Blogs Enzyme

Digitalización para Otros departamentos

Cómo corregir la tasa de abandono en las Carreras Universitarias

Digitalización para Otros departamentos

Mar 13, 2018 8:30:00 AM 3 min. lectura

No todos los alumnos que se matriculan en una universidad con la idea de estudiar una carrera universitaria finalizan sus estudios. La media de abandono universitario en España, según datos del Ministerio de Educación Cultura y Deporte, está en un 20% y es mayor dependiendo de la dificultad de los estudios, llegando en algunos casos a sobrepasar el 50%.

Podemos considerar la tasa de abandono no sólo como un indicador de la calidad, tanto de las universidades como del nivel de formación de una masa crítica de nuestra sociedad, sino como un factor para medir la pérdida de recursos económicos.

Fig. 1 – Las Universidades tienen una tasa de abandono media del 20%

 

Identificando patrones que ayuden a reducir el abandono universitario

Seguramente, más de una universidad desearía disponer de una herramienta que le permitiese averiguar los motivos del abandono universitario y detectar el perfil del alumno susceptible de abandonar la carrera, para poder anticiparse a unos hechos que van en contra de los objetivos de toda universidad.

Con toda esta información, la universidad sería capaz de analizar los motivos del abandono universitario, averiguar en qué líneas de acción debe trabajar e iniciar el proceso de cambio para minimizar la tasa de abandono.

Enzyme Advising Group ha desarrollado un algoritmo que permite, mediante People analytics, detectar el perfil de los alumnos susceptibles de abandono universitario y determinar patrones, de forma que pueden ayudar enormemente a corregir las causas y mejorar los índices del abandono universitario.

Todo ello redunda, de forma obvia, en beneficio de los afectados: universidades, alumnos y sociedad. Las universidades pueden modificar aspectos funcionales y operativos, introducir nuevas líneas de actuación y mejorar las existentes: si con ello se reduce la tasa de abandono universitario, la reputación de la universidad se verá incrementada con la consecuente mejora de la captación de nuevo alumnado.

En el caso de universidades subvencionadas, la tasa de abandono afecta directamente a las subvenciones: un decremento en este indicador tiene una repercusión directa. El plan Bolonia favorece la evaluación continua, pero la tasa de abandono sigue siendo algo que preocupa a los órganos responsables de los estudios superiores. La tasa de abandono universitario y de grados superiores es una variable que se tiene en consideración a la hora de establecer la financiación que reciben algunas universidades.

 

evolución del abandono academico en España por género

Fig. 2 – Evolución del abandono en España por género (Fuente – INE y Labour Force Survey)

 

La calidad del dato es esencial para un buen modelo predictivo

Un algoritmo sin datos de poco sirve y tampoco es muy válido darle cualquier dato al algoritmo.

Por eso, el proceso de obtención y depuración de los datos es muy importante.

Lo primero que se debe hacer es recopilar toda la información posible en base a las posibles variables sobre las que habrá que trabajar. Esto se puede realizar de diversas formas, pero es importante poder hacer workshops con el cliente para no dejar flecos sobre los datos existentes en la casa y conseguir información de máxima calidad para minimizar los procesos de depurado.

 

El proceso para llegar a obtener unos resultados satisfactorios no es inmediato:

  1. Primero hay que recopilar todos los datos e identificar las variables de contexto para poder generar las tablas con las que trabajar y alimentar el algoritmo.
  2. El siguiente paso será el de depuración de los datos, para lo que se definirán los clusters sobre los que se quiere trabajar, procesando la información con herramientas estadísticas como IBM SPSS. De este modo se elimina el ruido de fondo para aflorar la información válida y significativa.
  3. Seguidamente, se puede aplicar el algoritmo con los datos obtenidos en el punto anterior para la obtención de las variables relevantes para cada titulación.
  4. El siguiente paso será el entrenamiento del modelo para la muestra de datos obtenidos excluyendo el período que se quiere analizar.
  5. A continuación se realiza el testeo, el análisis de los resultados obtenidos y la validación con los resultados esperados.
  6. Finalmente, se aplica el modelo de abandono para hacer predicción en el período definido y determinar los patrones posibles.

 

Con esta información, ya se está en disposición de ofrecer a la universidad una información relevante y de vital importancia para la toma de decisiones.

A partir de aquí, se puede pasar a una segunda fase de consultoría en la que se puede poner en marcha un proyecto para la gestión del cambio y la consecución de los objetivos que, en este caso son minimizar el abandono universitario.

 

Exportar la experiencia a otros sectores

Sin lugar a dudas, es posible aplicar este algoritmo y esta herramienta a otros sectores. La aplicabilidad a sectores que sufran la pérdida de masa de clientes es exactamente la misma. Operadoras de telefonía, empresas de seguros, centros deportivos y gimnasios, escuelas de idiomas etc son sectores en los que la movilidad de los clientes entre los diferentes actores y su competencia está a la orden del día.

Con herramientas de análisis como la descrita, se pueden determinar los patrones e identificar las causas que llevan al drenaje de clientes de una empresa a su competencia y realizar acciones para reconducir la situación.

El próximo 14 de marzo de 8:45 a 11:30 am en el IBM Client Center en Madrid, tendrá lugar un evento en el que se explicará cómo utilizar los datos de los alumnos con People Analytics para ganar visión y anticipar su comportamiento.

 banner-evento-ibm-enzyme-2018-03-14.png

 

Posts relacionados
¡Comparte con tus contactos!
   

Comenta este artículo...

Nuevo llamado a la acción

¡No te pierdas las novedades de nuestros blogs!

¡Comparte con tus contactos!