Sobre Culinary
Culinary es un Instituto Profesional (IP) con acreditación avanzada, que imparte carreras relacionadas con las artes culinarias, los servicios, la hospitalidad y los eventos. Tiene como misión formar personas y contribuir al desarrollo del país a través de la innovación y la vinculación activa con su entorno relevante. Ofrece a sus estudiantes una formación personalizada y aplicada al desarrollo de habilidades para el trabajo y valores personales.
Desafío: incorporar analíticas avanzadas para mejorar el acompañamiento estudiantil
Culinary deseaba incorporar el uso de analíticas avanzadas y machine learning a sus procesos para liberar todo el poder de los datos almacenados sobre sus estudiantes, con el objetivo de reducir la tasa de deserción de primer año y la titulación oportuna, es decir, el tiempo que éstos tardan en graduarse.
Para cumplir con estos dos objetivos, el equipo de acompañamiento estudiantil de Culinary disponía de analíticas de nivel bajo e intermedio, llamadas descriptivas y de diagnóstico, que le permitía obtener información muy valiosa sobre sus estudiantes: como cuáles de ellos desertaron y por qué lo hacían. Sin embargo, aunque con este tipo de enfoque las instituciones educativas como Culinary obtienen resultados óptimos, con analíticas más avanzadas todavía existe un amplio margen de mejora del acompañamiento estudiantil.
¿Qué margen de mejora hay con el uso de analíticas avanzadas?
- En lugar de proporcionar una foto estática de la situación y del rendimiento de los estudiantes en riesgo de desertar, que podría llevar a identificarlos cuando ya tienen un problema, se podría obtener una foto en movimiento, en tiempo real, para identificarlos antes de que se produzca ese problema.
- Por tanto, la intervención de apoyo que se realiza sobre los estudiantes riesgosos podría ser proactiva a ese problema y no reactiva.
- Funciona muy bien en situaciones cambiantes, como por ejemplo una crisis tipo pandémica.
Nimbi: la «bola de cristal» para la deserción y la titulación oportuna
En resumen, Culinary quería incorporar analíticas de nivel avanzado, algo así como una “bola de cristal” que le permitiera captar en tiempo real lo que estaba sucediendo con sus estudiantes y obtener respuestas sobre qué podría pasar con ellos en el futuro. Como consecuencia de ello, Culinary decide probar la eficacia de los modelos predictivos de Nimbi para la deserción estudiantil y titulación oportuna, que incorporan analíticas avanzadas de tipo predictivo y prescriptivo.
Culinary eligió Nimbi porque le permite tener la capacidad de entender y acompañar a sus estudiantes a lo largo de cada momento por el que pasan durante sus años de estudio, mediante el uso del modelamiento predictivo. O lo que es lo mismo, utilizar un conjunto de herramientas estadísticas, aprendizaje automático y minería de datos para identificar patrones en los datos históricos sobre sus estudiantes que están almacenados en sus plataformas digitales. De esta manera, el IP podría proyectar cómo se comportará el estudiante, de manera individualizada, mientras cursa su carrera, desde el primer día que empieza sus estudios.
Por otro lado, Culinary desea ser reconocido como el mejor Instituto Profesional del país en su ámbito de actuación y, como parte de esa estrategia, pone el acento en la orientación personalizada y la cultura de mejora continua, entre otras cosas. Para lograr ese grado de excelencia necesita herramientas como las de Nimbi que le permitan obtener información y contexto sobre sus estudiantes, sus probabilidades de desertar y los factores que inciden en ese riesgo, para darle interpretabilidad a los datos.
Solución: programa piloto con modelos predictivos Nimbi
Culinary pone en marcha un primer programa piloto con Nimbi en septiembre de 2022. Para ello, Nimbi despliega un modelo predictivo de deserción para alumnos de primer año y otro modelo de titulación oportuna que permite determinar el riesgo de que un estudiante se titule dentro de los ocho semestres estipulados, es decir, en el tiempo que señala su malla académica. A diferencia del modelo de deserción, este último modelo se aplica solo a partir del segundo año de carrera.
Para ello se realizó una prueba de fuego entre la totalidad de los estudiantes la que indicó, con 3 meses de anticipación, que 12 de los 14 estudiantes con causal de eliminación académica acabarían desertando al término del semestre. Pasado ese tiempo, el modelo demostró su eficacia y que es capaz de identificar tempranamente al 85,7% de los estudiantes que están en riesgo de desertar de los que incurrieron en la causal.
Esto confirmó que, desde el primer día de clases, Culinary podría predecir los resultados de sus estudiantes y adelantarse a los hechos para evitar el abandono de los estudios y la titulación no oportuna de sus alumnos.
Además, en el piloto se obtuvieron 2 conclusiones destacables:
- Al incluir el test de estrategias motivacionales y de aprendizaje MSLQ, que genera 5 factores de motivación y 7 de aprendizaje, se aumenta un 16% la precisión del modelo, lo cual es una cifra muy relevante cuando se habla de retención.
En particular, se descubrió que el factor más importante era la motivación intrínseca, la que surge del propio estudiante para su satisfacción personal, no tanto la motivada por elementos externos, como las notas o premios. Esta información resulta muy útil para optimizar el aprendizaje y mejorar la información relevante para los estudiantes.
- Al incluir remediales o tutorías como parte del plan de acción, se observa, de forma preliminar, una reducción de cerca del 16% del riesgo de abandono.
Esto significa que, si se aplican los modelos predictivos y se implementan los remediales, Culinary podría tener un impacto aún más relevante sobre el riesgo de fuga de sus estudiantes y el tiempo que tardan en cursar la carrera.
Resultados
Una vez demostrado el funcionamiento óptimo de los modelos predictivos, Culinary decidió contratar, en 2023, la plataforma de Gestión de Éxito Estudiantil Nimbi para poner en práctica los resultados obtenidos en el piloto. ¡Estamos deseando obtener más datos acerca de la implementación de la plataforma de Nimbi en el IP para contarlo en un próximo caso de éxito!
