Predicción de abandono estudiantil
Modelo de riesgo que estima la probabilidad de abandono de cada alumno y ordena la lista de tutorías: a quién intervenir primero cuando el recurso es limitado. Piloto (POC) sobre el dataset UCI, con umbral de decisión como dial de negocio.
El Problema
El recurso de tutorías es limitado: no se puede intervenir con todos los alumnos a la vez. La pregunta no es solo quién tiene riesgo, sino a quién intervenir primero y con qué anticipación.
- • Clase minoritaria y desbalanceada (32% abandono): la exactitud sola engaña
- • Ventana de intervención acotada: el modelo temprano tiene menos datos pero llega a tiempo
- • Cada falso positivo es una tutoría desperdiciada en un alumno que no iba a abandonar
- • Piloto con dataset público UCI; el dato real del instituto se solicita aparte
Mi Proceso
1. Entender (EDA)
Hipótesis de negocio confrontadas contra los datos antes de modelar.
- ✓ Cuota impaga: 86.6% de abandono vs. 24.7% del que está al día
- ✓ 0 materias aprobadas en el 1er semestre: 79.4% de abandono
- ✓ Contexto macroeconómico descartado (correlaciones ≈ 0)
2. Preparar
Auditoría de calidad e ingeniería de variables.
- ✓ Dataset sin nulos ni duplicados (viene preprocesado)
- ✓ Ratio de aprobación del 1er semestre como feature
- ✓ Receta de limpieza documentada para aplicar al dato real del instituto
3. Modelar
Escalera honesta de modelos, de la línea base ingenua al modelo de riesgo.
- ✓ Métrica elegida antes de entrenar: recall de la clase abandono (decisión de negocio)
- ✓ Logística (1er semestre y completa) vs. Random Forest
- ✓ Umbral operativo 0.53 optimizado por F1
4. Decisión y lista priorizada
El entregable operativo: la lista de alumnos ordenada por riesgo para el equipo de tutorías.
- ✓ Bandas de riesgo: 87.8% de abandono real en 'Alto' vs. 10% en 'Bajo'
- ✓ Se elige la versión temprana pese a menor recall: llega a tiempo para intervenir
- ✓ Cada tutoría invertida se justifica con la señal visible por fila (cuota, beca, aprobadas)
La Solución
Por qué logística y no Random Forest
Random Forest detecta algo más de abandonos pero con menor precisión.
El umbral como dial de negocio
El umbral por defecto (0.5) no siempre es el mejor para la decisión.
Versión temprana vs. completa
La versión completa gana en todas las métricas, pero hay que esperar un año.
Resultados & Impacto
Aprendizajes Clave
- ✓ Métrica primero: la exactitud sola engaña: la línea base ingenua ya tiene 68% sin detectar ni un solo abandono.
- ✓ Señal convergente: logística y Random Forest coinciden en las variables que importan (cuota, beca, aprobadas del 1er semestre).
- ✓ Trade-off de negocio: elegir la versión temprana con menos recall, porque llega a tiempo para actuar, no es una decisión técnica.
Stack Tecnológico
Lenguaje y datos
Modelado
Visualización y app
¿Te interesa este tipo de trabajo?
Tengo más casos de análisis de datos con modelos y validación honesta. Conectemos.