PROPUESTA DE INVESTIGACIÓN

MODELO DE ANÁLITICA PARA LA PRONTA IDENTIFICACIÓN DE LA POBLACIÓN

ESTUDIANTIL CON ALTO RIESGO DE DESERCIÓN A SU INGRESO EN UN PRO-
GRAMA DE LA ESCUELA COLOMBIANA DE INGENIERÍA JULIO GARAVITO, BO-
GOTÁ, COLOMBIA.
FIDEL A. OLARTE-BUSTOS

PROBLEMA Y PREGUNTA DE INVESTIGACIÓN.

La deserción estudiantil puede definirse como la cantidad de estudiantes que luego

de matricularse a un programa de educación superior no obtienen su título acadé-
mico (Zúñiga, 2012).
El problema de deserción en los programas de educación superior es estudiado a
nivel global debido a sus importantes consecuencias, dependientes del contexto
donde se desarrollen. En España el gasto anual del estado provocado por el aban-
dono supera los 1500 millones de euros (Bravo, 2015), una cantidad que es más
del doble que el presupuesto dedicado a becas de ese país en un curso académico
que es de 757,7 millones de euros. Para el año 2003, en Alemania, el 23% de los
estudiantes que iniciaban estudios de educación superior abandonaban, general-
mente luego de cursar 7,6 semestres en promedio (University, 2017). En Sudáfrica
el problema es de grandes proporciones, obteniéndose que el 35% de los estudian-
tes que ingresan a un programa de educación superior no lo culminan, estos son
más de 20.000 estudiantes anualmente se retiran de sus estudios (MoneyWeb,
2017).
En Colombia el problema de deserción estudiantil es de gran escala. Estudios desde
el año 2009 (Zúñiga, 2012) e informes del Ministerio de Educación (CEDE, 2014)
muestran cómo el índice de deserción estudiantil en instituciones de educación su-
perior ha aumentado a una tasa preocupante desde que se hacen controles, pa-
sando de un 20% en promedio en 1998 a más de un 50% en 2017. Los esfuerzos
realizados por el gobierno por incrementar la cobertura y facilidades de acceso a la
educación superior se ven disminuidos trágicamente por las grandes tasas de de-
serción, que finalmente hacen que toda la inversión de gasto público para lograr
mayor participación de estudiantes en estos programas se pierda con la retirada de
los mismos.
Para abordar este problema las herramientas estadísticas se hacen fundamentales
en la búsqueda de conocimiento que de explicación a este fenómeno. El gobierno
colombiano tiene un programa de control bien estructurado: Sistema de Prevención
y Análisis a la Deserción en las Instituciones de Educación Superior (SPADIES),
que lleva un control de las principales estadísticas de interés general, qué contiene
información agregada de todas las instituciones de educación superior del país y
que resulta un medio fácil de consulta para observar el tamaño del problema. Para
dar un ejemplo se muestra en la ¡Error! No se encuentra el origen de la referen-
cia. el porcentaje de estudiantes que desertan (agregado nacional) por semestre
cursado, actualizado al 3 de octubre de 2017.
Como lo enuncia Zuñiga (2012) la deserción ha sido ampliamente estudiada desde
la psicología, la sociología y la economía, pero el acercamiento desde el punto de
vista estadístico no ha tenido un acercamiento suficientemente profundo y se ha
limitado principalmente a un análisis de correlación de variables y análisis de prin-
cipales componentes.
Los modelos estadísticos basados en correlaciones y la estadística clásica, permi-
ten crear insights acerca de qué factores (sociales, económicos, históricos, acadé-
micos, etc.) influyen más y que otros para explicar la deserción. Sin embargo, este
tipo de enfoque no permite una instrumentalización del conocimiento, es decir, usar
efectivamente la información para el planteamiento de acciones concretas sobre las
poblaciones con más riesgo.

El análisis de la deserción desde los modelos modernos de analítica son recientes,

Mayra (2013) proponen una metodología para el análisis de la deserción desde la
inteligencia artificial, pero no exponen un modelo como tal. Posterior a este año se
encuentran acercamientos desde la analítica pero muy recientes como Guzmán
(2017) donde se implementan técnicas para la predicción de que un estudiante de-
serte, de hecho S. B. Kotsiantis (2003) comenta que no encuentra análisis desde el
enfoque de machine learning previo a su estudio.

Ilustración 1Porcentaje de estudiante que desertan por semestre cursado

Fuente Aplicativo SPADIES

La diferencia sustancial entre los análisis al problema de la deserción desde la pers-

pectiva clásica y la analítica, es que la primera trata de entender qué parámetros y
en qué medida estos afectan los niveles de deserción, mientras que los segundos
tratan de predecirla de la manera más eficiente posible, sin importar si hay o no
entendimiento o interpretación de las variables.

El propósito de este trabajo es estudiar las distintas herramientas que se han desa-
rrollado en el análisis de datos y su efectividad para la predicción oportuna sobre la
probabilidad de éxito de un estudiante de educación superior a su ingreso en la
universidad y definir qué herramienta es la más apropiada para una implementación.

Entender qué variables a nivel general son más críticas que otras es importante a
nivel de política pública, pero a nivel de políticas locales es necesario llevar a la
instrumentalización del conocimiento. De nada sirve conocer qué niveles socioeco-
nómicos tienen mayor riesgo de deserción sino se realizan acciones concretas para
estas poblaciones.

Las preguntas de investigación que se desean resolver son las siguientes: ¿Qué
información es almacenada de cada estudiante y qué información podría ser útil
para la estimación de la probabilidad de deserción? ¿Qué fuentes de información
exógena a las bases de datos de la universidad están disponibles y pueden ser
utilizadas? ¿Qué modelos de analítica se requieren para predecir con mayor efecti-
vidad la posibilidad de que un estudiante de educación superior deserte? ¿Son es-
tas técnicas compatibles para la implementación de herramientas que soporten pro-
cesos de prevención?

El resultado de este trabajo, implementado de forma local, podría ayudar de manera

significativa al planteamiento de estrategias concretas para atacar al problema de
la deserción estudiantil.

OBJETIVOS DEL ESTUDIO.

Objetivo General
Construir un modelo basado en técnicas de analítica que prediga de manera con-
fiable el riesgo de deserción en estudiantes a su ingreso en una institución de edu-
cación superior.

Objetivos Específicos
• Identificar que variables pueden ser explicativas del fenómeno de deserción
a partir del acercamiento a la población que ocasiona el fenómeno.
• Analizar la información que es almacenada por la institución académica caso
de estudio acerca de los estudiantes, así como la estructura de la información
que es almacenada.
• Identificar qué fuentes de información exógena pueden ser integradas en el
estudio.
• Analizar que estructuras de datos son compatible con los modelos estadísti-
cos clásicos y con los distintos modelos de analítica a evaluar.
 • Evaluar distintos modelos estadísticos y de analítica para la predicción del
riesgo de deserción de un estudiante a su ingreso a una institución de edu-
cación superior.
• Desarrollar una herramienta útil para la implementación del modelo desarro-
llado.

ESTADO DEL ARTE

El análisis de deserción estudiantil se ha estudiado de manera clásica a través de
los modelos de supervivencia y riesgo (Zúñiga, 2012), y alrededor de este se han
hecho investigaciones como en González C., Galvis S., & Hurtado T. (2014) donde
se pretende mejorar las técnicas utilizadas a través del estudio de estadísticos nue-
vos y proponiendo nuevas distribuciones de densidad. El análisis de supervivencia
y riesgo consiste en encontrar una función de densidad para la variable aleatoria
“Tiempo antes de la deserción”, cuyos parámetros asociados sean calculados a par-
tir de los factores que se consideran afectan de manera significativa el fenómeno.

Cómo lo indica el estudio del MEN Deserción estudiantil en la educación superior

colombiana (2009) “En particular, los modelos de duración permiten determinar el
riesgo de ocurrencia de un evento, en este caso el evento de desertar, y analizar
cuándo es más probable que éste ocurra teniendo en cuenta la influencia de sus
principales factores o predictores” (pg. 40). Aquí mismo hacen referencia a modelos
de supervivencia aplicados al caso desde 1982.

Se puede evidenciar claramente en la lectura de distintos artículos nacionales, como

el enfoque de los estudios realizados por el gobierno se limita al análisis de correla-
ción por parejas de variables, pero no a un análisis total y enfocado a la instrumen-
talización (CEDE, 2014) y (Nacional, 2009).

Los modelos de analítica para el análisis del fenómeno de deserción estudiantil em-
piezan a aparecer a mediados del 2000. Como se manifestó anteriormente S. B.
Kotsiantis (2003) indica que no encuentra referencias anteriores a él para abordar
el problema desde esta clase de herramientas. La diferencia fundamental entre el
enfoque clásico (supervivencia y riesgo) y el de analítica, es que los últimos permi-
ten el análisis de gran cantidad de factores y no únicamente el tiempo y permiten
además realizar predicciones que no obedezcan a correlaciones necesariamente
lineales, que son la principal limitación de los enfoques clásicos.

La proliferación de métodos cada vez más sofisticados y mejores herramientas

computacionales han permitido la implementación de metodologías más complejas,
se encuentran estudios alrededor del mundo trabajando sobre la deserción y utili-
zando métodos de analítica. S. B. Kotsiantis (2003) analiza la deserción en una ins-
titución de estudios a distancia en Grecia, encontrando efectividades de hasta 80%
en la capacidad de predicción de los modelos utilizados. En chile Guzmán (2017)
hace la comparación de 3 algoritmos distintos encontrando eficiencias similares en
el orden del 80%.

También se encuentran estudios que siguen utilizando los métodos clásicos de es-
tadística descriptiva e inferencial para determinar factores principales, como se ob-
serva en Martinis-Mercado (2016) para un estudio realizado en Argentina.

En conclusión, los métodos de estadística clásica por regresión de parámetros han

sido por tradición los más utilizados, y los métodos modernos de analítica están
siendo aplicados desde hace muy pocos años por lo que su validación aún está en
estudio.

MARCO TEÓRICO

El primer aspecto importante de discusión es el enfoque metodológico desde el cuál

se ha abordado el problema de la deserción estudiantil ya que, dependiendo de los
fines de los distintos estudios, se pueden evidenciar diferencias sustanciales desde
el punto de vista del alcance de la población, el tipo de investigación y las técnicas
utilizadas. Principalmente se podría hacer una distinción entre los estudios que tie-
nen un enfoque desde lo social, psicológico o médico, donde se realizan estudios
de campo, pero no se incorporan pruebas estadísticas ni estimación de parámetros,
y su principal propósito es el de incrementar el entendimiento de las posibles cau-
sales del fenómeno de deserción. Y el enfoque analítico, estadístico, matemático,
que parte de la información ya disponible para cuantificar la medida en que los dis-
tintos factores afectan el fenómeno de deserción o aportar a la descripción precisa
de alguno de los factores, desde sus dimensiones cuantificables.

Por ejemplo, Gamella (2011) realiza un estudio sobre la deserción en la población

de una comunidad minoritaria de gitanos en España, donde el tipo de investigación
es de carácter sociológico, y se hace un análisis de los factores que influyen en la
deserción desde el punto de vista cultural, histórico personal de cada individuo, aco-
plamiento de la minoría dentro del contexto mayoritario, etc. Realizando una des-
cripción detallada de cada una de las variables que el autor consideró importantes,
más no se elaboran análisis desde una perspectiva cuantitativa, analítica e instru-
mental. Dicho estudio lleva a resultados descriptivos, que incrementan el nivel de
conocimiento de la situación actual y del contexto particular de la problemática.

Por otro lado, Christensen & Spackman (2017) buscan desarrollar una herramienta
analítica que permita a los diseñadores de los cursos on-line identificar en que mo-
mento del tiempo los estudiantes son más propensos a retirarse y teniendo en
cuenta esto analizar qué sucede y generar planes de acción. En este caso no se
pretende entender por qué razón están abandonando lo estudios, ni cuales son las
características de los estudiantes que abandonan ni tampoco las características de
cada uno de los cursos que hacen que el fenómeno ocurra, sino, a partir de una
herramienta analítica identificar el comportamiento del fenómeno de la deserción a
lo largo del tiempo. En este estudio se encuentra de manera interesante que la grá-
fica de la medida “Momento de estudiantes”, definida como la proporción de estu-
diantes que logran culminar sus estudios luego de aprobar una lección, tiene una
forma particular para cada uno de los programas analizados y que era posible agru-
parlos según su forma, identificando con claridad diferencias entre programas que
tenían lo que llaman “paredes”, que son lecciones dentro del curso donde se retira
gran cantidad de estudiantes, o por ejemplo otro de forma convexa, dónde no hay
una “pared” definida como tal, sino una tasa casi constante de deserción a lo largo
de las materias. Para ilustrar se muestran en la figura 2 un par de ejemplos (a la
izquierda programa con “Pared”, a la derecha, programa con forma convexa).

Ilustración 2Posibles figuras del momento M.

Fuente: (Christensen & Spackman, 2017)

González C., Galvis S., & Hurtado T. (2014), al igual que Christensen & Spackman
(2017), proponen una metodología analítica para el cálculo del tiempo que un estu-
diante le toma desertar, realizando un ajuste la función Beta generalizada. Nueva-
mente sus pretensiones no son explicar causalidades, sino lograr una descripción
analítica de parámetros importantes que soporten la toma de decisiones.

La función de densidad del modelo beta generalizado es:

González C., Galvis S., & Hurtado T., argumentan que las función de riesgo utilizada
generalmente, no muestra un ajuste tan flexible como si lo hace la función beta
generalizada, y por ello propone su utilización para la caracterización del fenónemo.

Otro enfoque desde el cual se ha abordado el problema analíicamente ha sido

desde el análisis de supervivencia. Éste método como lo indica, Montes Gutiérrez
et.al (2010), es el más ampliamente utilizado para estudiar los problemas de
deserción. Este tipo de modelos buscan describir de manera paramétrica la
distribución de probabilidad del tiempo que un estudiante permanece vinculado a un
programa hasta su deserción y hacer de los parámetros del modelo una función de
los factores que se creen tienen algún tipo de correlación. Es decir:

𝑃(𝑇 ≥ 𝑡) = 𝑓(𝛽, 𝑥)

Dónde P(T>t) corresponde con la probabilidad de que la variable T (tiempo antes

de la deserción) sea mayor un valor de tiempo es igual a una función de los factores
y de parámetros desconocidos que se estiman a partir de la muestra.

En Rodríguez (2007) se ofrece una explicación detallada y lo suficientemente clara

acerca de la definición de los modelos de supervivencia y riesgo. Para tener una
ilustración aproximada se tiene:

𝑓(𝑡)
𝜆(𝑡) =
𝑆(𝑥)

Dónde λ(t) es la función de riesgo (hazard function) f(t) es la función de densidad

para la probabilidad de que el evento suceda antes del tiempo t y S(t) es la función
de distribución para la probabilidad de que el evento suceda luego del tiempo t
tambien llamada función de supervivencia.

La función de riesgo se interpreta como la tasa instantanea con la que el evento

sucede en el tiempo t. Debido a que f(t) es la derivada de S(t) es posible encontrar
la relación directa entre la función de riesgo y la función de supervivencia:

𝑡
𝑆(𝑡) = 𝑒 − ∫0 𝜆(𝑥)𝑑𝑥

Con lo que partiendo de cualquiera de las dos funciones es posible determinar la

otra.

Los estudios que se han realizado por parte del gobierno Nacional ( (Nacional,
2009), (CEDE, 2014), (MEN, 2008)) utilizan los modelos de supervivencia
asumiento que la función de riesgo λ(t) es una función lineal que depende de los
factores. Es decir λ(t)=f(β,x). Realizando el ajuste haciendo a los factores variables
explicativas de la función de riesgo es posible cuantificar la medida en qué cada una
de estas influye sobre el abandono a lo largo del tiempo. Los resultados de estos
trabajos muestran que factores como la cantidad de hermanos, el estar trabajando
durante la presentación del exámen Icfes (cómo variable socio económica), nivel
alcanzado en e puntage del icfes, son parametros que explican en gran medida el
fenómeno de la deserción. A pesar de que este modelo permite conectar de manera
robusta la variable temporal con los factores, las conclusiones de este modelo si
bien permiten entender que estas variables son importantes, no permiten
instrumentalizar ni crear planes de acción sobre poblaciones concretas.

Finalmente, se encuentran los enfoques modernos basados en Analítica(Mineria de

Datos, Machine Learning, Inteligencia Artificial, entre otros). La Analítica es un
campo de la estadística y las ciencias de la computación referido al proceso que
intenta descubrir patrones en grandes volúmenes de conjuntos de datos (Oded &
Lior , 2010). El uso de estas tecnicas es reciente, como se muestra en el Estado del
Arte de este documento. El propóstico de estas técnicas no es el de incrementar el
entendimiento acerca del origen de los problemas que afectan la deserción, sino
buscar la manera más efectiva de identificarla. Sin pretender entender qué factores
son los más influyentes en la explicación del fenómeno de la deserción, se trata de
a partir de los datos que se tienen lograr predecir qué sujetos tendran el mayor
riesgo de deserción.

Las técnicas de analítica se pueden dividir en dos grandes grupos, modelos

supervizados y no supervizados, dentro de los supervizados se encuentran las
técnicas de clasificación y dentro de los no supervizados y las técnicas de
clusterización o agrupamiento. Los modelos de clasificación pretenden predecir
dados los factores la posible salida, por lo que se puede comparar con conjuntos de
prueba la calidad de la predicción. Mientras que los modelos de agrupamiento
pretender agrupar sujetos por sus caracteristicas similares, pero en este caso puede
o no haber un patron de comparación.

Para el caso del fenómeno de la deserción, se han trabajado con modelos de

clasificación, ya que se conoce de antemano en las bases de datos trabajadas los
estudiantes que abandonan sus estudios.La cantidad de tecnicas que se pueden
trabajar clasifcamente son: Arboles de desición, 1R, Bosques aleatorios, K-means,
K-mediodes, Regresión logistica, Regresión Lineal, Bayes, Redes neuronales y
Máquinas de soporte vectorial. En Guzmán (2017) se prueban 3 tecnias para un
conjunto de datos de 9195 individuos y 11 variables, lo que produjo una precisión
dentre 72% y 79% para la predicción que se tiene sobre un individuo de desertar.

Quadri & Kalyankar (2010) utiliza 9 variables utilizando únicamente arboles de

decisión como método de predicción encontrando para su población que los factores
“ser el primer hijo” e “ingreso de los padres”, así como el género eran grandes
determinantes del fenómeno.

S. B. Kotsiantis (2003) se utiliza una muestra de 354 estudiantes y un total de 11

variables explicativas, encontrando precisiones entre el 78% y el 84%. Lo
interesante en este estudio fue realizar las predicciones por etapas de acuerdo a la
cantidad de información que se tenía a lo largo del tiempo de cada estudiante. Por
lo que solo apartir de las variables demográficas lograban prediciones por el orden
del 65%, al adquirir resultados semestre a semestre se logra la predicción en los
valores dados luego de tener informacipon de 5 semestres acumnulados.

Teniendo en cuenta este marco teórico, se propondra la utilización de un modelo

mixto, que utilice el modelo de supervivencia y las técnicas de Analítica para la
predicción del riesgo de los estudiantes y se evalauaran los resultados de dicho
enfoque contra los modelos clásicos y modernos.

METODOLÓGIA

Si bien las instituciones de educación superior almacenan información de cada uno

de sus estudiantes respecto a variables demográficas y académicas (como los
resultados de las pruebas SABER), es posible que aspectos importantes que
puedan dar explicación al fenomeno de la deserción y que puedan ser registrados
no se hayan tenido en cuenta. Por este motivo el primer paso de la investigación
consistirá en el desarrollo de encuentas al 100% de la población que haya desertado
de la insitución caso de estudio y evaluar las razones que ellos indican desertaron.
Luego de ello se utilizará la metodología CRISP-DM (Cross-Industry Standard
Process for Data Mining) desarrollada por IBM para orientar el análisis de datos y
cuyos pasos se ilustran en la siguiente imagen:

Ilustración 3Metodología CRISP-DM

Fuente: Manual CRISP-DM de IBM SPSS Modeler

Para consultar con detalle los pasos de la metodología se puede hacer referencia
al Manual CRISP-DM de IBM SPSS Modeler que se encuentra con licencia abierta
y es consultable desde la red.

• Fuentes de Información

Las fuentes de información serán principalmente las bases de datos de la Escuela

Colombiana de Ingeniería Julio Garavito, las cuales se encuentran en su mayoría
en formato SQL. Por otro lado, se indagará la posibilidad de cruzar unformación con
la base de datos abierta del ICFES(Instituto Colombiano para la Evaluación de la
Educación) la cual es accedida desde la página web ftp://ftp.icfes.gov.co/, previa
solicitud de usuario y contraseña, y que contiene información de los resultados de
las pruebas realizadas en el grado quinto, noveno y grado once de la formación
escolar, así como los resultados de las pruebas SABER PRO que evaluan la
educación superior. Dentro de ella se ecuentra información del centro de educación
del estudiante así como información demográfica, como estrato social, grado de
alfabetización de los padres, entre muchas otras. Que de ser posible cruzar
agregaría inmenso valor.

Por otro lado como se enunució anteriormene se realizaran encuestas al 100% de

la población que ha desertado de la institución caso de estudio. Es decir, aquellos
estudiantes pertenecientes a cualquier programa de pregrado de la institución que
hayan pagado matricula aunque sea una vez y que luego de haber cursado 1 o más
semestres no obtienen su titulo de profesional.

• Tecnicas para la recolección de la información

La técnica para obtener la información proveniente de la institución educativa será

la realización de reuniones con distintos directivos quienes darán a conocer con
detalle qué información existente y cómo está organizada.

Por otro lado la información proveniente del ICFES será analizada con cuidado y se
harán visitas a las oficinas de dicha institución para obtener ayuda acerca de su
depuración. Es importante resaltar que la base de datos contiene un instructivo
detallado del significado de cada uno de los cientos de campos que contiene la
base.

Finalmente la técnica para obtener la información acerca de las razones que

exponen los estudiantes que han desertado para haber tomado esa decisión es la
realización de entrevistas por llamada telefónica, que se realizara en dos etapas.
Una inicial del tipo no estructurado (Bernal Torres, 2010) con algunas preguntas
abiertas, a manera de conversación con una muestra pequeñá de no más de 20
estudiantes. Con esta información recogida se diseñara una entrevista estructurada
de preguntas abeirtas igualmente pero mucho más específicas que ayuden a tener
un entendimiento de las posibles variables que ellos mencionan pero que no se han
medido o recogido por los sistemas de información actuales.
Durante estas entrevistas no se mediran variables como tal, sino se definiran como
tal esas variables.

• Procedimiento de trabajo

A continuación se enumeran las etapas para el estudio:

1. Desarrollo de un modelo de encuesta para la población que desertó de la

institución caso de estudio.
a. Se inician encuestas con una población muy pequeña para ajustar el
cuestionario.
b. Se diseña un nuevo custionario de preguntas abiertas más específico.
2. Ejecución de las encuestas a través de llamadas con un equipo de trabajo
dedicado a esa tarea.
3. Definición de las variables que se reconocen importantes sobre la base de
las encuenstas. Para esto se harán los análisis de estadística descriptiva que
permitan visualizar los resultados.
4. Desarrollo de las etapas del modelo CRISP-DM, que como se indico atrás, el
manuel detallado puede ser conultado en (IBM, 2012).
a. Business Understanding: Durante esta etapa se llevarán a cabo
reuniones con los disintos directivos de la institución de educación
superior para recoílar y entender los datos que almacena actualmente
la institución. Adiconalmente se evaluará la posibilidad de acceder a
bases de datos externas, como las del ICFES y se miraran otras
posibilidades. Y finalmente se estudia la posibilidad de agregar
atributos no almacenados por la base de datos de la institución que
provienen resultado de las encuentas realizadas.
b. Data Understanding: En esta etapa se tienen los datos recopilados, se
realizan los estudios correspondientes para cruzar la información. Se
mira desde el punto de vista descriptivo cada uno de los paramétros.
Se analiza la calidad de los datos y se completa y perfeccionan las
bases según la necesidad.
 c. Modeling: Durante esta etapa se desarrollaran todos los modelos
descritos en el marco teórico y se hará el desarrollo de la prouesta de
modelo (Modelo Mixto de Superviviencia con herramientas de
analítica).
d. Evaluation: Durante esta etapa se definiran medidas de desempeño
que no solo hablen de las capacidades predictivas de las
herramientas, sino también acerca de su implementabilidad y
posibilidad de interpretación.
e. Finalmente para la etapa Deployment se establecera un proceso de
cómo puede ser instumentalizada la herramienta en una institución de
educación superior.
5. Desarrollo del informe final.

CRONOGRAMA DE ACTIVIDADES

A continuación se muestra la planificación para la ejecución del presente proyecto

de investigación.

Mes
Actividad 1 2 3 4 5 6 7 8 9 10 11
Diseño de encuestas
Desarrollo de encuestas
Análisis de las Encuestas
CRISP-DM
Business Understanding
Data Understanding
Modeling
Evaluation
Deployment
Redacción Informe Final
Presupuesto de inversión

Para desarrollo de la investigación se requieren los siguientes recursos.

Recurso Cantidad Unidad Total

Investigador 470 Horas $23.500.000,00
Ingeniero de sistemas 40 Horas $2.000.000,00
Director de investigación 112 Horas $14.560.000,00
Personal para llamadas 480 Horas $3.360.000,00
Asistencia a eventos 2 Boletas $1.500.000,00
Viáticos 2 Viajes $3.000.000,00
Otros $3.000.000,00
Total $47.920.000,00

El concepto “Asistencia a eventos” y “Viaticos” hace locución a presúpuesto

destinado para poder asisitir a eventos que aporten valor al desarrollo de la
investigación y al dinero para sustentar la estadia por el tiempo en el cual se
desarrollen.

PRODUCTOS ESPERADOS
• Herramienta de software que sea fácilmente adaptable a sistemas de
información en instituciones de educación superior.
• Articulo para publicar en revista científica.
• Ponencia a nivel nacional o internacional.

EQUIPO INVESTIGADOR

Fidel Andrés Olarte Bustos Ingeniero Industrial con con énfasis en optimización
en gerencia de operaciones. Maestrante en Ingeniería Industrial,
especializado principalemten en el área de la investigación de operaciones,
estadística aplicada, machine learning, analitica e inteligencia de negocios,
con experiencia en proyectos de modelaje de sistemas en el sector
educación. Empresario, fundador y gerente de Tu Profe S.A.S.

Ignacio Pérez Doctor en matematicas aplicadas (Universidad de Lyon, Francia).

Consultor privado de IQuartil Ltda. en las áreas de Gestión de Riesgo, Planeación,
Gestión de Producción, Estadística aplicada a la Toma de decisiones (Data Mining).
Profesor en las áreas de Estadística e Investigación de Operaciones en la Escuela
Colombiana de Ingeniería Julio Garavito.Realizó distintas publicaciones en revistas
indexadas y con más de 30 años de experiencia en el desarrollo de Cursos y
Seminarios.

Wilson Alexánder Pinzón Rueda Magister e Ingeniero Industrial con amplia

experiencia en la asesoría, análisis y procesos de mejora de procesos y negocios
industriales en sectores eléctrico, de telecomunicaciones, alimentos, agrícola y en
Justicia formal y Política Criminal para el Ministerio de Justicia y en primera infancia.
PhD. en Ingeniería Industrial, Modelaje y Política Pública, Agro ciencias. Usuario
frecuente de técnicas y análisis de flujo, operaciones, estadística e investigación de
operaciones para la optimización del negocio. Autor de · Hacia un Nuevo Modelo de
cibernética de tercer Orden en telecomunicaciones. (2013) y Diseño y Evaluación
de lúdicas (2014).

Referencias
Bernal Torres, C. (2010). Metodología De La Investigación: Administración,
Economía, Humanidades Y Ciencias Sociales. Bogotá: Pearson.

Bravo, P. C. (2015). El Abandono Universitario. Revista Fuentes, 9-14.

Cede, C. D. (2014). Informe Determinantes De La Deserción . Bogotá: Universidad

De Los Andes.

Christensen, S., & Spackman, J. (2017). Dropout Rates, Student Momentum, And
Course Walls: A New Tool For Distance Education Designers. Journal Of
Educators Online.

Gamella, J. (2011). Historias De Éxito.Modelos Para Reducir El Abandono Escolar

De La Adolescencia Gitana. Colección Estudios Creade N.º 7.

González C., J., Galvis S., D., & Hurtado T., L. (2014). Beta Generalized
Distribution As Survival Model For The Analysis Of University Dropouts.
Estudios Pedagógicos,, 133-144.

Guzmán, M. A. (2017). Análisis De La Deserción De Estudiantes Universitarios

Usando Técnicas De Minería De Datos. Formación Universitaria Vol. 10 Nº
3, 61-68.

Ibm. (2012). Manual Crisp-Dm De Ibm Spss Modeler. Estados Unidos.

Martinis-Mercado, E. A. (2016). Estudio De Factores Causales De Deserciónen

Alumnos De Ciencias Veterinarias. Revista Veterinaria, 130-133.
Mayra Treviño, S. I. (2013). A Framework To Avoid Scholar Desertion Using.
Proceedings Of The World Congress On Engineering 2013 Vol Iii,.

Men. (2008). Deserción Estudiantil En La Educación Superior En Colombia,

Elementos Para Su Diagnóstico Y Tratamiento. Bogotá: Men.

Moneyweb. (15 De 10 De 2017). South Africa’s High University Dropout Rates.

Obtenido De Https://Www.Moneyweb.Co.Za/Archive/South-Africas-High-
University-Dropout-Rates/

Montes Gutiérrez, I. C., Almonacid Hurtado, P. M., Gómez Cardona, S., Zuluaga
Díaz, F. I., & Tamayo Zea, E. (2010). Análisis De La Deserción Estudiantil.
Medellín: Grupo De Investigación Estudios En Economía Y Empresa
Departamento De Economía Escuela De Administración.

Nacional, M. D. (2009). Deserción Estudiantil En La Educación Superior

Colombiana Metodología De Seguimiento, Diagnóstico Y Elementos Para
Su Prevención. Revolución Educativa Colombia Aprende, 40.

Oded , M., & Lior , R. (2010). Data Mining And Knowledge Discovery Handbook.
New York: Springer.

Quadri, M., & Kalyankar, N. (2010). Drop Out Feature Of Student Data For
Academic Performance Using Decision Tree Techniques. Global Journal Of
Computer Science And Technology, 2-5.

Rodríguez, G. (2007). Lecture Notes On Generalized Linear Models.

Http://Data.Princeton.Edu/Wws509/Notes/.

S. B. Kotsiantis, C. J. (2003). Preventing Student Dropout In Distance Learning.

Springer-Verlag Berlin Heidelberg, 267-274.

University, T. N. (15 De Septiembre De 2017). World University Rankings.

Obtenido De Https://Www.Timeshighereducation.Com/News/27-Of-German-
Students-Drop-Out/175542.Article

Zúñiga, F. S. (2012). La Deserción En La Educación Superior En Colombia

Durante La Primera. Centro De Estudios Sobre Desarrollo Económico,
Facultad De Economía, Universidad De Los Andes.