Modelamiento predictivo Nimbi

Cómo funciona el modelamiento predictivo en la Educación Superior y Continua

Nimbi es una edtech que permite a las instituciones educativas conocer en profundidad a sus estudiantes y empoderarlos para que alcancen la meta de graduación con éxito. ¿Y cómo lo hace? Nada como un poco de storytelling y la opinión de nuestro experto en modelos predictivos, Mario Schiappacasse, para ilustrarlo.

Pongamos que Javiera se matricula en el primer curso de un Instituto Profesional (IP) de Chile con mucha ilusión y ganas de obtener un título superior que la permita incorporarse al mundo laboral con éxito. Sin embargo, durante el primer trimestre, Javiera, como otros tantos estudiantes latinoamericanos, se tiene que enfrentar a problemas nuevos para ella que pasan inadvertidos para su institución educativa. Estos problemas la llevarán a abandonar sus estudios a pesar de que tiene notas altas y nunca entrega los trabajos tarde. Como Javiera, la mitad de los estudiantes de América Latina abandonan sus estudios cada año por diversos motivos dejando de lado sus sueños de un futuro mejor.

Triste, ¿verdad? 🔮Veamos cómo podría ser el viaje estudiantil y, por tanto, el futuro de Javiera y del resto de estudiantes latinoamericanos con Nimbi. El IP donde estudia Javiera pudo identificar a tiempo el mal momento anímico por el que estaba pasando debido a los problemas que tenía para compaginar los horarios de clase con su trabajo actual. Por otro lado, gracias a que el IP cuenta con herramientas de software adecuadas, logró ofrecer a Javiera soluciones personalizadas que le permitieron sobreponerse a ese bajón anímico y seguir avanzando en sus estudios sin tener que olvidar sus sueños de un futuro profesional mejor.

Su importancia en la educación es tal que los nuevos criterios de acreditación de IPs y Centros de Formación Técnica de Chile exigen que para lograr la acreditación en su nivel 3 sea necesario implementar mecanismos y políticas que consideren la elaboración de modelos predictivos de éxito estudiantil. ¿A qué se debe esta exigencia? 🔎 A que sin una visión profunda de Javiera y del resto de estudiantes es complicado apoyarlos en los momentos de máximo riesgo de su viaje estudiantil. En Nimbi contamos con distintos modelos predictivos y tenemos experiencia en su implementación en instituciones educativas.

modelamiento predictivo con Nimbi

La opinión del experto en modelamiento predictivo

🎤 Para hablar de cómo funcionan y el tipo de problemas que ayudan a resolver entrevistamos a Mario Schiappacasse, Chief Data Scientist Officer en Nimbi.

Ana Escalante, CMO en Nimbi: En primer lugar, me gustaría partir hablando de cómo funciona el modelamiento predictivo. ¿A qué fases del ciclo del estudiante se puede aplicar y por qué?

Mario Schiappacasse: Los modelos se pueden utilizar en distintas fases del ciclo del estudiante, con distintos objetivos para cada una. Son clave para hacer un uso eficiente de los recursos de una institución ya que tienen pocas personas y demasiados estudiantes que gestionar. Es fundamental identificar tempranamente a los que más necesitan algún tipo de apoyo, como en el caso de Javiera. Cualquiera que sea el problema de la institución de Educación Superior o Continua podemos modelarlo y resolverlo con Nimbi, pero partamos hablando de los modelos de deserción.

Por ejemplo, tenemos el éxito estudiantil, cuyas principales métricas son la retención del estudiante. Ahí es donde entran los modelos de riesgo de fuga, cuyo objetivo es predecir los estudiantes con mayor probabilidad de desertar. Podemos utilizar el modelo de riesgo de fuga del estudiante para levantar alertas tempranas, y así apoyar a los que como Javiera  dieron sus primeros pasos en el viaje estudiantil con el pie izquierdo, y luego monitorear su progreso hasta que logre sus objetivo. También podemos usar modelos en el proceso de re-matrícula, para identificar a quien tenderle la mano ya que por algún motivo podría tener algún impedimento para rematricularse y podría ser solucionable.

¿Y qué pasa con el estudiante que sí desertó? ¿Está totalmente perdido para la institución? No, porque tenemos incluso modelos que aumentan la efectividad de las campañas de reintegros. En Nimbi estamos en condiciones de ayudar a gestionar a aquellos estudiantes con una mayor probabilidad de volver a la institución, y así ayudarlos a completar sus estudios.

A. E: Entonces… Si se pueden utilizar para resolver cualquier problema de la institución educativa, qué se necesita desde la propia institución para facilitarlo. En concreto, ¿qué fuentes de datos necesita una institución para que se pueda crear un modelo de estas características? Por ejemplo, ¿es necesario que las fuentes estén centralizadas en un mismo lugar?

M. S: Antes que nada, quiero que quede claro que, independientemente de cómo tenga organizada su data la institución, en Nimbi podemos integrarnos a su fuente o fuentes de datos para resolver el problema que se quiera resolver.

Nosotros podemos trabajar con las distintas fuentes de datos que la institución tenga disponible, esto incluye, por ejemplo, el LMS (Learning Management System), el CRM (Customer Relationship Management) u otros sistemas. Además de esto, podemos conectarnos a repositorios de datos seguros donde sus usuarios pueden subir información de diversas fuentes.

Tenemos la facilidad de desarrollar múltiples integraciones, por lo que no es necesario tener la data centralizada. Lo que nos permite predecir la deserción a partir de un análisis multidimensional del estudiante, con variables como por ejemplo la asistencia, las notas, conexiones al LMS, mora, entre otras.

A. E: Y después, ¿cuáles son los retos para poner esta data al servicio de los alumnos y de la institución? Y, por otro lado, ¿cuáles son los beneficios?

M. S: Nimbi no solo hace los modelos; el gran beneficio que tiene es integrar esos modelos en una herramienta que permite extraerle todo el valor. La data y los modelos no tienen un valor intrínseco, es solo una vez que se toman decisiones utilizando esta información que podemos ayudar a mejorar la experiencia estudiantil. Es por esto que nuestros modelos van de la mano de campañas de gestión, planes de acción, priorización de tareas y sistemas de alerta temprana.

Nosotros hemos abordado este desafío por lo que tenemos una plataforma que saca provecho de los modelos, permitiéndoles a los clientes generar alertas tempranas y priorizar el esfuerzo de gestión en aquellos estudiantes que de verdad lo necesitan.

Pero hay instituciones que necesitan solo ciertos modelos predictivos de éxito estudiantil sin una plataforma. En ese caso pueden utilizar los servicios modulares de Nimbi. Esto significa que las instituciones pueden incorporar solo aquellos modelos predictivos que necesitan cuando lo necesiten.

Lo cierto es que cada institución tiene un desafío único e interesante, por eso nos gusta comentar cómo ayudar a cada caso particular directamente. Siempre estamos abiertos a despejar cualquier duda sobre cómo puede ayudarles el modelamiento predictivo a través de una reunión o conversación telefónica.  

Nimbi en cifras
Nimbi en cifras