La analítica de datos y el big data son tecnologías emergentes que están cobrando una gran importancia en diferentes escenarios, y la educación es uno de ellos, ya que se usan para procesar grandes volúmenes de datos relacionados con los estudiantes para tomar decisiones que favorezcan su bienestar y permanencia en los procesos de aprendizaje. 

En la era digital actual, las instituciones de educación superior se enfrentan a numerosos desafíos relacionados con la gestión eficiente de la información y el fomento de la calidad educativa. Ante esta realidad, la analítica de datos y el big data emergen como herramientas fundamentales para mejorar la identificación de problemáticas y sus causas, la toma de decisiones informada, la definición de soluciones a los problemas y promover la innovación en el ámbito académico. En este artículo, exploraremos cómo las instituciones de educación superior pueden aprovechar estas tecnologías para impulsar la calidad educativa y el rendimiento estudiantil.  

El poder de la analítica de datos y el big data 

En los últimos años la analítica de datos permite recopilar, procesar y analizar grandes volúmenes de información generada en el entorno educativo. Mediante el uso de técnicas avanzadas de análisis estadístico, esta herramienta proporciona una visión profunda de los datos relacionados con el rendimiento académico, los patrones de aprendizaje, el progreso estudiantil y otros indicadores relevantes. Con estos conocimientos, las instituciones pueden identificar áreas de mejora, diseñar estrategias personalizadas y optimizar la planificación de recursos.

Por su parte, big data se refiere al procesamiento y análisis de grandes conjuntos de datos que superan las capacidades de las herramientas tradicionales. En el contexto de la educación superior, este ofrece oportunidades sin precedentes para comprender y predecir patrones de comportamiento estudiantil, tendencias de inscripción, eficacia de programas académicos y otras variables clave. Mediante el análisis de estos datos masivos, las instituciones pueden tomar decisiones fundamentadas y adaptar su oferta educativa a las necesidades cambiantes de los estudiantes y del entorno.  

Es importante agregar que la infraestructura tecnológica, la programación y las TIC potencian el poder de estas herramientas, ya que, por medio de los instrumentos de análisis estadístico, el desarrollo de software y de Apps, el intercambio de datos entre las diferentes plataformas o interoperabilidad, la tabulación automatizada, los LMS o Learning Management System y la visualización de gráficos, se facilita que este tipo de transformaciones se ejecuten dentro de las instituciones.  

Ejemplos de cómo podrían ser usados 

Se puede implementar la analítica de datos para identificar patrones en el desempeño de los estudiantes, lo que ayudaría a los profesores a adaptar sus estrategias de enseñanza para satisfacer las necesidades específicas de aprendizaje de cada estudiante. También, es factible emplear el big data para analizar el comportamiento de los estudiantes en línea, lo que puede ayudar a los administradores del sistema a identificar áreas de mejora en los programas, definir mejores estrategias de seguimiento y cuál es la tecnología utilizada en los entornos virtuales.  

Otro ejemplo, es la posibilidad de tomar decisiones informadas sobre la asignación de recursos. Ya que estas herramientas facilitan la identificación de programas que no están generando el rendimiento esperado y, por lo tanto, asignar los recursos a programas más efectivos. Asimismo, la analítica de datos facilita la predicción de la demanda de programas educativos y ajustar la oferta en consecuencia con esos resultados. 

Esto conlleva a inferir o validar algunas categorías o procesos donde se usan o pueden ser útiles los datos y análisis en las universidades: 

• Seguimiento a docentes estudiantes: notas, LMS y evaluación docente. 
• Estudios de desempeño académico: información sociodemográfica, registros académicos, LTS o Long Term Support y encuestas de percepción. 
• Evaluación institucional. 
• Registros administrativos: predicción de la demanda, inventarios, información financiera, procesos y atención a estudiantes.

Herramientas y plataformas que apoyan este tipo de implementaciones:

Estas son algunas, pero en el mercado hay una gran variedad que buscan precisamente convertirse en aliadas para gestión de información. Por otra parte, hay universidades que desarrollan sus propios aplicativos y herramientas, los cuales son diseñados a la medida de acuerdo con las necesidades. 

¿Cuáles son los retos? 

Sin embargo, la implementación exitosa de la analítica de datos y el big data en la educación superior requiere de una infraestructura tecnológica robusta, de criterios claros para la obtención de datos sensibles y de profesionales capacitados en análisis de datos. Las instituciones deben asegurarse de contar con sistemas de gestión de datos eficientes, así como con políticas claras sobre privacidad y seguridad de la información, la protección de los datos personales, la gobernanza de datos y la calidad de los mismos. Además, se deben superar desafíos relacionados con la integración de datos de diferentes fuentes, la estandarización de métricas y la adaptación de los procesos institucionales a un enfoque basado en datos.  

Si desea conocer más información al respecto, lo invitamos a ver el webinar Big data y analytics en la educación, dictado por el profesor José Fernando Zea: https://micomunidadvirtual.uexternado.edu.co/webinars/ 

Bibliografía 

1. Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS quarterly, 36(4), 1165-1188. 
2. Davenport, T. H., & Patil, D. J. (2012). Data scientist: The sexiest job of the 21st century. Harvard business review, 90(10), 70-76. 
3. Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. 
4. Hossain, M. A., Ahmed, M. R., & Nafais, S. S. (2018). A systematic review of big data analytics in healthcare. Journal of Big Data, 5(1), 42. 
5. Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data and data-driven decision making. Big Data, 1(1), 51-59.