Machine Learning en el Sector Educativo
He utilizado técnicas de machine learning supervisado y no supervisado para generar un impacto significativo en diversas áreas del sector educativo:
Áreas de Impacto
Éxito Estudiantil
Ayudé a los equipos de éxito estudiantil a identificar tempranamente a estudiantes en riesgo de fracasar académicamente. Al anticipar estas situaciones, se pueden implementar intervenciones personalizadas que mejoran las tasas de retención y el rendimiento estudiantil.
Finanzas
Colaboré con los equipos financieros para predecir qué estudiantes podrían caer en deuda. Esto permitió ofrecer ayudas financieras oportunas, como planes de pago flexibles o becas, evitando la morosidad y fortaleciendo la relación con el estudiante.
Retención
Apoyé a los equipos de retención a detectar estudiantes con alto riesgo de deserción. Mediante análisis predictivos, se pudieron desarrollar estrategias proactivas para reenganchar a estos estudiantes, mejorando su experiencia y satisfacción.
Ventas y Marketing
Asistí a los equipos de ventas en identificar leads con mayor probabilidad de convertirse en matriculados. Utilizando análisis de embudo (funnel analysis), optimizamos los esfuerzos de captación, enfocándonos en prospectos con alto potencial de conversión.
Impacto del Machine Learning: Mi experiencia demuestra que el machine learning es una herramienta poderosa para tomar decisiones informadas y mejorar procesos en el ámbito educativo. Al implementar estas soluciones, las instituciones pueden potenciar su eficiencia operativa y ofrecer una experiencia educativa superior.
Tecnologías utilizadas
- Pyspark
- scikit-learn
- Azure ML Services
- Databricks
- Datafactory
- Azure SQL
- Mongo DB
- Blob storage
Universidades Implementadas
- UNIMINUTO (Analytikus)
- UNITEC MX (Analytikus)
- UPN (Laureate, Analytikus)
- UNITEC HN (Laureate)
- UnP (Laureate)
- UDLA (Laureate)
- UNAB (Laureate)