June 15, 2022

Descripción General

Como parte de mi rol docente en la Universidad Autónoma Metropolitana, identifiqué la necesidad de un sistema integral para analizar y predecir el rendimiento académico de los estudiantes. Este proyecto consistió en el diseño e implementación de un dashboard interactivo en Power BI que no solo visualiza datos históricos, sino que también incorpora modelos predictivos para identificar proactivamente a estudiantes en riesgo académico.

Características Principales

• Visualización Multidimensional: Desarrollo de un panel interactivo que muestra métricas clave como promedios de calificación, tasas de aprobación/reprobación y patrones de asistencia, con capacidades de segmentación por curso, grupo y periodo académico.
• Correlación de Variables Académicas: Implementación de análisis de correlación para identificar factores determinantes en el éxito académico, estableciendo relaciones entre asistencia, participación en clase y calificaciones finales.
• Modelo Predictivo Integrado: Incorporación de un modelo de machine learning desarrollado en Python e integrado en Power BI para predecir la probabilidad de éxito o riesgo de cada estudiante basado en su desempeño actual.
• Sistema de Alertas Tempranas: Configuración de un sistema de alertas visuales que identifica automáticamente a estudiantes con alto riesgo de reprobación, permitiendo intervenciones proactivas.
• Segmentación Dinámica: Implementación de filtros interactivos que permiten a los docentes analizar tendencias específicas por asignatura, periodo o características demográficas de los estudiantes.

Tecnologías Utilizadas

• Power BI: Plataforma principal para desarrollo del dashboard y visualizaciones
• DAX: Para cálculos avanzados y medidas personalizadas dentro de Power BI
• Python: Para desarrollo de modelos predictivos integrados con Power BI
• Scikit-learn: Biblioteca de machine learning para implementación de algoritmos predictivos
• Power Query: Para la transformación y limpieza de datos antes de su visualización
• SQL: Para consultas y extracción de datos desde sistemas académicos existentes

Desafíos y Aprendizajes

El mayor desafío fue la integración efectiva entre los modelos predictivos desarrollados en Python y la plataforma de visualización Power BI. La implementación requirió soluciones creativas para asegurar que las predicciones se actualizaran en tiempo real sin comprometer el rendimiento del dashboard. Otro desafío significativo fue la normalización de datos heterogéneos provenientes de diferentes cursos y sistemas de evaluación. Mediante técnicas avanzadas de ETL (Extracción, Transformación y Carga) en Power Query, logré crear un modelo de datos coherente que permitía comparaciones válidas entre distintos cursos y periodos académicos.

Resultado

El dashboard de rendimiento académico se convirtió en una herramienta esencial para el cuerpo docente, permitiendo:

1. Identificación temprana de estudiantes en riesgo, reduciendo las tasas de abandono en un 15%
2. Análisis detallado de patrones académicos para informar mejoras en los métodos de enseñanza
3. Seguimiento de tendencias a largo plazo en el rendimiento académico por asignatura y cohorte
4. Intervenciones personalizadas basadas en predicciones de riesgo individual

Este proyecto demuestra cómo la combinación de visualización avanzada de datos y modelos predictivos puede transformar la educación superior, pasando de un enfoque reactivo a uno proactivo en la gestión del rendimiento académico.