIVERSIDAD 1
Del resto de Universidades, destacan la Universidad 2 y la 4, que representan tan slo un entorno del 3%
y, en conjunto, del 6%, resultando meramente testimonial la presencia de alumnos locales en otras Universidades, tal y como se aprecia en la ampliacin de detalle del siguiente grfico cuadro 24-.
568
CUADRO 24
DESCRIPCIN: Evolucin en trminos relativos del nmero de alumnos locales matriculados en la Titulacin Z en Universidades de la
Comunidad Autnoma y de otros territorios del Estado. Ampliacin de detalle. Curso 2006/07 a 2009/10.
100%
98%
ALUMNOS
LOCALES OTRAS
UNIVERSIDADES
ALUMNOS LOCALES
UNIVERSIDAD 4
96%
94%
ALUMNOS LOCALES
UNIVERSIDAD 3
92%
ALUMNOS LOCALES
UNIVERSIDAD 2
90%
ALUMNOS LOCALES
UNIVERSIDAD 1
88%
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
Por otra parte, se observa una tendencia creciente del nmero de alumnos locales que demandan la Titulacin Z, tal y como se aprecia en los cuadros 25 y 26.
569
CUADRO 25
DESCRIPCIN: Evolucin en trminos absolutos del nmero de alumnos locales matriculados en la Titulacin Z. Curso 2006/07 a
2009/10.
ALUMNOS LOCALES MATRICULADOS EN TITULACIN Z

760
740
720
700
680
660
ALUMNOS LOCALES
MATRICULADOS EN
TITULACIN Z
640
620
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
CUADRO 26
DESCRIPCIN: Evolucin en trminos relativos del nmero de alumnos locales matriculados en la Titulacin Z. Curso 2006/07 a
2009/10.
% VARIACIN ALUMNOS LOCALES MATRICULADOS EN TITULACIN Z

4,30%
4,20%
4,10%
4,00%
3,90%
3,80%
3,70%
3,60%
3,50%
% VARIACIN
ALUMNOS LOCALES
MATRICULADOS
TTULO Z
3,40%
3,30%
570
Curso
2007/08
Curso
2008/09
Curso
2009/10
En la que se aprecia un incremento por encima del 3,60% en toda la serie histrica que, tras una ligera
moderacin de la tase de crecimiento para el curso 2008/09, se acelera sensiblemente para el ejercicio
2009/10.
Dicha tasa, como se aprecia en los cuadros 27 y 28, es especialmente sostenida para el caso de la Universidad 1, que presenta porcentajes de incremento crecientes del nmero de alumnos locales de nuevo
ingreso matriculados.
CUADRO 27
DESCRIPCIN: Evolucin en trminos absolutos del nmero de alumnos locales matriculados en la Titulacin Z en la Universidad 1.
Curso 2006/07 a 2009/10.
ALUMNOS LOCALES MATRICULADOS EN TITULACIN Z UNIVERSIDAD 1

720
700
680
660
640
620
ALUMNOS LOCALES
MATRICULADOS
EN TITULACIN Z
UNIVERSIDAD 1
600
580
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
571
CUADRO 28
DESCRIPCIN: Evolucin en trminos relativos del nmero de alumnos locales matriculados en la Titulacin Z en la Universidad 1.
Curso 2006/07 a 2009/10.
% VARIACIN ALUMNOS LOCALES MATRICULADOS EN TITULACIN Z

UNIVERSIDAD 1
4,50%
4,00%
3,50%
3,00%
2,50%
2,00%
1,50%
% VARIACIN
ALUMNOS LOCALES
MATRICULADOS
TTULO Z
UNIVERSIDAD 1
1,00%
0,50%
0,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
Dicho anlisis se complet con el estudio de la matrcula del Ttulo Z en las cuatro Universidades de la
Comunidad Autnoma para contrastar el comportamiento agregado de la matrcula con la demanda del
Ttulo Z por parte de alumnos locales.
572
CUADRO 29
DESCRIPCIN: Evolucin en trminos absolutos del nmero de alumnos matriculados en la Titulacin Z en las 4 Universidades con
mayor demanda de la Titulacin en la Comunidad Autnoma. Curso 2006/07 a 2009/10..
1800
1600
ALUMNOS
MATRICULADOS
EN TITULACIN Z
UNIVERSIDAD 1
1400
1200
ALUMNOS
MATRICULADOS
EN TITULACIN Z
UNIVERSIDAD 2
1000
800
600
ALUMNOS
MATRICULADOS
EN TITULACIN Z
UNIVERSIDAD 3
400
200
0
Curso
2006/07
Curso
2007/8
Curso
2008/09
Curso
2009/10
ALUMNOS
MATRICULADOS
EN TITULACIN Z
UNIVERSIDAD 4
CUADRO 30
DESCRIPCIN: Evolucin en trminos relativos del nmero de alumnos matriculados en la Titulacin Z en las 4 Universidades con
mayor demanda de la Titulacin en la Comunidad Autnoma. Curso 2006/07 a 2009/10.
% VARIACIN
ALUMNOS
MATRICULADOS
TTULO Z
UNIVERSIDAD 1
6,00%
5,00%
% VARIACIN
ALUMNOS
MATRICULADOS
TTULO Z
UNIVERSIDAD 2
4,00%
3,00%
% VARIACIN
ALUMNOS
MATRICULADOS
TTULO Z
UNIVERSIDAD 3
2,00%
1,00%
0,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
% VARIACIN
ALUMNOS
MATRICULADOS
TTULO Z
UNIVERSIDAD 4
573
En los cuadros 29 y 30 se observa la consistencia del comportamiento de la demanda del Ttulo Z, con
una demanda agregrada creciente correlacionada con el incremento de la demanda local de dicho ttulo,
como puede apreciarse en la siguiente grfica en la que se incluye la variacin porcentual del nmero de
alumnos locales de nuevo ingreso matriculados en el Ttulo Z.
CUADRO 31
DESCRIPCIN: Evolucin en trminos relativos del nmero de alumnos matriculados en la Titulacin Z en las 4 Universidades con
mayor demanda de la Titulacin en la Comunidad Autnoma frente a la evolucin del nmero de alumnos locales de nuevo ingreso
matriculados en la Titulacin Z. Curso 2006/07 a 2009/10.
% VARIACIN ALUMNOS
MATRICULADOS TTULO Z
UNIVERSIDAD 1
6,00%
5,00%
% VARIACIN ALUMNOS
UNIVERSIDAD 2
% VARIACIN ALUMNOS
UNIVERSIDAD 3
% VARIACIN ALUMNOS
UNIVERSIDAD 4
4,00%
3,00%
2,00%
1,00%
0,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
Analizados los parmetros de conducta de la matricula del Titulo Z , y tras observar la primaca de la
opcin prioritaria de matrcula de los alumnos locales en la Universidad 1, con anterioridad a ulteriores averiguaciones, se consideraron dos posibles variables2 que condicionaran y desencadenaran dicha
preferencia. De una parte, el mayor prestigio de la titulacin Z en las Universidades de la Comunidad
Autnoma, cuantificado en una mayor demanda de matrcula en la misma y, de la otra, la prximidad
geogrfica a la misma.
En el cuadro 32 se observa que la variable fundamental que condiciona la prioridad de la eleccin por
parte del alumnado local es la proximidad geogrfica, manifestada claramente por la preferencia por la
2. La Universidad analiz otras variables como nivel de precios relativos, climatologa, etc. sin detectar patrones diferenciales significativos
que aconsejaran profundizar en su anlisis.
574
CUADRO 32
DESCRIPCIN: Concentracin de la matrcula de alumnos locales de la Titulacin Z en las 4 Universidades con mayor demanda del
ttulo, en relacin a la distancia hasta dichas Universidades y el nmero de alumnos totales matriculados en la titulacin. Curso
2006/07 a 2009/10.
600
500
400
300
UNIVERSIDAD 1
200
UNIVERSIDAD 2
100
100
500,00
UNIVERSIDAD 3
UNIVERSIDAD 4
1000,00
1500,00
2000,00
Universidad 1, con una demanda 30 veces superior a la Universidad 4, cuando tan slo presenta un 8,85%
ms de alumnos matriculados en el Ttulo. Para las Universidades 2 y, especialmente, la 3, la distancia
geogrfica, superior a los 300 Km y 500 Km, respectivamente, explica la irrelevancia de matrcula de
alumnos3 del Ttulo Z, a pesar de la notable demanda del ttulo, con crecimientos superiores a los experimentados por la Universidad 1, especialmente en la Universidad 3, como se pudo apreciar en el cuadro 28.
Por ltimo, adicionalmente a tales anlisis, de acuerdo al estudio de la evolucin demogrfica del alumnado y considerando la actual atraccin de los ttulos oficiales de nuestra Universidad de alumnos del
resto de Universidades de la Comunidad Autnoma, se efectu la previsin de la demanda de matrcula
de nuevo ingreso del Ttulo Z en nuestra Universidad tal y como se representa en el cuadro 33, con un
crecimiento proyectado que se va moderando en el perodo de referencia el cuadro 34-.
3. Que probablemente eligen tales Universidades por motivos personales y/o familiares.
575
CUADRO 33
DESCRIPCIN: Datos estimados de demanda de matrcula en la Titulacin Z en nuestra Universidad. Curso 2006/07 a 2009/10.
PREVISIN MATRCULA TTULO Z MI UNIVERSIDAD

800
790
780
770
4.
Ver apartado de amortizaciones.
760
750
740
PREVISIN
MATRCULA TTULO
Z MI UNIVERSIDAD
730
Curso
2010/11
Curso
2011/12
Curso
2012/13
Curso
2013/14
2. COSTES INCREMENTALES Y RACIONALIZACIN EN

LA ASIGNACIN DE RECURSOS
CUADRO 34
DESCRIPCIN: Evolucin en trminos relativos de la demanda de matrcula en la Titulacin Z en nuestra Universidad. Curso 2006/07 a
2009/10..
% VARIACIN DEMANDA ESTIMADA MATRCULA TTULO Z MI UNIVERSIDAD

2,50%
2,00%
1,50%
% VARIACIN
DEMANDA
ESTIMADA
MATRCULA TTULO
Z MI UNIVERSIDAD
1,00%
0,50%
0,00%
Curso
2011/12
Curso
2012/13
Curso
2013/14
Identificada la oportunidad de la oferta del Ttulo Z sobre la base de la demanda de alumnado para dicho
576
estudio, corresponde efectuar el anlisis de la viabilidad econmico-financiera del mismo y, en consecuencia, la identificacin de los recursos que la Universidad precisa para la prestacin del servicio y la
potencial disponibilidad actual de los mismos, determinante de los costes incrementales asociados.
a. Costes de personal PDI
Ofertar una titulacin implica disponer de personal PDI en los departamentos para impartir las asignaturas que componen su itinerario formativo.
Para el caso de la Titulacin Z, el plan de estudios integra las siguientes asignaturas
Asignatura Z.1
Asignatura Z.2
Asignatura Z.3
Asignatura Z.n
Cuya docencia corresponde a los departamentos:
Departamento 1
Departamento 2
Departamento m
De acuerdo con la dedicacin estimada en horas de PDI correspondientes a los crditos reconocidos para
cada una de dichas materias, resulta posible identificar la carga docente que cada departamento ha de
asumir como consecuencia de la oferta del Ttulo Z, tal y como va incorporndose curso a curso, manifestndose de esta forma, la capacidad de la actual plantilla de profesorado de los departamentos para
impartir dicho estudio o la necesidad de incrementar la misma para la cobertura del incremento de la
carga docente, con el consiguiente aumento de costes de personal implicado por dicha accin.
Si bien es cierto que incrementos de la carga docente real, mantenindose la plantilla y jornada laboral
del PDI implican decrementos del tiempo disponible para dedicacin real a la investigacin, no lo es
menos que tales encargos docentes que aproximan la carga docente real a la potencial no implican incrementos del coste total de la institucin ni de sus desembolsos peridicos.
Es decir, bajo la hiptesis de inexistencias de subactividades de PDI, se produce un incremento de los
costes efectivos de docencia resultado del incremento de la dedicacin- y una reduccin de los de investigacin consecuencia de la menor dedicacin a la misma-.
577
De acuerdo a los datos manejados por la Universidad, la totalidad de los departamentos pueden atender
al incremento de la carga docente real de acuerdo a su capacidad docente, no implicando incrementos de
los costes totales en el ejercicio, ni del gasto de personal.
b. Costes de personal PAS
La nueva Titulacin Z es ofertada por la Facultad Q y, en consecuencia, ser impartida en aularios4 de la
misma y atendida por el correspondiente personal PAS auxiliar de conserjeras, al tiempo que la carga
administrativa de trabajo recaer en el personal PAS de los centros de soporte descentralizado que le dan
apoyo (decanato, secretara, administracin-gerencia, etc.).
Tras el correspondiente estudio se determina que dicha carga de trabajo puede ser asumida por dicho
personal, decidindose que resulta viable incorporar el nuevo Ttulo Z a la oferta del centro sin efectuar
ampliaciones de personal PAS de apoyo al mismo.
c. Costes de adquisicin de bienes y servicios
La inclusin de la demanda estimada de alumnos para el nuevo ttulo en el centro de enseanza Q originar que la Universidad incurra en costes adicionales de esta naturaleza (material de oficina, material
para la docencia, etc.) que fueron estimados sobre la base de proyectar los consumos promedio por alumno actuales del resto de titulaciones del rea de conocimiento para el nivel de demanda del estudio.
De esta forma, en el cuadro 35 se muestra la evolucin del coste promedio para el periodo 2006/07 a
2009/10.
En la que se observa, como se detalla en el cuadro 36, un crecimiento desacelerado de los mismos, siempre por encima de la evolucin del IPC del perodo.
En consecuencia, a partir de la tendencia de la serie temporal ajustada por las previsiones de IPC del
4. Ver apartado de amortizaciones.

578
CUADRO 35
DESCRIPCIN: Evolucin en trminos absolutos del coste promedio de adquisicin de bienes y servicios por alumno. Curso 2006/07 a
2009/10.
COSTE PROMEDIO ADQ. BIENES Y SERVICIOS POR ALUMNO

350,00
300,00
250,00
200,00
150,00
100,00
COSTE PROMEDIO
ADQ. BIENES Y
SERVICIOS POR
ALUMNO
50,00
0,00
Curso
2006/07
Curso
2007/08
Curso
2008/09
Curso
2009/10
escenario macroeconmico para el siguiente ejercicio y la proyeccin de la demanda de matrcula para

el perodo 2010/11 a 2013/14, se obtuvo la estimacin de costes que se presenta en el cuadro 37, con la evoCUADRO 36
DESCRIPCIN: Evolucin comparativa en trminos relativos del coste promedio de adquisicin de bienes y servicios por alumno frente
a la evolucin del IPC. Curso 2006/07 a 2009/10.
16,00%
14,00%
12,00%
10,00%
8,00%
% VARIACIN COSTE
PROMEDIO ALUMNO
ADQ. BIENES Y
SERVICIOS
6,00%
4,00%
2,00%
IPC
0,00%
Curso
2007/08
Curso
2008/09
Curso
2009/10
579
lucin porcentual crecientemente decelerada representada en el cuadro 38.

d. Costes de suministros
CUADRO 37
DESCRIPCIN: Evolucin en trminos absolutos del coste total de adquisicin de bienes y servicios de la Titulacin. Curso 2006/07 a
2009/10.
COSTE ADQ. BIENES Y SERVICIOS

320000,00
315000,00
310000,00
305000,00
300000,00
295000,00
290000,00
COSTE ADQ. BIENES
Y SERVICIOS
285000,00
280000,00
Curso
2010/11
Curso
2011/12
Curso
2012/13
Curso
2013/14
CUADRO 38
DESCRIPCIN: Evolucin en trminos relativos del coste total de adquisicin de bienes y servicios de la Titulacin. Curso 2006/07 a
2009/10.
% VARIACIN COSTE ADQ. BIENES Y SERVICIOS

3,00%
2,50%
2,00%
1,50%
1,00%
0,50%
% VARIACIN COSTE
ADQ. BIENES Y
SERVICIOS
580
0,00%
Curso
2011/12
Curso
2012/13
Curso
2013/14
De acuerdo con parmetros similares a los descritos para el apartado de adquisicin de bienes y servicios,
se estimaron los consumos de suministros a partir de la separacin de los costes fijos derivados de los
correspondientes contratos de suministro y las cuotas variables correlacionas con el incremento del uso
de las instalaciones de enseanza del centro Q asociadas a la Titulacin Z.
e. Costes de amortizaciones
La inclusin de la Titulacin Z en la oferta formativa de la Universidad y, en particular, del centro de enseanza Q, introduce, junto a los anteriormente identificados, la disponibilidad de aularios e instalaciones
(laboratorios, aulas de informtica, bibliotecas, etc.) necesarios para impartir dicho ttulo.
De acuerdo con la demanda estimada de la matrcula, y dada la infrautilizacin de los aularios del propio
centro de enseanza, se analiz si podra disponerse de aulas suficientes para los grupos de cada curso
que, a partir de dicho nmero de alumnos de nuevo ingreso y las estimaciones de retencin, abandono y
superacin de las materias del ttulo Z, se consideraron necesarios para impartir el Ttulo Z.
La conclusin fue que resultaba posible, combinando grupos de maana y tarde, atender la docencia de
la nueva titulacin en las instalaciones del centro de enseanza, no producindose incremento de los
costes de amortizacin sino una mejora del aprovechamiento del edificio y, en consecuencia, una reduccin del exceso de capacidad existente.
Iguales conclusiones se alcanzaron respecto al uso de otras instalaciones complementarias del centro de
enseanza Q (biblioteca, aulas de informtica, etc.)
f. Otros costes
A partir del estudio de viabilidad abordado se estimaron los potenciales incrementos del resto de partidas como consecuencia de la inclusin de la Titulacin Z en la oferta formativa de la Universidad.
Consecuencia del anterior anlisis se concluy que, cumplidas las restricciones bsicas establecidas en el
Plan estratgico 2010/11 a 2013/14 (congelacin de plantilla e inversiones), el incremento estimado de los
costes de prestacin del servicio vinculado a la nueva titulacin (Z) podr ser cubierto por los ingresos por
precios pblicos generados por sta.
Junto a esta titulacin oficial (Z), la Universidad realiz un anlisis similar al anterior para mejorar el
aprovechamiento de la Plantilla de PDI de la Universidad y las instalaciones de la Facultad R oferente
del Grado X analizado en anteriores apartados, cuando detect la oportunidad de incluir en su oferta
formativa un grupo para alumnos que cursen la doble titulacin Grado X/Grado W, que podra trazarse
segn parmetros correlacionados con los anteriores.
581
2.2.1.2. ANLISIS DEL COSTE DE NUEVAS TITULACIONES PROPIAS

U OTRAS ENSEANZAS NO REGLADAS
Al igual que se ha comentado para el caso del Ttulo Oficial Z, la introduccin de otras titulaciones propias
(master, experto,) u otras enseanzas (cursos de idiomas, cursos de verano, ) estar condicionada a su
viabilidad acadmica (demanda de matrcula) y econmico-financiera (capacidad de la enseanza para
autofinanciarse con los ingresos que genera).
En este caso, como en el anterior, el anlisis de sus costes constituye une de los elementos bsicos para
el estudio de su viabilidad y, desde un punto de vista analtico, la metodologa de su anlisis podra
plantearse en trminos similares, salvando las caractersticas diferenciales de las enseanzas propias,
como su financiacin va precios pblicos o la no inclusin de la carga docente vinculada a las mismas
en el Plan de Ordenacin Docente de la Universidad que, por tanto, genera costes de personal especficos
diferenciados de las retribuciones ordinarias del PDI asociadas al captulo 1 del presupuesto de la Universidad, materializados en devengos adicionales al profesorado en plantilla de la Universidad o a profesorado externo a la misma como retribucin de su participacin docente en tales enseanza (captulo 2 del
presupuesto de la Universidad).
582
583
CMO EST CAPTANDO

RECURSOS DE I+D+I
LA UNIVERSIDAD?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autor
Mara Jess Morales Caparrs

Directora de Secretariado de Investigacin
y Transferencia de la Universidad de Mlaga
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 6: CMO EST CAPTANDO RECURSOS DE I+D+I LA UNIVERSIDAD?
CAPTULO 6
CMO EST CAPTANDO
RECURSOS DE I+D+I LA UNIVERSIDAD?
La cuanta de los derechos liquidados procedentes de la actividad investigadora, tanto de convocatorias

competitivas (regionales, nacionales o europeas) como de contratos artculo 83 de la L.O.U. y patentes,
resulta un indicador clave para la institucin, pues, un porcentaje importante de la financiacin pblica
que la misma recibe est condicionado a la consecucin de unos resultados anuales concretos en las
lneas estratgicas principales de la actividad universitaria entre las que destaca la excelencia en la investigacin e innovacin. El anlisis de dicho indicador puede realizarse en diferentes mbitos:
586
En el mbito patrimonial nos permite el anlisis de la capacidad de la institucin para generar ingresos discriminados sobre la base de las principales funciones universitarias (docencia e investigacin)
y, el peso relativo de los recursos por investigacin obtenidos por la propia institucin respecto del
total de ingresos por I+D+i, as como su comparacin con otras Universidades, en especial con las de
similar tamao.
En el mbito de la productividad investigadora, la relacin que define el ingreso promedio aportado por el Personal Investigador equivalente a tiempo completo (PDIETC) de un Departamento/
rea de conocimiento, de un centro de investigacin, un rea temtica o la Universidad, nos permite
conocer la eficiencia operativa institucional en el mbito de la investigacin. Su comparacin con la
eficiencia operativa docente posibilita la realizacin de diagnsticos que resulten objetivos y permitan discriminar entre Universidades con mayor potencial investigador y mayor potencial docente
(diferencias entre Universidades politcnicas, con mayor peso de la investigacin sobre la docencia y
Universidades ms generalistas donde esta relacin es inversa).
En el mbito presupuestario nos permite el anlisis de la eficiencia en la asignacin presupuestaria

de recursos al comparar los ingresos corrientes obtenidos por I+D+i, con la asignacin presupuestaria de los mismos, gastos corrientes destinados a la investigacin, as como la discriminacin de la
suficiencia financiera por funciones.
En el mbito de los costes, la determinacin de este indicador junto con el relacionado con los costes
de la actividad investigadora, permitir conocer el grado de cobertura de las diferentes actividades

de I+D+i con los ingresos procedentes de la misma y la capacidad de autofinanciacin de la actividad
investigadora para una mejor racionalizacin de los recursos asignados.
Equipo rectoral/Consejo Social: Como mximo decisor de la Universidad, necesita conocer la cuanta de
los ingresos procedentes de la actividad investigadora, discriminada por departamentos/rea de conocimiento, centro de investigacin, reas temticas o Universidad para adoptar las decisiones que resulten pertinentes de acuerdo a su estrategia, tanto en el mbito de la productividad investigadora de su
Universidad para mejorar la misma e incrementar la competitividad institucional, como para mejorar la
eficiencia en la asignacin de los fondos procedentes de la investigacin. As mismo, le permitir conocer
el grado de cobertura de los coste de la I+D+i con los ingresos procedentes de la misma para intentar mejorar el mismo. Este indicador resulta esencial para establecer los rankings Universitarios pues, adems
permite la realizacin de comparaciones temporales (evolucin en el tiempo) y espaciales (sobre todo
entre Universidades de similar tamao y caractersticas) por lo que resulta clave para conocer su posicin
institucional en dicho ranking.
Director de Centro de Investigacin/Director de Departamento/rea de conocimiento: Le resulta til la
discriminacin de los ingresos procedentes de la investigacin (bsica y aplicada: ayudas a la investigacin, proyectos, contratos art. 83, patentes) para conocer la productividad investigadora del personal
adscrito a su Centro/Departamento o rea de conocimiento, as como, su posicin relativa como generador de ingresos por investigacin en la propia Universidad y respecto de otras reas de conocimiento/
departamentos similares de otras Universidades, o la media de su rama de conocimiento.
Responsables de los rganos de gestin funcional operativa de la investigacin: Estrechamente vinculados con el mantenimiento de los sistemas transaccionales de procesamiento de la informacin sobre
investigacin, requieren de toda la informacin especfica sobre la capacidad de captacin de recursos
de la I+D+i, para el desempeo de sus funciones y la elaboracin de informes relativos a la misma a los
distintos usuarios.
Administracin Pblica financiadora: Resulta un indicador clave para la racionalizacin de los recursos
asignados al sistema de educacin superior y la mejora de la eficacia en la asignacin de fondos. Los
nuevos modelos de financiacin de las Universidades, una vez superada la suficiencia financiera, tiene
como principios inspiradores la equidad y la eficiencia, lo que trae como consecuencia que se incremente la financiacin afectada a resultados, la cual estar condicionada al cumplimiento, por parte de las
Universidades Pblicas, de una serie de indicadores, entre los que destaca el de captacin de recursos
procedentes de la I+D+i, al permitir:
Conocer la productividad investigadora de las Universidades y, por tanto, el comportamiento productivo
de las mismas.
La cobertura de los coste de la I+D+i con los ingresos procedentes de la misma y con ello el grado de dependencia de los recursos pblicos.
587
La eficiencia en la asignacin de los fondos procedentes de la investigacin y la medida de la suficiencia

financiera.

1.1. ANLISIS DE LA CAPTACIN DE RECURSOS PROCEDENTES DE
LA I+D+I: INGRESO DE LA I+D+I DE LA UNIVERSIDAD
1.1.1. ANLISIS DEL INGRESO DE LA I+D+I DE LA UNIVERSIDAD
La necesidad de garantizar una gestin transparente y eficiente de los recursos pblicos, obliga a considerar la captacin de recursos procedentes de la I+D+i como uno de los elementos clave de la gestin
econmica-financiera de la institucin.
El nuevo Modelo de financiacin de las Universidades Pblicas de la Comunidad Autnoma de Andaluca
(que ser el modelo de estudio) , tiene como especificidad el destino de un porcentaje concreto a la consecucin de unos determinados resultados, vinculados a la formacin, la investigacin y la innovacin. En
consecuencia, la financiacin afectada a resultados estar condicionada al cumplimiento, por parte de
las Universidades Pblicas, de una serie de indicadores, entre los que destaca el de captacin de recursos
procedentes de la I+D+i, por lo que ser esencial para la verificacin del cumplimiento de los objetivos de
la institucin.
Se han cumplido los objetivos de crecimiento de los ingresos por I+D+i en mi Universidad?
El estudio se sita en conocer si se ha cumplido, durante los ltimos cinco aos, el objetivo de crecimiento
en la captacin de ingresos procedentes de la I+D+i marcados en el Modelo de Financiacin y el Contrato
Programa. Este objetivo consiste en que los ingresos por I+D+i, no deben ser inferiores al crecimiento del
PIB anual ms un 1%.
Como se observa en los cuadros 1 y 2., durante los aos 2007, 2008 los derechos reconocidos por I+D+i superaron el objetivo de crecimiento fijado. En 2009, ya no se alcanz el objetivo siendo el ao 2010 el peor
en cuanto a obtencin de ingresos, justificado por la situacin econmica que atraviesa el pas con un
PIB negativo en 2009, 2010 y 2011. En el ao 2011 se vuelve a invertir la tendencia comenzando una leve
recuperacin de los ingreso por I+D+i.
588
CUADRO 1
DESCRIPCIN: Detalle de la variacin anual del PIB de Espaa. Periodo 2006/2011.
FUENTE: Instituto Nacional de Estadstica. Elaboracin propia
VARIACIN ANUAL DEL PIB
4,1%
3,5%
0,9%
AO 2006
AO 2007
AO 2008
-3,7%
-0,3%
-0,4%
AO 2009
AO 2010
AO 2011
CUADRO 2
DESCRIPCIN: Universidad en estudio. Cumplimiento del objetivo de crecimiento (PIB+1%) en la captacin de ingresos por I+D+i.
Periodo 2007/2011.
FUENTE: Instituto Nacional de Estadstica e Informacin facilitada por la Universidad en estudio. Elaboracin propia.
CUADRO 2
CUMPLIMIENTO DEL OBJETIVO DE CRECIMIENTO
40196258,43
40959987,34
38985626,91
40067448,01
32256533,36
35282339,08
33870871,56
33708077,36
34107967,66
27421070,08
AO 2007
INGRESOS POR I+D+I
AO 2008
AO 2009
AO 2010
AO 2011
OBJETIVO DE CRECIMIENTO PIB + 1%

589
Para un anlisis ms en profundidad del comportamiento de los ingresos por investigacin, procede realizar el estudio pormenorizado de las diferentes tipologas de los derechos reconocidos por I+D+i que se
recogen en la liquidacin presupuestaria de un determinado ejercicio y que pueden clasificarse atendiendo a distintos criterios, entre los que destacan los siguientes:
1)
La naturaleza o modalidad de la actividad.
2) El origen o procedencia de los recursos obtenidos.

3) La rama de enseanza o rea temtica de investigacin en la que se generan.
1.1.1.1. EVOLUCIN TEMPORAL DE LA CAPTACIN DE INGRESO DE

LA I+D+I SEGN TIPOLOGA
La evolucin histrica de los Ingresos obtenidos por I+D+i en los ltimos N aos, segn la tipologa de los
mismos, nos permite identificar tendencias generales y anticipar evoluciones probables, , para ello analizamos su evolucin pormenorizada. Segn la naturaleza o modalidad de la actividad se puede distinguir:
1)
Investigacin bsica: Importes liquidados por ayudas a la investigacin y proyectos de convocatorias

competitivas: regionales, nacionales y europeas.
Ayudas a la investigacin: Financiacin anual liquidada en el presupuesto con destino a atender

los gastos derivados de la iniciacin o desarrollo de actividades investigadoras realizadas individual o colectivamente por grupos de investigacin, distintas de la realizacin de proyectos tales
como ayudas a congresos, estancias, organizacin de eventos, etc.
Proyectos de I+D+i: Financiacin anual liquidada por actividades de investigacin fundamental,

aplicada, de desarrollo experimental e innovacin obtenidas en convocatorias competitivas de
mbito regional, nacional o internacional.
2) Investigacin aplicada: Importes liquidados en el mbito del art. 83 de la LOMLOU (Contratos y Convenios)
3) Patentes y modelos de utilidad, que segn el registro de la solicitud pueden clasificarse en :
Patentes espaolas
Patentes europeas
Patentes Tridicas (registradas con efectos conjuntos en las oficinas de patentes de Europa, Estados Unidos y Japn).
Ejemplo:
Los datos de ingresos liquidados procedentes de la I+D+i obtenidos por la Universidad X durante los ltimos cinco aos fueron los que se recogen en la Tabla 1:
590
TABLA 1
INGRESOS DE
AYUDAS A LA
INVESTIGACIN
INGRESOS DE
PROYECTOS DE
INVESTIGACIN
I+D+I
INGRESOS DE
INVESTIGACIN
ART. 83
PATENTES Y
MODELOS DE
UTILIDAD
CAPTACIN DE
INGRESOS PROCEDENTES DE LA
I+D+I
AO 2007
1.408.298,88
16.138.875,43
14.662.959,05
46.400,00
32.256.533,36
AO 2008
2.537.902,08
19.262.948,12
18.307.004,05
88.404,18
40.196.258,43
AO 2009
1.897.305,04
15.099.651,04
22.935.687,75
134.804,18
40.067.448,01
AO 2010
1.650.553,00
16.450.572,00
15.662.057,00
107.689,56
33.870.871,56
AO 2011
1.848.101,49
18.332.878,28
15.020.856,09
80.503,22
35.382.339,08
Cul ha sido la tendencia general en la captacin de recursos procedentes de la I+D+i en mi Universidad?

Como muestra el cuadro 3., la investigacin aplicada experiment un incremento importante en los aos
2008 y 2009 que incluso super los ingresos obtenidos por investigacin bsica, sufriendo a partir de
2009 un notable descenso. La investigacin bsica, sin embargo, aumenta durante los aos 2010 y 2011
Para analizar las causas del diferente comportamiento de la investigacin bsica y aplicada, es preciso
descender al anlisis pormenorizado de cada una de estas tipologas de actividades de investigacin.
CUADRO 3
DESCRIPCIN: Universidad en estudio. Detalle de la evolucin de los ingresos de la investigacin bsica y aplicada. Periodo
2007/2011.
FUENTE: Informacin facilitada por Vicerrectorado de Investigacin de la Universidad en estudio. Elaboracin propia.
INGRESOS INVESTIGACIN BSICA
AO 2007
AO 2008
AO 2009
AO 2010
15.101,36
20.180,98
15.769,75
18.101,13
16.996,96
18.395,41
14.709,36
17.547,17
21.800,85
23.070,49
INGRESOS INVESTIGACIN APLICADA
AO 2011
591
Cules pueden haber sido las causas del comportamiento de los ingresos procedentes de la investigacin bsica?
La evolucin temporal de la captacin de recursos para la Universidad, en lo que se refiere a la investigacin bsica, es la que se muestra en el cuadro 4., donde se observa que durante el ejercicio 2008 la obtencin de fondos, tanto procedentes de convocatorias competitiva como de ayudas a la investigacin fue
superior a la del resto de los periodos analizados. Ello puede estar justificado por el crecimiento durante
los aos 2006 y 2007 del PIB y al incremento notable de las subvenciones pblicas a la investigacin. En
el ao 2009 se produce un descenso importante en la cuanta de ingresos que se recuperan levemente en
2010 y 2011, aunque no se llega a conseguir la cuanta alcanzada en el ao 2008.
AO 2007
AO 2008
AO 2009
1.650.553,00
20.180.979,77
18.332.878,28
1.848.101,49
18.101.125,00
16.450.572,00
16.996.956,08
1.897.305,04
15.099.651,04
21.800.850,20
19.262.948,12
2.537.902,08
17.547.174,31
1.408.298,88
16.138.875,43
CUADRO 4
DESCRIPCIN: Universidad en estudio. Detalle de la evolucin de los ingresos de la investigacin bsica (Proyectos de investigacin
I+D+i y Ayudas a la investigacin). Periodo 2007/2011.
AO 2010
AO 2011
TOTAL INVESTIGACIN BSICA

TOTAL PROYECTOS DE INVESTIGACIN I+D+I
TOTAL AYUDAS A LA INVESTIGACIN
Para profundizar aun ms en el anlisis de las posibles causas de dicho comportamiento, se hace necesario descender al origen o procedencia de los ingresos, es decir, si son ingresos de convocatorias nacionales
o europeas.
592
Tal y como se observa en el cuadro 5., el repunte observado en los aos 2010 y 2011, se debe exclusivamente al incremento en la cuanta de los fondos procedentes de convocatorias europeas (Programa Marco
y otros), pues las convocatorias nacionales se mantienen en su evolucin, debido a la situacin de crisis
econmica por la que atraviesa el pas que hace que la cuanta de las subvenciones pblicas a la investigacin haya sufrido recortes, con una previsible disminucin de ingresos para los aos venideros.
CUADRO 5
DESCRIPCIN: Universidad en estudio. Detalle de la evolucin de los ingresos de convocatorias europeas y nacionales. Periodo
2007/2011.
21.800,85
20.180,98
17.547,17
18.101,13
16.996,96
1.085,32
1.532,29
20.715,53
16.014,88
AO 2007
TOTAL INGRESOS
AO 2008
1.094,04
2.299,86
15.902,92
15.801,26
AO 2009
AO 2010
INGRESOS DE CONVOCATORIAS EUROPEAS
4.389,87
15.791,11
AO 2011
INGRESOS DE CONVOCATORIAS NACIONALES
Ha afectado de igual manera la disminucin de los fondos Pblicos de convocatorias competitivas a

otras Universidades?
Para responder a esta pregunta compararemos los fondos obtenidos de convocatorias competitivas nacionales con los de otras cuatro Universidades, tal y como se muestra en la tabla 2 y el cuadro 6:
593
TABLA 2
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
AO 2007
16.014.881,92
9.567.493,32
18.765.413,00
39.987.651,34
42.578.914,78
AO 2008
20.715.525,91
12.233.356,88
22.231.543,08
41.113.473,66
46.602.064,99
AO 2009
15.902.919,19
10.800.850,20
24.996.956,08
37.101.125,00
42.180.979,77
AO 2010
15.801.261,19
9.567.493,32
25.765.413,00
39.987.651,34
42.578.914,78
AO 2011
15.791.105,46
10.715.525,91
27.233.356,88
38.231.543,08
41.113.473,66
CUADRO 6
DESCRIPCIN: Comparativa de los ingresos de convocatorias nacionales de la Universidad en estudio con otras Universidades. Periodo
2007/2011.
FUENTE: Informacin adaptada de Universidad en cifras 2010 CRUE. Elaboracin propia
250.000
200.000
AO 2011
150.000
AO 2010
100.000
AO 2009
50.000
AO 2008
AO 2007
0
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
Tal y como muestra en el cuadro 6, excepto en el caso de la Universidad B, todas las Universidades experimentaron un decremento importante en el ao 2009, que han ido recuperando, pero nunca en las
cuantas del ao 2008.
En cuanto a los fondos obtenidos de convocatorias europeas, como se muestra en el cuadro 7 , al igual que
ha sucedido en mi Universidad, en el resto de Universidades los importes han aumentado, alcanzando la
Universidad B en 2010 la cifra de 13.765.413 , constituyndose en la Universidad de referencia.
594
INGRESOS DE CONVOCATORIAS NACIONALES

CUADRO 7
DESCRIPCIN: Comparativa de los ingresos de convocatorias europeas de la Universidad en estudio con otras Universidades. Periodo
2007/2011.
FUENTE: Informacin adaptada de Universidad en cifras 2010 CRUE. Elaboracin propia.
INGRESOS DE CONVOCATORIAS EUROPEAS

15.000
10.000
5.000
0
UNIVERSIDAD X
AO 2011
UNIVERSIDAD A
UNIVERSIDAD B
AO 2010
AO 2009
UNIVERSIDAD C
UNIVERSIDAD D
AO 2008
AO 2007
Cul ha sido la tendencia de los ingresos procedentes de la investigacin aplicada?

En cuanto a la investigacin aplicada, la situacin es la que se muestra en los cuadros 6 y 7, en los que
se observa un incremento progresivo hasta el ao 2009 y un descenso posterior que, en el caso de los
Ingresos de contratos del art. 83, tambin puede deberse a la situacin econmica actual del pas que ha
provocado un descenso en el nmero y la cuanta de contratos firmados con empresas.
595
AO 2007
AO 2008
AO 2009
AO 2010
15.020,86
14.662,96
15.662,06
18.307,00
22.935,69
CUADRO 8
DESCRIPCIN: Universidad en estudio. Detalle de la evolucin de los ingresos de Contratos art. 83. Periodo 2007/2011.
FUENTE: Informacin facilitada por Vicerrectorado de Investigacin de la Universidad en estudio. Elaboracin propia
AO 2011
46.400,00
80.503,22
88.404,18
107.689,56
134.804,18
CUADRO 9
DESCRIPCIN: Universidad en estudio. Detalle de la evolucin de los ingresos de Patentes. Periodo 2007/2011.
AO 2007
596
AO 2008
AO 2009
AO 2010
AO 2011
Ha afectado de igual manera la consecucin de fondos por el artculo 83 de la L.O.U. al resto de Universidades?
Para responder a esta pregunta compararemos los fondos obtenidos por el art. 83 con los de otras cuatro
Universidades, tal y como se muestra en el cuadro 10.
CUADRO 10
DESCRIPCIN: Comparativa de los ingresos de Contratos art. 83 de la Universidad en estudio con otras Universidades. Periodo
2007/2011.
INGRESOS ART. 83
80.000
60.000
40.000
20.000
0
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
AO 2011
AO 2010
AO 2009
AO 2008
AO 2007
Este tipo de ingresos ha tenido un comportamiento parecido en las otras Universidades, por lo que podemos concluir que, tanto los ingresos procedentes de la investigacin bsica como los de la investigacin
aplicada han experimentado un descenso a partir del ao 2009, que solamente se ha visto compensado
a travs del incremento en la captacin de ingresos de convocatorias europeas por lo que, dada la persistente situacin de crisis econmica en Espaa, sta puede ser a corto plazo una de las posibles vas de
mejora de los ingresos por investigacin.
1.1.1.2. EVOLUCIN RESPECTO AL CONTEXTO: CAPTACIN DE

INGRESO DE LA I+D+I DE LA UNIVERSIDAD, COMPARADA CON
OTRAS UNIVERSIDADES. ACTUAL Y EVOLUCIN.
La evolucin respecto al contexto de los Ingresos obtenidos por I+D+i, nos permite conocer el posicionamiento de nuestro Departamento/rea de conocimiento, rama de enseanza, o Universidad en el contexto
597
local o nacional, as como tambin en el contexto externo de otras reas de conocimiento de referencia o
departamentos, por ejemplo, reas de conocimiento o ramas de enseanza de Universidades competidoras o Universidades de referencia, departamentos de contenidos similares o de igual rea de conocimiento.
A nivel de Universidad, esta informacin resulta esencial para establecer los rankings Universitarios
pues, adems, permite la realizacin de comparaciones temporales (evolucin en el tiempo) y espaciales
(sobre todo entre Universidades de similar tamao y caractersticas) por lo que resulta clave para conocer
su posicin institucional en dicho ranking. As mismo, nos permite identificar tendencias generales y
anticipar evoluciones probables, tanto a nivel tipologa de ingresos, como de procedencias de los mismos.
Qu posicin ocupa mi Universidad en el contexto nacional o de la comunidad autnoma?
Ejemplo:
En la tabla 3. se comparan los datos de los ingresos liquidados procedentes de la I+D+i obtenidos por la
Universidad X con los de otras cuatro Universidades de diferentes caractersticas (Universidades politcnicas B y D, con mayor peso de la investigacin sobre la docencia y Universidades ms generalistas en las
que la relacin es inversa A y C).
TABLA 3
AYUDAS A LA
INVESTIGACIN
PROYECTOS DE
I+D+I
INGRESOS ART.83
PATENTES
TOTAL INGRESOS
I+D+I
UNIVERSIDAD X
1.848.101,49
18.332.878,28
2.313.860,37
80.503,22
35.282.339,08
UNIVERSIDAD A
1.537.902,08
9.262.948,12
803.402,00
0,00
13.107.854,25
UNIVERSIDAD B
9.897.305,04
15.099.651,04
48.841.606,82
107.689,56
86.040.333,39
UNIVERSIDAD C
650.553,00
42.450.572,00
2.197.234,00
0,00
46.763.182,00
UNIVERSIDAD D
5.848.101,49
41.332.878,28
21.692.453,04
82.000,00
77.283.835,86
Los cuadros 11. y 12 muestran el potencial de captacin de recursos por investigacin bsica y aplicada en
de las distintas Universidades. Como puede apreciarse, las Universidades B y D, destacan sobre el resto
en cuanto a la capacidad de captacin recursos por I+D+i. En lo que se refiere a la investigacin aplicada,
la Universidad B es el referente nacional. En cuanto a la investigacin Bsica la Universidad C, es una Universidad ms generalista pero con un gran potencial de captacin de recursos por investigacin bsica
en convocatorias competitivas. Excepto en el caso de la Universidad politcnica B en la que la proporcin
de los ingresos por investigacin aplicada supone casi el 70% en el resto de Universidades los ingresos
proceden en su mayora de la investigacin bsica.
Mi Universidad es una Universidad mediana que se sita en cuarta posicin en el ranking en cuanto a obtencin de ingresos por investigacin, observndose un equilibrio en cuanto a la tipologa de los mismos.
598
CUADRO 11
DESCRIPCIN: Comparativa del potencial de captacin de recursos por investigacin bsica y aplicada de la Universidad en estudio
con Universidades de otras caractersticas (politcnicas y ms generalistas).
100.000.000
50.000.000
0
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
CUADRO 12
DESCRIPCIN: Comparativa del potencial de captacin de recursos por investigacin bsica y aplicada de la Universidad en estudio
15.101.359,31
803.402,00
48.949.296,38
2.197.234,00
21.774.453,04
43.101.125,00
10.800.850,20
47.180.979,77
17.547.174,31
24.996.956,08
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D

599
Cul es la principal va de obtencin de ingresos por investigacin?

En cuanto a los ingresos por investigacin bsica, la captacin de recursos en todas las Universidades es,
fundamentalmente, de Proyectos de I+D+i obtenidos de convocatorias competitivas.
Como se observa en el cuadro 13. la principal fuente de captacin de ingresos en mi Universidad son los
Proyectos I+D+i obtenidos de convocatorias competitivas y aunque superan en cuanta a los obtenidos
por las Universidades A y B, distan mucho de parecerse a los obtenidos por las Universidades de referencia en este tipo de ingresos la C y D.
Respecto de los ingresos del art. 83, stos constituyen una debilidad de mi institucin y, aunque son ligeramente superiores a los de las Universidades A y C, estn lejos de los obtenidos por B y C. En esta tipologa de ingresos el referente claro a nivel nacional lo constituye la Universidad B.
CUADRO 13
DESCRIPCIN: Comparativa de las diferentes vas de obtencin de ingresos por investigacin de la Universidad en estudio con Universidades de otras caractersticas (politcnicas y ms generalistas).
82,00
21.692,45
UNIVERSIDAD X
41.332,88
5.848,10
0,00
UNIVERSIDAD A
2.197,23
42.450,57
650,55
107,69
UNIVERSIDAD B
9.897,31
UNIVERSIDAD C
UNIVERSIDAD D
0,00
803,40
1.537,90
80,50
2.313,86
1.848,10
600
48.841,61
15.099,65
9.262,95
18.332,88
PATENTES
PROYECTOS DE I+D+I
INGRESOS ART.83
AYUDAS A LA INVESTIGACIN
En cuanto a los ingresos por investigacin bsica, la captacin de recursos es, fundamentalmente, de
Proyectos de I+D+i obtenidos de convocatorias competitivas.
1.1.1.3. CAPTACIN DE INGRESO DE LA I+D+I SEGN REA

TEMTICA DE INVESTIGACIN
La segmentacin por ramas de enseanza o, lo que es ms comn en referencia a los ingresos por investigacin, por reas temticas de investigacin en las que stos se suelen clasificar, nos permite obtener
informacin acerca del potencial cientfico tecnolgico de las distintas Universidades y puede ser un fiel
reflejo de la especializacin entre ellas. La distintas reas temticas de investigacin que suelen distinguirse son:
Ciencias de la vida y agroalimentacin
Medio ambiente y recursos naturales
Tecnologas de la produccin y las comunicaciones
Humanidades y Ciencias Sociales
Cules son las fortalezas y debilidades en cuanto al rea temtica de la investigacin de mi Universidad respecto al resto de Universidades?
Como se muestra en el cuadro 14, la capacidad para la captacin de recursos de las Universidades vara segn el tipo de Universidad de que se trate. As, las Universidades politcnicas B y D, encabezan el
ranking en determinadas reas temticas como las Tecnologas de la produccin y las comunicaciones.
En cambio, las Universidades ms generalistas y con ms tradicin docente, como la Universidad A y C
presentan una mayor fortaleza en la captacin de recursos en el rea de Ciencias de la vida y agroalimentacin o en las Humanidades y Ciencias Sociales. En el caso de nuestra Universidad, aunque se trata de
una Universidad generalista, se caracteriza por un potencial investigador menos polarizado con un peso
parecido en Tecnologas de la Produccin y las Comunicaciones, en Ciencias de la vida y Agroalimentacin y en Humanidades y Ciencias Sociales.
601
CUADRO 14
DESCRIPCIN: Comparativa del potencial de captacin de recursos segn rea temtica de investigacin de la Universidad en estudio
PROYECTOS DE I+D+I POR REAS DE GESTIN
1.698,02
6.215,87
12.735,17
3.716,38
26.453,04
9.814,77
11.037,15
5.768,70
2.403,12
5.546,57
5.786,60
3.019,93
16.980,23
6.613,26
3.945,19
1.509,97
2.479,97
754,98
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
TECNOLOGAS DE LA PRODUCCIN Y LAS COMUNICACIONES
MEDIO AMBIENTE Y RECURSOS NATURALES
CIENCIAS DE LA VIDA Y AGROALIMENTARIAS
HUMANIDADES Y CIENCIAS SOCIALES
UNIVERSIDAD D
1.1.1.4. CAPTACIN DE INGRESO DE LA I+D+I SEGN EL ORIGEN DE

LOS FONDOS
Segn el origen o procedencia de los recursos los ingresos obtenidos por I+D+i pueden ser:
602
Pblicos: Convocatorias Europeas (Programa Marco u otros), Programas del Plan Nacional y Programas Autonmicos o locales.
Privados: clasificados tambin por dimensin empresarial del contratante (familiar, pequea, mediana o grande), o actividad productiva (agricultura, pesca, industria, construccin, servicios).
Cul es la procedencia de los recursos que mi Universidad obtiene por investigacin?

Como se observa en el cuadro 15., la mayor parte de los ingresos que las Universidades obtienen por investigacin bsica son de procedencia pblica. En consecuencia, dada la situacin econmica actual y el
previsible recorte en los fondos pblicos asignados a la investigacin, stos son difcilmente mejorables.
CUADRO 15
DESCRIPCIN: Comparativa de la procedencia (pblica/privada) de los recursos por investigacin bsica de la Universidad en estudio
PROCEDENCIA DE LOS INGRESOS DE LA INVESTIGACIN BSICA
INVESTIGACIN BSICA PROCEDENCIA PBLICA
INVESTIGACIN BSICA PROCEDENCIA PRIVADA
En cuanto al origen de los ingresos por investigacin aplicada (art. 83), como se muestra en el cuadro
16, aunque tambin tienen origen en contratos firmados con instituciones y organismos pblicos, en
su mayor parte son de procedencia privada. En el caso de mi Universidad, aunque los ingresos son inferiores a los obtenidos por las Universidades Politcnicas B y D, claros referentes a nivel nacional, son
sensiblemente superiores a los de A y C. En consecuencia, deben implantarse acciones que incrementen
las relaciones con el tejido productivo encaminadas a aumentar tanto el nmero como el importe de los
contratos y convenios firmados con empresas.
603
CUADRO 16
DESCRIPCIN: Comparativa de la procedencia (pblica/privada) de los recursos por investigacin aplicada de la Universidad en estudio con Universidades de otras caractersticas (politcnicas y ms generalistas).
PROCEDENCIA DE LOS INGRESOS DE LA INVESTIGACIN APLICADA
INVESTIGACIN APLICADA PROCEDENCIA PBLICA
INVESTIGACIN APLICADA PROCEDENCIA PRIVADA
1.2. ANLISIS DE LA PRODUCTIVIDAD INVESTIGADORA DEL

PDIETC
Respecto a la productividad investigadora, el planteamiento se sita, como se ha indicado, en el conocimiento del ingreso promedio por PDIETC obtenido por el Departamento/rea de conocimiento/rama
de enseanza/Universidad como principal responsable de la actividad investigadora en la Universidad.
Cul es el ingreso promedio de la I+D+i obtenido por el PDIETC en mi Universidad?
La productividad investigadora puede medirse en relacin nicamente al PDI doctor o, en relacin a todo
el PDI doctor y no doctor, en cuanto que estos ltimos pueden participar en el desarrollo de actividades
de investigacin (contratos, proyectos, etc.). Ello nos permitir comparar la capacidad para obtener recursos procedentes de la investigacin en funcin todo el potencial investigador en distintos mbitos de
referencia.
604
UNIVERSIDAD X
CAPTACIN DE INGRESOS
I+D+I (A)
PDIETC (B)
RESULTADO (A/B)
35.282.339,08
1.909,58
18.476,47
La capacidad de generar recursos procedentes de la I+D+i en mi Universidad es de 18.476,47 , por PDIETC.

Cul es la posicin que ocupa mi Universidad en el contexto nacional?
El anlisis de la productividad investigadora por Universidades, nos permitir discriminar aquellas que,
con un parecido potencial investigador, generan mayor ingresos por investigacin (Universidades politcnicas) de aquellas con mayor carga docente por profesor o productividad docente (Universidades
generalistas).
Ejemplo:
En la tabla 4. se muestran los datos de los ingresos liquidados procedentes de la I+D+i obtenidos por la
Universidad X y los de otras cuatro Universidades y el PDIETC de cada una de ellas. La ltima columna
muestra la ratio:
Resultado = Captacin de ingresos I+D+i/ PDIETC
CAPTACIN DE INGRESOS
I+D+I
PDIETC
RESULTADO
UNIVERSIDAD X
35.282.339,08
1.909,58
18.476,47
UNIVERSIDAD A
13.107.854,25
727,03
18.029,37
UNIVERSIDAD B
86.040.333,39
2.649,32
32.476,44
UNIVERSIDAD C
46.763.182,00
3.332,00
14.034,57
UNIVERSIDAD D
77.283.835,86
2.435,58
31.731,13
Como puede observarse en el cuadro 17, las Universidades con mayor capacidad de captacin de recursos por PDIETC son las Universidades politcnicas B y D. Ello es consecuencia de que la dedicacin a la
investigacin en estas Universidades es bastante superior a la del resto de Universidades y a la importante cuanta de recursos captados por I+D+i, tanto en investigacin bsica como aplicada en este tipo
de Universidades, como hemos visto en el anlisis precedente, que hace que la ratio Ingreso/PDIETC sea
muy alta.
605
CUADRO 17
DESCRIPCIN: Comparativa de la captacin de recursos por PDIETC de la Universidad en estudio con Universidades de otras caractersticas (politcnicas y ms generalistas).
CAPTACIN DE RECURSOS POR PDIETC
32.476,44
31.731,13
86.040,33
77.283,84
14.034,57
18.476,47
46.763,18
35.282,34
18.029,37
13.107,85
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
RESULTADO
TOTAL
En el caso de mi Universidad la ratio est por encima de las Universidades generalistas A y C. La Universidad A, es una Universidad de ms reciente creacin y ms pequea, con una reducida plantilla de
profesorado. Sin embargo, en el caso de la Universidad C aunque obtiene ms ingresos por investigacin
que la nuestra, tambin tiene una mayor plantilla y, en consecuencia, la ratio es menor.
Existe relacin entre productividad investigadora y productividad docente?
Para completar el anlisis cabra comparar la productividad investigadora con la productividad docente
de las distintas Universidades, pues, cabe pensar que la asignacin a la docencia por PDIETC puede ser
mayor en aquellas Universidades con mayor nmero de alumnos y titulaciones (sobre todo en las reas
de Humanidades y Ciencias Sociales) y que ello redunde en una menor dedicacin a la investigacin.
La productividad docente del PDI relaciona el nmero de crditos impartidos (asignacin docente en horas en un determinado curso acadmico (outputs)) con el potencial docente o PDIETC del departamento/
606
rea de conocimiento, o Universidad (inputs). Cuanto mayor sea la relacin outpts/inputs, mayor ser
la productividad docente de un departamento/rea de conocimiento, rama de enseanza o Universidad
en relacin a otra.
Como se observa en el cuadro 18., las Universidades generalistas con mayor nmero de alumnos y titulaciones, como el caso de las Universidades A, C y X se caracterizan por tener mayor productividad docente
que las politcnicas B y D que estn ms dedicadas a la investigacin.
CUADRO 18
DESCRIPCIN: Detalle del indicador de productividad docente de la Universidad en estudio con Universidades de otras caractersticas
(politcnicas y ms generalistas).
INDICADOR DE PRODUCTIVIDAD DOCENTE
192,34
153,42
135,13
126,09
UNIVERSIDAD X
UNIVERSIDAD A
113,36
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
Para conocer las razones que explican el comportamiento del indicador de productividad docente es preciso profundizar en las causas que lo motivan situadas en relacin a las dos variables que lo condicionan:
de una parte, el nmero de horas impartidas o asignacin docente real del departamento y , de la otra,
el PDIETC.
Si bien el primero de dichos componentes no ofrece mayores comentarios, el segundo de ellos requiere
de un anlisis ms en profundidad.
En Espaa, la regulacin de las obligaciones docentes del profesorado de las Universidades Pblicas corresponde al gobierno. Las Universidades podrn regular la ordenacin de las enseanzas en sus Planes
de Ordenacin Docentes (POD), pero siempre de acuerdo con las disposiciones legales vigentes.
El artculo 68 de la Ley 6/2001, de 21 de diciembre, de Universidades, modificada por la Ley Orgnica
4/2007, de 12 de abril, estableci para el PDI funcionario de las Universidades en rgimen de dedicacin
607
a tiempo completo (37,5 horas semanales) una dedicacin a la actividad docente de 24 crditos ECTS para
cada curso acadmico que equivala a 240 horas a impartir en cada curso acadmico (8 horas de clases
presenciales y 6 horas de tutoras o asistencia al alumnado semanales), con excepcin del PDI Titular de
Escuela universitaria no doctor para el que se establecan 270 horas . Para los profesores con rgimen de
dedicacin a tiempo parcial, entre un mximo de seis y un mnimo de tres horas lectivas, y un nmero
igual de horas de tutora y asistencia al alumnado.
Segn ello, el clculo del ratio del PDIETC se realiza ponderando el nmero de efectivos en cada una de
las categoras de PDI por las dedicaciones de cada una de dichas categoras. A continuacin se muestra
un ejemplo de dicho clculo:
PDIETC = Nm. PDI TC (8h.) + *Nm. PDI TP (6h.) + 5/8*Nm. PDI TP (5h.) + *Nm. PDI TP (4h.) +
3/8*Nm. PDI TP (3h.) + *Nm. PDI TP (2h.)
As por ejemplo, en una Universidad con un nmero total de PDI de 2.095 con distintas dedicaciones, el
total PDIETC se reduce en proporcin a las mismas:
Ao/Mes (Situacin a 30/11): PDIETC de la Universidad X
TC (8H.)
TC (9H)
TP (6H.)
TP (5H.)
TP (4H.)
TP (3H.)
TP (2H.)
NM. PDI
PDIETC
1.460
158
305
172
2.095
1.931,00
La entrada en vigor del Real Decreto Ley 14/2012 de 20 de abril, de medidas urgentes de racionalizacin
del gasto pblico en el mbito educativo, ha establecido una nueva dedicacin a tiempo completo que
afecta, fundamentalmente, al profesorado funcionario de las Universidades, y que modifica sustancialmente los potenciales docentes de los departamentos/reas de conocimiento y, en consecuencia, la productividad docente. El RD 14/2012 fija unos nuevos lmites mximos que varan de acuerdo con el nmero
de sexenios activos y que pueden resumirse en las siguientes:
160h para el PDI funcionario a TC con tres o ms sexenios activos
240h para el PDI funcionario a TC con uno o dos sexenios activos
320h para el PDI funcionario a TC sin sexenios activos y profesorado colaborador y contratado
La aplicacin estricta del mencionado Real Decreto implica:
Un aumento en el potencial docente o PDIETC en aquellas reas de conocimiento/departamentos o

Universidades con bajo perfil investigador (medido en funcin de los sexenios activos).
Una disminucin, en el potencial docente o PDIETC en aquellas reas de conocimiento/departamentos o Universidades con alto perfil investigador (medido en funcin de los sexenios activos).
En el ejemplo se muestra el resultado del clculo del PDI ETC segn el RD 14/2012, para la misma Universidad del ejemplo anterior. Hemos supuesto que se trata de una Universidad de bajo perfil investigador,
de acuerdo con la clasificacin que se recoge en el Documento Modelo de Contabilidad Analtica para las
Universidades. Particularizacin del Modelo CANOA para Universidades:
608
Ao/Mes (Situacin a 30/11): PDIETC de la Universidad X

TC
TC
TC (8H.)
(10,67H.) (10,76H.)
643
158
TC
TP (6H.)
TP (5H.)
TP (4H.)
TP (3H.)
TP (2H.)
NM. PDI
PDIETC
305
172
2.095
2.159,22
(5,33H.)
759
58
CUADRO 19
DESCRIPCIN: Universidad en estudio. Diferencias en la determinacin del PDIETC en la Universidad en estudio con anterioridad al RD
14/2012 y tras la aplicacin del mismo.
FUENTE: Informacin facilitada por el Vicerrectorado de Ordenacin Acadmica y Profesorado de la Universidad en estudio. Elaboracin
propia
PDI ETC
2200
2150
2100
2050
2000
1950
1900
1850
1800
NM. TOTAL DE PDI
PDIETC
PDIETC (RD 14/2012)
Como se observa en el grfico, las Universidades de bajo perfil investigador (medido en funcin de los
sexenios activos) aumentaran su potencial docente (PDI ETC), con la aplicacin del RD 14/2012, an manteniendo el nmero de efectivos y la categora de los mismo.
Abundando en el ejemplo, se presenta a continuacin el clculo del PDI ETC, con anterioridad al RD
14/2012 y tras la aplicacin del mismo, para cinco departamentos/reas de conocimiento pertenecientes
a distintas ramas de enseanza, y perfil investigador diferente.
[ Ver Cuadros 20 y 21 (pg. sig.)
609
CUADRO 20
DESCRIPCIN: Universidad en estudio. Determinacin del PDIETC en cinco Departamentos/reas de conocimiento de distintas ramas
de enseanza y perfil investigador con anterioridad al RD 14/2012 y tras la aplicacin del mismo.
propia.
60
NMERO DE
PDI
50
PDI ETC
40
PDI ETC (RD

14/2012)
30
20
10
0
A
CUADRO 21
DESCRIPCIN: Universidad en estudio. Diferencias en la determinacin del PDIETC en cinco Departamentos/reas de conocimiento de
distintas ramas de enseanza y perfil investigador con anterioridad al RD 14/2012 y tras la aplicacin del mismo.
propia.
DIFERENCIAS EN PDI ETC

8
6
4
2
0
-2
-4
-6
-8
A
610
Como se observa en ambas grficos, el resultado de la aplicacin estricta del RD 14/2012 provoca cambios
sustanciales en el clculo del PDI ETC de los departamentos/reas de conocimiento.
Aunque se producen diferencias en todos, stas son de sentido opuesto dependiendo del perfil investigador de los mismos.
En los departamentos/rea de conocimientos C, D y E, de baja productividad investigadora (medida por el
nmero de sexenios activos) se produce un aumento en el potencial docente. Por el contrario, los departamentos/rea de conocimientos A y B experimentan una reduccin en su potencial docente relacionado
exclusivamente con una mayor productividad investigadora de los mismos.
1.3. ANLISIS DEL GRADO DE COBERTURA DE LA ACTIVIDAD DE

I+D+I
En el mbito de los costes, la determinacin de este indicador junto con el relacionado con los costes de
la actividad investigadora, permitir conocer el grado de cobertura de las diferentes actividades de I+D+i
con los ingresos procedentes de la misma y, en consecuencia, la capacidad de autofinanciacin de la actividad investigadora para mejor racionalizacin de los recursos asignados.
El anlisis de este indicador cabe realizarlo a nivel de departamento/rea de conocimiento, a nivel de
rama de enseanza o a nivel de Universidad. As mismo, cuando se disponga de informacin relativa a
los costes, obtenida de la Contabilidad Analtica de la Universidad, el indicador podr calcularse a nivel
de tipo de actividad investigadora (cobertura de un proyecto concreto o un contrato art. 83 en concreto)
a nivel de grupo de ellos (grado de cobertura de Proyectos I+D+i del plan nacional o los contratos de un
Departamento/rea de conocimiento) o a nivel global (Grado de cobertura de la investigacin bsica y de
la investigacin aplicada de una Universidad).
Cul es el grado de cobertura de los costes de la investigacin bsica y la aplicada?
En la tabla 5. se muestran los datos de los ingresos y costes de la Investigacin bsica y aplicada:
611
TABLA 5
COSTE INVESTIGACIN
BSICA
COSTE INVESTIGACIN
APLICADA
INGRESOS
INVESTIGACIN BSICA
INGRESOS
INVESTIGACIN
APLICADA
UNIVERSIDAD X
19.287.594,00
13.823.566,00
17.547.174,31
15.020.856,09
UNIVERSIDAD A
13.463.832,00
6.353.041,00
10.800.850,2
2.307.004,05
UNIVERSIDAD B
21.238.450,00
45.922.285,00
24.996.956,08
60.935.687,75
UNIVERSIDAD C
60.375.853,00
2.655.947,00
43.101.125,00
3.662.057,00
UNIVERSIDAD D
41.178.402,00
26.444.600,00
47.180.979,77
30.020.856,09
Como representan los cuadros 22 y 23, excepto en el caso de las Universidades B y D , en el resto de Universidades los costes de la investigacin bsica superan a los ingresos obtenidos por la misma, siendo esta
diferencia muy notable en el caso de la Universidad C que solo cubre el 71%. En el caso de mi Universidad,
los costes superan levemente a los ingresos, situndose el grado de cobertura de los costes en un 91%.
612
CUADRO 22
DESCRIPCIN: Comparativa del grado de cobertura de la Investigacin bsica de la Universidad en estudio con Universidades de otras
caractersticas (politcnicas y ms generalistas).
UNIVERSIDAD X
UNIVERSIDAD A
COSTE INVESTIGACIN BSICA
47.180.979,77
41.178.402,00
24.996.956,08
21.238.450,00
10.800.850,20
13.463.832,00
17.547.174,31
19.287.594,00
43.101.125,00
60.375.853,00
COBERTURA INVESTIGACIN BSICA
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
CUADRO 23
DESCRIPCIN: Comparativa porcentual del grado de cobertura de la Investigacin bsica de la Universidad en estudio con Universidades de otras caractersticas (politcnicas y ms generalistas).
GRADO DE COBERTURA DE LOS COSTES DE INVESTIGACIN BSICA
118%
115%
91%
80%
UNIVERSIDAD X
UNIVERSIDAD A
71%
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
613
Con respecto a la investigacin aplicada, como se muestra en los cuadros 24. y 25, excepto en el caso de la
Universidad A en la que los ingresos solo cubren el 36% de los costes, el resto presentan mrgenes positivos. De ah que en los ltimos aos las Universidades intenten incrementar este tipo de investigacin
por ser la que mayor grado de autofinanciacin les proporciona.
CUADRO 24
DESCRIPCIN: Comparativa del grado de cobertura de la Investigacin aplicada de la Universidad en estudio con Universidades de
otras caractersticas (politcnicas y ms generalistas).
COBERTURA INVESTIGACIN APLICADA
60.935.687,75
45.922.285,00
30.020.856,09
26.444.600,00
13.823.566,00
15.020.856,09
6.353.041,00
2.655.947,00
2.307.004,05
UNIVERSIDAD X
UNIVERSIDAD A
COSTE INVESTIGACIN APLICADA

614
UNIVERSIDAD B
3.662.057,00
UNIVERSIDAD C
UNIVERSIDAD D
CUADRO 25
DESCRIPCIN: Comparativa porcentual del grado de cobertura de la Investigacin aplicada de la Universidad en estudio con Universidades de otras caractersticas (politcnicas y ms generalistas).
GRADO DE COBERTURA DE LOS COSTES DE INVESTIGACIN APLICADA
133%
138%
109%
114%
36%
UNIVERSIDAD X
UNIVERSIDAD A
UNIVERSIDAD B
UNIVERSIDAD C
UNIVERSIDAD D
615
CMO ES EL PERFIL
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 7: CMO ES EL PERFIL DE LA ACTIVIDAD DE I+D+I DE MI UNIVERSIDAD?
DE LA ACTIVIDAD
DE I+D+I DE MI
UNIVERSIDAD?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autores
Fernando Casani Fernndez de Navarrete

Director del depto. de Organizacin de Empresas
de la Universidad Autnoma de Madrid
Roberto Moreno Serrano
Director de UNIVERSITAS XXI - INVESTIGACIN
617
CAPTULO 7
CMO ES EL PERFIL DE LA ACTIVIDAD
DE I+D+I DE MI UNIVERSIDAD?
En la actualidad las misiones fundamentales de la Universidad son la enseanza (transmisin del conocimiento), la investigacin (generacin de nuevo conocimiento) y, ms recientemente, la transferencia
de los resultados de la investigacin al sistema productivo.
La investigacin es un proceso sistemtico que, a travs del mtodo cientfico, busca generar nuevo conocimiento para ampliar los diversos campos de la ciencia y la tecnologa. Se trata de una de las misiones
tradicionales de la Universidad y se realiza de una manera libre y autnoma por sus miembros. Esta autonoma implica que la direccin de la Universidad puede orientar o incentivar algunos aspectos de la
investigacin pero no puede determinar el programa investigador de la institucin.
En el mbito universitario la investigacin es realizada por el personal de la Universidad fijo o adscrito a
proyectos. Todos los profesores doctores tienen la capacidad y la obligacin, dentro de las caractersticas
de su categora laboral, de realizar actividades de investigacin en funcin de su mbito de especializacin. Para realizar estas actividades se organizan en grupos de investigacin. Las Universidades disponen
de un registro en el que figuran los grupos existentes y su objetivo de investigacin. Si bien, an existen
Universidades en las que el departamento y por agrupacin el centro, siguen siendo la unidad organizativa de la investigacin.
La financiacin de la investigacin, que se puede calificar de bsica porque pretende incrementar el conocimiento de forma general para la sociedad y no resolver un problema tcnico especfico, se realiza a travs
de convocatorias pblicas competitivas de proyectos de investigacin, que pueden ser internacionales,
nacionales o regionales. En funcin del inters cientfico del proyecto presentado y de la capacidad acreditada del investigador principal y de su equipo, se seleccionan los proyectos que van a ser financiados
por un periodo de tiempo.
Aunque bajo el epgrafe de investigacin se hace referencia a la creacin de nuevo conocimiento para
ponerlo a disposicin de la sociedad en su conjunto y, por tanto, se le puede considerar un bien pblico
618
financiado con fondos tambin pblicos, este mbito se est ampliando con las actividades de transferencia de los resultados de la investigacin que suponen procesos de comercializacin de un bien que se
puede considerar como privado, ya que se realiza en funcin de contratos entre las partes y los ingresos
pueden ser obtenidos de entidades privadas y pblicas.
Ambas realidades (la I grande y la i pequea) son realidades muy distintas. Sin embargo a la hora de
plantearnos las preguntas clave para los directivos y gestores las vamos a tratar de forma conjunta porque esto facilita la seleccin de un nmero reducido de indicadores relevantes para la toma de decisiones.
El desarrollo de los proyectos de investigacin financiados y la actividad propia de los profesores e investigadores generan resultados de investigacin que se publican, para ofrecer el conocimiento al resto de
la comunidad cientfica y a la sociedad en general, en diversos formatos (revistas, libros, etc. ) que acostumbran cada una de las distintas ramas del conocimiento.
Para poder conocer y dirigir la poltica investigadora, los responsables universitarios deberan disponer
de una serie de indicadores que les permita responder a las cuestiones principales que tienen que abordar. Entre ellas, quizs la fundamental sea conocer el perfil investigador de la propia Universidad, ya
que como se ha comentado anteriormente, depende de la orientacin de su plantilla y no de la programacin centralizada de la institucin. Para ello, es necesario conocer la capacidad investigadora de
su plantilla y su especializacin en ramas de actividad. Tambin necesita conocer la produccin total,
los formatos en los que se publica y la calidad de sus publicaciones tanto en trminos absolutos como
relativos para poder medir su productividad.
Lo comentado describe en clave interna la realidad de la investigacin en las instituciones universitarias.
Pero la investigacin es una realidad universal
En el sistema norteamericano de educacin superior se distingue entre las Universidades investigadoras
(research universities), con un peso muy importante de estudios de posgrado, mster y doctorado, y otra
serie de instituciones, que pueden incorporar tambin el nombre de Universidad, pero que ponen el nfasis en la enseanza, sobre todo de estudios conducentes a obtener ttulos de grado.
En la mayor parte de los pases europeos, incluida Espaa, las Universidades son consideradas investigadoras, con mayor o menor peso relativo de esta actividad en funcin de las caractersticas de cada
institucin. En otras reas geogrficas se sigue uno u otro modelo dependiendo de su rea de influencia.
Sin embargo, la irrupcin de los rankings internacionales de Universidades, que ponderan fundamentalmente indicadores de investigacin, ha hecho que esta actividad sea considerada de forma destacada
para medir el prestigio y la calidad de las instituciones, de manera que, aunque dediquen la mayor parte
de sus recursos a la enseanza, su valoracin y la de su profesorado se va a realizar teniendo en cuenta
sus resultados en el mbito investigador.
A nivel global, las denominadas world class universities que ocupan las posiciones destacadas de los
ranking son Universidades con una gran reputacin investigadora. Por extensin, el criterio de la in619
vestigacin, va a ser determinante para medir la calidad de las Universidades en los distintos sistemas
nacionales y locales.
Medir la actividad investigadora permitir a la Universidad fundamentalmente conocer su posicionamiento en todos los escenarios en los que acta: internacional, nacional, regional e interno. Este posicionamiento permitir a sus autoridades la toma de decisiones para mejorar o mantener el mismo. El
anlisis de dicho indicador puede realizarse en diferentes mbitos:
En el mbito internacional y nacional, obteniendo informacin de la produccin cientfica de

la institucin bajo los criterios generalmente aceptados. En este mbito, los indicadores de
captacin de financiacin no sern referencia. Y el hndicap, elegir esos criterios generalmente
aceptados.
En el mbito regional (entendido como su zona de influencia), como generadora de riqueza y

transmisora de conocimiento. En este mbito, la medicin de la captacin de fondos en I grande y la i pequea cobran su importancia.
En el mbito interno, como ejercicio de anlisis de las estructuras universitarias: investigador, ,

departamentos, grupos y centros facultades o institutos-, como deteccin de puntos fuertes y
dbiles de la institucin sobre las que actuar.
Consejo Social: Como conexin entre la Sociedad y la Universidad es clave que conozca el papel que
la Universidad desempea como dinamizadora del tejido productivo de su zona de influencia y si
este papel es mejorable y en que sectores.
Equipo rectoral: Como mximo decisor de la Universidad, necesita conocer todas las dimensiones
citadas, con vistas a definir estrategias, objetivos y acciones que permitan un mejor posicionamiento de la institucin. As como valorar, si las orientaciones e incentivos lideradas desde el Equipo de
Gobierno estn permitiendo avanzar hacia los objetivos fijados.
Director de: Centro de Investigacin, Departamento, Grupo, etc.: Le resulta til, en los mismos trminos que para el equipo de gobierno, pero en su rea de actuacin.
Responsables de los rganos de gestin funcional operativa de la investigacin: Estrechamente vinculados con el mantenimiento de los sistemas transaccionales de procesamiento de la informacin
sobre investigacin, velan por la calidad de la informacin en el mbito de la financiacin y precisan
informacin de la produccin cientfica con vistas a la preparacin de reportes normalizados solicitados por las autoridades oficiales.
Administracin Pblica: Solicitantes natural de informacin con vistas a elaborar estadsticas nacionales e internacionales, a conocer posicionamiento del pas en el mbito internacional. En este
mbito encontramos las encuestas SIUU, INE, REDOTRI, REDUGI, ANEP, autonmicas (p.e. UNEIX), etc.
Otras instituciones pblicas y privadas: Fundaciones, Agencias, Observatorios, Grupos de Investigacin,

etc. que entre sus actividades tienen la elaboracin de indicadores de muy diversa naturaleza. Entre ellos
encontramos las iniciativas: IUNE, Ec3, SCIMAGO, Fundacin C y D, Fundacin BBVA Ivie, Webometrics,
etc.
620
1. RELACIN DE INDICADORES Y DATOS QUE AYUDAN

A DAR RESPUESTA A LA PREGUNTA CLAVE
Es importante sealar que encontrar unos criterios generalmente aceptados en el mbito de la I+D+i
es simplemente una utopa (perdone el lector nuestro atrevimiento). Estn sometidos enormemente a
los criterios de las instituciones o expertos que los definen. Adems en muchos casos, esto criterios son
difcilmente interpretables o tienen mucho de acadmico. Si a esto sumamos que no todas las reas de
la Ciencia se rigen por las mismas reglas o costumbres, todava esa normalizacin se convierte en algo
ms complejo. Evidentemente esto es una opinin
A esto debemos sumar que un conjunto de los datos que han de ser medidos, son difcilmente recopilables por la institucin dado que se encuentran en bases de datos internacionales o nacionales, generalmente privadas, que no facilitan esta informacin gratuitamente. Y que en todo caso, aunque lo hicieran,
nos encontraramos con los problemas de desambiguar los autores. Es decir, saber quien es quien en
el conjunto de firmas de una publicacin para poder utilizar las variables de estructura: departamento,
grupos, etc. que son propias de la Universidad.
Es posible que ante este panorama, pudiramos decidir arrojar la toalla a la hora de definir un conjunto
de indicadores para medir la I+D+i de nuestra institucin, pero no debemos hacerlo. La clave pasa por
avanzar en esta tarea desde objetivos claros y concretos para ir incorporando complejidad. Adems,
por suerte, hay iniciativas en el seno de las propias Universidades: la aparicin de las bibliotecas y sus
expertos para procurar una normalizacin de la informacin de publicaciones y autores, as como grupos
de expertos en bibliometra que procuran hacer ms cercanos y claros los indicadores de medicin de la
I+D+i. Son algunas ayudas en nuestro camino.
Dentro de este panorama nos atrevemos a hacer una aproximacin a una decena de indicadores que
pueden darnos una foto de nuestra institucin:
Indicadores
Publicaciones en primer cuartil y total de publicaciones WoS.
Citas por Universidad (WoS).
ndice de Coautora (global y por mbito: nacional o internacional).
Asistencia a Congresos (por mbito: nacional e internacional).
Otras publicaciones (por tipo: publicaciones, libro y captulo de libro)
Premios (por mbito: interna, regional, nacional o internacional).
Cargos cientficos (por tipo: en congresos, en comits evaluadores y en comits cientficos).
Financiacin (por tipo: competitiva y no, por rea: global y por tipo).
Innovacion (por tipo: patentes, extensiones y EBT/Spin-Off).
Capacidad formativa (por tipo entendido como tipo de programa de formacin- y tesis dirigidas).
621
Datos
Base de datos de revistas WoS: cuartil y citacin historizada. reas cientficas1.
Base de datos curricular (unifica produccin, personas y su origen): publicaciones (en revistas,
libros y captulos de libro), congresos, premios y cargos.
Ingresos en I+D+i: clasificados por tipo financiacin (competitiva y privada), por naturaleza: patente, Extensin, etc. y mbito: regional, nacional, etc. para la segunda y primera respectivamente.
Base de datos de tesis.
Base de datos de becas y contratos por tipo de programa.
TABLA 1
CDIGO
REA
DISCIPLINAS
ARTHUM
BIO
Arts &
Humanities
Life Sciences
arte, estudios clsicos, folklore, literatura, msica, filosofa, poesa, religin, teatro,
arqueologa, geografa, historia, lingstica y paleontologa
EXP
Experimental
Sciences
ING
Architecture,
engineering
and
computer
sciences
Medicine and alergia, androloga, anestesiologa, cardiologa, odontologa, dermatologa, emergenfarmacology cias, endocrinologa, gastroenterologa, gerontologa, polticas sanitarias, hematologa,
inmunologa, enfermedades infecciosas, tica mdica, medicina interna, microscopia,
neuroimagen, neurociencias, enfermera, nutricin, obstetricia, oncologa, oftalmologa,
ortopedia, parasitologa, patologa, pediatra, farmacologa, fisiologa, psicologa, radiologa, rehabilitacin, reumatologa, toxicologa, transplante, urologa
Social Scien- ciencias del comportamiento, biodiversidad, negocios, finanzas, comunicacin, criminologa, demografa, ecologa, economa, ciencias de la educacin, estudios tnicos, deporte
ces
y tiempo libre, radio y televisin, biblioteconoma y documentacin, derecho, ciencias
polticas, psicologa, administracin, sociologa, trabajo social, urbanismo, estudios de la
mujer
MED
SOC
anatoma, biologa, bioqumica, biofsica, biotecnologa, entomologa, gentica, microbiologa, micologa, ornitologa, ciencias de las plantas, veterinaria, virologa y zoologa
acstica, astronoma, qumica, cristalografa, medioambiente, geoqumica, geofsica,
geologa, limnologa, matemticas, mecnica, meteorologa, mineraloga, oceanografa, ptica, fsica, ciencias de polmeros, ciencias del suelo, espectroscopia, estadstica,
termodinmica
agricultura, agronoma, automatizacin y control, arquitectura, ciencias de la computacin, electroqumica, energa, ingeniera, ergonoma, pesca, ciencia de los alimentos,
horticultura, tecnologas de la imagen, instrumentacin, ciencias de materiales, metalurgia, minera, nanotecnologa, ciencia y tecnologa nuclear, robtica, telecomunicaciones,
ciencia y tecnologa del transporte
1. Es complicado poseer una referencia internacional clara para medir la ciencia dado que las iniciativas son muchas y variadas, sobre todo
en lo ltimos aos. Desde nuestra perspectiva preferimos aplicar aquello de mejor los malo conocido que lo bueno por conocer y preferimos apostar por WoS como referencia generalmente aceptada. Suficiente hndicap supone tratar la informacin de revistas de una base de
datos como para entrar a valorar varias. Sabemos que esto puede suponer que determinadas disciplinas pudieran verse no valoradas pero
eso pretende evitarse a travs del uso de otros indicadores.
Lo aplicable para las bases de datos, es aplicable para las agrupaciones por rea. Por ello, volvemos a recomendar mantener criterios sencillos y conservadores y volvemos a apostar por quedarnos a Wos. As las reas cientficas de nuestra Universidad sern: \ ver Tabla 1
622
2. ESCENARIO ANALTICO
Como hemos dicho la medicin de la ciencia no tiene sentido sin un contexto (composicin de la plantilla que determina el tipo de ciencia- y entorno productivo -en el que se enclava la Universidad-) y una
estrategia del Equipo de Gobierno acorde ambos factores, dado que sobre la Ciencia no se manda pero s
puede orientarse e incentivarse, acorde a los objetivos de la Institucin. Por ello y para ejemplificar cmo
un cuadro de indicadores puede informar de la realidad investigadora de una Universidad y contribuir
a una toma de decisiones basada en datos, hemos de presentar un caso descriptivo que nos permita
evaluar su uso.
A continuacin se describen los datos de contexto y el anlisis posterior:
Nuestra Universidad nace a partir de un campus de una Universidad preexistente en la que destacaba
su facultad de veterinaria. El resto de centros se crearon nuevos, orientndolos a la estructura productiva de la zona en la que destaca lo agrcola y el turismo rural y de aventura, que se complementaron
con titulaciones de ciencias sociales: derecho, empresariales, etc. As mismo, poco despus de la creacin
de la Universidad se encontr un importante yacimiento arqueolgico, que situ la zona en el mapa
cientfico a nivel mundial y que llevo a la creacin de diversos centros docentes y de investigacin.
La plantilla de profesorado era desigual en su configuracin. La plantilla de investigadores de la
facultad de veterinaria estaba consolidada y posea, a ojos de todos, investigadores de alto nivel
nacional e internacional. El resto de PDI de los centros deba consolidarse, a travs de la poltica de
RRHH de la institucin, dejando una plantilla de jvenes doctores.
La poltica de I+D+i de la Universidad se inici con una apuesta fuerte por la Facultad de Veterinaria. De forma, que la Universidad tuviera visibilidad en el mbito cientfico de manera casi inmediata. Ests polticas estaban orientadas a fomentar la publicacin en revistas internacionales,
la movilidad y consolidacin de plazas de jvenes doctores. Evidentemente, estas polticas estaban
disponible para el resto de centros pero no se confiaba demasiado en su eficiencia por la creacin
tan reciente de los mismos.

Para los nuevos centros, muy cercanos a las necesidades productivas del entorno de la institucin,
se pensaba mucho ms en la funcin de transferencia y en colaboracin Universidad empresa.
Obtener financiacin privada era prioritario y justificara las decisiones sobre los centros y titulaciones creados. Para ello se mont una OTRI fuerte que permitiera alcanzar los objetivos.
Otra accin estratgica del equipo de gobierno fue determinar que las estructuras organizativas de
investigacin seran el centro (dado que se crearon centros que agrupaban titulaciones de las mismas
reas cientficas y de conocimiento) y el grupo de investigacin, con una vocacin de multidisciplinaridad. Para ello muy pronto, desarroll una fuerte normativa de grupos y oriento su plan propio de
ayudas en este sentido.
En el primer estadio de vida de la Universidad, se defini un cuadro de indicadores que contena:
623
Publicaciones en primer cuartil y total de publicaciones WoS. Orientado a medir la visibilidad de la

Universidad y como indicador internacionalmente aceptado.
Asistencia a Congresos (por mbito: nacional e internacional). Orientado a medir la difusin y relevancia de las aportaciones de los investigadores de la Universidad. Pueden localizarse miembros
muy reconocidos en cualquiera de sus mbitos.
Otras publicaciones (por tipo: publicaciones, libro y captulo de libro). Como medida de la produccin
global de la Universidad y su tipologa. Pueden localizarse nichos de buen funcionamiento a incentivar.
Financiacin (por tipo: competitiva y no, por rea: global y por tipo). Como valoracin del origen de
los fondos y validador de las acciones de la Universidad en el mbito de la transferencia.
Con vistas a determinar la consolidacin de las polticas de recursos humanos y si su evolucin permite llevar a cabo las polticas en materia de I+D+i que posee la institucin.
En definitiva, la definicin inicial persegua poseer un conjunto de indicadores que permitieran de una
parte, validar el planteamiento de partida que haba servido para definir la poltica cientfica de la Universidad (Veterinaria muy relevante, consolidar plantilla y transferencia muy importante). Y de otra, visualizar la tendencia de los aspectos incentivados por dicha estrategia y el programa propio de la Institucin. Evidentemente, las dimensiones de anlisis sern centro (rea temtica) y grupo de investigacin.
En el tercer ao de vida de la Universidad, el descubrimiento de un importante yacimiento arqueolgico
en su zona de influencia, reconfiguro la realidad de la Universidad al convertirla en Internacional. Este
hecho, unido a medir la madurez del modelo, supuso una reconfiguracin de la poltica cientfica y la
necesidad de incorporar algunos nuevos indicadores:
Citas por Universidad (WoS). Se trataba de complementar la visibilidad con la citacin como criterio
de calidad y madurez.
ndice de Coautora (global y por mbito: nacional o internacional). Valorar el nivel de colaboracin
de nuestros investigadores con otras instituciones y en que mbito. Mide tanto la colaboracin como,
indirectamente, la movilidad.
Cargos cientficos (por tipo: en congresos, en comits evaluadores y en comits cientficos). Como
segundo estadio en la relevancia de las aportaciones de los investigadores de la Universidad.
Premios (por mbito: interna, regional, nacional o internacional). Idem cargos cientficos.
Innovacion (por tipo: patentes, extensiones y EBT/Spin-Off). Como segundo estadio, en el mbito de
la transferencia. La Institucin genera un OUTPUT avanzado.
En este punto, se incorporaban aspectos tales como la coautora (para medir la colaboracin externa e
interna como medida de lo que supona la Internacionalizacin, derivada del yacimiento, para la Institucin-) como aspecto ms relevante. El resto son indicadores pretenden ser indicadores de madurez de
otros preexistentes.
624
Cercanos a finalizar el segundo mandato del Equipo Rectoral, el cuadro de indicadores debe describir
perfectamente la evolucin de la Universidad en su perfil general y si es acorde a las medidas adoptadas
en esos aos. Asimismo, podr observarse como se ha transformado la Universidad con la aparicin de
cuestiones como el yacimiento arqueolgico.
Todo as, la Universidad presenta esta realidad que ha de ser analizada siempre desde los criterios ya
descritos.
Publicaciones en primer cuartil y total de publicaciones WoS.
PUBLICACIONES WOS POR REA
ART-HUM
50
BIO
45
EXP
40
SOC
35
30
25
20
N PUBLICACIONES
15
10
5
0
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Este indicador pretenda medir el posicionamiento de la institucin y si el apalancamiento sobre la

Facultad de Veterinaria era posible.
En los primeros aos, la realidad no fue la esperada, veterinaria (rea BIO) no lideraba como se esperaba y
las expectativas bajaron. No obstante, como puede observarse las curvas empezaron a repuntar en 2005
en todas las reas, salvo SOC.
Las medidas de incentivos y el yacimiento arqueolgico tuvieron su efecto. Desde ese momento, las curvas de tres de las cuatro reas no hicieron ms que subir.
625
La grata sorpresa fue el rea de EXP, que descubri un filn en los investigadores de los grupos de la Facultad de Ciencias Ambientales.
El equipo a la vista de estos resultados, decide seguir apostando por incentivar esta cuestin y realizar
una evaluacin ms exhaustiva del rea SOC, dado que los grupos en el rea de Economa y Deporte y
tiempo libre tienen buena consideracin a nivel nacional. El rea debera tener mejores resultados, al
menos a criterio de un observador imparcial.
Citas por Universidad (WoS).
CITACIN POR REA
ART-HUM
1000
BIO
900
EXP
800
SOC
700
600
500
400
300
N CITAS
200
100
0
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Criterio de calidad en la investigacin, por el refrendo que de tus resultados hace la Comunidad Investigadora y que por tanto, debe ser analizado.
Se detecta un cierto desplome en la citacin a partir del 2006, del que solo escapan los investigadores de
ART-HUM. Esto se explica por la relevancia del hallazgo arqueolgico.
Si ponemos este indicador en consonancia con el anterior, podramos inferir que no se acompasa una
publicacin tan alta con una citacin tan baja Qu est ocurriendo?
Nuestra publicacin no es interesante para el resto de la Comunidad Cientfica, aunque rankea bien?
investigan nuestros investigadores en disciplinas diferentes a las demandadas por la Comunidad Cientfica? la citacin tiene un efecto diferido con relacin a la publicacin?
626
Desde luego han de analizarse estos motivos en todas las reas con vistas a poner esta realidad en conocimiento de los investigadores, con vistas a que puedan reorientar su investigacin.ndice de Coautora
(global y por mbito: nacional o internacional).
NDICE DE COAUTORA POR REA
10
9
8
ART-HUM
BIO
EXP
SOC
5
4
N COAUTORA
3
2
1
0
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
% COAUTORA INTERNACIONAL POR REA

100,00%
90,00%
80,00%
ART-HUM
70,00%
BIO
60,00%
EXP
SOC
% SOBRE TOTAL COAUTORAS
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
627
El concepto de coautora est orientado a medir el nivel de colaboracin de mis investigadores con los de
otras instituciones. Es un indicador que mide la endogamia en el trabajo de la institucin.
Como todos los indicadores, sus valores sern buenos o malos en funcin de las polticas de la institucin.
Por ejemplo, si apuesta por la colaboracin a nivel internacional o no, en funcin de sus intereses.
En nuestro caso, la institucin si est interesada en la colaboracin internacional de una manera muy
clara y fija sus ojos en el indicador general y sobre todo en el de coautora internacional.
En la general se detectan valores medios de colaboracin y con tendencias muy estables, que satisfacen
las expectativas, pero debemos ver el nivel internacional.
En lo internacional, los valores estn por debajo del 50% del total de coautoras. Si bien las dos reas ms
potentes de la Universidad BIO (veterinaria) y ART (arqueologa) presentan los valores ms altos y eso
ratifica que en ellas la tendencia es acorde a los indicadores de publicacin y citacin. SOC confirma las
sensaciones en la publicacin. El trabajo de esta rea es importante en lo nacional pero no en lo internacional.
El equipo de Gobierno debe plantear acciones intensivas a la vista de estos resultados? Es posible que
con mantener sea suficiente. Las reas potentes estn muy cercanas a superar el 50% y sus tendencias
son constantes y crecientes. En el resto deberamos medir el coste beneficio, quizs no sea tan sencillo
que remonten
Asimismo, podramos buscar refrendo de los resultados en organismos que pudieran darnos contexto
sobre la tendencia de instituciones similares a la nuestra. Por ejemplo, el Observatorio IUNE (www.iune.
es) a nivel nacional.
Asistencia a Congresos (por mbito: nacional e internacional).
628
Alineado con el rea de visibilidad y la aportacin de nuestros investigadores a la Comunidad Cientfica,

encontramos las aportaciones a Congresos. Volvemos a fijarnos en el mbito del mismo, buscando su
internacionalidad.
En este sentido podemos ser ms exigentes con los resultados, no teniendo en cuenta todas las aportaciones salvo las relevantes desde el punto de vista de los expertos (ver leyenda del indicador). En todo caso,
este indicador ser complementario a los anteriores, no aporta conclusiones por si mismo.
Existen otros indicadores que pueden complementar a este: movilidad o difusin (cursos y seminarios).
Evidentemente, estos indicadores a alto nivel debemos desgranarlos a nivel de rea y grupo de investigacin que son las dimensiones de anlisis que siempre manejamos.
Otras publicaciones (por tipo: publicaciones, libro y captulo de libro)
Para las grandes cifras y en la filosofa de indicadores complementarios, debemos observar las publicaciones totales frente a las ISI. As como, libros y captulos de libro. El primero, por tipo de publicacin. Los
dos ltimos en funcin de su mbito.
Se trata de no perder de vista ninguna informacin. Lo internacionalmente aceptado, no debe impedirnos detectar fortalezas que posea la Universidad en otros campos.
Evidentemente, estos indicadores a alto nivel debemos desgranarlos a nivel de rea y grupo de investigacin que son las dimensiones de anlisis que siempre manejamos.
629
Premios (por mbito: interna, regional, nacional o internacional).
Indicador orientado a valorar el refrendo de la labor de nuestros investigadores en los distintos niveles.
Es un indicador de madurez en la institucin. En los primeros estadios de la medicin de resultados, probablemente no tenga sentido.
Este indicador debera pasar del nivel institucin al nivel investigador. Otras dimensiones como rea o
grupo carecen de valor en el anlisis.
Cargos cientficos (por tipo: en congresos, en comits evaluadores y en comits cientficos).
630
Como el anterior, es un indicador de la relevancia de nuestros investigadores y por tanto de mdurez

de su investigacin y de la Universidad. La Institucin busca identificar a traves de ellos, aspectos seguramente poco conocidos de sus investigadores y que aparecen en el apartado de otros mritos de sus
curriculum.
En nuestro anlisis podemos incluir factores de calidad en la clasificacin de esta informacin como el
tipo de evaluador del que se trata, su mbito: nacional o internacional y el tipo de cargo en curso o seminario.
Este indicador debera pasar del nivel institucin al nivel investigador. Otras dimensiones como rea o
grupo carecen de valor en el anlisis.
Queremos sealar que este tipo de informacin en ocasiones puede presentar falta de calidad y debemos
vigilar este factor.
Financiacin (por tipo: competitiva y no, por rea: global y por tipo).
Nos encontramos con uno de los indicadores bsico para conocer el perfil de nuestra institucin y en la
valoracin de la consecucin de las polticas cientficas de la misma. Recordemos el enunciado que sobre
esta cuestin hacan las autoridades de nuestra Universidad:
Nuestra Universidad nace a partir de un campus de una Universidad preexistente en la que destacaba su facultad
de veterinaria. El resto de centros se crearon nuevos, orientndolos a la estructura productiva de la zona en la que
destaca lo agrcola y el turismo rural y de aventura, que se complementaron con titulaciones de ciencias sociales:
derecho, empresariales, etc. [].
En un primer momento el Vicerrectorado realiz un anlisis de su posible poltica cientfica desde una doble
perspectiva:[]
Para los nuevos centros, muy cercanos a las necesidades productivas del entorno de la institucin, se pensaba
mucho ms en la funcin de transferencia y en colaboracin Universidad empresa. Obtener financiacin pri-
vada era prioritario y justificara las decisiones sobre los centros y titulaciones creados. Para ello se mont una
OTRI fuerte que permitiera alcanzar los objetivos.
631
Con esa definicin, el peso de los ingresos de la Universidad, en sus primeros aos, deba soportarlo el
rea de BIO (veterinaria) con proyectos competitivos. Este peso deba irse equilibrando entre lo competitivo y lo privado y tomando mayor relevancia el resto de reas (bsicamente el rea de SOC) donde se
concentraban las titulaciones ms cercanas a la transferencia.
En el anlisis de la evolucin global, vemos que el equilibrio entre financiacin pblica y privada no se ha
equilibrado como era de esperar (la proporcin sigue siendo 65%-35%). Debemos descender al nivel de
rea para analizar el peso de cada una
Observamos que el peso de BIO se mantiene constante y que ART va incrementado el peso (probablemente derivado de la financiacin competitiva captada a partir del yacimiento). SOC presenta una tendencia muy irregular y difcil de evaluar sin una navegacin a mayor detalle. En todo caso, su peso no
parece ser el esperado. As se confirma a la vista de los resultados por rea y tipo de ingreso. Asimismo,
descuben que el ingreso de BIO no solo proviene de competitivos sino que tiene un peso relevante la
financiacin privada.
Es evidente que la poltica de transferencia de la Universidad para las reas distintas a BIO no es adecuada o no est dando los frutos esperados. Los ingresos en el rea SOC as lo ratifican. El equipo de Gobierno
debe analizar con los responsables de los grupos de esas reas y los responsables de OTRI, los motivos por
los que la poltica de incentivos en este mbito no est dando el resultado esperado.
Innovacin (por tipo: patentes, extensiones y EBT/Spin-Off).
Otro indicador de madurez en la Institucin, en este caso en el mbito de la trasferencia. Se trata de evaluar el tipo de proteccin y explotacin que de mis resultados realizo.
632
En este caso y como no puede ser de otra forma el indicador da idntico resultado al que mide los ingresos. Las reas que destacan en ingresos destacan en Innovacin.
CAPACIDAD FORMATIVA POR REAS
45
40
35
30
25
20
15
10
TESIS
RYC
JDC
FPU
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2011
2010
2009
2008
2007
2006
2005
2004
2003
2011
2002
2010
2009
2008
2007
2006
2005
2004
2003
2002
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
FPI
Recordemos el enunciado que sobre esta cuestin hacan las autoridades de nuestra Universidad:
La plantilla de profesorado era desigual en su configuracin. La plantilla de investigadores de la facultad de

veterinaria estaba consolidada y posea, a ojos de todos, investigadores de alto nivel nacional e internacio-
nal. El resto de PDI de los centros deba consolidarse, a travs de la poltica de RRHH de la institucin, dejando
una plantilla de jvenes doctores.
El indicador muestra que la evolucin en la formacin de recursos humanos en todas las reas ha sido
alcista y mantenida.
El nmero de tesis dirigidas es adecuado y quizs podra analizarse detenidamente si habra posibilidad
de ampliar la captacin de recursos humanos desde las convocatorias pblicas. La evolucin asegura el
futuro.
633
3. CONCLUSIONES
Llegamos al final de nuestro intento por medir una disciplina tan compleja como la I+D+i. Nuestra intencin no era, ni mucho menos, intentar definir un conjunto cerrado de indicadores que sirvieran para
medir la ciencia en cualquier institucin, sino poner al servicio del lector nuestra experiencia en este
mbito y realizar un ejercicio que pudiera repetir por si mismo en su organizacin.
No hay indicadores buenos o malos, representativos o no Mxime en un rea opinativa como la I+D+i,
pero recuerde, hay algunos principios que nos ayudarn a realizar una buena definicin de nuestro cuadro de mando en esta rea.
634
Conozca su organizacin y sus capacidades. Si conoce adecuadamente ambas cuestiones, podr

definir una estrategia y objetivos acordes a la misma, procurar influir sobre ella mediante acciones e
incentivos y por tanto, conocer qu quiere medir y cmo.
La sencillez como criterio bsico. Tiende a considerarse que un cuadro de mando ha de poseer multitud indicadores, mtricas, dimensiones Pero piense que pocos indicadores que se expliquen por si
solos y que puedan entenderse por cualquier agente, son mejores que indicadores muy complejos y
profundos que hayan de ser explicados. Mxime en un rea como la Ciencia.
Caminar sobre seguro. Este tipo de iniciativas son complejas de arrancar y de definir, por tanto y
para sumar a la sencillez antes descrita, no avance un segundo paso si no est seguro del que primero es correcto y lo que se obtiene de l, lo que esperaba en su definicin.
Cuidado con las modas. En todos los mbitos, pero particularmente en el mundo de la Ciencia,
aparecen constantemente iniciativas orientadas medir la misma desde un nuevo punto de vista o
mbito concreto. Valrelas y conzcalas, pero sea muy prudente al incorporarlas a su cuadro de indicadores o a la hora de incorporar esa dimensin al mismo. Es posible que su institucin, por sus
caractersticas, no pueda aplicar esa nueva tcnica o dimensin.
El coste de obtener el dato. A la hora de definir el cuadro de indicadores, no pierda de vista el coste
de obtener el dato. Quien debe facilitrmelo y como podr hacerlo es bsico. Por ejemplo, est muy
bien poder medir mis publicaciones en base a distintas bases de datos indexadas pero pensemos en
las horas hombre que se precisan para poseer una base de datos de revistas que posea la informacin
de revista, cita, factor de impacto, cuartil, categora cientfica, posicin relativa de manera historizada para distintas bases de datos. Quizs sea mejor quedarse con una sola base de datos y comenzar
a medir desde esa visin.
Nunca llueve a gusto de todos. Con seguridad el conjunto de indicadores definido por la institucin para medir la Ciencia no sea significativo para determinadas reas por no verse representadas
dadas sus peculiaridades. Sopese muy bien si recoger esas peculiaridades, incrementa enormemente la complejidad de los indicadores, la obtencin del dato, desestabiliza el cuadro de mando, si
obedece a una moda
No siempre las comparaciones son odiosas. En ocasiones y con un buen cuadro de indicadores definido, el gestor se encontrar en un punto en el que no sabr si los datos presentados sern valores
positivos o suficientes. No es sencillo pero busque datos de contexto Por ejemplo, como los que
aporta la iniciativa IUNE.
Esto es todo. Esperamos que sea de utilidad y que podamos haber aportado un granito de arena en la
compleja tarea de medir la ciencia.
635
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PARTE III CAPTULO 8: CUL ES EL PESO RELATIVO DE LAS OBLIGACIONES Y DERECHOS
RECONOCIDOS DE LA UNIVERSIDAD?
CUL ES EL PESO
RELATIVO DE LAS
OBLIGACIONES
Y DERECHOS
RECONOCIDOS DE LA
UNIVERSIDAD?
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
Autor
D. Daniel Carrasco Daz

Catedrtico de Economa Financiera
y Contabilidad de la Universidad de Mlaga
637
CAPTULO 8
CUL ES EL PESO RELATIVO DE LAS
OBLIGACIONES Y DERECHOS
Resulta de gran utilidad a los diferentes niveles gerenciales de la Universidad el conocimiento de los pesos relativos de las diversas clases coste-Obligaciones Reconocidas (en adelante OR) e ingreso-Derechos
Reconocidos (en adelante DR), tanto a nivel de universidad como de parcelas concretas de la misma, con
el objetivo de conocer aquellas magnitudes econmico-financiera/presupuestarias a las que prestar mayor atencin y anlisis.
Al anlisis de los pesos relativos, antes referido, sobre la base de la discriminacin del gasto y el ingreso
por la naturaleza de los mismos se pueden aadir otros anlisis de pesos relativos aplicndose otros
criterios discriminatorios, como lo hace el propio presupuesto a travs de la Clasificacin Orgnica y Funcional, es decir, por desagregados en Unidades Orgnicas y Programas de Accin, respectivamente.
Es decir, con idntica intencin, aunque con contenidos, procesos de clculo y resultados distintos, la Contabilidad Analtica tambin discrimina los costes, obtiene los costes de los centros y actividades, amn de
determinar el coste de los servicios as que, al igual que con las magnitudes presupuestarias, el anlisis
del peso relativo de dichas magnitudes adquiere una especial relevancia para que los gestores puedan
centrarse en aquellas que puedan tener mayor inters para la gestin por diversas circunstancias.
En definitiva, las coordenadas de su estudio pueden situarse sobre dos grandes lneas o perspectivas de
anlisis sobre los pesos relativos:
1)
Sobre informacin de la Contabilidad Presupuestaria en su triple clasificacin
Naturaleza del gasto/ingreso
Orgnica
Funcional
2) Sobre la Contabilidad Analtica en su triple output informativo:
638
Elementos de Coste e ingresos
Centros de Coste
Coste de los Servicios
Lgicamente cada una de estas lneas o perspectiva de anlisis estructural puede desarrollarse, en su
caso, a travs de mltiples combinaciones entre ellas Naturaleza del gasto/ingreso; Orgnica y Funcional-, entre los Presupuestos de Gastos e Ingreso, especialmente importante es la comparacin del Coste
y del Ingreso, es decir, por mrgenes.
Por otra parte, dichas correlaciones puede llevarse a cabo por comparacin de la magnitud en cuestin
con otras que posean una homogeneidad o significado suficiente para que el dato resultante tenga relevancia econmica para el responsable de la gestin. En tal circunstancia tan relevante puede ser, segn
los casos, conocer los de transferencias en becas de la Universidad sobre los alumnos matriculados de la
misma como la relacin de tales ingresos sobre los gastos del Captulo II (Gastos corrientes den bienes
y servicios) o las OR por inversiones, respeto del total de la liquidacin del Presupuesto de Gasto para un
determinado ejercicio.
Desde cualquiera de las perspectivas anteriores tiene gran inters, adems, un anlisis espacial, es decir,
la comparacin de los pesos relativos propios de nuestra Universidad con los de otra u otras universidades de similares caractersticas, y un anlisis temporal, es decir, la comparacin de las magnitudes de la
misma Universidad a lo largo de una determinada serie histrica.
1. ANLISIS DEL PESO RELATIVO DE LAS OR/COSTE Y

LOS DR/INGRESO DE LA UNIVERSIDAD
El anlisis estructural o de pesos relativos, como mtodo de estudio del comportamiento de las magnitudes que conforman tanto la informacin presupuestaria como la del coste/ingreso de los servicios,
forma parte de los informes que, normalmente, integran los outputs de informacin que ofrecen tanto la
Contabilidad Financiera/Presupuestaria como la Contabilidad Analtica de las universidades. Estas magnitudes pueden extenderse desde agregados presupuestarios como Operaciones Corrientes, de Inversin
o de Capital y sus desarrollos en Captulos, Artculos, Conceptos y Subconceptos, hasta agregados contables de la Contabilidad analtica como pueden ser elementos de costes, centros de costes, actividades
intermedias o servicios finalistas prestados a los usuarios externos.
1.1. ANLISIS DESDE LA PERSPECTIVA PRESUPUESTARIA

La estructura presupuestaria de la Universidad, aunque en su mayora se suele referir a un desarrollo
con una triple forma de organizacin o clasificacin, la naturaleza econmica del gasto o el ingreso -en
qu se gasta o ingresa? , los objetivos o funciones a los que se dedican, en el caso de los gastos -para que
639
gasta? y las unidades orgnicas que gastan o ingresan -quin gasta o ingresa?-, es decir, los centros de
responsabilidad donde se desarrollan las actividades, de forma individual o agrupada, y que prestan los
servicios que constituyen los objetivos que justifican la existencia de las Universidades.
Sin embargo, lo cierto es que, como despus veremos con ms detalle, las dos ltimas clasificaciones en
las universidades tienen un carcter ms formal que real, esencialmente por lo agregada que se presenta
la clasificacin funcional normalmente slo con los programas de investigacin y enseanza- y lo parcial del contenido de la clasificacin orgnica normalmente incluye gastos slo de algunos captulos,
principalmente Captulo IIDentro del Presupuesto de Gastos, las diversas clasificaciones actan para generar la informacin necesaria con la que ver cumplidas las funciones que se le atribuyen al Presupuesto, y con las que se pretende
satisfacer los controles de legalidad y financiero de la organizacin, e imprimir el nivel de racionalidad
econmica que requiere la gestin econmico-financiera de las universidades.
El criterio de clasificacin por naturaleza del gasto, al mismo tiempo que distingue entre captulos, artculos, etc., de forma progresiva, cada vez, con mayor detalle sobre el anterior, de la naturaleza del factor
o servicio que representa: personal, electricidad, transferencias y subvenciones, intereses, etc., incluye
una agregacin de captulos donde se puede distinguir entre apartados del Presupuesto con diferente
significado, tales como las Operaciones Corrientes, Inversin o de Capital, de gran valor para el anlisis
econmico-financiero de nivel superior caracterstico de los mximos responsables del ente.
Por su parte, el criterio de clasificacin orgnica define las unidades administrativa que muestran la estructura y el marco de funcionamiento de la organizacin universitaria y la delimitacin de responsabilidades de los gestores de las mismas. No obstante, dicha clasificacin ha sido utilizada muy escasa y
parcialmente por las universidades. En efecto, aunque su funcin sea aplicar una clasificacin por unidades orgnicas de gasto, en la realidad actual estas slo suelen incluir los gastos por naturaleza que hayan
sido descentralizados en las mismas, desapareciendo la consistencia de este criterio, concretada en que
la suma de los gastos de todas la unidades administrativas del ente coincida con el total presupuesto, por
naturaleza, del mismo.
En cualquier caso, como se ha mencionado anteriormente el segundo eje de anlisis de una Universidad
se sita precisamente en los centros y, por tanto, en dicho apartado tratamos de cubrir el dficit de la
informacin de las unidades orgnicas presupuestarias a travs del estudio de los centros de coste.
Finalmente, cuando hablamos de la clasificacin funcional, nos encontramos con el criterio de agrupacin de las prestaciones de los servicios realizadas por la institucin universitaria con mayor o menor
agregacin-, como objetivo que justifica su existencia y para lo que se define como instrumento de anlisis una estructura o clasificacin por programas, subprogramas o servicios. Aqu, nuevamente, las universidades espaolas se han limitado, en la mayora de los casos, a mantener los programas contenidos en
el propio Presupuesto del Ministerio de Educacin, Cultura y Deportes que, en concreto, desarrolla como
funciones en la Universidad la Enseanza Superior y la Investigacin Cientfica, imposibilitndose un de640
sarrollo combinando de los gastos por naturaleza y por objetivos, al menos en el detalle que requeriran
los responsables de algunas reas de gestin universitaria. Tambin aqu cubrimos el vacio que ello provoca para el estudio detallado de servicios, con el eje de anlisis referido a la informacin proporcionada
por la Contabilidad Analtica, en lo que se refiere a los principales outputs de servicios universitarios
Titulaciones, Proyectos, Contratos Art. 83. Etc.-.
As pues, el Presupuesto, como herramienta fundamental para la gestin de la universidad, an con todas
las debilidades descritas con anterioridad, trata de reflejar la realidad econmico-financiera y organizativa de la misma y, especialmente, tiene como misin planificar la asignacin de recursos e informar sobre
su ejecucin, control de la legalidad, eficiencia, economa y eficacia.
Debemos puntualizar tambin que, aunque hablemos de presupuesto para conocer el comportamiento
real en el mbito econmico-financiero de las universidades y, por ende, los pesos relativos a los que nos
hemos referidos con anterioridad, utilizamos la informacin proporcionada por la Liquidacin del Presupuesto, como herramienta que incluye los correspondientes estados contables de las mismas, tratando
de responder a las mltiples preguntas que los gestores universitarios se plantean al tomar sus decisiones, de mayor o menor envergadura, principalmente econmicas.
Asimismo resaltar que, al trabajo especfico de realizar un anlisis esttico, es decir, determinando los
pesos relativos de las magnitudes incluidas en la Liquidacin Presupuestaria de la Universidad objeto
de estudio, referidos al ejercicio 2011, aadimos, segn los casos, a modo de anlisis dinmico, el estudio
histrico de una serie temporal de las liquidaciones anteriores, con informacin desde el ejercicio 2007.
Finalmente, para simplificar el contenido de dichos anlisis, hemos incluido un reducido desglose de los
captulos, tanto de gastos como de ingresos, aunque perfectamente representativos y suficientes para
resolver algunas de las preguntas de mayor enjundia que los gestores puedan plantearse su toma de
decisiones.
Hemos considerado, en algunos casos, la existencia de un Plan Estratgico de la Universidad objeto de
estudio para el quinquenio 2007-2011, en el que se establecan las pautas generales de los objetivos de la
misma, as como las lneas de actuacin para conseguirlos y los recursos necesarios para ello. De esta forma, en tales casos, nuestro anlisis se ver enriquecido, unas veces, por la comparacin entre los objetivos
planificados y los alcanzados y otras por la comparacin entre los recursos previstos para alcanzarlos y
sus verdaderas necesidades de ejecucin, amn de apreciarse las consecuencias de las alteraciones del
Plan slo por variaciones de la propia coyuntura econmica, social, demogrfica, etc. del pas.
Finalmente hemos incluido, como otros datos de gran valor para nuestro anlisis, variables como el nmero de alumnos equivalentes con los crditos completos de un curso acadmico-, profesores a tiemplo
completo y profesores doctores, tanto para el ejercicio 2011 como para los cuatro ejercicios anteriores y,
en algn caso, para poder realizar un anlisis espacial de ciertas magnitudes, hemos considerado una
estimacin de valores medios para el conjunto de la serie, sobre las universidades de la CCAA en la que
est situada la Universidad objeto de estudio.
641
1.1.1 ANALISIS DE LOS PESOS RELATIVOS DEL PRESUPUESTO DE

GASTO
En el marco descrito con anterioridad, iniciaremos el trabajo con el anlisis y respuesta de un grupo de
preguntas que, por la utilizacin de magnitudes de carcter agregado, son especialmente tiles para la
Administraciones Financiadoras, el Consejo Social y los responsables de mximo nivel de la Universidad.
En tal sentido, a modo de ejemplo, algunas de las ms representativas pueden ser:
Qu peso tienen las operaciones financieras sobre el total de las operaciones de la Universidad?
En la respuesta a esta primera pregunta, la discriminacin de la naturaleza del gasto slo nos sirve para
distinguir entre Operaciones Financieras y No Financieras, an as, en este caso, nos muestra el peso,
relativamente importante, que poseen los gastos de naturaleza financiera en la universidad objeto de
estudio, al representar casi un 7% sobre el total de gasto liquidado, tal como se aprecia en el cuadro 1.
CUADRO 1
DESCRIPCIN: Pesos relativos de los gastos por grupos de naturaleza de la ltima liquidacin presupuestaria objeto de estudio.
OPERACIONES NO FINANCIERAS
OPERACIONES FINANCIERAS
Cmo se distribuye el peso de los gastos entre los diversos captulos del presupuesto?
La respuesta a esta pregunta debe conducirnos a conocer la importancia relativa de los diversos gastos
del presupuesto, representado en los diversos captulos, con el fin de saber en qu partidas se concentran
las mayores atenciones de nuestra gestin y, en tal sentido, como puede apreciarse, amn del captulo
de inversiones, son los dos primeros captulos donde se concentra el 67% de los gastos realizados en el
ejercicio y, especialmente el Captulo I, de Personal, al que se deber prestar la mayor atencin, tanto
desde una perspectiva cualitativa si tenemos el personal con la cualificacin necesaria para los servicios
prestados- y cuantitativa, si los emolumentos son los que verdaderamente se corresponden con dicha
cualificacin. Adems es relevante el porcentaje dedicado a inversiones que asciende a un importe superior al 23% sobre los gastos totales realizados en el ejercicio.
642
De esta forma, la atencin prioritaria del gestor debe centrarse, pues, en los tres captulos que acumulan
el 90% del presupuesto. Por todo ello, cualquier ajuste presupuestario de importancia, pasa por un estudio exhaustivo de los recursos humanos ociosos y su oportuno ajuste cualitativo y cuantitativo, as como
los bienes y servicios corrientes y de inversin, tal como se aprecia en el cuadro 2.
CUADRO 2
DESCRIPCIN: Pesos relativos de los gastos por captulos de la ltima liquidacin presupuestaria objeto de estudio.
CAPTULO I PERSONAL
CAPTULO II GASTOS CORRIENTES EN B Y S
CAPTULO II GASTOS FINANCIEROS
CAPTULO IV TRANSFERENCIAS CORRIENTES
CAPTULO VI INVERSIONES REALES
CAPTULO VII ACTOS FINANCIEROS
CAPTULO VIII PASIVOS FINANCIEROS
Cul ha sido el esfuerzo inversor de la Universidad en los ltimos ejercicios? y Respecto al Plan Estratgico de la Universidad?
Para cualquiera de las Administraciones Financiadoras, el Consejo Social o los rganos Unipersonales de
mxima responsabilidad en la Universidad resulta de gran utilidad conocer los esfuerzos en inversiones
realizados por la misma, no slo en el presente ejercicio sino su comportamiento en los ltimos aos.
Igualmente interesante para los mismos ser el anlisis del cumplimiento de lo comprometido, respecto
de las mismas, en el Plan Estratgico y cules pudieron ser las principales causas que dieron lugar al comportamiento de su evolucin y que explican las diferencias que se produjeron entre ejecuciones y Plan.
En respuesta a las cuestiones planteadas debemos resaltar que el comportamiento de las inversiones en
el ltimo quinquenio, tal como puede apreciarse en el cuadro que sigue a continuacin, se produce un
aumento de ms de diez puntos porcentuales en los ejercicios 2007-2009 y, por tanto, existe un esfuerzo
inversor significativo en dichos ejercicios, con un retroceso de igual importe en los dos siguientes. Dicha
circunstancia se explica casi de forma natural, y en consonancia con la coyuntura econmica los tres primeros aos al igual que sucede con la bajada en los dos ltimos ejercicios. Podemos contemplar (Cuadro
3) que, como en otras tantas administraciones pblicas, las inversiones en las universidades han sufrido
recortes significativos consecuencia de la coyuntura econmica negativa actual.
643
CUADRO 3
DESCRIPCIN: Peso relativo de las inversiones sobre el total de gasto en las liquidaciones presupuestarias 2007-2011.
35,00%
30,00%
25,00%
20,00%
15,00%
10,00%
5,00%
0,00%
2007
2008
2009
2010
2011
PESO RELATIVO INVERSIONES SOBRE TOTAL GASTO
Por su parte, la respuesta a la segunda pregunta sobre el comportamiento de las inversiones ejecutadas
en relacin a lo contemplado en el Plan puede plantearse a partir de la comparacin de los objetivos de
inversiones previstos en dicho Plan Estratgico, para el siguiente quinquenio, y las ejecuciones tomadas
de las correspondientes liquidaciones presupuestarias en el mismo periodo. Los datos explican que las
realizaciones han superado ampliamente las previsiones y, por tanto, se ha superado, con creces, los objetivos planteados, especialmente como media en el quinquenio de referencia. Slo en el ltimo ejercicio
se ha distanciado, casi tres puntos, el porcentaje inversor realizado, respecto del que se nos muestra en el
Plan, lgicamente, los redactores del Plan no tuvieron en cuenta el cambio de coyuntura econmica tan
negativa en la que estn inmersas las Universidades. Todo ello se puede apreciar en el cuadro 4.
644
CUADRO 4
DESCRIPCIN: Anlisis comparativo de la evolucin del peso relativo de las inversiones sobre el total de gasto en las liquidaciones
presupuestarias y sobre los gastos del Plan Estratgico de 2007-2011.
35,00%
30,00%
25,00%
20,00%
15,00%
10,00%
5,00%
0,00%
2007
2008
2009
2010
2011
PESO RELATIVO INVERSIONES SOBRE TOTAL GASTO

PESO RELATIVO INVERSIONES SOBRE TOTAL GASTO DEL PLAN ESTRATGICO
Salvo el primer ao, de casi de absoluta coincidencia entre las inversiones previstas y las ejecutadas, en
los tres siguientes ejercicios (2008-2010), la respuesta para los gestores es que la Universidad objeto de
estudio ha realizado un esfuerzo inversor que supera, con toda claridad, los objetivos de su Plan Estratgico y slo en el ltimo ejercicio no se alcanza el esfuerzo inversor planificado por los responsables universitarios, lgico ante un contexto econmico-financiero actual muy alejado de la realidad presupuestaria
de cuando se elabor el citado Plan.
Al igual que en el caso anterior existen otras posibles preguntas de gran inters que deben tener respuestas fundamentada en idnticos estados informativos que las anteriores, tal es el caso de las siguientes:
Estamos cumpliendo con el objetivo estratgico negociado con asociaciones de estudiantes-, de dedicar un 17-18% para becas, respecto del importe total del Captulo II de Gasto Corriente? o Estamos
cumpliendo el objetivo del Plan Estratgico de incrementar el importe medio de las transferencias por
alumno en un 10% anual?
La respuesta est basada en la informacin proporcionada por el Captulo III, de Transferencias Corrientes en su concepto dedicado a Becas y Ayudas a Estudiantes y su peso relativo respecto al total Captulo
II de Gastos Corriente de la Universidad. En tal sentido, a continuacin, se muestran los pesos relativos
en el cuadro 5.
645
CUADRO 5
DESCRIPCIN: Peso relativo de las becas sobre el captulo II de gasto en las liquidaciones presupuestarias 2007-2011.
20,00%
18,00%
16,00%
14,00%
12,00%
10,00%
8,00%
6,00%
4,00%
2,00%
0,00%
2007
2008
2009
2010
2011
% BECAS/CAP II
Se puede apreciar, en cuadro como tales pesos relativos de las becas se mueven ligeramente por encima del 17%, durante los tres primeros ejercicios, alcanzndose de manera ajustada el objetivo previsto.
Posteriormente se rompe dicho cumplimiento al producirse una disminucin importante durante los
ejercicios 2010 y 2011.
La respuesta a la segunda cuestin considera, adems de lo anterior, otras variables que muestran una
valoracin del cumplimiento del segundo compromiso ciertamente muy diferente al primero. En efecto,
al relacionarse el importe de las becas con el nmero de alumnos equivalentes de la Universidad que,
como consecuencia de la evolucin de la demanda de plazas y matriculacin ha ido disminuyendo en
todo el ltimo quinquenio, se obtiene unos importes medios que en algunos aos (2008-2009) han superado de forma significativa el objetivo del Plan y, en todo caso, la media de euros gastado en becas, por
alumnos, del ltimo quinquenio est muy cerca de lo planificado para el mismo, tal como se muestra en
el cuadro 6.
646
CUADRO 6
DESCRIPCIN: Anlisis comparativo de los pesos relativo del importe de los importes en becas, por nmero de alumnos, en las liquidaciones presupuestarias 2007-2011 y su equivalente como objetivo del Plan Estratgico.
250,00%
200,00%
150,00%
100,00%
50,00%
0,00
2007
2008
2009
2010
2011
% BECAS/ALUMNO
OBJETIVO PLAN
Finalmente nos referimos a preguntas de trascendencia puramente financiera como la que pueda hacerse el responsable econmico de la Universidad al cuestionarse. Ha ascendido a una cuanta aceptable
los gastos por intereses, en el contexto de los gastos corrientes de la Universidad? Para responder a dicha
pregunta debemos entrar en detalles de contenidos del Captulo III de gastos financieros, a travs del
anlisis de los pesos relativos de los mismos respecto del agregado de gastos corrientes de la Universidad
y, en tal sentido, la evolucin de los intereses debe ser estudiada desde la consideracin de la capacidad
de la Universidad objeto de estudio para disponer de los recursos necesarios para atender intereses de la
deuda sin perjudicar el funcionamiento de los servicios que tiene encomendado. En nuestro caso se puede apreciar (Cuadro 7) como el consumo de recursos presupuestarios para los mismos se ha movido en
un intervalo de pesos relativos entre el 0,75% al 1,03% del total de los Gastos Corrientes, lo que evidencia
una escasa influencia de su importe en el funcionamiento de la Universidad. Todo ello, al mismo tiempo,
evidencia una relativa capacidad de endeudamiento para paliar posibles cuellos de botella en la gestin
de la tesorera.
647
CUADRO 7
DESCRIPCIN: Peso relativo de los intereses sobre el total del gasto corriente en las liquidaciones presupuestarias 2007-2011..
1,20%
1,00%
0,80%
0,60%
0,40%
0,20%
0,00%
2007
2008
2009
2010
2011
PESOS DE INT / GTOS CTES
Hasta ahora hemos recurrido para obtener los datos que ayuden a dar respuestas a las posibles preguntas de los gestores universitarios, amn de las oportunas variables, a la liquidacin presupuestaria
clasificada, exclusivamente, por la naturaleza del gasto y, aunque como sealamos con anterioridad la
clasificacin funcional se utiliza por las universidades de forma muy agregada, su estudio a travs de
los oportunos pesos relativos tambin puede servir para revelar las mltiples interrogantes que puedan
plantearse los gestores universitarios. Adems, la posibilidad de combinacin de magnitudes presupuestarias definidas con dicho criterio y otras variables de carcter general, o definidas con el criterio de la
naturaleza del gasto, proporciona informacin de gran inters para la toma de decisiones.
Como todos sabemos los objetivos fundamentales de la Universidad se centran en la enseanza y la
investigacin y, por tanto, parece lgico que los mximos responsables de la misma, al igual que sus
Administraciones financiadoras se pregunten Qu peso relativo suponen los recursos dedicados a cada
uno de los programas de gasto de la Universidad? o se cuestione si Se aprecia en la evolucin del ltimo
quinquenio una tendencia hacia una universidad ms investigadora?, como ha sido la apuesta realizada
por la Universidad en su Plan Estratgico.
Estas ltimas preguntas son de conocimiento bsico de las funciones de la Universidad, y no por ello son
menos importantes para valorar su verdadero cometido y responsabilidad, y para su contestacin debe
acudirse a los pesos relativos obtenidos de la liquidacin, ajustada al criterio funcional del ejercicio 2011,
donde relacionamos los referidos programas de Enseanza e Investigacin con los Gastos Totales de la
Universidad (Cuadro 8). Para la segunda cuestin, tomamos idntica informacin pero del ltimo quinquenio, tal como se presenta en el cuadro 9.
648
CUADRO 8
DESCRIPCIN: Peso relativo de los gastos en enseanza e investigacin de la ltima liquidacin presupuestaria objeto de estudio.
PROGRAMAS DE ENSEANZA
PROGRAMAS DE INVESTIGACIN
CUADRO 9
DESCRIPCIN: Peso relativo de laos gastos por objetivos o funciones de enseanza e investigacin en las liquidaciones presupuestarias 2007-2011.
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
2007
2008
2009
2010
2011
EVOLUCIN DE LOS PESOS RELATIVO POR OBJETIVOS O FUNCIONES PESO ENSEANZA

EVOLUCIN DE LOS PESOS RELATIVO POR OBJETIVOS O FUNCIONES PESO INVESTIGACIN
649
CUADRO 10
DESCRIPCIN: Evolucin del nmero de doctores para el periodo 2007-2011.
600
500
400
300
200
100
0
2007
2008
2009
2010
2011
NMERO DE DOCTORES
Los datos son significativos de que, en la Universidad objeto de estudio, la funcin de la enseanza es
absolutamente preponderante respecto de la investigacin, por otra parte muy caracterstico de las universidades espaolas, alcanzando un peso relativo de ms del 75% y, en cuanto a su evolucin, aunque
en los primeros tres ejercicios se aprecia una clara tendencia a realizar mayor esfuerzo econmico en la
investigacin, sta cambia en el ltimo ejercicio volvindose a un peso relativo idntico al del inicio de
la serie, en el ejercicio 2007. Sin embargo las variaciones que se producen en los pesos representativos
del esfuerzo econmico en investigacin no tiene repercusin alguna en la formacin de doctores que,
a pesar de todo, mantiene un ritmo de crecimiento excelente hasta alcanzar casi un 30% en el periodo
contemplado en el Plan Estratgico, cumplindose as un objetivo prioritario del propio Plan (Cuadro 10).
Para los gestores de mximo nivel las anteriores averiguaciones deben complementare con otras respuestas a preguntas que clarifiquen el comportamiento de la universidad en cuanto a su esfuerzo econmico en los Programas de Enseanza e Investigacin. En tal sentido es natural que los citados gestores, al
igual que sus Administraciones financiadoras, se cuestionen no slo los importes absolutos de recursos
dedicados a cada uno de los referidos programas sino tambin su propio comportamiento en relacin
con otras magnitudes significativas en relacin con los mismos, es decir cabe plantearse cuestiones como
las siguientes respecto a la investigacin: Cules han sido los recursos empleados en investigacin por
cada profesor doctor? o Se han satisfecho los objetivos de investigacin contemplados en el Plan Estratgico? y, en cuanto al Programa de Enseanza , paralelamente, se podrn preguntar Cules ha sido los
recursos empleados en docencia por cada alumno? o Se ha satisfecho los objetivos contemplados en el
Plan Estratgico?. Finalmente, en un sentido ms general tambin estarn interesados en conocer si Se
ratifica la tendencia de aumentar la lnea investigadora de la Universidad?
650
En esta ocasin debemos basarnos en el estudio de pesos relativos que mezclan informaciones obtenidas
de las liquidaciones presupuestarias, junto a otras variables como profesores doctores y alumnos, obtenindose el cuadros representado en el cuadro 11 (en miles de euros).
CUADRO 11
DESCRIPCIN: Evolucin de los gastos en investigacin por profesor y de enseanza por alumnos en las liquidaciones presupuestarias 2007-2011.
40,00
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
2007
2008
2009
2010
2011
GTOS INVEST POR PROF DOCTOR

GTOS ENSEANZA POR ALUMNOS
Como podemos ver, en el citado cuadro 11, la respuesta a la primera de las cuestiones es que, en toda la
serie, se ha producido un incremento muy significativo de la media de recursos empleados por los profesores doctores, aumentndose en casi un 50% al pasar en dicho intervalo de cerca de veintitrs mil
euros a superar los treinta y cinco mil aunque, sin embargo, se produce un ligero retroceso en el ltimo
ejercicio no slo por la disminucin del importe destinado a la misma sino tambin por el aumento de
profesores doctores.
Por lo que se refiere a la segunda pregunta, referida al cumplimiento del Plan Estratgico, se responde
tambin a travs de la informacin que proporciona el cuadro 12 (en miles de euros).
651
CUADRO 12
DESCRIPCIN: Anlisis comparativo de los pesos relativo de los importes de gastos de investigacin, por profesor doctor, en las liquidaciones presupuestarias 2007-2011 y su equivalente como objetivo del Plan Estratgico.
40,00
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
2007
2008
2009
2010
2011
GASTOS INVESTIGACIN POR PROF DOCTOR

GASTOS INVESTIGACIN PLAN ESTRATGICO
En este cuadro se muestra que, siguiendo con el objetivo general de aumentar el peso de la investigacin en la universidad objeto de estudio, los recursos presupuestarios destinados a la investigacin por
profesor doctor se han situado por encima de lo considerado en el propio Plan Estratgico, cumplindose
sobradamente los objetivos del mismo, e incluso con la influencia negativa en el promedio de inversin
realizado por profesor doctor, que ha supuesto el crecimiento de casi un treinta por ciento en el nmero
de doctores.
Por su parte, cuando esta referencia se compara con el promedio de la Comunidad Autnoma (Cuadro
13 en miles de euros-), se observa el esfuerzo realizado por la Universidad para aumentar la inversin
en investigacin reflejada no slo en el incremento de los gastos asociados a sta sino en el nmero de
doctores de la Universidad, comportamiento truncado en el ltimo ejercicio como consecuencia de las
restricciones presupuestarias a las que se enfrent la Universidad.
Las preguntas referidas al Programa de Enseanza argumentan su respuesta tomando como base informativa iguales magnitudes que las anteriores, referidas a dicho programa y en relacin al nmero
de alumnos matriculados equivalentes, tal como se puede observar en el cuadro 14 (en miles de euros).
652
CUADRO 13
DESCRIPCIN: Anlisis comparativo de los pesos relativo de los importes de gastos de investigacin, por profesor doctor, en las liquidaciones presupuestarias 2007-2011 y su equivalente como gasto promedio de las universidades de la CCAA.
40,00
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
2007
2008
2009
2010
2011
GASTOS INVESTIGACIN POR PROF DOCTOR

GASTOS INVESTIGACIN PROMEDIO COMUNIDAD AUTNOMA
CUADRO 14
DESCRIPCIN: Anlisis comparativo de los pesos relativo de los importes de gastos de enseanza, por alumno, en las liquidaciones
presupuestarias 2007-2011 y su equivalente como objetivo del Plan Estratgico.
12,00
10,00
8,00
6,00
4,00
2,00
0,00
2007
2008
2009
2010
2011
GASTOS DE ENSEANZA POR ALUMNO

GASTOS DE ENSEANZA POR ALUMNO EN EL PLAN ESTRATGICO
653
Se puede afirmar que se produce un claro incremento sostenido en los importes presupuestarios, por
alumno, en los ejercicios 2008-2010, situando la ejecucin del gasto de enseanza por alumno por encima de lo contemplado en el Plan y, a pesar de su retroceso en el ltimo ao, la media de los gastos realizados por en el quinquenio completo, prcticamente, se iguala a lo planificado, cumplindose as con los
objetivos establecidos en el Plan, y consensuados con las asociaciones de alumnos. As pues, los importes
presupuestarios medios asignados a los alumnos en el Programa de Enseanza estn por encima del
referido Plan salvo muy escasamente el primer ejercicio y ltimo ejercicio.
Finalmente, a la ltima cuestin debemos responder afirmativamente por la clara evolucin positiva
de los importes dedicados a la investigacin, por cada doctor, en la universidad objeto de estudio, apreciada en los correspondientes cuadros, as como por la apuesta definitiva que se lleva a cabo tanto en
la Planificacin Estratgica como en la ejecucin presupuestaria donde, salvo el primer ejercicio todo
el quinquenio se sita la ejecucin por encima de la propia planificacin y, adems, por sus resultados
materializados en el nmero de doctores formados por la Universidad.
Por su parte, cuando se comparan dichos datos de coste por alumno con el promedio de las Universidades de
la Comunidad Autnoma, se aprecia, tal y como se observa en el cuadro 15 (en miles de euros), que partiendo
de un menor gasto por alumno al inicio de la serie temporal, se produce un incremento notable de gastos,
de manera progresiva e en los tres primeros aos que suaviza su comportamiento en el ltimo ejercicio,
circunstancia que no queda justificada solamente por la disminucin del nmero de alumnos en el perodo
de referencia sino que es consecuencia de un incremento de los correspondientes gastos de la Universidad.
CUADRO 15
DESCRIPCIN: Anlisis comparativo de los pesos relativo de los importes de gastos de enseanza, por alumno, en las liquidaciones
presupuestarias 2007-2011 y su equivalente como gasto promedio de las universidades de la CCAA.
10,00
9,00
8,00
7,00
6,00
5,00
4,00
3,00
2,00
1,00
0,00
2007
2008
2009
2010
GASTOS DE ENSEANZA POR ALUMNO

GASTOS DE ENSEANZA POR ALUMNO PROMEDIO COMUNIDAD AUTNOMA
654
2011
1.1.2 ANALISIS DE LOS PESOS RELATIVOS DEL PRESUPUESTO DE

INGRESO
Si es importante para los gestores de la universidad conocer el comportamiento de los gastos, tanto de
manera absoluta como relativa y sus relaciones con otras magnitudes, no lo es menos hacerlo con los
derechos reconocidos como magnitud representativa de los derechos liquidados durante el ejercicio.
En el caso de los ingresos los presupuestos universitarios y, por ende, las liquidaciones como ejecucin de
los mismos, slo se refieren a la clasificacin por naturaleza del ingreso a la que, por tanto, necesariamente, debemos acudir para responder a las muchas preguntas que los responsables, fundamentalmente
econmico-financieros, se plantearn sobre los mismos.
Al igual que para el presupuesto de gasto, en relacin al conocimiento global de las magnitudes ms
agregadas del presupuesto de ingreso, tales responsables se cuestionarn Qu parte de mi presupuesto
de ingreso podr dedicar a financiar gastos corrientes o de inversin? o Cmo se distribuye el peso de
los ingresos entre los diversos captulos del presupuesto?.
Paralelamente a como se hizo con el presupuesto de gasto, acudimos a la liquidacin del presupuesto de
ingreso para determinar los pesos relativos que permitan responder a las referidas cuestiones, tal como
se muestra, para la primera de dichas preguntas, en el cuadro 16.
CUADRO 16
DESCRIPCIN: Pesos relativos de los ingresos por grupos de operaciones de la ltima liquidacin presupuestaria objeto de estudio.
OPERACIONES CORRIENTES (70%)

OPERACIONES DE CAPITAL (30%)
655
Como queda constancia en la anterior representacin, la parte del Presupuesto de Ingreso que financia
los Gastos Corrientes del Presupuesto de Gasto asciende, aproximadamente, al 70% y, por tanto, los derechos reconocidos liquidados en operaciones de capital suponen un 30% del total de los mismos para el
ejercicio 2011.
Por otra parte, la anterior desagregacin puede tener para determinadas cuestiones relacionadas con la
gestin un carcter demasiado agregado, de ah la necesidad de responder a la siguiente interrogante
sobre el peso de los diversos captulos sobre el montante global del Presupuesto de Ingreso.
Para ello, como en el caso anterior pero con mayor detalle, obtenemos tales pesos relativos por relacin
entre el importe de los derechos liquidados, de cada captulo, con el total de los derechos liquidados en el
Presupuesto de Ingreso, tal como se muestra en el cuadro 17.
CUADRO 17
DESCRIPCIN: Pesos relativos de los ingresos por captulos de la ltima liquidacin presupuestaria objeto de estudio.
CAPTULO I TASAS, PREC. PB. Y OTROS INGRESOS

CAPTULO II TRANSFERENCIAS CORRIENTES
CAPTULO III INGRESOS PATRIMONIALES
CAPTULO IV TRANSFERENCIAS DE CAPITAL
CAPTULO VIII ACTIVOS FINANCIEROS
CAPTULO IX PASIVOS FINANCIEROS
Es decir, resulta de gran inters resaltar la importancia relativa de cada uno de captulos, gracias a cuyo
anlisis resulta posible apreciar como son tres los captulos en los que se agrupan el 90% de los derechos liquidados del Presupuesto de Ingreso y, por tanto, donde debe concentrarse la atencin del gestor
universitario con responsabilidad en la materia. Evidentemente, de igual modo, se podra descender al
detalle de los principales captulos con idntico objetivo.
En tal sentido, es normal que los gestores universitarios quieran conocer el detalle de la importancia del
Captulo de Tasas, Precios Pblicos y Otros Ingresos, preguntndose Qu peso poseen los ingresos por
enseanza reglada o por el Art. 83, sobre el total del captulo? En tal sentido, aunque sin descender al detalle exhaustivo del mismo, podemos sintetizar la informacin relevante sobre el mismo en el cuadro 18.
656
CUADRO 18
DESCRIPCIN: Pesos relativos de los ingresos: tasas, precios pblicos y otros ingresos, sobre el total del Captulo I de la ltima liquidacin presupuestaria objeto de estudio.
PREC. PUB. DE GRADO Y POSGRADO (39%)

CONTRATO Y CONVENIOS ART. 83 LRU (29%)
RESTO DEL CAPTULO... (32%)
La respuesta se evidencia del contenido de la anterior informacin donde se muestra la relevancia, tanto
de los derechos liquidados por la matriculacin de los alumnos en Enseanza Reglada ms de un 39%
respecto del total ingreso del Captulo I-, como los derechos reconocidos por Contratos y Convenios del
Art. 83 de la LOU casi un 29% sobre el total de ingresos del mismo captulo-.
Por su parte, el comportamiento y evolucin de estas dos ltimas magnitudes ingreso por Enseanza
Reglada y Contratos y Convenios Art. 83 de la LOU- es causa de atencin especial de los gestores universitarios, principalmente econmico-financieros, y es habitual que, ante esta cuestin, se pregunten
Qu tendencia tienen los ingresos por Enseanza Reglada? o Que evolucin han tenido los derechos
liquidados por Convenios y Contratos Art. 83 de la LOU?. Para dar respuesta a estas cuestiones es obligado acudir al contenido de la serie histrica de los ltimos cinco aos y, de estar forma, obtener los pesos
relativos de estas magnitudes en relacin con los Ingresos Corrientes, tal como se muestra el cuadro 19.
657
CUADRO 19
DESCRIPCIN: Evolucin de los pesos relativos de los ingresos por matricula, sobre los ingresos corrientes totales, en las liquidaciones presupuestarias 2007-2011.
12,00%
11,50%
11,00%
10,50%
10,00%
9,50%
9,00%
8,50%
2007
2008
2009
2010
2011
PESO INGR MATR/INGR CTES
La respuesta al primero de los anteriores interrogantes surge del contenido de los pesos relativos que se
muestran con anterioridad, donde se aprecia una cierta disminucin de la importancia relativa de los
ingresos por Enseanza Reglada, consecuencia de la propia disminucin del nmero de alumnos matriculados en la misma y que, en el ltimo ejercicio, cambia su tendencia como resultado del incremento en
los precios de las matriculas en el conjunto de las Titulaciones.
Por su parte, para analizar la segunda cuestin, al igual que en el caso anterior, acudiremos al peso relativo de los derechos liquidados por Convenios y Contratos del Art. 83 de la LOU, en relacin con los Ingresos
Corrientes, determinados con datos procedentes de la correspondiente Liquidacin Presupuestaria, obtenindose el cuadro y representacin grfica presentado en el cuadro 20.
658
CUADRO 20
DESCRIPCIN: Evolucin de los pesos relativos de los ingresos por contratos del artculo 83 LOU, sobre los ingresos corrientes totales,
en las liquidaciones presupuestarias 2007-2011.
8,40%
8,20%
8,00%
7,80%
7,60%
7,40%
7,20%
7,00%
6,80%
2007
2008
2009
2010
2011
PESO INGR CONTR ART.83 / INGR CTES
En este caso la informacin relevante y la respuesta apropiada a la referida pregunta se sita en el anlisis de la evolucin de dichos pesos relativos, correspondientes a los derechos liquidados por Contratos
y Convenios Art. 83 LOU, para los que se aprecia un mantenimiento esencial de los mismos en los tres
primeros aos, bastante significativo de la apuesta de la Universidad por la investigacin, que se quiebra
con claridad en los dos ltimos ejercicios, con una disminucin total de casi un punto porcentual, resultado lgico de la cada de la actividad econmica .
La apuesta estratgica por la investigacin, tanto desde una perspectiva funcional como de generacin
de ingresos, puede llevar a los gestores de la Universidad a cuestionarse Cmo se comportaron los derechos liquidados por Contratos y Convenios Art. 83 de la LOU, en el marco de las universidades de la
CCAA?
Nos encontramos, en este caso, con necesidades de informacin externa necesaria para la comparacin
espacial, que damos por contrastada y, junto a los pesos relativos de la universidad ya mostrados ante-
659
CUADRO 21
DESCRIPCIN: Evolucin de los pesos relativos de los ingresos por artculo 83 de LOU, sobre los ingresos corrientes totales, en las
liquidaciones presupuestarias 2007-2011 y su equivalente como ingreso promedio de las universidades de la CCAA.
10,00%
8,00%
6,00%
4,00%
2,00%
0,00%
2007
2008
2009
2010
2011
PESO INGR CONTR ART.83 / INGR CTES (MEDIA UNIVERSIDADES CCAA)

PESO INGR CONTR ART.83 / INGR CTES
riormente (Cuadro 21).
Se evidencia en los datos anteriores que el peso relativo de los derechos liquidados por Contratos y Convenios Art. 83. LOU, aunque prxima a la media de la CCAA, an se sita por debajo de la misma. Es decir,
el esfuerzo en los medios o recursos aplicados en la investigacin no ha tenido los efectos esperados en
los referidos derechos, debindose reflexionar sobre la posibilidad de que existan otras causas que entorpezcan las posibilidades de aumentar el campo de accin de la investigacin aplicada de la universidad
en la sociedad empresas o entes pblicos-.
Por ltimo, y no por ello menos importante, queremos dar respuesta a ciertos cuestionamientos que
los gestores universitarios se plantean sobre la evolucin del esfuerzo financiero que la Administracin
Autonmica hace para ayudar a mejorar las actividades propias de las universidades. En concreto, la
cuestin a analizar es la siguiente: Cmo han evolucionado los recursos financieros que la CCAA ha
puesto a disposicin de la Universidad?
La respuesta a dicha cuestin debemos encontrarla a travs de los pesos relativos de los derechos liquidados por las diversas transferencias recibidas de la CCAA, respecto del total de los derechos liquidados
660
del Presupuesto de Ingreso, en los aos que se ha considerado como intervalo objeto de estudio, y que se
muestran en el cuadro 22.
CUADRO 22
DESCRIPCIN: Evolucin de los pesos relativos de los ingresos por transferencias de la CCAA a la universidad, sobre los ingresos
totales, en las liquidaciones presupuestarias 2007-2011.
56,00%
54,00%
52,00%
50,00%
48,00%
46,00%
44,00%
2007
2008
2009
2010
2011
EVOLUCIN PESO RELATIVO DE LA FINANC CCAA / TOTAL INGRESO
En efecto, como se aprecia en la informacin anterior, el incremento del esfuerzo de la CCAA en los ejercicios 2008-2009 tiene una gran significacin, especialmente para el ejercicio 2009, sin embargo tal circunstancia no slo no se ha mantenido en los ejercicios posteriores sino que, especialmente en el ltimo
ao, ha sufrido un retroceso de casi tres puntos, obligando a la universidad a realizar los ajustes necesarios para cumplir con el obligado equilibrio presupuestario.
3.1.1.3 ANALISIS DE LOS PESOS RELATIVOS DEL PRESUPUESTO DE

GASTO E INGRESO
Las trasferencias de capital de las administraciones pblicas tienen una importancia fundamental en la
financiacin de los programas de investigacin de las universidades y, an ms, en aquellas como la que
es objeto de estudio donde, como objetivo estratgico, se ha establecido aumentar el peso relativo de la
investigacin sobre el conjunto de las actividades de la Universidad.
Conocer el comportamiento de los pesos relativos de las alternativas de financiacin para la investigacin en los ltimos ejercicios puede ser til para la gestin de los responsables de la investigacin y, por
661
tanto, adquiere gran importancia preguntarse Cmo han evolucionado las transferencias de capital recibidas de las administraciones financiadoras de la investigacin?.
En esta ocasin, siguiendo la pauta de respuesta a otros interrogantes, la solucin debe buscarse en el
comportamiento de los pesos relativos de los derechos liquidados por las referidas transferencias en relacin con los recursos aplicados en la ejecucin del Programa de Investigacin y, en tal sentido, se han determinado dichos pesos para los cincos aos de la serie objeto de estudio, tal como vemos en el cuadro 23.
CUADRO 23
DESCRIPCIN: Evolucin de los pesos relativos de los ingresos por transferencias de capital de la CCAA a la universidad, sobre los
gastos de investigacin, en las liquidaciones presupuestarias 2007-2011 y su equivalente como ingreso del Estado Central.
50,00%
45,00%
40,00%
35,00%
30,00%
25,00%
20,00%
15,00%
10,00%
5,00%
0,00%
2007
2008
2009
2010
2011
EVOLUC PESO INGRESO TRANSF CAP CCAA / GTOS INVEST

EVOLUC PESO RELAT INGRESO TRANS CAP ESTADO / GTOS INVEST
La informacin presentada con anterioridad facilita la explicacin necesaria para responder a la citada
cuestin en cuanto que muestra, a travs del comportamiento de los pesos relativos de una y otra administracin, como ha sido el comportamiento de las mismas.
En el caso del Estado Central se aprecia una cada permanente, desde el ejercicio 2007 que, para el conjunto del intervalo de la serie, alcanza ms del quince por ciento. Por su parte, la CCAA, que inicialmente
parte de una diferencia porcentual de casi un 30% al comienzo de la serie, casi duplica su esfuerzo financiador en los dos primeros ejercicios, aunque de manera ms suave muestra una tendencia negativa
que, sin embargo, nos es bice para acercarse, en el ltimo ao, a los pesos relativos de la financiacin del
Estado Central.
662
En definitiva, se observa que en las fuentes de financiacin de la investigacin la CCAA gana protagonismo frente a la Administracin Central, realidad que, en consecuencia, debemos tener en cuenta para
nuestro objetivo estratgico.
La cobertura de los gastos con los ingresos recaudados por un determinado servicio suele estar presente,
generalmente, en muchos planteamientos sobre la rentabilidad o capacidad de autofinanciacin, de algunas actividades universitarias, independientemente de que sea la ejecucin de stas objetivos propios
la que justifique la existencia de la Universidad. Por tanto, suele ser cuestin crtica para los responsables
de la gestin universitaria conocer la medida en que se cubre el total de gastos requeridos para prestar
un servicio o desarrollar una actividad con los recursos generados por tal prestacin como parte del Presupuesto de Ingreso.
En definitiva, es frecuente que los responsables de las universidades se cuestionen la existencia, o no, de
un servicio cuando este se preste de manera voluntaria por la universidad o, incluso cuando sea su objetivo estatutario, necesiten conocer los recursos que deben atraer a la Universidad para cubrir el dficit
tarifario del mismo.
Igualmente tiene especial importancia la evolucin de tales coberturas en los ltimos ejercicios y, en
tal sentido es preciso preguntarse Qu porcentaje de gasto del Programa de Enseanza se ha cubierto
con los derechos liquidados por matrculas en los ltimos aos? o Cmo ha evolucionado la cobertura
del gasto en investigacin con los derechos liquidados por Convenios y Contratos Art. 83 de la LOU, en
relacin con los profesores doctores?.
La evolucin de la cobertura de gastos, respecto a la primera de dichas cuestiones, sobre los derechos
liquidados por la prestacin del servicio de enseanza, requiere determinar los pesos relativos de la cobertura, por alumno equivalente del Programa de Gastos de Enseanza con los derechos liquidados de
matriculas de la citada docencia, tal como se contempla en el cuadro 24.
663
CUADRO 24
DESCRIPCIN: Evolucin de los pesos relativos de los ingresos por matricula de la universidad, sobre los gastos totales de docencia o
cobertura de gastos docentes con ingresos por matrcula, en las liquidaciones presupuestarias 2007-2011.
12,00%
10,00%
8,00%
6,00%
4,00%
2,00%
0,00%
2007
2008
2009
2010
2011
EVOLUC PESO INGRESO MATRCULA / GTOS DOCENCIA
La informacin contenida en el cuadro, pone de relieve que la evolucin de los pesos relativos sobre la
cobertura de los gastos de enseanza con sus ingresos afectos, se mueve en un pequeo intervalo de dos
puntos porcentuales para el conjunto de aos que integran la serie.
Por una parte, se observa una cobertura escasa de los gastos, con un mximo en el primer ejercicio del
11,27% y un mnimo en el aos 2010 del 9,95% y, por otra, que la media de cobertura para el conjunto de
los aos de la serie se mueve en el entorno del 10%, a pesar del objetivo de las administraciones de aumentar de forma significativa el precios de las matriculas, especialmente las segundas, terceras, etc., con
el fin de aumentar el grado de cobertura de la Enseanza Reglada.
La segunda cuestin que se plantean los responsables universitarios tiene su razn de ser en la bsqueda
de recursos para la investigacin y, en tal sentido, la generacin de ingresos por parte de la investigacin
aplicada parece que se abre camino como complemento de financiacin pblica de la investigacin y
parece que ser fundamental en los prximos aos.
La respuesta a la referida pregunta pasa por conocer la evolucin, en el intervalo de tiempo objeto de estudio, de los importes de los gastos del Programa de Investigacin por cada profesor doctor y en relacin
con los ingresos que tales doctores generan, como media, a travs de los Contratos y Convenios del Art. 83
de la LOU, y que tienen su reflejo en el cuadro 25 (en miles de euros).
664
CUADRO 25
DESCRIPCIN: Evolucin de los gastos de investigacin e ingresos del artculo 83 de la LOU, relacionados con los profesores doctores,
en las liquidaciones presupuestarias 2007-2011.
40,00
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
2007
2008
2009
2010
2011
GTOS INVEST POR PROF DOCTOR

INGRESO ART. 83 POR PROF. DOCTOR
Se hace evidente, pues, que la evolucin de los ingresos medios por Profesor Doctor a travs de los Convenios y Contratos Art. 83 de la LOU no alcanza, en ningn momento, el 50% de los gastos del Programa
de Investigacin, aunque tambin lo es que se mueve en un intervalo de quince puntos, es decir, entre un
30% el ejercicio de menor peso relativo para el ltimo ejercicio y un 50% el de mayor importancia relativa
para el ejercicio primero de la serie. En todo caso se aprecia una evolucin desfavorable que ha requerido
una financiacin alternativa para la cobertura de los gastos de investigacin que debe impulsar formulas que incentiven tales contratos y convenios como una va esencial para la financiacin de los futuros
Programas de investigacin.
3.1.2. ANLISIS DESDE LA PERSPECTIVA DE LA CONTABILIDAD

ANALTICA
Como se seal en su momento, de las tres clasificaciones del Presupuesto Por naturaleza, Funcional y
Orgnica- ha sido la clasificacin por naturaleza del gasto la que hemos desarrollado con mayor exhaustividad, razn por la cual, por su similitud a la clasificacin por naturaleza del coste, no haremos mencin
a ella en este epgrafe. Por contra, dado que las dos ltimas clasificaciones en la contabilidad presupuestaria de las universidades tienen un carcter ms formal que real , esencialmente por lo agregada que se
presenta la clasificacin funcional normalmente slo con los programas de investigacin y enseanza665
y lo parcial del contenido de la clasificacin orgnica normalmente incluye gastos slo de algunos captulos, principalmente del Captulo II-, sern los centros de coste, equivalentes, desde este punto de vista, a
las unidades orgnicas de presupuesto y las actividades finalistas o servicios prestados, como desarrollo
de los programas de enseanza e investigacin del presupuesto de la Universidad, a los que prestaremos
especial atencin, amn de una referencia final a los mrgenes de dichas actividades.
Para responder adecuadamente a las cuestiones ms frecuentes que se plantean los gestores, esencialmente del rea econmica de la Universidad, en este mbito, profundizaremos en el estudio de la informacin que proporciona la contabilidad analtica con datos en miles de euros-, centrando nuestra
atencin en sus aspectos, esttico y dinmico, al igual que lo hicimos para los datos obtenidos de la
contabilidad presupuestaria, es decir, para el ejercicio 2011 y para el periodo establecido en el Plan Estratgico de la Universidad. Adems, de la misma forma que hicimos en el apartado presupuestario, en los
casos de mayor relieve, tambin haremos mencin al cumplimiento de objetivos establecidos en el Plan
Estratgico de la Universidad.
Por lo que se refiere a los centros de coste, hemos debido realizar las agregaciones necesarias que nos
permitieran obtener una informacin manejable y representativa de los grupos de centros donde se desarrollan la actividad universitaria y, a travs de ellos, descubrir las respuestas de las preguntas que se
plantean los gestores sobre determinados aspectos econmicos de las universidades, es decir, para conocer donde se deben centrar los esfuerzos de actuacin y anlisis de la realidad econmica universitaria.
En tal sentido, es fcil que los mximos responsables econmicos se pregunten Qu peso econmico de
participacin en la actividad universitaria tiene los centros de coste de la Universidad? o En qu centros se concentran los costes generados por la Universidad? cuya respuesta, obtenida de la contabilidad
analtica debe informarnos de los pesos relativos, por grupos de centros homogneos realizados segn la
propia estructura organizativa de la Universidad, como se hace a travs de el cuadro 26.
CUADRO 26
DESCRIPCIN: Pesos relativos del coste de los centros de la universidad, en el ltimo ejercicio objeto de estudio.
RECTORADO Y RGANOS DE GOBIERNO (15%)

GERENCIA (8%)
SERVICIOS GENERALES Y CENTRALES (9%)
DEPARTAMENTOS (35%)
CENTROS DE ENSEANZA (21%)
CENTROS DE INVESTIGACIN (5%)
CENTROS EXT. UNIV. (5%)
CENTROS ANEXOS (2%)
666
Los porcentajes de participacin de los centros sobre el coste total de la Universidad permite aproximarse
a los gestores econmicos al conocimiento de la estructura de costes de la institucin. En tal sentido, se
observa que los Departamentos y los Centros de Enseanzas acumulan casi el 60% de dicho coste total,
realidad que refleja la importancia de los mismos como verdaderos motores de la actividad universitaria.
Tambin cabe destacar los recursos dedicados a los centros de soporte centralizados de la Universidad
rectorado y rganos de gobierno, gerencia y servicios centrales-, que superan el 31% del total de los
mismos, dedicados a la direccin, administracin y mantenimiento de la misma. Finalmente, la escasa
relevancia cuantitativa de los centros de investigacin -slo se incluye los centros de investigacin independientes y, por tanto, diferenciados de la investigacin realizada en los departamentos -, extensin y
anexos.
En muchas ocasiones los gestores necesitan conocer cuestiones adicionales respecto a otras cuestiones
relativas al detalle del comportamiento de algunos de los referidos centros de coste, dentro del grupo
agregado representativos y, consecuentemente, se preguntan Qu peso econmico o participacin tiene cada centro de coste de enseanza en el total de los centros de docencia de la Universidad? o Qu
peso relativo posee cada uno de los componentes del grupo Centros de Soporte Centralizado? o Qu
importancia econmica relativa tiene los centros del grupo Extensin Universitaria? e incluso , respecto
del grupo de centros que prestan servicios a usuarios externos, Qu peso relativo poseen cada uno de
tales centros departamentos, centros de enseanza, etc.?.
Cada una de estas interrogantes encuentra su respuesta en informacin que proporciona la contabilidad
analtica, directa o indirectamente, como se aprecia en el cuadro 27.
CUADRO 27
DESCRIPCIN: Pesos relativos del coste de los centros de enseanza de la universidad, en el ltimo ejercicio objeto de estudio.
ETS DE INGENIEROS DE CAMINOS, CANALES Y PUERTOS (9%)

E.U. DE ENFERMERA CASA DE SALUD VALDECILLA (7%)
ETS DE INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIN (9%)
ESCUELA TCNICA SUPERIOR DE NUTICA (8%)
ESCUELA UNIVERSITARIA DE INGENIERA TCNICA MINERA (6%)
FACULTAD DE CIENCIAS (5%)
FACULTAD DE CIENCIAS ECONMICAS Y EMPRESARIALES (10%)
FACULTAD DE DERECHO (9%)
FACULTAD DE EDUCACIN (4%)
FACULTAD DE FILOSOFA Y LETRAS (9%)
FACULTAD DE MEDICINA (6%)
RESTOS DE FACULTADES Y ESCUELAS (18%)
667
La revelacin a la primera pregunta nos da a conocer el peso de cada centro de enseanza, respecto del
conjunto de los mismos, aprecindose como en ocasiones, algunos centros llegan a duplicar el coste de
otros, ya sean por el mantenimiento de sus inmovilizados, como por el consumo de materiales y suministros consecuencia de las caractersticas de la docencia prctica de las mismas. Lgicamente es a tales
centros, junto a aquellos cuya superior repercusin econmica se debe al mayor nmero de alumnos
matriculados, a los que se debe prestar una especial atencin para que los recursos sean aplicados con
mayor racionalidad econmica.
Se contesta la segunda cuestin a travs del anlisis de los pesos relativos de cada centro de soporte centralizado, respecto al conjunto total de los mismos. Es decir, la importancia de los centros en la gestin de
los recursos para direccin, administracin y apoyo operativo del conjunto de la Universidad, tal como se
muestra en el cuadro 28.
CUADRO 28
DESCRIPCIN: Pesos relativos del coste de los centros de soporte centralizado de la universidad, en el ltimo ejercicio objeto de
estudio.
RECTORADO Y RGANOS DE GOBIERNO (47%)

GERENCIA (24%)
SERVICIOS GENERALES Y CENTRALES (29%)
Se constata que son los rganos de gobierno de la Universidad los que consumen casi la mitad de los
recursos de los centros de soporte centralizados y que los servicios generales y la gerencia se sitan, a
continuacin, con un 29% y 24%, respectivamente.
Con respecto a la tercera pregunta, referida a los centros de extensin universitaria, tras la informacin
que mostramos en el cuadro 29.
668
CUADRO 29
DESCRIPCIN: Pesos relativos del coste de los centros de extensin universitaria, en el ltimo ejercicio objeto de estudio.
SERVICIO GENERAL DE EDUCACIN FSICA Y DEPORTES (45%)

CULTURA (26%)
CURSOS DE VERANO (19%)
RESTO DE CENTROS DE EXTENSIN (10%)
Se revela que los centros de mayor enjundia econmica son los de educacin fsica y deporte con un 45%
de los recursos aplicados a la funcin de extensin universitaria y, tras ellos, son actividades tpicas de
esta funcin las actividades dedicadas a cultura y cursos de verano, como lo demuestra por su porcentaje
de un 26% y 19%, respectivamente.
Finalmente, la contestacin a la ltima de las anteriores preguntas sobre los pesos relativos de los centros, busca descubrir que peso poseen los centros que prestan servicios a los usuarios externos, respecto
al conjunto total de servicios que tienen igual actividad hacia el exterior, como se aprecia en el cuadro 30.
CUADRO 30
DESCRIPCIN: Pesos relativos del coste de los centros de extensin universitaria, en el ltimo ejercicio objeto de estudio.
DEPARTAMENTOS (52%)
CENTROS DE ENSEANZA (31%)
CENTROS DE INVESTIGACIN (8%)
CENTROS EXT. UNIV. (7%)
CENTROS ANEXOS (2%)
669
Los anteriores datos evidencian que los departamentos y centros de enseanzas son los que realizan,
principalmente, las actividades o servicios prestados a la sociedad puesto que, entre ambos, alcanzan
casi un 83% del total de los recursos aplicados por este tipo de centros. A mucha distancia le siguen los
centros de investigacin y de extensin universitaria, con un 8% y 7%, respectivamente, y casi de forma
testimonial, un 2% a aquellos centros anexos que tienen como funcin la prestacin de servicios a usuarios externos, distintos a las funciones reconocidas a la Universidad.
Pero si es fundamental conocer la situacin relativa de los centros en el ltimo ejercicio, desde una perspectiva esttica, no lo es menos, analizar los datos desde una perspectiva dinmica, es decir, como evolucin del comportamiento de los mismos en el ltimo quinquenio, coincidiendo con el periodo del Plan
Estratgico.
Las cuestiones que se suelen plantearse los gestores econmicos son algunas tales como Qu evolucin
presentan los importes de recursos consumidos por los grupos de centros de coste en la actividad universitaria? Tal informacin, como se aprecia en las cuadro 31 (en miles de euros) y 32 para los ejercicios
extremos.
CUADRO 31
DESCRIPCIN: Evolucin del coste de los centros donde se desarrolla la actividad universitaria, en las liquidaciones presupuestarias
2007-2011.
60.000,00
50.000,00
40.000,00
30.000,00
20.000,00
10.000,00
0,00
2007
2008
CENTROS DE SOPORTE CENTRALIZADO

DEPARTAMENTOS
CENTROS DE ENSEANZA
CENTROS DE INVESTIGACIN
CENTROS DE EXTENSIN UNIVERSITARIA Y ANEXOS
670
2009
2010
2011
CUADRO 32
DESCRIPCIN: Comparacin del coste de los centros donde se desarrolla la actividad universitaria, en las liquidaciones presupuestarias 2007 y 2011.
40,00
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
CENTROS
DE SOPORTE
GENERALIZADO
DEPARTAMENTOS
CENTROS
DE ENSEANZA
CENTROS
DE INVESTIGACIN
CENTROS
DE EXTENSIN
UNIVERSITARIA
Y ANEXOS
2007
2011
De la informacin anterior se infiere que en los cuatro primeros ejercicios en todos los casos se ha producido un crecimiento de los recursos consumidos por los grupos de centros, aunque se haya producido
de forma desigual, creciendo de manera ms significativa los centros de enseanzas, departamentos y
centros de soporte centralizado. Sin embargo, el crecimiento en el ejercicio 2011 slo se ha mantenido en
estos ltimos centros y en los de investigacin. Sin embargo, los pesos relativos respecto al incremento
global de los recursos consumidos por el conjunto de centros, desde el inicio al final del periodo de estudio hasta el final crecen para los centros de soporte centralizado y los departamentos, disminuyendo en
los centros de enseanza; de extensin universitaria y anexos, mientras que se ha mantenido la proporcin en los centros de investigacin.
Igualmente suele ser de inters alcanzar algn detalle adicional sobre el comportamiento de algunos
grupos de centros de coste y, en tal sentido, cabra preguntarse Qu evolucin presentan los importes
consumidos por cada uno de los componentes del grupo Centros de Soporte Centralizado?. La respuesta
la encontramos en el cuadro 33 (en miles de euros).
671
CUADRO 33
DESCRIPCIN: Evolucin del coste de los centros que componen el Centro de Soporte Centralizado, en las liquidaciones presupuestarias 2007-2011.
25.000,00
20.000,00
15.000,00
10.000,00
5.000,00
0,00
2007
2008
2009
2010
2011
RECTORADO Y RGANOS DE GOBIERNO

GERENCIA
SERVICIOS GENERALES Y CENTRALES
Como se aprecia en las anteriores Cuadros, salvo gerencia que se estabiliza en los dos ltimos ejercicios,
el coste tanto del rectorado y rganos de gobierno como de los servicios centrales y generales ha crecido
todos los ejercicios no estando justificado dicho incremento por la evolucin del nmero de alumnos
equivalentes matriculados, ni por el esfuerzo inversor en investigacin, aunque se hayan creados nuevos
servicios centrales para satisfacer a usuarios internos, como servicios de apoyo a la docencia o a la investigacin.
La importancia cuantitativa que pueda adquirir el porcentaje de los costes de estos centros de soporte
centralizado, que apoyan con sus actividades directivas, administrativas o de otro orden a los centros
finalistas, es fundamental puesto que deben ser soportados por las actividades finalistas que se materializan en servicios a los usuarios externos. As pues, deben constituir una preocupacin constante de la
alta direccin de la universidad y su consejo social, teniendo en cuenta que su aumento o disminucin a
las a las prestaciones de servicios ofrecidas a tales usuarios significara, al mismo tiempo la disminucin
o aumento del rendimiento en la aplicacin de recursos con respecto otras universidades del entorno.
Los tres grupos de prestaciones de servicios que la Universidad tiene como fines o funciones reconocidas
en su marco legislativo son la enseanza superior, la investigacin y la extensin de la cultura, para lo
cual se posee una estructura orgnico-administrativa, con unos centros de soporte centralizados que
dirigen y dan apoyo a los centros finalistas, a los que nos hemos referido con anterioridad, encargados de
realizar tales prestaciones de servicios para los usuarios externos para satisfacer las referidas funciones.
672
Es lgico, pues, que la direccin de la universidad se pregunte por las proporciones de empleo de los
recursos en las citadas funciones, es decir, Cmo participan los costes de cada funcin en el coste total
de la Universidad? (Cuadro 34)
La respuesta se obtiene de los datos de la contabilidad analtica que nos seala, como indica la tabla y
CUADRO 34
DESCRIPCIN: Pesos relativos del coste de las actividades finalistas de la universidad, en el ltimo ejercicio objeto de estudio.
ACTIVIDADES DE DOCENCIA (67%)

ACTIVIDADES DE INVESTIGACIN (23%)
ACTIVIDADES DE EXTENSIN (10%)
grfico anterior que el objetivo de enseanza es al que se aplica mayor importe de recursos, un 67% del
total, seguidos por la investigacin y la extensin de la cultura con 23% y 10%, respectivamente. Lo anterior significa que, como competencias fundamentales dentro de su marco jurdico, la enseanza y la
investigacin de la universidad emplean algo ms del 90% de total de los costes totales de la universidad.
Por su parte, respecto a los objetivos del Plan Estratgico, es preciso analizar su nivel de cumplimiento
y, en tal sentido, la pregunta que es preciso formularse es la siguiente Qu grado de cumplimiento de
consumo de recursos, para desarrollar las funciones o competencias de las Universidad, se ha alcanzado sobre los objetivos del Plan Estratgico?, y su respuesta se obtendr de la comparacin de los costes
obtenidos para dichas funciones de la contabilidad analtica, respecto a los que se planificaron, en su
momento, para 2011, en el Plan Estratgico. Informacin sintetizada en el cuadro 35.
673
CUADRO 35
DESCRIPCIN: Anlisis comparativo del peso relativo del coste de las actividades finalistas en el ltimo ejercicio objeto de estudio y
su equivalente como objetivo del Plan Estratgico.
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00
ACTIVIDADES
DE DOCENCIA
ACTIVIDADES
DE INVESTIGACIN
ACTIVIDADES
DE EXTENSIN
PESOS REALES
PESOS PREVISTOS
Observamos, para dar respuesta a la cuestin planteada, que no se han alcanzado los objetivos contemplados en el Plan respecto a la enseanza al sobrepasarnos en sus costes un 2,25% sobre su peso previsto
para 2011 y, por su parte, tampoco hemos dedicado a la investigacin, apuesta principal del Plan, los recursos previstos en el mismo, faltando para ello un 1,76%.
En cuanto al objetivo de enseanza se plantearn cuestiones como las siguientes Qu peso relativo
posee cada uno de los grupos de prestaciones de la docencia reglada y no reglada- sobre el coste total
de enseanza de la Universidad? o Cmo participa cada una de las prestaciones en los propios grupos?
(Cuadro 36).
674
CUADRO 36
DESCRIPCIN: Pesos relativos del coste de las diversas actividades finalistas de docencia de la universidad, en el ltimo ejercicio
objeto de estudio.
DOCENCIA REGLADA (86%)

DOCENCIA NO REGLADA (14%)
La respuesta a la primera pregunta se evidencia claramente en la informacin anterior, mostrndose

que la enseanza reglada, como es lgico, es la principal actividad de la Universidad y, por tanto, la que
consume hasta el 86% de los recursos. Sin embargo, la docencia no reglada est alcanzando una mayor
presencia como lo demuestra que su participacin en los costes totales alcanza un 14%.
Igualmente, tanto los responsables econmicos como los de ordenacin acadmica, querrn saber la respuesta a la segunda cuestin y en tal sentido, como indica en el cuadro 37.
CUADRO 37
DESCRIPCIN: Pesos relativos del coste de las diversas actividades finalistas de la docencia reglada de la universidad, en el ltimo
ejercicio objeto de estudio.
GRADO: PRIMER Y SEGUNDO CICLO (89%)

POSTGRADO (11%)
675
Se constata claramente en la informacin anterior, como resulta lgico, que la enseanza de grado es
la principal actividad de la Universidad y, por tanto, la que consume hasta el 89% de los recursos de la
docencia reglada. Sin embargo, los postgrados estn alcanzando una presencia significativa, por la nueva
concepcin de la enseanza superior en Espaa, como lo demuestra que su participacin en los costes
totales de la enseanza reglada ha supuesto un 11%.
La docencia no reglada, en general, se realiza a propuestas de facultades, departamentos y profesores,
con una presencia sobre la total docencia del 14% y, por tanto, con una dedicacin de recursos importantes que, adems de autofinanciarse, puede ser una fuente de recursos de cierta significacin para la
Universidad. Es lgico que sus responsables quieran conocer los pesos relativos de sus costes y, por consiguiente, de sus propuestas docentes Experto y Mster-, entre otras posibilidades, para orientar a futuros
promotores. La informacin que se muestra en el cuadro 38 responde a la tercera y ltima pregunta que
hemos planteado sobre la docencia.
CUADRO 38
DESCRIPCIN: Pesos relativos del coste de las diversas actividades finalistas de la docencia no reglada de la universidad, en el ltimo
ejercicio objeto de estudio.
MSTERES NO OFICIALES (69%)

EXPERTO (31%)
Con claridad se aprecia que los Msters, en este caso no oficiales, sino de titulacin propia, son los verdaderamente demandados por la sociedad en cuanto que superan los dos tercios del importe total de la enseanza no reglada, dejando para los ttulos de Expertos, de menor extensin y especialidad, un importe
de recursos aplicados que no alcanza un tercio del total.
Al igual que se ha analizado para la docencia, resulta oportuno estudiar en relacin con los fines de investigacin, es decir, la direccin de la universidad se preguntar por la importancia relativa de las mismas,
e incluso sobre el detalle de prestaciones de algunas de ellas. En tal caso se plantearan cuestiones como
Qu peso relativo posee cada uno de los grupos de las actividades investigadoras Contratos y Convenios Art. 83 LOU, Proyectos, etc.- sobre el coste total de la investigacin de la Universidad y Dentro
del conjunto de los proyectos CCAA, Nacional y UE- qu significacin posee sobre el total? o sobre lo
considerado en el Plan Estratgico? (Cuadros 39, 40 y 41).
676
CUADRO 39
DESCRIPCIN: Pesos relativos del coste de las diversas actividades finalistas de investigacin de la universidad, en el ltimo ejercicio
objeto de estudio.
CONTR/CONV. CON EMPRESAS/ENTIDADES (21%)

PROY. CONVOC. PLAN NACIONAL DE I+D+I (19%)
PROY. CONVOC. PBLICAS CCAA (17%)
PROYECTOS DE LA UE (11%)
OTRAS ACTIVIDADES INVESTIGADORAS (32%)
La contestacin a la primera de las cuestiones se sustancia en la informacin anterior, mostrando que los
recursos aplicados para la investigacin estn bastantes equilibrados entre las diversas actividades especficas, como as lo estn sus fuentes de financiacin, movindose todas entre el once y el veinte y uno
por ciento. Aqu la reflexin se sita en torno a si tales recursos son los que, por su situacin, corresponde
a la universidad objeto de estudio.
La respuesta a la segunda pregunta nos informa, al mismo tiempo, de la importancia relativa de los costes
de cada tipo de proyecto y los recursos financieros conseguidos fuera de la universidad para los mismos.
En nuestro caso, segn nos indican los datos incluidos en las Cuadros 40 y 41.
CUADRO 40
DESCRIPCIN: Pesos relativos del coste de las diversas actividades finalistas de proyectos de investigacin de la universidad, en el
ltimo ejercicio objeto de estudio.
PROYECTOS DE CONVOCATORIAS COMPETITIVAS DEL PLAN

NACIONAL DE I+D+I (41%)
PROYECTOS DE CONVOCATORIAS PBLICAS REGIONALES (36%)
PROYECTOS DE LA UNIN EUROPEA (23%)
677
CUADRO 41
DESCRIPCIN: Anlisis comparativo del peso relativo del coste de actividades finalistas de proyectos de investigacin de la universidad el ltimo ejercicio objeto de estudio y su equivalente como objetivo del Plan Estratgico.
45,00
40,00
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
PROYECTOS DE CONVOCATORIAS
COMPETITIVAS DEL PLAN
NACIONAL DE I+D+I
PROYECTOS DE CONVOCATORIAS
PBLICAS REGIONALES
PROYECTOS
DE LA UNIN EUROPEA
PESOS REALES
PESOS PREVISTOS
La mayor significacin de los pesos relativos se encuentra, como se aprecia en lo anterior, en los proyectos nacionales, con un porcentaje de casi el 41%, lo siguen los proyectos de convocatorias de la CCAA y,
por ltimo, los de la Unin Europea con un 23%. Adems, respecto a lo considerado en el Plan Estratgico,
al compararnos con las expectativas incluidas en el mismo, se observa que merece especial atencin los
proyectos de la Unin Europea y los de CCAA puesto que, en ambos casos, los recursos aplicados se sitan
en el 1%, por debajo de los objetivos previstos en el Plan.
Finalmente, los responsables de la funcin de extensin universitaria se cuestionarn, para las actividades propias de la misma Qu peso relativo posee cada uno de los grupos de prestaciones de la extensin universitaria deporte, cultura, etc.-?, y la respuesta est contenida en el cuadro 42.
678
CUADRO 42
DESCRIPCIN: Pesos relativos del coste de las diversas actividades finalistas de extensin de la universidad, en el ltimo ejercicio
objeto de estudio.
ACTIVIDADES SERVICIO GENERAL DE EDUCACIN FSICA Y DEPORTES (41%)

ACTIVIDADES CULTURALES (16%)
ACTIVIDADES CURSOS DE VERANO (24%)
RESTO DE ACTIVIDADES DE EXTENSIN (19%)
En lo anterior se aprecia como las actividades deportivas son las que consumen mayores recursos, con
un 41% de los mismos, seguidos de los cursos de verano y las actividades culturales con un 24% y 16%,
respectivamente.
Como se seal con anterioridad, tambin es fundamental para los gestores conocer el comportamiento
de las prestaciones de servicios a la comunidad universitaria en los ltimos aos, as se podr responder
a las preguntas de los gestores universitarios desde una perspectiva dinmica, es decir, analizando la
evolucin de los datos el ltimo quinquenio, periodo establecido para el Plan Estratgico.
Las cuestiones que se suelen plantearse los gestores universitarios son algunas tales como Qu evolucin han tenido los recursos consumidos por las funciones propias de la Universidad? o Se ha comportado en el quinquenio como estimamos en el Plan Estratgico? La informacin para analizar tales
cuestiones la encontramos en las Cuadros 43 (en miles de euros) y 44.
679
CUADRO 43
DESCRIPCIN: Evolucin del coste de las actividades finalistas de la universidad, en los ejercicios 2007-2011.
100.000,00
90.000,00
80.000,00
70.000,00
60.000,00
50.000,00
40.000,00
30.000,00
20.000,00
10.000,00
0,00
2007
2008
2009
2010
2011
ACTIVIDADES DE DOCENCIA
ACTIVIDADES DE INVESTIGACIN
ACTIVIDADES DE EXTENSIN
CUADRO 44
DESCRIPCIN: Anlisis comparativo del peso relativo del coste de las actividades finalistas en los ejercicios 2007 y 2011 con su equivalente como objetivo del Plan Estratgico.
80,00
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00
2007
ACTIVIDADES DE DOCENCIA
ACTIVIDADES DE INVESTIGACIN
ACTIVIDADES DE EXTENSIN
680
2011
PLAN
ESTRATGICO
En efecto, se aprecia que el coste de todas las actividades ha evolucionado al alza de forma significativa,
salvo para el ltimo ejercicio en el que se produce una cada generalizada con mayor o menor intensidad.
Por su parte, para el total del quinquenio, la nica actividad que, proporcionalmente, ha aplicado ms
recursos de los previstos ha sido la de investigacin, por reduccin de las actividades de enseanza y
de extensin universitaria. Respecto a la segunda cuestin, con la informacin disponible, se evidencia
que mientras que la actividad de docencia ha soportado mayores costes que los estimados en el Plan, las
actividades de investigacin y de extensin cultural no han alcanzado la proporcionalidad deseada en el
ltimo ejercicio.
El conocimiento de la evolucin de las actividades, agrupadas por la naturaleza de la funcin, no es suficiente y requiere, para muchos de los gestores universitarios, un mayor detalle de comportamiento que
responde a preguntas tales como Cmo han evolucionado las actividades de docencia en el intervalo
de tiempo objeto de estudio?, y, con idntico planteamiento, se realizaran para las actividades de investigacin y extensin.
Para responder a la primera de las preguntas, referida a las actividades de docencia, presentamos el cuadro 45 (en miles de euros).
CUADRO 45
DESCRIPCIN: Evolucin del coste de las diversas actividades de docencia, en los ejercicios 2007-2011.
80.000,00
70.000,00
60.000,00
50.000,00
40.000,00
30.000,00
20.000,00
10.000,00
0,00
2007
2008
2009
2010
2011
GRADO: PRIMER Y SEGUNDO CICLO

POSTGRADO
EXPERTO
MSTERS NO OFICIALES
681
En la informacin contenida se aprecia, como respuesta a la primera de las cuestiones, que, del conjunto
de las actividades de enseanza, las correspondientes al ttulo de grado, son las que han experimentado
una subida de mayor enjundia, mantenida durante todo el periodo salvo el ltimo ejercicio.
El posgrado, por su parte, cuyo coste se incrementa en los tres primeros aos, presenta una cada en el
cuarto ao para volver a ascender en el ltimo. Finalmente, respecto a la enseanza no reglada, en ambos
casos Mster y Experto, mantienen una evolucin positiva los cuatro primeros ejercicios para descender
en el ltimo, consecuencia lgica de la falta de recursos disponibles de las familias espaolas.
En cuanto a la hipottica pregunta sobre la evolucin de las actividades de investigacin la respuesta
tiene su base en la informacin que se presenta en el cuadro 46 (en miles de euros).
CUADRO 46
DESCRIPCIN: Evolucin del coste de las diversas actividades de investigacin, en los ejercicios 2007-2011.
35.000,00
30.000,00
25.000,00
20.000,00
15.000,00
10.000,00
5.000,00
0,00
2007
2008
2009
2010
2011
OTRAS ACTIVIDADES INVESTIGADORAS

PROYECTOS DE LA UNIN EUROPEA
PROYECTOS DE CONVOCATORIAS PBLICAS REGIONALES
PROYECTOS DE CONVOCATORIAS COMPETITIVAS DEL PLAN NACIONAL DE I+D+I
CONTRATOS O CONVENIOS CON EMPRESAS U OTRO TIPO DE ENTIDADES
En efecto, la visualizacin de este ltimo grfico es absolutamente representativa de como las diversas actividades de investigacin ha tenido un comportamiento similar, con una evolucin paralela en
la progresin paralela de los recursos aplicados hasta el ltimo ejercicio en el que, en todos los casos, se
ha sufrido un retroceso de mayor o menor cuanta aunque, sin duda, significativo, consecuencia de las
restricciones presupuestarias para la financiacin de los proyectos y la menor actividad econmica, en
general, que soportan los potenciales usuarios del servicio.
682
Por ltimo, respecto a la pregunta de los responsables que gestionan la extensin universitaria, sobre el
comportamiento de las actividades propias de su rea, encuentra apropiada respuesta en los datos que
hemos incluidos en el cuadro 47 (en miles de euros).
CUADRO 47
DESCRIPCIN: Evolucin del coste de las diversas actividades de extensin, en los ejercicios 2007-2011.
6.000,00
5.000,00
4.000,00
3.000,00
2.000,00
1.000,00
0,00
2007
2008
2009
2010
2011
ACTIVIDADES SERVICIO GENERAL DE EDUCACIN FSICA Y DEPORTES

ACTIVIDADES CULTURALES
ACTIVIDADES CURSOS DE VERANO
RESTO DE ACTIVIDADES DE EXTENSIN
Tambin aqu la visin del grfico es elocuente del comportamiento de las tres actividades principales
definidas como de extensin deporte, cursos de verano y cultura- donde, tanto las actividades deportivas como los cursos de verano, adquieren un mayor protagonismo demostrable por la subida de recursos
a ellos asignados que, en el caso del deporte, supera de forma importante el resto de las actividades de
extensin y, asimismo, los cursos de veranos han superado claramente a las actividades culturales . En
ambos casos dichas subidas se compensan por la disminucin de las actividades culturales u otras de
diverso contenido.
Aunque el resultado econmico global para cualquiera de las universidades tenga escasa o nula significacin por el componente socio-cultural e investigador de la misma y, ms an para las universidades
pblicas, no ocurre lo mismo con la obtencin de mrgenes sobre determinadas actividades, en concreto
las que generan ingresos, para las son un excelente instrumento para conocer si los ingresos obtenidos
por el servicio prestado al usuario cubren, o no, los costes necesarios para su prestacin. Es decir, determina la cuanta de recursos necesarios desde otras fuentes de financiacin para cubrir el servicio pblico
en cuestin.
683
Las preguntas sobre los mrgenes pueden ser mltiples y, a modo de ejemplo, nos referiremos a la enseanza reglada y a los contratos y convenios del Art. 83 de la LOU. En el primero de los casos, como veremos
ms adelante, sus ingresos slo cubren un escaso porcentaje de los costes mientras, en el segundo, tras
una cuota o margen fijo sobre los ingresos brutos obtenidos, se plantea otro margen complementario
cuando el profesorado alcanza una determinada cuanta y, en todo caso, los ingresos siempre deben cubrir el coste de servicio.
En las universidades pblicas los responsables de la direccin, ante el establecimiento externo por la
correspondiente Administracin de los precios pblicos de los servicios, se plantearn preguntas tales
como si se puede, o no, alcanzar un margen de cobertura adecuado, por racionalizacin del consumo de
los recursos econmicos de la Universidad, es decir, los gestores se pueden plantear: Estoy consiguiendo
el margen suficiente en la enseanza reglada para cumplir los objetivos de racionalizacin econmica
establecida en el Plan Estratgico, o estoy poniendo en peligro otros servicios de la universidad por falta
de presupuesto? o Los mrgenes de los contratos y convenios del Art. 83 de la LOU cubren, adems de la
cuota fija, el coste total de la prestacin?.
Las respuestas a las preguntas anteriores pueden inferirse de los informes proporcionados por la contabilidad analtica que, en cuanto a la primera de ellas, incluye datos como los representados en el cuadro 48.
CUADRO 48
DESCRIPCIN: Anlisis comparativo de la evolucin de los mrgenes obtenidos en las actividades docentes de grado y posgrado para
los ejercicios 2007-2011, con su equivalente como objetivo del Plan Estratgico.
13,00
12,50
12,00
25,00
11,50
11,00
10,50
10,00
9,50
2007
2008
2009
MRGENES DE GRADO Y POSGRADO OBTENIDOS

MRGENES DE GRADO Y POSGRADO PLANIFICADOS
684
2010
2011
Se observa en la tabla y grfico anterior que, desde la Universidad, se han planificado unos mrgenes
constantes durante los tres primeros ejercicios, considerndose que la disminucin de los ingresos es
compensada con una mayor racionalidad en el consumo de recursos. Sin embargo, los datos reales, como
se visualiza en el grfico reflejan que los mrgenes obtenidos no slo no se han mantenido en los tres
primeros aos sino que han descendido con relativa rapidez hasta alcanzar casi dos puntos de descenso
en el ejercicio 2010, al no disminuir el consumo de recursos en los parmetros esperados. En el ltimo
ejercicio de la serie se aprecia un aumento del margen real significativo, aunque an mantiene un punto
de diferencia con el estimado, consecuencia tanto de las subidas de precios como de una mejora en la
optimizacin de los costes.
Por lo que se refiere a la segunda de las cuestiones, centrada en los mrgenes de los contratos y convenios
del Art. 83 de la LOU, sealar que cabe distinguir dos tipos de mrgenes, uno fijo sobre los ingresos obtenidos por dicho concepto y otro variable cuando la retribucin de los profesores supera unos determinados
importes. As pues, tanto los responsables econmicos como los de investigacin, se interesarn por el
comportamiento de los ingresos y, consecuentemente, de tales mrgenes, con inquietudes tales como
En qu forma se han comportado los mrgenes fijos reales en los ltimos aos? o Qu diferencias se
produjeron con los mrgenes estimados? o Cmo se ha comportado los mrgenes variables? Las respuestas se obtienen de la informacin presentada en el cuadros 49 (en miles de euros) y 50.
CUADRO 49
DESCRIPCIN: Anlisis comparativo de la evolucin de los mrgenes fijos obtenidos en las actividades de investigacin artculo 83 de
LOU para los ejercicios 2007-2011, con su equivalente como objetivo del Plan Estratgico.
1.200,00
1.000,00
800,00
600,00
400,00
200,00
0,00
2007
2008
2009
2010
2011
MRGEN FIJO CONTR Y CONV ART. 83 LOU OBTENIDO

MRGEN FIJO CONTR Y CONV ART. 83 LOU ESTIMADO
685
CUADRO 50
DESCRIPCIN: Evolucin del margen variable de la actividad de investigacin artculo 83 LOU, en los ejercicios 2007-2011.
140,00
120,00
100,00
80,00
60,00
40,00
20,00
0,00
-20,00
2007
2008
2009
2010
2011
MRGEN CARIABLE CONTR Y CONV ART. 83 LOU
Los datos ofrecidos por lo cuadros anteriores evidencian, como respuesta a las dos primeras preguntas,
que, respecto a los mrgenes fijos de los contratos y convenios Art. 83 de la LOU reales, se produce un
crecimiento continuo de los mismos en los cuatro primeros ejercicios, ms suave en el ltimo, y que se
transforma en decrecimiento en el ltimo ao, consecuencia de la lgica de la disminucin de la contratacin debida a la contraccin econmica general. Dado que los estimados en el Plan Estratgico, con
crecimientos positivos constantes durante todo el periodo de estudio, no contemplaron tales circunstancias, se producen importantes diferencias, por comparacin con su homnimos reales, con un intervalo diferencial que aumenta en los primeros tres aos disminuyendo en los dos ltimos hasta quedar
prcticamente compensado en el ltimo. Finalmente, los mrgenes variables, han tenido alternativas
diversas que implican la obtencin de recursos muy ajustados a lo largo del intervalo objeto de estudio
que imposibilita la existencia de remuneraciones altas al profesorado.
686
4. FICHAS DE INDICADORES Y DATOS UTILIZADOS EN

EL ANLISIS
Nombre
Peso relativo de las obligaciones y derechos reconocidos, as como de los costes e ingresos
de la Universidad.
Fuente de la
definicin
Estado de Liquidacin Presupuestaria de la Universidad, informes proporcionados por

el Modelo de Contabilidad Analtica para las Universidades. Particularizacin del Modelo
CANOA para Universidades y otras magnitudes como alumnos equivalentes o profesores
doctores a tiempo completo.
Definicin
Relacin entre ciertos agregados de obligaciones y derechos reconocidos, con otros

agregados cuya proporcin posea verdadero significado para conocer su importancia relativa
del mismo, o algn otro significado econmico-financiero. Igualmente entre los agregados de
costes e ingresos de la Universidad. En algunos casos de relevancia tambin se ha buscado
la relacin de los citados agregados con otras magnitudes como alumnos equivalentes,
profesores doctores a tiempo completo, etc.
Forma de
clculo
Cociente entre unos agregados de obligaciones reconocidas netas, agrupadas por naturaleza
o funcin, y otros agregados de las citadas obligaciones o del total del presupuesto liquidado.
Igualmente para los ingresos.
Cociente entre agregados de coste por su naturaleza, funcionalidad -por programas- y
dependencia orgnica, y otros agregados de coste cuya proporcin posea verdadero
significado para conocer su importancia relativa del mismo, o algn otro significado
econmico, o del total del coste de la Universidad. Igualmente para los ingresos.
En algunos casos de relevancia tambin se ha determinado el cociente entre los citados
agregados con otras magnitudes como alumnos equivalentes, profesores doctores a tiempo
completo, etc.
Finalmente, como otros indicadores de inters hemos obtenido el cociente entre costes
e ingresos de determinada funcin o servicio para conocer la cobertura de costes con los
ingresos obtenidos.
Interpretacin
Este indicador permite valorar la importancia o el peso relativo de un agregado de

obligaciones o ingresos reconocidos netos, por naturaleza o funcin, sobre otro u otros
agregados o sobre el total de las obligaciones o derechos reconocidos netas del presupuesto
liquidado.
Respecto a los costes e ingresos, el indicador valora la importancia o el peso relativo de
un agregado de costes, por naturaleza econmica, funcin u objeto de su consumo y
orgnicamente o lugar donde se realiza el consumo, sobre otro agregado o sobre el total de
costes de la Universidad. Igual para los ingresos.
Finalmente, para los casos de relacin de agregados con otras variables, se interpretar
como su peso medio respecto a la citada variable.
687
Caractersticas
688
Periodicidad
Ejercicio Econmico
Fuente informacin
Estado de Liquidacin del Presupuesto, Informes obtenidos de la

contabilidad analtica de la Universidad y otras variables obtenidas de
diversos sistemas.
Informes de la Contabilidad Analtica
Forma de
representacin
Valor porcentual (%)
Nivel de
agregacin/
desagregacin
Mltiple
Conceptos
referenciados
Agregaciones de Obligaciones Reconocidas Netas

Agregaciones de Derechos Reconocidos Netos
Agregados de Costes
Agregados de Ingresos
Total de Obligaciones Reconocidas Netas liquidadas
Total de Derechos Reconocidos Netos
Total de Costes, por naturaleza, funcin u orgnico
Alumnos Equivalentes a Tiempo Completo (AETC)
Prof. Doctores a tiempo completo
Observaciones
Para la composicin de los agregados hemos tenido en cuentas, adems de los Captulos,
otras agregaciones de Gasto e Ingreso de uso comn en la estructura presupuestaria de
las Administraciones Pblicas, y tambin en las Universidades. Por ejemplo, en cuanto a la
naturaleza del gasto o el ingreso, Operaciones Financieras y Operaciones No Financieras,
Gastos e Ingresos Corrientes o de Capital, en cuanto a la funcin, Gastos de Enseanza y
de Investigacin, etc.
Igualmente se puede obtener los pesos relativos con los agregados de costes clasificados
por naturaleza, por prestacin de servicios u orgnicamente.
Ejemplo
Peso Relativo de los Programas de Gasto de Enseanza de la Universidad para el ejercicio

2011:
O R Netas, en miles, del Programa de Enseanza : 88.317,39
O R Netas, en miles, del total de las OR Netas liquidadas: 117.051,03
Peso relativo de los Programas de Docencia respecto del total presupuesto para el ejercicio
2011: 88.317,39 / 117.051,03 = 75,45%
Nombre
Peso Relativo de las Obligaciones Reconocidas Netas de los Captulos del Presupuesto de
Gasto, respecto de la Liquidacin total Presupuesto.
Fuente de la
definicin
Estado de Liquidacin del Presupuesto de Gasto de la Universidad
Definicin
Relacin entre las Obligaciones Reconocidas Netas de cada Captulo del Presupuesto
de Gasto con respecto al total de Obligaciones Reconocidas Netas presentadas en la
Liquidacin del Presupuesto de la Universidad.
Forma de
clculo
Interpretacin
Este indicador permite valorar la importancia o el peso relativo del Gasto de Personal, a
travs de las O.R Netas del Captulo I de personal, respecto a las O. R. Netas totales de la
Universidad.
Caractersticas
Periodicidad
Ejercicio Econmico
Fuente informacin
Estado de Liquidacin Presupuestaria de la Universidad

Forma de
representacin
Nivel de
agregacin/
desagregacin
Por captulos
Conceptos
referenciados
Obligaciones Reconocidas Netas ( O.R. Netas)

Captulo I de Personal
Obligaciones Reconocidas Netas totales de la Universidad
Observaciones
Al igual que podemos determinar el peso relativo del Gasto de Personal de la Universidad
poniendo en relacin las O.R. Netas del Captulo I respecto del total presupuesto de gasto
liquidado, se puede determinar el peso relativo de cada uno de los captulos a travs de
la relacin de las O. R. Netas de cada uno de ellos con el total del citado presupuesto
liquidado, a los que no haremos referencias para evitar reiteraciones.
Igualmente se puede obtener los pesos relativos con los agregados de costes clasificados
por naturaleza, por prestacin de servicios u orgnicamente.
Ejemplo
Peso Relativo de Personal de la Universidad:

OR Netas, en miles, del Captulo I para el ejercicio 2011 : 64.455,18
OR Netas, en miles, de la Liquidacin Presupuestaria, para el ejercicio 2011.: 117.051,03
Peso Relativo del gasto del personal =

689
690
Nombre
Peso relativo de los Derechos Reconocidos Netos por Operaciones de Capital del Presupuesto
de Ingreso sobre los Derechos Reconocidos Netos Totales de la Liquidacin Presupuestaria de
la Universidad.
Fuente de la
definicin
Estado de Liquidacin del Presupuesto de Ingreso de la Universidad
Definicin
Relacin entre el importe de los Derechos Reconocidos Netos que surgen de las Operaciones
de Capital respecto de los Derechos Reconocidos Netos totales que determinan en la
Liquidacin Presupuestaria de la Universidad.
Forma de
clculo
Peso Relativo Operaciones de Capital Presupuesto de Ingreso =

Derechos Reconocidos Netos Operaciones de Capital / Derechos Reconocidos Netos totales
de la Liquidacin del Presupuesto
Interpretacin
Este indicador permite determinar la importancia relativa que ha supuesto los ingresos de
capital de la Universidad respecto del total de los ingresos de la misma, materializados en los
Derechos Reconocidos Netos.
Caractersticas
Periodicidad
Ejercicio Econmico
Fuente informacin
Estado de Liquidacin del Presupuesto de Ingreso de la Universidad

Forma de
representacin
Nivel de
agregacin/
desagregacin
Por naturaleza corriente o de capital
Conceptos
referenciados
Operaciones de Capital
Operaciones Corrientes
Derechos Reconocidos Netos de Operaciones de Capital
Derechos Reconocidos Netos totales
Observaciones
La Universidad necesita conocer la importancia relativa de los ingresos por Operaciones de

Capital y Corriente. Pero, adems, dentro de tales ingresos tambin se requiere saber que
peso relativo poseen las transferencias de las Administraciones Pblicas, ventas de activos
o aumento de pasivo, respecto del total de las operaciones de capital, para conocer como
se ha financiado las inversiones.
Igualmente se puede obtener los pesos relativos con los agregados de ingresos clasificados
por naturaleza y por prestacin de servicios.
Ejemplo
De la Liquidacin del Presupuesto de Ingreso, en miles, se obtienen los siguientes datos:

DR Netos por Operaciones de Capital de la Liquidacin del Presupuesto de Ingreso, en
miles, ejercicio 2011 : 35.514,80
D R Netos de la Liquidacin Presupuestaria: 117.051,03
Peso Relativo Operaciones de Capital Presupuestos de Ingresos = 35.514,80 / 117.051,03
= 30,34%
Nombre
Promedio de becas y ayudas de la Universidad a estudiantes, por alumnos equivalentes ECTS
Fuente de la
definicin
Estado de Liquidacin del Presupuesto de Gastos y Sistema Acadmico de la Universidad
Definicin
El promedio de Transferencias a Familias e Instituciones, en becas y ayudas de la Universidad,

a estudiantes por cada alumno equivalente ECTS
Forma de
clculo
Cociente entre el importe de las OR Netas por becas y ayudas a alumnos equivalentes ECTS y
el nmero de alumnos equivalentes ECTS matriculados en la Universidad en el Curso 20102011
Interpretacin
Este indicador mide la aplicacin de recursos en euros de la Universidad para becas y otras
ayudas por alumnos equivalentes ECTS, en el ejercicio 2011,.
Caractersticas
Periodicidad
Ejercicio Econmico
Fuente informacin
Estado de Liquidacin del Presupuesto de Gasto y el Sistema

Acadmico
Forma de
representacin
Numrica en Euros
Nivel de
agregacin/
desagregacin
Agrupacin de transferencias por becas y ayudas a estudiantes de la Universidad
Conceptos
referenciados
OR Netos por becas y ayudas a estudiantes

Alumnos equivalentes ECTS
Observaciones
El esfuerzo realizado por la Universidad en diversas reas asistenciales, de ayuda a

alumnado, en la investigacin, etc, se termina por el promedio de las OR Netas surgidas de
los gastos realizados por la Universidad en estos conceptos entre el nmero del colectivo
correspondiente: alumnos equivalentes ECTS, Profesores doctores equivalentes a tiempo
completo, Nmero de trabajadores equivalentes a tiempo completo de la Universidad, etc.
Es importante, para cualquier colectivo, que la unidad de medida sea homognea y, por
ello, debe hacerse por alumnos, profesores o trabajadores, en general, equivalentes a
tiempo completo.
Ejemplo
De la Liquidacin del Presupuesto de Gasto, en miles, se obtienen los siguientes datos:

OR Netas por Transferencias a Familias e Instituciones sin fines de lucro (Becas y
ayudas) de la Liquidacin del Presupuesto de Gasto, en miles, ejercicio 2011 : 1.690,91
Nmero de alumnos equivalentes ECTS para el Curso Acadmico 2010-2011: 9.655

alumnos
Promedio= 1.690,91/9.655 = 175,13
691
692
Nombre
Grado de cobertura de los gastos del Programa de Enseanza por los ingresos totales de
matriculas de la Universidad
Fuente de la
definicin
Estado de Liquidacin Presupuestaria de la Universidad (Presupuesto de Gasto e Ingreso)
Definicin
Relacin entre los ingresos de matriculas de un determinado ejercicio de la Universidad y las

OR Netas del Programa de Enseanza de la Liquidacin del Presupuesto de Gasto.
Forma de
clculo
Cociente entre el importe de los DR Netas por ingresos de matriculas del ejercicio 2011 de la
Universidad y la OR Netas surgidas de la ejecucin del Programa de Enseanza Universitaria.
Interpretacin
Este indicador nos mide, en porcentaje, cuanto hemos recuperado, va matricula, de las
totales gastos del Programa de Enseanza, en el ejercicio 2011 y, por tanto, que necesidades
de financiacin externa hemos tenido en el conjunto de dicho ejercicio.
Caractersticas
Periodicidad
Ejercicio Econmico
Fuente informacin
Estado de Liquidacin del Presupuesto de Gasto y del Presupuesto de

Ingreso
Forma de
representacin
Porcentual (%)
Nivel de
agregacin/
desagregacin
Agrupacin de ingresos de matriculas, por todas las enseanzas, y agregacin de todos los
gastos del Programa de Enseanza de la Universidad
Conceptos
referenciados
DR Netos por matriculas de Enseanza Oficial y Propia

OR Netas de todos los gastos del Programa de Enseanzas
Observaciones
El esfuerzo realizado por la Universidad en diversas reas asistenciales, de ayuda a

alumnado, en la investigacin, etc, se termina por el promedio de las OR Netas surgidas de
los gastos realizados por la Universidad en estos conceptos entre el nmero del colectivo
correspondiente: alumnos equivalentes ECTS, Profesores doctores equivalentes a tiempo
completo, Nmero de trabajadores equivalentes a tiempo completo de la Universidad, etc.
Es importante, para cualquier colectivo, que la unidad de medida sea homognea y, por
ello, debe hacerse por alumnos, profesores o trabajadores, en general, equivalentes a
tiempo completo.
Igualmente se puede obtener los grados de cobertura con los agregados de costes e
ingresos, por prestacin de servicios u orgnicamente.
Ejemplo
De la Liquidacin del Presupuesto de Ingreso, en miles, se obtienen los siguientes datos:

DR Netos por matrculas de la Liquidacin del Presupuesto de Ingreso, en miles, ejercicio
2011 : 8.790,39
De la Liquidacin del Presupuesto de Gasto, en miles, se obtienen los siguientes datos:
OR Netas por gastos realizados en el Programa de Gastos de Enseanzas, en miles,
ejercicio 2011: 88.317,39
Grado de cobertura= : 8.790,39 /88.317,39 = 9,95%
5. CONCEPTOS UTILIZADOS EN EL ANLISIS DE LA

PREGUNTA CLAVE
Obligaciones Reconocidas (OR): son obligaciones que se reconocen con cargo al presupuesto de gastos y
que, por tanto, sern registradas en cuentas especficas que muestren la gestin desde el punto de vista
presupuestario. Por tanto, son importes de obligaciones de pago, a favor de terceros, por bienes o servicios
recibidos y que han tenido su origen en el ejercicio.
Obligaciones Reconocidas Netas: son las OR durante el ejercicio menos las correspondientes anulaciones
por diversas causas.
Derechos Reconocidos (DR): son derechos de cobros, a nuestro favor, por ingresos presupuestarios devengados durante el ejercicio y que han tenido su origen en el ejercicio.
Derechos Reconocidos Netos: son los DR durante el ejercicio menos los correspondientes derechos anulados por diversas causas.
Agregados de OR Netas: Agrupacin de Obligaciones Reconocidas Netas con una determinada homogeneidad econmica, como Operaciones Financieras y No Financieras. Dentro de esta ltima, Gasto Corriente y Gasto de Capital, etc.
Agregados de DR Netos: Agrupacin de Derechos Reconocidos Netos con una determinada homogeneidad econmica, como Operaciones Corrientes y Operaciones de Capital.
Peso relativo: relacin entre dos magnitudes presupuestarias, de coste, etc. que nos proporciona la informacin sobre el porcentaje de la primera respecto la segunda, es decir, su importancia relativa.
Estado de Liquidacin del Presupuesto: Es aquel Estado que presenta, con la debida separacin, la liquidacin del Presupuesto de gastos y la liquidacin del Presupuesto de ingresos.
Liquidacin del Presupuesto de gastos: Es el Estado del Presupuesto de Gasto que, con arreglo a la estructura que presente dicho presupuesto, contendr la siguiente informacin:
a) Los crditos totales autorizados, haciendo distincin entre los iniciales, modificaciones y definitivos.
b) Las obligaciones reconocidas netas con cargo a los mismos.
c) Los remanentes de crdito.
d) Los pagos realizados.
e) Las obligaciones reconocidas en el ejercicio y pendientes de pago al finalizar el mismo.
693
Liquidacin del Presupuesto de ingresos: Es el Estado del Presupuesto de Ingreso que, con arreglo a la
clasificacin que presente dicho presupuesto, contendr la siguiente informacin:
a) Las previsiones definitivas, haciendo distincin entre las previsiones iniciales, modificaciones y definitivas.
b) Los derechos reconocidos netos.
c) La recaudacin neta.
d) Los derechos cancelados por insolvencias y otras causas.
e) Los derechos reconocidos en el ejercicio pendientes de cobro al finalizar el mismo.
El Presupuesto de Gasto, establece una triple estructura:
Por programas, atendiendo a las finalidades u objetivos que el presupuesto pretende conseguir.
Orgnica, teniendo en cuenta la organizacin de los distintos entes integrantes del sector pblico
administrativo estatal.
Estructura econmica, considerando la naturaleza econmica de los gastos
El Presupuesto de Ingreso, establece una doble estructura:
Orgnica, que indica los agentes del Sector Pblico Estatal a los que se imputan los ingresos, es decir,
los agentes que tengan presupuesto de ingresos independiente.
Econmica, toma como base la naturaleza del ingreso.
Alumnos equivalentes ECTS: Nmero de alumnos equivalentes matriculados, en los crditos ECTS, de un
curso completo.
Profesores Doctores a tiempo completo: Profesores doctores que tienen contrato con la Universidad a
tiempo completo de su jornada laboral.
694
695
BIBLIOGRAFA
Y RECURSOS
ADICIONALES
LIBRO BLANCO
DE INTELIGENCIA
INSTITUCIONAL
EN UNIVERSIDADES
LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES BIBLIOGRAFA Y RECURSOS ADICIONALES
BIBLIOGRAFA
Y RECURSOS ADICIONALES
RECURSOS ADICIONALES
BIBLIOGRAFA
No queremos terminar esta obra sin compartir con

los lectores interesados algunas de las comunidades, fuentes de informacin y recursos adicionales
ms relevantes sobre Inteligencia Institucional
que existen en la actualidad:
[Kimball, 2002] Ralph Kimball, Margy Ross. The

Data warehouse Toolkit, Second Edition. Wiley
Computer Publishing, 2002.
Higher Education Data Warehousing Forum

(http://www.hedw.org/)
Business Intelligence Task Force EUNIS

(http://www.eunis.org/task-forces/businessintelligence-bi)
Business intelligence infokit - Jisc Infonet

( http://www.jiscinfonet.ac.uk/infokits/
business-intelligence/)
EDUCAUSE Analytics (http://www.educause.
edu/library/analytics)
[Miller, 2016] Gloria J. Miller, Dagmar Brutigam, Stefanie V. Gerlach. Business intelligence Competency
Centers: A Team Approach to Maximizing Competitive Advantage. John Wiley & Sons, inc. 2006.
[Chuah et al., 2011] A review of business intelligence
and its maturity models. African Journal of Business
Management Vol. 5(9), pp. 3424-3428, 4 May, 2011
[Lahrmann et al] Gerrit Lahrmann, Frederik Marx,
Robert Winter, Felix Wortmann. Business intelligence Maturity Models: An Overview.
[Rajteric, 2010] I. Hribar Rajteric. Overview of business intelligence maturity models. Management,
Vol. 15, 2010, 1, pp. 47-67.
[Zrraga et al., 2009 ] Amaya Zrraga, Nekane Balluerka, Eva Ferreir. Modelo de evaluacin integral de
la actividad docente, investigadora y gestora de los de-
698
partamentos de la Universidad del Pas Vasco. Revista

de Universidad y Sociedad del Conocimiento, 2009.
[Ortigosa et al., 2011] Csar Vialardi, Jorge Chue,
Juan Pablo Peche, Gustavo Alvarado, Bruno Vinatea, Johnny Estrella, lvaro Ortigosa. A data mining
approach to guide students through the enrollment
process based on academic performance. User Modeling and User-Adapted Interaction Journal, April
2011, Volume 21, Issue 1-2, pp 217-248
[Sembiring et al., 2011] Sajadin Sembiring, M. Zarlis,
Dedy Hartama, Ramliana S, Elvi Wani, Prediction
of student academic performance by an application
of data mining techniques, 2011 International Conference on Management and Artificial Intelligence.
Campus tecnology
[Abel et al., 2008] F. Abel, I. I. Bittencourt, N. Henze,
D. Krause, and J. Vassileva, A rule-based recommender system for online discussion forums, in Proc.
International Conference on Adaptive Hypermedia
and Adaptive Web-Based Systems, Hannover, Germany, 2008, pp. 1221.
[Antunes, 2008] C. Antunes. Acquiring background
knowledge for intelligent tutoring systems. Proc.
Int. Conf. Educ. Data Mining, Montreal, QC, Canada,
2008, pp. 1827.
[Baepler y Murdorh, 2010] P. Baepler y C. J. Murdoch.

Academic Analytics and Data Mining in Higher
Education. International Journal for the Scholarship of Teaching and Learning, 4(2):1-9, 2010.
[Bala y Ojha, 2012] M. Bala y D.B. Ojha. Study of
applications of Data Mining techniques in Education. International Journal of Research in Science
and Technology, 1(4), 1-10, 2012.
[Baruque et al., 2011] B. Baruque, S. Porras y E. Corchado. Hybrid Classification Ensemble Using Topology-Preserving Clustering. New Generation Computing, 29(3), 329-344, 2011.
[Becker et al., 2000] K. Becker, C. Ghedini y E. Terra.
Using KDD to analyze the impact of curriculum
revisions in a Brazilian university. In Eleventh international conference on data engineering. Proceedings of the SPIE 14th annual international conference on aerospace/defense, sensing, simulation
and controls, Orlando, 412419, 2000.
[Biekowski et al., 2012] M. Biekowski, M. Feng, B.
Means. Enhancing Teaching and Learning Through
Educational Data Mining and Learning Analytics:
An Issue Brief. U.S: Department of Education, Office
of Education Technology. 1-57, 2012.
[Arnborg, 2003] S. Arnborg. A Survey of Bayesian

Data Mining In Data Mining: Opportunities and Challenges, ed. J. Wang, 1-26. Idea Group Publishing, 2003.
[Bravo y Ortigosa, 2009] J. Bravo y A. Ortigosa. Detecting symptoms of low performance using production rules. Proc. Int. Conf. on Educational Data
Mining, Crdoba, 2009.
[Arruabarrena et al, 2002] R. Arruabarrena, T. A.

Prez, J. Lpez-Cuadrado y J. G. J. Vadillo. On evaluating adaptive systems for education. In Adaptive
Hypermedia, 363367, 2002.
[Burlak et al., 2006] G. Burlak, J. Muoz, A. Ochoa y

J. A. Hernndez. Detecting cheats in online student
assessments using data mining. Proc. Int. Conf. Data
Mining. Las Vegas, NV, 2006, 204-210.
[Ayers et al.] E. Ayers, R. Nugent y N. Dean. A comparison of student skill knowledge estimates. In Proc.
Int. Conf. Educ. Data Mining, Crdoba (Spain), 2009,
231-234.
[Chang et al., 2006] K. M. Chang, J. E. Beck, J. Mostow

y A. Corbett. A Bayes net toolkit for student modeling in intelligent tutoring systems, International
Conference on Intelligent Tutoring Systems, Jhongli,
Taiwan, 2006, pp. 104113.
699
[Chawla et al., 2002] N.V. Chawla, K.B. Bowye,

L.O. Hall y W.P. Kegelmeyer. Synthesis Minority
Over-Sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357, 2002.
[Chen et al., 2007] C. Chen, M. Chen y Y. Li. Mining key
formative assessment rules based on learning profiles for web based learning systems. Proc. IEEE Int.
Conf. Adv. Learn. Technol., Niigata (Japn), 2007, 1-5.
[Chen et al., 2008] N. S. Chen, Kinshuk, C. W. Wei, and
H. J. Chen, Mining e-learning domain concept map
from academic articles, Comput. Educ. J., vol. 50, pp.
10091021, 2008.
[Darwiche, 2009] A. Darwiche. Modeling and Reasoning with Bayesian Networks. Cambridge University Press, 2009.
[de Bra et al., 2006] P. de Bra, D. Smits y N. Stash. The
Design of AHA! Proceedings of the ACM Hypertext
Conference, Odense, Denmark, August 23-25, 2006
pp. 133.
[Dekker et al., 2009] G. W. Dekker, M. Pecheniskyi y
J. M. Vleeshouwers. Predicting students drop-out: A
case study. Proc. Int. Conf. on Educational Data Mining, Crdoba, 2009, 41-50.
[Farzan, 2004] R. Farzan. Adaptive socio-recommender system for open-corpus e-learning. In Doctoral
consortium of the third international conference
on adaptive hypermedia and adaptive web-based
systems, 2004.
[Farzan y Brusilovsky, 2006] Social navigation
support in a course recommendation system. In
Proc. 4th Int. Conf. Adaptive Hypermedia Adaptive
Web-Based Syst., Dublin, 2006, pp 91-100.
[Fayyad et al., 1996] U. Fayyad, G. Piatetsky-Shapiro
y P. Smyth. From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3):37-54, Fall
1996.
700
[Freeman, 2006] L. Freeman. The Development of

Social Network Analysis. Vancouver, BC, Canad:
Empirical Press, 2006.
[Garca et al., 2007] P. Garca, A. Amandi, S. Schiaffino y M. Campo. Evaluating Bayesian networks precision for detecting students learning styles. Computers & Education, 49, 794808, 2007.
[Garca et al., 2009] E. Garca, C. Romero, S. Ventura,
and C. de Castro, An architecture for making recommendations to courseware authors using association
rule mining and collaborative filtering, User Modeling and User-Adapted Interaction, 19, 99132, 2009.
[Garca et al., 2011] E. Garca, C. Romero, S. Ventura,
and C. de Castro, A collaborative educational association rule mining tool, Internet and Higher Education, 14, 7788, 2011.
[Gedeon y Turner, 1993] T. D. Gedeon y H. S. Turner,
Explaining student grades predicted by a neural
network, in Int. Conf. Neural Netw., Nagoya, Japan,
1993, pp. 609612.
[Gong et al, 2009] Y. Gong, D. Rai, J. E. Beck, y N. T.
Heffernan, Does self-discipline impact students
knowledge and learning?, Proc. Int. Conf. Educ. Data
Mining, Cordoba, Spain, 2009, pp. 6170.
[Gong et al., 2012] Y. Gong, J. E. Beck y C. Ruiz. Modeling Multiple Distributions of Student Performances to Improve Predictive Accuracy. Proc. of the 20th
conference on User Modeling, Adaptation, and Personalization. Quebec, 2012.
[Ha et al., 2000] Ha, S., Bae, S., Park, S. (2000). Web
Mining for Distance Education. IEEE International
Conference on Management of Innovation and Technology, Singapore, 715719.
[Hmlinen et al., 2004] W. Hmlinen, J. Suhonen, E. Sutinen y H. Toivonen. Data mining in personalizing distance education courses. In World Conference on Open Learning and Distance Education,
Hong Kong, 1-11, 2004.

[Hmlinen y Vinni, 2006] W. Hmlinen y M.
Vinni, Comparison of machine learning methods
for intelligent tutoring systems, in Proc. Int. Conf.
Intell. Tutoring Syst., Taiwan, 2006, pp. 525534.
[Han et al., 2012] J. Han, M. Kamber y J. Pei. Data Mining: Concepts and Techniques (Third Edition). Morgan Kaufmann, 2012.
[Heraud et al., 2004] J. Heraud, L. France y A. Mille
(2004). Pixed: an ITS that guides students with the
help of learners interaction log. In International
conference on intelligent tutoring systems (Workshop analyzing student tutor interaction logs to improve educational outcomes), Maceio, 5764, 2004.
[Herlocker et al., 2004] J. Herlocker, J. Konstan, L.G.
Tervin y J. Riedl. Evaluating collaborative filtering
recommender systems. ACM Trans. Inf. Syst. J., 22(1),
5-53, 2004.
[Hershkovitz y Nachmias, 2008] A. Hershkovitz y
R. Nachmias, Developing a log-based motivation
measuring tool, First International Conference on
Educational Data Mining, Montreal, QC, Canada,
2008, pp. 226233.
[Hershkovitz y Nachmias, 2009] A. Hershkovitz y R.
Nachmias, Learning about Online Processes and
Students Motivation Through Web Usage Mining,
Interdisciplinary Journal of E-Learning and Learning Objects, 5, 197-214, 2009.
[Hsia et al., 2008] T. Hsia, A. Shie, and L. Chen, Course
planning of extension education to meet market demand by using data mining techniquesAn example of Chinkuo technology university in Taiwan, Expert Syst. Appl. J., vol. 34(1), pp. 596602, 2008.
[Hwang, 2005] G. J. Hwang, A data mining approach
to diagnosing student learning problems in science
courses, J. Distance Educ. Technol., vol. 3, no. 4, pp.
3550, 2005.
[Insgram, 1999] A. Ingram. Using web server logs in

evaluating instructional web sites. Journal of Educational Technology Systems, 28(2), 137157, 1999.
[Kay et al., 2006] J. Kay, N. Maisonneuve, K. Yacef,
and O. R. Zaiane, Mining patterns of events in students teamwork data, in Proc. Workshop Educ.
Data Mining, Taiwan, 2006, pp. 18.
[Kinnebrew y Biswas, 2012] J. Kinnebrew y G. Biswas.
Identifying Learning Behaviors by Contextualizing
Differential Sequence Mining with Action Features
and Performance Evolution. Proc. of Fifth International Conference on Educational Data Mining,
Chania (Greece), 2012, pp. .
[Koedinger et al., 2008] K. Koedinger, K. Cunningham, A. Skogholm y B. Leber. An open repository
and analysis tools for fine-grained, longitudinal
learner data. In First International Conference on
Educational Data Mining, Montreal, 157-166, 2008.
[Kotsiantis et al., 2003] S. Kotsiantis, C. Pierrakeas y
P. Pintelas, Preventing student dropout in distance
learning systems using machine learning techniques, in Proc. Int. Conf. Knowl.-Based Intell. Inf. Eng.
Syst., Oxford, U.K., 2003, pp. 35.
[Kotsiantis y Pintelas, 2005] S. Kotsiantis y P. Pintelas, Predicting Students Marks in Hellenic Open
University. First IEEE conference on Advanced Learning Technologies (ICALT 05), 2005.
[Lau et al., 2007] R. Lau, A. Chung, D. Song, and Q.
Huang, Towards fuzzy domain ontology based
concept map generation for e-learning, in Proc. Int.
Conf. Web-Based Learning, Ediburgh, U.K., 2007, pp.
90101.
[Lee et al., 2009] C. H. Lee, G. Lee, and Y. Leu, Application of automatically constructed concept map
of learning to conceptual diagnosis of e-learning,
Expert Syst. Appl. J., vol. 36, pp. 16751684, 2009.
701
[Lu, 2004] J. Lu. Personalized e-learning material recommender system. In International conference on
information technology for application, 374379,
2004.
[Mor y Miguilln, 2004] E. Mor Y J. Minguilln.

E-learning Personalization based on Itineraries and
Long-term Navigational Behavior. Thirteenth World
Wide Web Conference, New York, 264-265, 2004.
[Lu et al., 2007] F. Lu, X. Li, Q. Liu, Z. Yang, G. Tan, and T.

He, Research on personalized e-learning system using
fuzzy set based clustering algorithm, in Proc. Int. Conf.
Comput. Sci., Beijing, China, 2007, pp. 587590.
[Mostow y Beck, 2006] J. Mostow y J. Beck. Some

useful tactics to modify, map and mine data from
intelligent tutors. Journal of Natural Language Engineering, 12(2), 195-208, 2006.
[Luan, 2002] Data mining, knowledge management

in higher education, potential applications. In Workshop associate of institutional research international conference, Toronto, 118, 2002.
[Myller et al., 2002] N. Myller, J. Suhonen, y E. Sutinen, Using data mining for improving web-based
course design, in Proc. Int. Conf. Comput. Educ.,
Washington DC, 2002, pp. 959964.
[Lykourentzou et al., 2009] I. Lykourentzou, I. Giannoukos, V. Nikolopoulos, G. Mpardis, y V. Loumos,

Dropout prediction in e-learning courses through
the combination of machine learning techniques,
Comput. Educ. J., vol. 53, no. 3, pp. 950965, 2009.
[Neapolitan, 2003] R. E. Neapolitan. Learning Bayesian Networks. Prentice Hall, 2003.
[Ma et al, 2000] Y. Ma, B. Liu, C. Wong, P. y S. Lee. Targeting the right students using data mining. In KDD
00: Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data
mining, 457464, 2000.
[Mrquez et al., 2013] C. Mrquez, A. Cano, C. Romero
y S. Ventura. Predicting school failure using a genetic programming algorithm and different data mining approaches with high dimensional and unbalanced data. Applied Intelligence, 38, 315-330, 2013.
[Pahl y Donnellan, 2003] C. Pahl y C. Donnellan.

Data mining technology for the evaluation of
web-based teaching and learning systems. In Congress E-learning. Montreal, Canada, 1-7, 2003.
[Piatetsky-Shapiro y Frawley, 1991] G. Piatetsky-Shapiro y W. J. Frawley. Knowledge Discovery in Databases. AAAI/MIT Press, 1991.
[Mazza, 2009] R. Mazza. Introduction to Information Visualization. Springer, 2009.
[Pyle, 1999] D. Pyle. Data Preparation for Data Mining. Morgan Kauffman, 1999.
[Merceron y Yacef, 2004] A. Merceron y K. Yacef. Mining student data captured from a web-based tutoring tool: Initial exploration and results. Journal of
Interactive Learning Research, 15(4) 319346, 2004.
[Rabbany et al. 2011] R. Rabbany, M. Takaffoli y O.

R. Zaane. Social Network Analysis and Mining to
Support the Assessment of On-Line Student Participation. ACM SIGKDD Explorations (Special Issue on
Educational Data Mining), 13(2), 20-29, 2011.
[Milln et al., 2010] E. Milln, T. Loboda, J. L. Prezde-la-Cruz. Bayesian networks for student model
engineering. Computers & Education, 55, 16631683,
2010.
702
[Novas y Caas, 2006] J. D. Novak and A. J. Caas,

The theory underlying concept maps and how to
construct and use them, Inst. Human Mach. Cogn.,
Pensacola. FL, Tech. Rep. IHMC CmapTools 2006-01,
2006.
[Romero et al, 2004] C. Romero, S. Ventura y P. De Bra.

Knowledge discovery with genetic programming for
providing feedback to courseware author. User Mo-
deling and User-Adapted Interaction: The Journal of

Personalization Research 14(5), 425464, 2004.
[Romero y Ventura, 2006] C. Romero y S. Ventura
(eds.). Data Mining in e-learning. Advances in Management Information, Vol. 4. WIT Press, 2006.
[Romero y Ventura, 2007] C. Romero y S. Ventura.
Educational Data Mining: A Survey from 1995 to
2005. Expert Systems with Applications, 33: 135-146,
2007.
[Romero et al., 2008] C. Romero, S. Ventura, C. Hervs, y P. Gonzlez, Data mining algorithms to classify students, in Proc. Int. Conf. Educ. Data Mining,
Montreal, Canada, 2008, pp. 817.
[Romero y Ventura, 2010] C. Romero y S. Ventura.
Educational Data Mining: A Review of the State of
the Art. IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews, 40(6):
601-618, 2010.
[Siemens y Baker, 2012] G. Siemens y R. S. J. d Baker.

Learning Analytics amd Educational Data Mining:
Towards Communication and Collaboration. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, 1-3, 2012.
[Talavera y Gaudioso, 2004] L. Talavera y E. Gaudioso. Mining student data to characterize similar
behavior groups in unstructured collaboration spaces. In Workshop on Artificial Intelligence in CSCL,
Valencia, Spain, 1723, 2004.
[Tang et al., 2000] T. Y. Tang, R.W.H. Lau, Q. Li, H. Yin,
T. Li y D. Kilis. Personalized courseware construction based on web data mining. Workshop on Artificial Intelligence in Web and Information Systems
Engineering, p. 204-211, 2000.
[Tang y MacCalla, 2005] T. Tang, G. McCalla. Smart recommendation for an evolving e- learning system. International Journal on E-Learning, 4(1), 105129, 2005.
[Romero et al, 2010] C. Romero, S. Ventura, M. Pechenizkiy y R. S. J. d. Baker (Editores). Handbook of

Educational Data Mining. Chapman & Hall / CRC
Data Mining and Knowledge Discovery Series. CRC
Press, 2010.
[Trivedi et al., 2011] S. Trivedi, Z. A. Pardos y N. T.

Heffernan. Clustering Students to Generate an Ensemble to Improve Standard Test Score Predictions.
Proceedings of the 15th International Conference on
Artificial Intelligence in Education, Auckland, New
Zealand, 2011.
[Saini et al., 2005] P.S. Saini, D. Sona, S. Veeramachaneni y M. Ronchetti. Making e-learning better
through machine learning. Proc. Int. Conf. Methods
Technol. Learning, pp. 1-6, 2005.
[Tseng et al., 2007] S. S. Tseng, P. C. Sue, J. M. Su, J. F.

Weng, and W. N. Tsai, A new approach for constructing the concept map, Comput. Educ. J., vol. 49, pp.
691707, 2007.
[Sanjeev y Zytkow, 1995] P. Sanjeev, y J. M. Zytkow.

Discovering enrollment knowledge in university databases. In KDD, 246251, 1995.
[Urbancic et al., 2002] T. Urbancic, M. Skrjanc y P.

Flach. Web-based analysis of data mining and decision support education. AI Communications, 15,
199204, 2002.
[Scheffer, 2005] T. Scheffer. Finding association rules

that trade support optimally against confidence.
Intelligent Data Analysis, 9(4), 381-395, 2005.
[Scheuer y McLaren, 2011] O. Scheuer y B.M. McLaren. Educational Data Mining. In the Encyclopedia
of the Sciences of Learning, Springer, 2011.
[Ueno y Nagaoka, 2002] M. Ueno y K. Nagaoka.

Learning log database and data mining system for
e-learning on line statistical outlier detection of
irregular learning processes. In International Conference on Advanced Learning Technologies, Tatarstan, Russia 436-438, 2002.
703
[Vapnik, 1998] V. Vapnik. Statistical Learning

Theory. Wiley, 1998.
[Vee et al., 2006] M. N. Vee, B. Meyer, y K. L. Mannock.
Understanding novice errors and error paths in Object-Oriented Programming through log analysis.
Proc. Workshop Educ. Data Mining, Taiwan, 2006,
13-20.
[Vialardi et al., 2009] C. Vialardi, J. Bravo, L. Shafti,
and A. Ortigosa, Recommendation in higher education using data mining techniques, in Proc. Int.
Conf. Educ. Data Mining, Cordoba, Spain, 2009, pp.
190198.
[Wang y Shao, 2004] F. H. Wang and H. M. Shao,
Effective personalized recommendation based on
time-framed navigation clustering and association
mining, Expert Syst. Appl. J., vol. 27, pp. 365377,
2004.
[Wang et al., 2009] Y. Wang, M. Tseng, and H. Liao,
Data mining for adaptive learning sequence in
English language instruction, Expert Syst. Appl., vol.
36, pp. 76817686, 2009.
[Want y Mitrovic, 2002] T. Want y A. Mitrovic. Using
neural networks to predict students performance. Proc. Int. Conf. Comput. Educ.,Washington, DC,
2002, pp. 15.
[Zafra y Ventura, 2009] A. Zafra y S. Ventura. Predicting student grades in learning management
systems with multiple instance programming. Proc.
Int. Conf. Educ. Data Mining, Crdoba, Spain, 2009,
pp. 307314.
[Zaane, 2002] O. Zaane. Building a recommender
agent for e-learning systems. Proc. Int. Conf. Educ.,
Auckland, New Zealand, 2002, pp. 5559.
[Zakrewska, 2008] D. Zakrewska. Cluster analysis
for users modeling in intelligent e-learning systems.
Proc. Int. Conf. Ind. Eng. Other Applic. Intell. Syst., Poland, 2008, 209-214.
704
[Zhang et al., 2008] L. Zhang, X. Liu, and X. Liu, Personalized instructing recommendation system based on web mining, Proc. International Conference
Young Computer Scientists, Hunan, China, 2008, pp.
25172521.
705
NOTAS
706
707
708
709
710
711

Inteligencia Empresarial

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inteligencia Empresarial

Cargado por

Copyright:

Formatos disponibles

LIBRO

Libro Editado por Oficina de Cooperacin Universitaria, S.A.

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES

D. JUAN JESS ALCOLEA PICAZO

D. JUAN JESS ALCOLEA PICAZO

D. DANIEL CARRASCO DAZ

D. SANTOS PAVN DE PAULA

D. DANIEL CARRASCO DAZ

D. ROBERTO MORENO SERRANO

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES

Introduccin al Libro Blanco de Inteligencia Institucional

PARTE I: LA INTELIGENCIA INSTITUCIONAL

1. Los datos como recurso estratgico

2. Los aspectos tecnolgicos

3. Los aspectos organizativos

4. Identificacin de oportunidades y desarrollo de soluciones

6. Nuevos campos de aplicacin: Minera de datos educativos

PARTE II: CASOS DE ESTUDIO

Caso 1 - Universidad de Arizona

Caso 2 - Universidad de Illinois

Caso 3 - Universidad de Osnabrck

PARTE III: OPORTUNIDADES DE APLICACIN

1. Cmo es la oferta docente de mi Universidad?

2. Se adeca la oferta docente a la demanda?

3. Es efectiva la actividad docente?

4. Cmo es la plantilla de empleados de la Universidad?

5. Cul es el coste de las titulaciones?

6. Cmo est captando recursos de I+D+I la Universidad?

7. Cmo es el perfil de la actividad de I+D+I de mi Universidad?

8. Cul es el peso relativo de las Obligaciones y Derechos Reconocidos de

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES INTRODUCCIN

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES PRLOGO

Juan Jess Alcolea Picazo

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES INTRODUCCIN

LIBRO BLANCO DE INTELIGENCIA INSTITUCIONAL EN UNIVERSIDADES INTRODUCCIN

dades que estn valorando la posibilidad de embarcar a su institucin en una iniciativa de

Finalmente, la parte III contiene el planteamiento de diversas preguntas de inters en el

LOS DATOS COMO

Juan Jess Alcolea Picazo

1. LOS DATOS COMO RECURSO ESTRATGICO:

1.1. LOS DATOS COMO RECURSO

Puesto que los datos

El valor que puede producir

El valor que puede producir la explotacin analtica de los datos

La adquisicin de este conocimiento podra llevar, por ejemplo, a la

Accesos repetitivos muy frecuentes a

Accesos poco frecuentes a

Instrumental, soporte a las operaciones

Estratgico, soporte a las decisiones

Eminentemente local (la utilizacin

Potencialmente global (la utilizacin de

Obtencin de un listado de clase

Anlisis de la distribucin de estudiantes

El valor potencial de la explotacin analtica de los datos es muy

El reto es crear un contexto

1.2. LA EXPLOTACIN ANALTICA DE LOS DATOS: UNA NECESIDAD

onsolidacin de una cultura de aseguramiento de calidad: Fruto de polticas educativas nacionales

Globalizacin y competencia: La globalizacin y virtualizacin

Todas estas realidades conforman un contexto en el que adquirir la

aquellas instituciones que

1.3. LA INTELIGENCIA INSTITUCIONAL

portancia y el valor potencial de la explotacin analtica de los datos no es patrimonio exclusivo de la

1.3.2. UNA DEFINICIN DE INTELIGENCIA INSTITUCIONAL

Hablamos de una capacidad de la institucin como un todo,