Gestión Analítica y Machine Learning en la Deserción Estudiantil

diciembre 19, 2018
Penta Analytics

Por Diego Lopez, Ingeniero Data Science y Thomas Grasty, Líder del área de Clientes & Proyectos de Penta Analytics Chile.

La Educación Superior tiene diferentes etapas en las que pueden actuar diferentes modelos de machine learning para aprovechar al máximo la información disponible. La primera de ellas es el proceso en el que el estudiante de educación secundaria se entera de las diferentes carreras que puede ofrecer una institución de educación superior, esto es Difusión, que es responder justamente: ¿Qué actividades son las acertadas para el colegio que quiero visitar? ¿Por qué ese colegio? ¿Cómo aumentar la tasa de postulación y de prioridad?

La segunda tiene relación con el proceso de Admisión & Matrículas, en donde hay muchos estudiantes que postulan y también hay oportunidades de poder incentivar que postulen dentro de la institución, por lo que las preguntas a responder son: ¿Cómo aumentar la tasa de conversión? ¿A qué precio quiero ofrecer las carreras?

Una tercera, y que ahondaremos más adelante, tiene relación con disminuir la deserción de los estudiantes una vez matriculados.

Todo lo anterior es parte del ciclo de vida del alumno en la educación superior, bajo la cual con la información disponible de los estudiantes, de los colegios y de las acciones que realiza la universidad tanto para la admisión, la retención o la difusión, permiten la aplicación de modelos de machine learning que puedan impactar en los objetivos definidos por las áreas respectivas.

La deserción de estudiantes es una realidad con la que todo plantel de educación superior tiene que lidiar y que impacta de forma directa en los resultados que tiene la organización cada año. Sin embargo se trata de un desafío no trivial y que puede tener muchas aristas y formas de abordarse. En particular, un enfoque basado en datos y modelamiento predictivo ha demostrado ser efectivo para identificar tempranamente y luego actuar sobre los alumnos que muestran una mayor tendencia hacia desertar de sus programas de estudio. Hablando de números podemos ver diferencias de hasta 12% en la deserción de los grupos de control versus los grupos activados por las acciones tempranas de retención.

En Penta Analytics abordamos la deserción de alumnos en educación superior a través de un proceso de gestión de la deserción. Este proceso parte con la detección temprana de los alumnos que van a desertar, a través del entrenamiento de modelos predictivos que identifican patrones de deserción en cada alumno, sigue con la definición de acciones de retención customizadas según los motivos que dan origen a la fuga y se monitorea a través de paneles de control que dan visibilidad a los grupos fugados y la efectividad de las acciones aplicadas. Finalmente se cierra el ciclo con la retroalimentación de la precisión de los modelos predictivos y de la efectividad de las acciones, asegurando que se genere mejora continua de la solución para cada situación individual.

En detalle, la identificación temprana de la deserción se aborda con modelos supervisados altamente interpretables. Esto asegura que sea posible hacer la traza, de forma simple y clara, desde la predicción hacia las variables que explican en mayor medida los motivos de la deserción, con lo que posteriormente podemos definir y aplicar las acciones que más se ajustan a ese perfil de alumno.

En una segunda fase, para una correcta medición de las acciones de retención asignadas, se diseña un sistema de evaluación basado en grupos de control, mediante el cual se logra aislar el efecto de las gestiones realizadas a los distintos grupos de alumnos. Para, finalmente, retroalimentar tanto los modelos predictivos de deserción como la asignación de acciones de retención.

De esta forma, generamos un sistema de gestión de la deserción que se encarga de, en primer lugar, seleccionar los alumnos con mayor riesgo de retiro, luego determinar cuáles son los principales drivers de su deserción para asignar medidas acorde a sus problemas, con la consiguiente retroalimentación para mantener un proceso de mejora continua.

Si bien podemos ver que en la práctica la implementación de un proceso de gestión analítico es efectivo en bajar las tasas de deserción de los estudiantes a través de la metodología de gestión de acciones de deserción, una segunda dimensión de la mejora continua que no está sistemáticamente comprendida en esta versión son los cambios estructurales de la universidad que afectan la disposición de los alumnos a mantenerse en la institución.

Al re-diseñar la estrategia a partir de los datos de cómo se da a conocer la universidad, cuál debe ser su oferta académica y la propuesta de valor asociada a cada programa podemos acercarnos más a las fuentes y reducir las causas de la deserción en su origen. De esta manera si vemos evidencia de que los alumnos entran a un programa en particular con una expectativa muy diferente a lo que la carrera es en realidad y eso a su vez genera descontento, bajas notas y baja asistencia, podríamos encontrar que la malla no es suficientemente atractiva o que la difusión no está correctamente orientada.

Es así, que la cantidad de desafíos se amplía y no sólo se queda en acciones de retención, con ello se abren posibilidades en la definición de aranceles y/o becas personalizadas, detectar de forma temprana alumnos con problemas de rendimiento para generar acompañamiento, entre otras.

No hay comentarios

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *