Inteligencia empresarial adaptativa y su aplicación predictiva sobre patrones taxonómicos de deserción
DOI:
https://doi.org/10.25044/25392190.902Palabras clave:
minería de datos, inteligencia de negocios, predictivo, adaptativo.Resumen
Las variables que surgen de las bases de datos de una Universidad Nacional de Argentina, favorecen el análisis y aplicación de una metodología de Inteligencia de Negocio Adaptiva, mediante la cual, aplicando los filtros adecuados de manera metodológica, como se expone en el presente trabajo, permitirán encontrar los alumnos en riesgo de desertar y realizar un trabajo preventivo sobre ellos. Existen datos socio-psicométricos, económicos y culturales, además de elementos físicos que han de ser tomados en consideración relacionándolos con la terminalidad de estudios de los sujetos evaluados. Surge a partir de allí, un modelo predictivo de aprendizaje que clasifica las causalidades de deserción. Finalmente, se puede explotar este conocimiento para desarrollar la aplicación en cualquier lenguaje de programación, de manera que aproveche tal conocimiento, con uso en nuevos sujetos y sus datos. En virtud de ello, se exponen las principales ventajas obtenidas de las capacidades predictivas sobre los datos del caso.
Descargas
Referencias bibliográficas
Alom, B. M., & Courtney, M. (2018). Educational Data Mining: A Case Study Perspectives from Primary to University Education in Australia.
Binstock Georgina. (2005). Carreras truncadas. UNICEF. Recuperado de https://www.unicef.org/argentina/spanish/Carrerastruncadas(1).pdf
Breiman, L. (2017). Classification and regression trees. Routledge.
Cios, K. J., Pedrycz, W., Swiniarski, R. W., & Kurgan, L. A. (2007). Data mining: a knowledge discovery approach. Springer Science & Business Media.
Eckert, K. B., & Suénaga, R. (2015). Análisis de deserciónpermanencia de estudiantes universitarios utilizando técnica de clasificación en minería de datos. Formación universitaria, 8(5), 03-12.
Educ.ar El portal educativo argentino. (2017). Recuperado de http://portal.educ.ar/noticias/educacion-ysociedad/
desercion-escolar.php
Farías, M., Fiol, D, Kit, I. Melgar, S. (2007). Todos pueden aprender - Propuestas para superar el fracaso escolar. UNICEF - Oficina de Argentina.
Michalewicz, Z., Schmidt, M., Michalewicz, M., & Chiriac, C. (2006). Adaptive business intelligence (pp. 37-46). Springer Berlin Heidelberg.
Peral, J., Maté, A., & Marco, M. (2017). Application of data mining techniques to identify relevant key performance indicators. Computer Standards & Interfaces, 54, 76-85.
Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data Mining for Business Analytics: Concepts, Techniques, and Applications in R. John Wiley & Sons.
Slater, S., Joksimović, S., Kovanovic, V., Baker, R. S., & Gasevic, D. (2017). Tools for educational data mining: A review. Journal of Educational and Behavioral Statistics, 42(1), 85-106.
Una Metodología para el Desarrollo de Aplicaciones Autoadaptativas basada en Business Intelligence. Aplicación en Medicina. (2012). (Tesis para optar a la titulación de postgrado correspondiente a la Maestría en Ingeniería de Software).
Villegas-Ch, W., & Luján-Mora, S. (2017, March). Analysis of data mining techniques applied to LMS for personalized education. In World Engineering Education Conference (EDUNINE), IEEE (pp. 85-89). IEEE.
Watson, H. J., & Wixom, B. H. (2007). The current state of business intelligence. Computer, 40(9)