← Volver a proyectos
Ciencia de datos

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.

4.424
Alumnos del dataset
65.8%
Recall con 1er semestre
0.88
ROC-AUC (versión temprana)

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.

• RF: recall 0.778, precisión 0.786 vs. logística 0.722 / 0.869
• F1 casi idéntico (0.782 vs. 0.788)
• La logística es interpretable: coeficientes legibles para el equipo de tutorías

El umbral como dial de negocio

El umbral por defecto (0.5) no siempre es el mejor para la decisión.

• Subirlo prioriza precisión: menos tutorías desperdiciadas, más abandonos no detectados
• Bajarlo prioriza recall: más cobertura, más falsos positivos
• Optimizando F1: umbral 0.53 → precisión 0.88, recall 0.72

Versión temprana vs. completa

La versión completa gana en todas las métricas, pero hay que esperar un año.

• Completa: recall 0.722 y AUC 0.908
• Temprana: 65.8% de abandonos detectados a tiempo para intervenir
• Elegir cuál usar es una decisión de negocio, no una decisión técnica

Resultados & Impacto

72.2%
Recall (versión completa)
65.8%
Recall (versión temprana)
0.908
ROC-AUC (versión completa)
0.53
Umbral operativo (por F1)

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

• Python 3
• Pandas
• NumPy
• Dataset UCI

Modelado

• scikit-learn
• Regresión logística
• Random Forest
• Validación cruzada 5-fold

Visualización y app

• Plotly
• Streamlit multipágina
• Jupyter notebooks

¿Te interesa este tipo de trabajo?

Tengo más casos de análisis de datos con modelos y validación honesta. Conectemos.