Analíticas avanzadas y machine learning Nimbi

Ventajas del uso de analíticas avanzadas y machine learning en la Educación Superior y Continua

Lecciones clave: 

  • Las analíticas predictivas y prescriptivas se utilizan para obtener información muy precisa del riesgo del estudiante y para obtener recomendaciones inteligentes que mitigan el riesgo. 
  • Los modelos que usan machine learning entregan una ventaja competitiva para incrementar la retención y son los más útiles para aumentarla. Además, permiten descubrir información de forma más rápida y fácil que con el análisis tradicional.
  • Conoce la curva de madurez de inteligencia empresarial (BI) de tu institución educativa distinguiendo entre una dependencia exclusiva en el análisis descriptivo y de diagnóstico centrado en el pasado, a un soporte de decisiones autónomo y con visión de futuro.

La mayoría de las Instituciones de Educación Superior y Continua están dando sus primeros pasos para incorporar el uso de las analíticas de datos a sus procesos porque son conscientes de que con ellas pueden mejorar la experiencia de sus estudiantes a lo largo del viaje estudiantil. Sin embargo, no todas lo están haciendo al mismo ritmo o con el mismo nivel de inteligencia.

¿Esto qué quiere decir? Que no todas las analíticas son iguales o responden a las mismas preguntas cuando examinan las grandes cantidades de datos que las instituciones tienen sobre sus estudiantes. Pero vamos a explicarlo por partes para que quede muy claro. En primer lugar, hay que tener en cuenta que las analíticas proveen distintos niveles de conocimiento e inteligencia que podemos catalogar en bajo, intermedio y avanzado. Las de nivel bajo e intermedio miran al pasado y son las descriptivas y de diagnóstico; y las de nivel alto o avanzado, miran al futuro e incluyen las predictivas y prescriptivas.

4 tipos de analíticas

Analíticas de nivel bajo e intermedio vs avanzado

Desde el punto de vista práctico, una analítica descriptiva nos puede decir qué ocurrió y una de diagnóstico por qué pasó este hecho en concreto, pero no pueden entregarnos respuestas sobre lo que podría pasar en el futuro (predictiva) o qué debemos hacer a continuación (prescriptiva), tal y como hacen las de nivel avanzado.

Por tanto, si tu institución educativa ya ha dedicado recursos al desarrollo de analíticas de conocimiento e inteligencia de nivel bajo o intermedio podrá ser capaz de responder a preguntas que muestran una fotografía estática de algo que es posible que haya quedado atrás, en el pasado. Por ejemplo, ¿dónde está el problema? ¿por qué está pasando esto? ¿cuál es la tendencia?

Por otro lado, las instituciones que únicamente utilizan analíticas de nivel bajo e intermedio se suelen centrar en indicadores como las notas, asistencia y conducta financiera para identificar estudiantes en riesgo de abandonar sus estudios a los que después se les contacta con el objetivo de apoyarlos. Este enfoque, aunque bien intencionado, muestra una serie de limitaciones: 

  • En general, se implementan sobre una foto pasada de un alumno, es decir, cuando ya tiene un problema. Esto significa que la intervención que realiza la institución es reactiva y no proactiva a ese problema, con el riesgo de que se intente apoyar al estudiante cuando ya es demasiado tarde.
  • No entrega un panorama completo de los alumnos en riesgo, solo de un pedacito. Esto se debe a que el riesgo de deserción está compuesto por una gran cantidad de variables que van mucho más allá de las notas, asistencia y conductas financieras. Identificar cuándo una de estas tres variables se ve alterada es más fácil que saber cuándo múltiples variables cambian.
  • Los sistemas que utilizan estas analíticas suelen funcionar bien en fotos o situaciones estáticas, pero las situaciones suelen ser cambiantes, tal y como ha puesto de manifiesto la reciente crisis sanitaria del Covid.

Pero descuida, el objetivo de este blog no es poner el dedo sobre la llaga de las carencias que tienen este tipo de analíticas, todo lo contrario. Lo que queremos es proporcionar información relevante sobre cómo el uso de analíticas avanzadas y más sofisticadas, a través del poder de los algoritmos,permiten superar las limitaciones de las analíticas descriptivas y de diagnóstico que acabamos de describir y proporcionan una ventaja competitiva a las instituciones educativas.

Esto quiere decir que, además de identificar a un estudiante con riesgo de deserción, van un paso más allá porque indican en qué momento y cómo hay que apoyarlo para aumentar sus posibilidades de permanencia. Es decir, las analíticas de nivel de inteligencia avanzado, que incorporan el machine learning, están en otra dimensión. Se salen de lo estático y conocido, y se aventuran a captar en tiempo real lo que está sucediendo.  Algo así como una imagen en movimiento o un video que permite la mejora continua dentro de la institución. En definitiva, se trata de una forma de análisis avanzado (predictivo y prescriptivo) que contribuye a consolidar la madurez de la inteligencia empresarial o business intelligence (BI) en el seno de la organización al incorporar un sistema de decisiones autónomo y con visión de futuro.

Ventajas de los modelos predictivos y prescriptivos de machine learning

¿Machine learning? Sí, acabamos de tocar otro concepto, el del machine learning o aprendizaje automático, y vamos a explicarte en qué consiste. Este tipo de tecnología no es nueva, pero sí lo es su utilización en las Instituciones educativas de Educación Superior y Continua.

Una de las principales ventajas de las analíticas predictivas y prescriptivas de aprendizaje automático es que agilizan un gran número de procesos, pero en líneas generales se utiliza para obtener información mucho más precisa, para realizar recomendaciones inteligentes y actuar según estas recomendaciones. En el ámbito de la educación se puede utilizar para cosas como el incremento de la retención estudiantil. De hecho, los modelos predictivos que utilizan machine learning son los más útiles para incrementar la retención. Además, pueden ser utilizados para generar sistemas de alerta temprana que permiten actuar a tiempo, cuando el alumno más lo necesita.

Estos sistemas utilizan algoritmos especializados en estudiar, aprender y realizar predicciones y recomendaciones a partir de las enormes cantidades de datos disponibles sobre los estudiantes. Lo más destacable de ellos es que se vuelven “más inteligentes” por sí solos, sin la intervención de las personas. ¿Cómo lo hacen? Aprendiendo de las iteraciones pasadas, descubriendo relaciones entre los datos disponibles, información oculta y tendencias en beneficio de los estudiantes.

En la vida real esto significa que un mismo estudiante podría obtener una calificación de riesgo de abandono totalmente distinta si se usa un modelo predictivo de machine learning a uno que no lo utilice . Pongamos que tenemos un estudiante casi perfecto sobre el papel: con unas notas altas, que nunca entrega los trabajos tarde y asiste de forma regular a todas las clases presenciales y online. Sin embargo, es el primero de su familia en asistir a la universidad y no se atreve a participar en las actividades extracurriculares de su institución por lo que carece de sentido de pertenencia.

Si la institución no utilizará modelos predictivos de machine learning, este estudiante estaría clasificado de forma incorrecta como “baja probabilidad de abandono”, mientras que si usara un modelo avanzado de machine learning sería capaz de leer patrones sutiles que podrían catalogarlo como “alta probabilidad de abandono”. En el segundo caso se podría intervenir a tiempo para mitigar sus problemas de pertenencia a la institución, mientras que en el primer caso ese estudiante no recibiría ningún apoyo y es probable que eventualmente abandonase sus estudios. Este es un ejemplo hipotético y simple, pero sirve para que te hagas una idea.

¿Por qué se clasifica de manera totalmente distinta a un mismo estudiante? Debido a que las técnicas de machine learning son capaces de sacar a relucir conocimiento clave sobre el estudiante utilizando conjuntos de datos complejos y sin estructurar

En resumen, el modelo de machine learning tiene las siguientes características principales:

  • El algoritmo lo “aprende” un computador a través de iteraciones de algoritmos ligeramente diferentes que conectan las variables con los resultados. El intermedio, en cambio, es diseñado por humanos para alcanzar un resultado esperado.
  • El algoritmo se actualiza de forma continua y se ajusta según la diferencia entre el resultado del modelo y el feedback obtenido en el mundo real. Por el contrario, en el intermedio cualquier actualización basada en cambios del mundo real requiere que se detecten y actualicen de forma manual.
  • Se tienen en consideración un alto número de variables para tomar decisiones, lo que lleva a una decisión mejor informada. En el intermedio esto no es así, el número de variables es restringido, lo que limita la cantidad de información tomada en consideración en cada decisión.
  • El humano tiene sesgos preconcebidos de la importancia de distintos factores con respecto al riesgo de abandono. Con un modelo de machine learning bien entrenado se pueden controlar estos sesgos.

Implementar modelos de machine learning en tu institución

Ahora que ya conoces algo más en profundidad cuáles son la ventajas de las analíticas avanzadas de machine learning, deberías saber cómo se puede implementar en tu institución para sacarle el máximo rendimiento.

Por ejemplo, si deseas centrar tus esfuerzos en incrementar los ratios de graduación de tus alumnos, en primer lugar, podrías analizar 150 o más atributos de múltiples años de datos históricos para entender las características de un “estudiante exitoso”, entendido como el que se gradúa en el tiempo de duración de sus estudios.

Además, podrías definir un objetivo concreto para incrementar el éxito estudiantil en segmentos clave de estudiantes en comparación con un punto de referencia. Por ejemplo, incrementar el ratio de graduación en 5 puntos en 10 años. 

Estas acciones pueden ir acompañadas de algunas acciones más que generarán un inmenso valor para tus alumnos y tu institución no solo en lo referente a la deserción estudiantil, también en otras áreas como Admisiones y Matrícula puesto que con millones de puntos de datos, las administraciones universitarias pueden dirigirse a grupos específicos de estudiantes y agilizar el proceso general de admisión. Si quieres conversar en profundidad sobre ellas, puedes agendar una reunión con nosotros, tenemos experiencia integrando analítica avanzada y machine learning al flujo diario de los equipos de las instituciones educativas.