Ebook1 DataDriven

Cómo construir un modelo de
toma de decisión data-driven

en instituciones educativas
Toma de decisiones basada en datos
Las ventajas de un enfoque data-driven en la gestión educativa
Índice
01
Introducción
02
Enfoque data-driven
• Componentes principales de la toma de
decisiones basadas en datos
03
Enfoque data-driven en la educación
• Uso de datos en la educación
• Beneficios del enfoque data-driven
en instituciones educativas
04
Metodología para la implementación
• El proceso de tomar decisiones basadas en datos
• Propuesta de valor
• Metodología
• Modelos predictivos
• Dashboard Analytics
• Implementación Caso Universidad Siglo 21
• Palabras de los líderes - Universidad Siglo 21
05
Conclusiones
06
Inteligencia artificial para la gestión educativa
www.edmachina.com 2
1 Introducción
En la actualidad, el ritmo de producción de datos crece
exponencialmente. La toma de decisiones basada en
datos a partir de analítica e inteligencia artificial tiene
un rol central en la mayoría de las organizaciones, y la
gestión educativa no debe ser la excepción.
La retención y adquisición de nuevos estudiantes y

la sustentabilidad de las instituciones educativas son
indicadores clave que pueden ser optimizados a partir
de la toma de decisiones basada en datos.
Para mejorar la gestión educativa integral dentro de

cualquier institución, la orientación hacia un enfoque
data-driven requiere, ante todo, una transformación
basada en la cultura organizacional, sumado a un plan
de formación interna que promueva el desarrollo de
habilidades en la gestión y el manejo de datos a lo
largo de todo el ciclo de vida del estudiante.
Este Ebook ofrece una mirada profunda sobre qué es

un enfoque data-driven, su abordaje en la educación,
sus beneficios, y un caso de uso que grafica el
potencial de los modelos predictivos basados en
algoritmos de inteligencia artificial para resolver
problemáticas como la retención estudiantil, además
de otros indicadores clave.
Esperamos que esta información sea de utilidad para

acompañar a tu institución en el camino hacia una
gestión integral exitosa, siempre con el estudiante y su
experiencia como centro y prioridad.
Yamil Rabbat.
CEO Ed Machina.
www.edmachina.com 3
2 Enfoque data-driven
Componentes principales de la toma de
decisiones basadas en datos
El vocablo conjunto data-driven alude a un enfoque

basado en la toma de decisiones mediante el análisis
de datos. Bajo esta metodología, las organizaciones
gestionan los datos de manera estratégica, eficiente,
no aleatoria e interpretativa, lo que les permite
estructurarse, optimizar sus procesos y organizar la
información a favor de un mejor rendimiento.
Para que una organización o institución logre

un esquema decisional basado en data, necesita
realizar un cambio integral sobre cinco pilares de la
organización: la cultura, las personas, la analítica, la
tecnología y los datos.
La cultura
Este punto implica asegurar los mecanismos

corporativos correspondientes en la compañía para
adquirir el hábito de tomar las decisiones impulsadas
por los datos. Para promover y consolidar una
cultura del «Dato», se debe seguir exhaustivamente
el ciclo vital del mismo y concebirlo como un
insumo fundamental al alcance de todas las áreas
y departamentos. Al utilizar este insumo, las
instituciones pueden contextualizar sus mensajes a
interesados para lograr un enfoque de comunicación
más personalizada.
Las personas
Dentro de una institución, las personas deben ser

las responsables de encontrar, motivar y retener el
talento adecuado con las habilidades necesarias para
desarrollar los proyectos de data analytics.
www.edmachina.com 4
2 La analítica
Este pilar hace referencia a obtener insights a partir

de los datos para poder convertirlos en acciones. Así,
se podrán alcanzar los objetivos estratégicos de la
organización y éstas podrán permanecer competitivas
dentro de un entorno cambiante.
La tecnología
Se debe concebir a la tecnología como un acelerador

para lograr un mejor rendimiento del negocio, a través
de herramientas digitales que permitan un análisis
integral de los datos, la seguridad y privacidad de la
información y la ejecución de los distintos proyectos.
Los datos
Los datos en toda la organización deben representar la

mejor versión de la realidad, para que se pueda confiar
en ellos a la hora de tomar decisiones. Herramientas
como gráficos dinámicos que permitan alcanzar
una visión amplia sobre la información disponible,
así como dashboards e informes, son opciones para
exponer el análisis de manera visual y entendible.
Personas Data
Data - Driven
Decisions
Anal’tica Tecnolog’a
www.edmachina.com 5
3 Enfoque data-driven
en la educación
Uso de datos en la educación
En el mundo educativo, tanto en los casos de

educación mediada parcial o totalmente por
tecnología, en cursos virtuales o en la transición
hacia la virtualidad, las herramientas educativas
digitales facilitan la interacción entre los miembros
de la comunidad educativa y generan un volumen
de datos que pueden utilizarse para mejorar
métodos, enriquecer el conocimiento sobre los
procesos de enseñanza y aprendizaje, personalizar su
comunicación y proyectar su crecimiento.
Los datos permiten brindar una mejor experiencia a

los estudiantes, saber cómo aprenden, cuáles son las
estrategias más adecuadas que permiten potenciar
su aprendizaje y cuáles son las fortalezas y debilidades
de las instituciones para brindar una mejor enseñanza.
Sobre este aspecto, existen indicadores que permiten
medir el nivel de éxito de las instituciones educativas y
que pueden dividirse en al menos ocho categorías:
En primer lugar, las responsabilidades profesionales,

donde se evalúa si el docente en línea cumple
con el modelo de enseñanza profesional o si tiene
competencias académicas en el campo en el que está
enseñando.
La pedagogía digital, donde se mide si el docente

utiliza herramientas digitales que apoyen la
comunicación, además de la productividad, la
colaboración, el análisis, presentación, investigación,
entrega del contenido y la interacción.
www.edmachina.com 6
3 La construcción comunitaria, a través de la cual

se verifica que la plataforma educativa utilizada y
sus docentes empleen estrategias de instrucción
centradas en el alumno.
La participación de los estudiantes, a través de la cual

se analiza que dispongan de los recursos necesarios
y de la información adecuada para navegar por las
plataformas de aprendizaje, y se chequea que las
tareas requeridas se realicen de manera oportuna.
La ciudadanía digital, desde donde se analizan los

estándares del comportamiento del alumno diseñados
para garantizar la integridad académica y el uso
apropiado de Internet.
La instrucción diversa, que implica un monitoreo del

progreso de los estudiantes por parte de los docentes,
con el objetivo de brindarles apoyo a todos los
alumnos.
La evaluación y medición, desde donde se analiza

el progreso del alumno a través de evaluaciones,
proyectos y asignaciones, con el objetivo de indagar si
se cumple con las metas de aprendizaje.
El diseño instruccional, donde el profesor o plataforma

e-learning selecciona y crea materiales de instrucción
para involucrar a los alumnos y garantizar el logro de
las metas académicas.
De esta forma, el registro global de datos que surja del

contexto educativo y su posterior procesamiento son
factores que pueden mejorar el aprendizaje, fortalecer
las prácticas educativas y potenciar a cada institución.
www.edmachina.com 7
3 Beneficios de un enfoque data-driven en

instituciones educativas
Aplicar el enfoque data-driven en la educación

presenta beneficios estrechamente ligados a la
mejora integral de la gestión educativa, ya que
trabaja directamente sobre indicadores clave de las
instituciones como la retención, la adquisición de
nuevos estudiantes, el engagement y la consecuente
mejora en la sustentabilidad a lo largo de todo el ciclo
de vida del estudiante.
Sobre este aspecto, la clave es contar con grandes

volúmenes de datos que nos permitan, a través de
técnicas de analítica avanzada, identificar patrones de
comportamiento ocultos y repetitivos en cada etapa
del ciclo de vida, para:
• Explicar y comprender el comportamiento de los

estudiantes
• Generar modelos predictivos basados en

datos históricos, para poder así adelantarnos
a acontecimientos futuros (por ejemplo, la
probabilidad de reinscripción) y generar campañas
personalizadas.
De manera externa al contenido educativo, el

enfoque data-driven permite realizar un diagnóstico
integral de la institución frente al resto del mercado,
conocer las ventajas y fortalezas de la institución,
saber posicionarse frente a la competencia, generar
estrategias para aumentar las inscripciones y lograr
mayor visibilidad de la organización.
www.edmachina.com 8
4 Metodología para la
implementación
El proceso de tomar decisiones basadas
en datos
Este proceso es de vital importancia en las

instituciones, ya que permite entender cómo se logra
el conocimiento a través de los datos para tomar
decisiones durante todo el ciclo de vida del estudiante.
El objetivo es lograr identificar patrones válidos,

novedosos, potencialmente útiles y principalmente
entendibles a través del procesamiento de grandes
volúmenes de datos.
1. Selección
Aquí, se determinan las fuentes de datos que pueden

ser útiles para los modelos de información que la
institución educativa necesita en función al problema
a resolver. A partir de allí, se identifican y seleccionan
las variables relevantes. Algunas preguntas que surgen
de esta etapa son las siguientes:
• ¿Qué datos serán procesados y dónde se obtienen?

• ¿Existe alguna regla de negocio que es necesario
aplicar?
• ¿Cuál es el conjunto de datos que se va a utilizar?
2. Transformación
En esta fase, se analiza qué tan sanos y completos

están los datos (Data Quality) para luego aplicar las
reglas de limpieza, identificación de valores atípicos
y nulos, y corrección de errores (Data Cleansing). En
esta etapa se define la información a ser utilizada para
las próximas etapas.
www.edmachina.com 9
4 3. Minería
En esta fase, se comienza a decidir sobre la tarea

que se va a llevar a cabo (clasificar, agrupar) y se
determina si ésta se abordará mediante una técnica
descriptiva o predictiva para el desarrollo de un
modelo que nos permita analizar los datos. Además, se
seleccionan las técnicas a aplicar según el objetivo del
estudio, se determina el algoritmo a utilizar, se entrena
con información histórica y se analizan los resultados
obtenidos mediante los indicadores de performance.
En el caso de no aproximarse a lo esperado, se vuelve a
seleccionar otra técnica u otro algoritmo y se repite el
proceso.
4. Interpretación/Evaluación
En esta fase se realiza la validación de los resultados

contra la realidad, para asegurar que el modelo
se adapte a la realidad institucional y resuelva la
necesidad planteada.
5. Conocimiento
En esta fase, se construye información con los

nuevos patrones obtenidos, y una vez validada, se
la disponibiliza al negocio para su explotación en
herramientas de visualización de datos.
6. Toma de decisiones
Esta última fase es un momento definitorio, ya que

se pasa del conocimiento obtenido desde los datos
a la acción propiamente dicha. La acción de tomar
decisiones es clave en este proceso, y el éxito del
mismo depende de que el trabajo realizado en las
fases anteriores permita tomar decisiones en etapas
claves del ciclo de vida del estudiante.
www.edmachina.com 10
Propuesta de valor
Si quisiéramos clasificar los tipos de análisis en que

una institución educativa debiera evolucionar, sin
perder de vista la gestión de la complejidad y el valor
agregado que se le otorga al negocio, podríamos
hablar de 3 tipos diferenciados:
1. Análisis Descriptivo: ¿Qué está pasando?
Esta instancia otorga información describiendo una

situación actual en base al análisis de datos presentes
e históricos. En términos estadísticos, se puede decir
que reduce un conjunto de datos a valores que
permitan describir un contexto ante una situación.
Algunos ejemplos de medidas para desarrollar análisis

descriptivos en instituciones educativas son:
4 • Cantidad de alumnos totales por Decanato, Carrera,

Cohorte, etc.
• Cantidad de materias aprobadas en el último año.
• Promedio general de la carrera.
2. Análisis Predictivo: ¿Qué es lo que probablemente

pase?
En el sector educativo, cada vez más instituciones

recurren a la analítica predictiva (técnicas de minería
de datos y machine learning para la construcción de
algoritmos estadísticos que permitan predecir un
comportamiento futuro) para optimizar su base de
operación y generar ventaja competitiva a través de
una mejor experiencia del estudiante en todo su ciclo
de vida.
La analítica predictiva posibilita:
• La detección temprana de deserción de alumnos,

para diseñar y ejecutar acciones preventivas.
• La optimización de campañas de Enrollment
y Retención de estudiantes, para conocer con
antelación qué respuesta se va a tener de los
estudiantes ante una determinada campaña.
• La mejora de las operaciones académicas y de
negocio, para pronosticar, por ejemplo, la cantidad
de alumnos que necesita la institución en cada una
de sus carreras para funcionar de manera eficiente
y ser sustentable.
3. Análisis Prescriptivo / Inferencial: ¿Qué acciones

podemos llevar a cabo para que pase o no pase?
Este análisis se encarga de encontrar una solución

entre una gama de variantes. Esto se logra utilizando
diferentes técnicas de simulación y optimización
basadas en predicciones, para señalar el camino que
realmente conviene seguir.
Algunos ejemplos del uso de la analitica prescriptiva

en las instituciones educativas podrian ser los
siguientes:
• Predecir el volumen de alumnos en un

determinado turno/cátedra para definir la
capacidad edilicia necesaria.
• Identificar segmentos con alta probabilidad
de deserción y lanzar campañas de retención
entendiendo las causas que la provocan.
• Predecir el rendimiento académico de los
estudiantes y realizar acciones de seguimiento para
adelantarse a posibles desvíos.
Ciclo de madurez analítica
4 Metodología
El proceso de minería de datos permite entender

en profundidad la necesidad de cada institución
educativa.
Business Data
understanding wrangling
Model Business
development validation
Business understanding
En esta primera fase, el objetivo es entender la

necesidad del negocio, comprender los principales
problemas desde una dinámica de sistemas y
profundizar sobre cuál es el objetivo que se quiere
lograr con esta solución.
Data wrangling
En esta etapa, y ya con los datos disponibles, se

procede a desarrollar y automatizar los procesos de
4
entendimiento, limpieza y calidad de datos en función
a las reglas de negocio relevadas en el punto anterior
Model development
En esta etapa, se define la técnica a utilizar (por

ejemplo, Clasificación, Regresión) en función a las
necesidades relevadas del negocio. Se identifica cuál
es el algoritmo que mejor se adapta a la solución y se
diseñan los mecanismos necesarios para entrenarlo
y testearlo con información histórica y presente. Una
vez entrenado, se arrojan las predicciones y se analizan
los indicadores de performance para asegurar un
adecuado nivel de Accuracy
Business validation
En esta fase, se disponibiliza los datos al negocio para

su posterior validación, en función a determinadas
campañas que serán monitoreadas y testeadas contra
grupos de control, por el equipo de desarrollo y los
especialistas de negocio. (A/B Testing).
Modelos predictivos
Ed Machina
Ed Machina es una solución integral para todo el ciclo

de vida del estudiante, especializada en la analítica
avanzada de datos para instituciones de educación
superior.
Utiliza sus algoritmos para acompañar a las

instituciones a lo largo de todo este proceso, a través
de la creación de modelos predictivos con AI para
la optimización de indicadores clave que impactan
en la sustentabilidad a largo plazo: modelo de
Retención y Submodelo de Alerta Temprana, modelo
de Adquisición de Estudiantes y modelo de Revenue
Management.
4
• Stay Around (Retención)
• Heads-Up (Alerta Temprana)
• Machina Hi! (Adquisición de Estudiantes)
• Machina Revenue (Revenue Management)
Ed Machina cuenta con un equipo de especialistas que

a través de técnicas de analítica avanzada desarrollan
modelos predictivos que permiten, por un lado,
adelantarse a un evento futuro, y por otro identificar
los cambios de un proceso a medida que se producen.
De esta manera, se puede obtener una visión que
permite identificar los factores que determinan el
éxito académico en cada etapa del ciclo de vida del
estudiante, mejorando las tasas de retención y los
resultados económicos y financieros de la institución.
Para que este proceso transformador sea exitoso,

Ed Machina acompaña a las instituciones
educativas en todo el ciclo evolutivo , desde la
identificación y entendimiento de la necesidad
hasta la implementación de la solución y la posterior
transferencia de Know-How en el diseño y gestión de
campañas eficientes (Campaign Manager).
Modelo de Retención y
Submodelo de Alerta Temprana
Modelo integral de persistencia. Nuestros algoritmos

buscan incrementar las tasas de retención de las
instituciones educativas, a través del análisis de
variables internas y externas a la para la creación
de perfiles de riesgo en base en las probabilidad de
deserción estudiantil y orientada hacia el diseño de
campañas hiper-personalizadas de comunicación.
Alerta temprana
Módulo de Retención, con foco en primera cohorte

(nuevos ingresantes). Este módulo identifica de
4
manera temprana y durante el semestre en curso el
riesgo de deserción de la población estudiantil más
vulnerable, aumentando su probabilidad de retención
a través de la gestión de acciones en tiempo real.
Modelo de Adquisición de Estudiantes
Este modelo asigna probabilidad de conversión

atomizada por lead, recomendando y automatizando
las mejores campañas para cada etapa del funnel.
Además, identifica qué programa es el mejor para
cada estudiante mediante recomendaciones de cross
y up- selling, lo cual deriva en un mayor número de
inscripciones, baja de CPL y CPA.
Este modelo permite la integración con las principales

plataformas y CRMs: Marketo, Canva, Facebook
Messenger, Salesforce, Hubspot, Twitter, Facebook ,
Instagram y WhatsApp.
Modelo de Revenue Management
Modelo que identifica la sensibilidad al precio de

estudiantes potenciales y efectivos para comprender
el impacto que tendrá el mismo en la decisión de
inscripción o reinscripción..
Se realiza un análisis de precio, descuentos,

promociones y becas por lead, ingresante y por
graduado.
Dashboards Analytics
La solución Ed Machina proporciona dashboards

analíticos avanzados, que permiten personalizar la
visualización de datos, insights y descargarlos, así
como la integración con los sistemas de marketing
automation y CRM de la institución educativa.
4 Implementación Caso Universidad Siglo 21
Ed Machina implementó en la Universidad Siglo 21,

la universidad privada más elegida de Argentina,
los modelos de Retención y New Enrollment, con
el objetivo de mejorar la gestión de la retención
estudiantil y la adquisición de nuevos estudiantes,
respectivamente. El proyecto fue considerado un
hito para la Institución de altos estudios, ya que fue
la primera Universidad en Argentina que desarrolló
modelos predictivos con algoritmos de AI que
permiten generar acciones de acompañamiento
personalizadas en cada etapa del ciclo de vida del
estudiante, mejorando su experiencia y logrando los
niveles de engagement necesarios que permiten vivir
una experiencia única dentro de la Institución.
Además de mejorar los índices de retención en más de

10pts durante el periodo 2020, la implementación de
modelos predictivos en todo el ciclo de vida otorgó a la
Institución los siguientes beneficios:
1. Mejora en el proceso de toma de decisión: Se

comenzaron a tomar decisiones basadas en datos,
logrando minimizar al máximo el margen de error.
(DATA DRIVEN).
2. Automatización de las campañas de prospección

y retención de estudiantes: Se redujeron un
20% los tiempos de gestión, a través de acciones
personalizadas basadas en probabilidades.
3. Mejora del target de estudiantes: Se logró

una mejora en la segmentación de prospectos
(targeting), identificando perfiles de estudiantes de
mejor desempeño académico.
4. Mejora en la performance académica: Se logró

una mejora del 30% en el rendimiento académico ,
respecto al año anterior, durante el período 2020.
4
Por otro lado, el modelo de adquisición de nuevos
estudiantes (New Enrollment), se comenzó a
implementar en la Universidad Siglo 21 durante el
primer período del 2021.
En este semestre, se ha logrado incrementar un 45%

la cantidad de nuevos ingresantes respecto al mismo
periodo en 2020, con un -23% menos de prospectos,
gracias a la identificación de perfiles con mayor
probabilidad de conversión a estudiantes, optimizando
la precisión en el target de las campañas.
Palabras de los líderes - Universidad Siglo 21
En palabras de la Mgter. María Belén Mendé, Rectora

de la Universidad Siglo 21:
Hoy, el manejo de la Inteligencia Artificial, la Big

Data y la predicción son fundamentales para
cualquier sistema educativo, no solamente para
identificar el entorno y entender dónde están los
alumnos potenciales (captación), sino también
para ayudar a los alumnos a que elijan de manera
correcta su vocación y evitar la deserción.
Lo mismo sucede en términos de retención.

Dentro del sistema educativo, interpretar
los datos correctamente permite conocer el
comportamiento de los distintos colectivos de
alumnos, cada uno con diferentes realidades,
analizando por lo menos 3 facetas: la demográfica,
el rendimiento académico, y una combinación de
ambas que, gracias a las
predicciones arrojadas por
los modelos predictivos de
Inteligencia Artificial, nos
permite adelantarnos a
las estrategias académicas
y de servicio a esos alumnos.
4
No podemos hablar de los alumnos como un
único colectivo, sino que la diversidad reina
en nuestras instituciones educativas. Por eso
necesitamos Big Data, para que podamos
comprender, cuando hablamos de los alumnos, de
qué tipo de alumnos estamos hablando.
Pablo Llop, Director de Inteligencia y Planeamiento

Estratégico en Universidad Empresarial Siglo 21,
agrega lo siguiente:
La evolución, en términos
estratégicos, que permite el
“tomar decisiones basadas
en datos” es sin dudas el
componente principal de
la ventaja competitiva en
cualquier Organización.
En Siglo 21 trazamos un
camino de evolución y
transformación que nos permitió
dar un salto de calidad en el servicio al alumno
durante todo el ciclo de vida dentro de la
Institución.
5 Conclusiones
El enfoque data-driven requiere de un cambio integral,
el cual comienza con la cultura organizacional.
Incorporar un enfoque data-driven a la estrategia

de una institución educativa resulta beneficioso
para mejorar su gestión a nivel integral, además
de la experiencia estudiantil. Indicadores clave
como la retención y la adquisición de estudiantes
impactan en la sustentabilidad, y se ven beneficiados
gracias a la información extraída a partir de la
correcta interpretación de los datos. Es por eso
que éste cobra un valor en sí mismo que requiere
de un procesamiento no aleatorio, sino basado en
estrategias.
En conclusión, es fundamental que los líderes

encargados de llevar adelante esta transformación
ponderen la opción de trabajar en conjunto con
empresas que cuenten con un profundo conocimiento
de educación mediada por tecnologías (además de
la oferta de herramientas tecnológicas disponibles)
y analicen cuál será la mejor para potenciar su
crecimiento.
6 Inteligencia artificial
para la gestión
educativa
Ed Machina es una solución integral para el desarrollo
de instituciones educativas Inteligentes y sustentables.
Su foco está puesto en la educación mediada por
la tecnología y en la transformación digital, con el
estudiante como protagonista.
Pertenece al grupo R’Evolution, que cuenta con

más de 25 años de trayectoria acumulada entre
instituciones universitarias, terciarias, y de lifelong
learning.
Si quieres saber cómo Ed Machina puede ayudar

a mejorar las tasas de retención y experiencias de
aprendizaje del estudiante, el aumento de nuevos
ingresantes y el crecimiento y rentabilidad de tu
institución, contáctanos hoy para solicitar una
demostración.
Data speaks
We Listen
Your institution thrives
www.edmachina.com

Ebook1 DataDriven

Cargado por

Información del documento

Título original

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

Ebook1 DataDriven

Cargado por

Copyright:

Formatos disponibles

Cómo construir un modelo de

toma de decisión data-driven

La retención y adquisición de nuevos estudiantes y

Para mejorar la gestión educativa integral dentro de

Este Ebook ofrece una mirada profunda sobre qué es

Esperamos que esta información sea de utilidad para

El vocablo conjunto data-driven alude a un enfoque

Para que una organización o institución logre

Este punto implica asegurar los mecanismos

Dentro de una institución, las personas deben ser

Este pilar hace referencia a obtener insights a partir

Se debe concebir a la tecnología como un acelerador

Los datos en toda la organización deben representar la

En el mundo educativo, tanto en los casos de

Los datos permiten brindar una mejor experiencia a

En primer lugar, las responsabilidades profesionales,

La pedagogía digital, donde se mide si el docente

3 La construcción comunitaria, a través de la cual

La participación de los estudiantes, a través de la cual

La ciudadanía digital, desde donde se analizan los

La instrucción diversa, que implica un monitoreo del

La evaluación y medición, desde donde se analiza

El diseño instruccional, donde el profesor o plataforma

De esta forma, el registro global de datos que surja del

3 Beneficios de un enfoque data-driven en

Aplicar el enfoque data-driven en la educación

Sobre este aspecto, la clave es contar con grandes

• Explicar y comprender el comportamiento de los

• Generar modelos predictivos basados en

De manera externa al contenido educativo, el

Este proceso es de vital importancia en las

El objetivo es lograr identificar patrones válidos,

Aquí, se determinan las fuentes de datos que pueden

• ¿Qué datos serán procesados y dónde se obtienen?

En esta fase, se analiza qué tan sanos y completos

En esta fase, se comienza a decidir sobre la tarea

En esta fase se realiza la validación de los resultados

En esta fase, se construye información con los

Esta última fase es un momento definitorio, ya que

Si quisiéramos clasificar los tipos de análisis en que

1. Análisis Descriptivo: ¿Qué está pasando?

Esta instancia otorga información describiendo una

Algunos ejemplos de medidas para desarrollar análisis

4 • Cantidad de alumnos totales por Decanato, Carrera,

2. Análisis Predictivo: ¿Qué es lo que probablemente

En el sector educativo, cada vez más instituciones

La analítica predictiva posibilita:

• La detección temprana de deserción de alumnos,

3. Análisis Prescriptivo / Inferencial: ¿Qué acciones

Este análisis se encarga de encontrar una solución

Algunos ejemplos del uso de la analitica prescriptiva

• Predecir el volumen de alumnos en un

Ciclo de madurez analítica

El proceso de minería de datos permite entender

En esta primera fase, el objetivo es entender la

En esta etapa, y ya con los datos disponibles, se

En esta etapa, se define la técnica a utilizar (por

En esta fase, se disponibiliza los datos al negocio para

Ed Machina es una solución integral para todo el ciclo

Utiliza sus algoritmos para acompañar a las

Ed Machina cuenta con un equipo de especialistas que

Para que este proceso transformador sea exitoso,

Modelo integral de persistencia. Nuestros algoritmos