Este documento describe un modelo de predicción de deserción de estudiantes universitarios. Propone crear un sistema que automatice la limpieza y análisis de grandes cantidades de datos de estudiantes para predecir la probabilidad de deserción de cada uno, permitiendo acciones preventivas. El modelo considera variables como el rendimiento y situación financiera de los estudiantes, y debe actualizarse continuamente para mantener su precisión.

1. Página 1
Modelo de Predicción de
Deserción de Estudiantes
Universitarios
Información general
La deserción de estudiantes universitarios ha sido materia continua
de estudio por académicos investigadores a nivel mundial,
especialmente en países de habla inglesa, que lideran la cantidad de
estudios realizados en esta materia. Sin embargo, se ha estudiado
con grupos de control de tamaño reducido, y no se ha implementado
una herramienta que automatice, ordene, limpie y realice una
predicción de la deserción con grandes volúmenes de datos.
Nuestra experiencia profesional en el área académica y empresarial,
ésta última ligada a la inteligencia de negocios (Business Intelligence)
y la minería de datos (Data Mining), nos ha permitido crear los
procedimientos y estructuras necesarias para generar modelos de
predicción de la deserción estudiantil en planteles universitarios.
Existen claras complejidades para realizar esta tarea:
- Cada programa universitario (carrera) tiene sus propias
variables y pesos específicos sobre un modelo de deserción
estudiantil.
- En planteles universitarios de más de 5.000 alumnos, realizar
esta tarea requiere de capacidades tecnológicas para la
administración de los datos, como de capacidades de conocimiento
en modelos predictivos, competencias que no existen en su totalidad
en los planteles universitarios.
- Los modelos de predicción son dinámicos en el tiempo, por lo
que requieren que su cálculo se realice continuamente.
- Las variables disponibles para el análisis varían según las
tecnologías existentes, políticas de gestión académica, políticas
financieras, entre otras, lo que produce que el modelo debe ser ad-
hoc a la realidad del plantel universitario y revisado continuamente.
Contar con este tipo de modelos tiene variados beneficios:
- Posibilita realizar acciones preventivas sobre los estudiantes
con alta probabilidad de deserción, lo que implicaría subir el % de
retención, por ende los flujos financieros del plantel universitario se
pueden estabilizar a lo largo del tiempo.
- El contar con indicadores de desempeño, permite mejorar la
gestión interna de la unidades académicas.
Consultores
Salvador Gandulfo Troncoso
- Ingeniero Civil Industrial, New
York University
- Master in Science, Engineering,
New York University
- PhD in Business Intelligence,
California University
- Gerente Regional de TI de
empresas multinacional como Del
Monte Fresh Produce, y
- Consultor en Inteligencia de
Negocios y Minería de Datos con
más de 25 años de experiencia
- Académico Universitario.
Alvaro Cepeda Ortiz
- Ingeniero Civil Industrial, Pontificia
Universidad Católica de
Valparaíso
- Magister en Gestión de
Operaciones, Universidad Mayor
- Gerente General de empresas de
servicio y productivas
- Consultor en gestión de negocios
con más de 13 años de
experiencia
- Académico Universitario.
Teléfono
032- 3178380
Correo electrónico
contacto@businessexperts-ma.com
Modalidad

2. Página 2
- Aumento de la percepción de la marca del plantel universitario, dado que sus estudiantes permanecen y son
los principales difusores de la calidad académica.
Descripción de la oferta de valor:
Nuestra oferta de servicio se basa en calidad, inmediatez y flexibilidad del modelo, lo que se traduce en una
operación que se traduce en el siguiente ciclo virtuoso.
La primera fase consiste en conectarse a las bases de datos del plantel, el que pueden tener diferentes tipos
de fuentes de información. Dentro de las bases de datos que nosotros incluimos es la información financiera-
económica del apoderado.
Posteriormente se debe realizar un análisis de limpieza de datos, dado que pueden existir datos erróneos, o
que no representan la realidad.
Una vez con datos de buena calidad, se confeccionan los modelos de datamining predictivos para cada uno
de los programas y por cada uno de cohortes de ingreso de los estudiantes.
Finalmente, se debe desplegar la información en los diferentes niveles académicos; facultad, escuela,
programa académico, año de ingreso.
Este ciclo se debe realizar cada 15 días para cada uno de los programas y cada cohorte de ingreso, debido a
que las variables van cambiando con esa periodicidad.
Referencias de Modelos
Uno de los documentos más relevantes para la confección de estos modelos es “College Persistence:
Structural Equations Modeling Test of an Integrated Model of Student Retention”, de Alberto F. Cabrera,
Amaury Nora and Maria B. Castaneda, publicado en el “The Journal of Higher Education” año 1993, DOI:
10.2307/2960026, en el que se señala que la persistencia a seguir en los planteles por parte de los alumnos
se explica en base a las siguientes áreas de análisis:
Lectura de
Datos
Limpieza de
Datos
Confección
de Modelo
Despliegue
de la
Información

3. Página 3
- El estímulo de la familia y amigos sobre el estudiante para estudiar en el programa.
- La capacidad financiera del apoderado/estudiante
- La integración académica con el plantel universitario
- La integración social de estudiante con su círculo cercano
- El compromiso institucional
- Las calificaciones, tanto antes de incorporarse al plantel universitario como durante su vida estudiantil
Estas variables se traducen en una intención a seguir en el programa académico.
Otros documento como: “STUDENT DROPOUT ANALYSIS WITH APPLICATION OF DATA MINING
METHODS” de Mario Jadrić; Željko Garača; Maja Ćukušić, realiza diferentes modelos de dataming y
determina que no debe existir un único modelo, sino que para un conjunto de datos se deben aplicar
diferentes modelos y analizar cuál es el que entrega un mejor pronóstico.
Entregables
Nuestros servicios en esta materia consideran los siguientes entregables:
- Listado de alumnos con su correspondiente probabilidad de deserción, identificando las variables con alto
riesgo o que impactan de mayor forma a esta evaluación.
- Disponibilización de los datos en un ambiente web, que puede ser accedido por cada uno de los directores
de escuela.
- Actualización de los modelos y del scoring cada 15 días.
Caracterización de la muestra

4. Página 4
Estimación del Scoring
RUT DV ApellidoPaterno ApellidoMaterno Primer Nombre Segundo Nombre SCORING
18485769 3 MUÑOZ NEIRA PAMELA ALEJANDRA 83.5877
22261342 6 URIONA BAZALAR DIEGO ALONSO ERNESTO 83.4083
18661946 3 FUENZALIDA ULLOA FELIPE IGNACIO 81.7605
18337224 6 ORREGO SANHUEZA MACARENA 80.5208
18393001 K GONZALEZ TOLEDO JOSE ANTONIO 79.8947
18367896 5 BERKHOFF FERNANDEZ ISABEL ALEJANDRA 79.8580
18640801 2 QUEZADA DIAZ MAXIMILIANO FELIPE R 78.4208
18463256 K TORRES BARROS JAVIER IGNACIO 78.3155
17982859 6 PEÑA LISPERGUIER ALEJANDRO 78.2554
17381516 6 VALENZUELA COSIO NICOLAS ANDRES 77.4021
18148394 6 NARANJO VEGA EMILIO ALEJANDRO 77.3679
18638673 6 VOGEL REYES ANA CAROLINA 76.7025
17342437 K GONZÁLEZ ALARCÓN GIOVANNI FELIPE 76.4630
18054989 7 PORTILLO UGARTE FERNANDO ALEXANDER 76.4044
17890021 8 OYARZUN KNITTEL CONSTANZA JOSEFA 76.2066
18809561 5 XU ZHANG PAMELA JIUN XIN 76.0466
17886806 3 FARIAS MIRANDA ALISLEM LALYA 75.9893
18438054 4 ORTEGA MARQUEZ MAKARENA ESTEFANIA 75.9181
18207581 7 ALIAGA ESCUVIER PIA JAVIERA 75.8042
18751035 K POLANCO CATALAN FERNANDA SOLEDAD 75.6776
2007436 1 RODRIGUEZ GUERRA JOSE MIGUEL 75.2648
18210622 4 VASQUEZ ARAYA NICOLAS IGNACIO 75.2019
18076571 9 CRUZ DONOSO ITALO GUSTAVO 75.1469
18681703 6 MUÑOZ MORALES FRANCISCA VALENTINA 74.9041
18292113 0 RUIZ-TAGLE JEQUIER ANDRES ENRIQUE 74.7370
18467635 4 VEGA GUTIÉRREZ SEBASTIÁN IGNACIO 74.5781
17440182 9 PARRA NAVARRETE VANESA 74.0160
18637201 8 LISPERGUER ARAYA CRISTOBAL ANDRES 73.8128
18319198 5 SANHUEZA GUTIERREZ MATIAS NICOLAS 73.7704
18293771 1 ALFARO HIDALGO NICOLAS EDUARDO 73.6638
18434311 8 TUMA FUENTES YAMIL SIMON 73.4493
21104467 5 ORTIZ DOMINGO CAMILA 73.2289
18484858 9 SEPULVEDA SANCHEZ MARIO ESTEBAN 72.9451
17026061 9 TAPIA GAJARDO JOAQUÍN ALONSO 72.9131
17366769 8 TIKE ARIAS IGNACIO ANDRES 72.8767
18489725 3 ALARCON MUÑOZ MARIA JOSE 72.7717
17982768 9 GUZMÁN CAVALLERI DIEGO LUKAS 72.7548
Alumnos con
Mayor
Scoring