La conversación que debería estar teniendo sobre análisis predictivo

Puntos clave

• Para mejorar las tasas de graduación, las universidades deben investigar más a fondo, identificar problemas y desarrollar soluciones específicas
• Superar el status quo requiere un enfoque multidisciplinario
• Las universidades deben interactuar con las áreas involucradas desde un inicio y frecuentemente

¿Se ha dado cuenta cómo Netflix, Amazon, y otras empresas están llenas de sugerencias sobre “otras cosas que te podrían gustar”? Ya sea que esto le resulte útil o irritante, estás experimentando el análisis de datos predictivo en acción.

La idea es que sus preferencias anteriores (y las de otros que comparten tu perfil demográfico) se pueden usar para dirigirte más rápida y efectivamente hacia las cosas que mejoran tu vida ¿funciona?

La investigación confirma el vínculo entre comportamiento pasado y futuro tanto de individuos como de grupos; pero solo tú puedes confirmar si descubrir más películas te cambia la vida.

El impacto potencial se hace más profundo cuando aplicamos el análisis de datos predictivo a algo como mejorar los resultados de los estudiantes. Por eso, a medida que mejora la tecnología y proliferan los datos, la educación superior ha comenzado a explorar, probar y lograr resultados prometedores en etapas iniciales con este enfoque.

¿Por qué el análisis de datos predictivo es importante para la educación superior?

Porque las tasas de retención y graduación siguen siendo inadmisiblemente bajas y necesitamos mejores estrategias para revertir esta tendencia.

La incapacidad de graduarse es costosa para los estudiantes, tanto en colegiaturas desaprovechadas como en ingreso no percibido que un título de posgrado les permitiría. También es costosa para las instituciones cuyas reputaciones, matrícula y financiamiento están ligadas al éxito estudiantil.

En un mundo de omnipresencia de datos, tenemos una obligación moral y financiera de investigar más a fondo, identificar problemas, desarrollar soluciones específicas y ayudar a que más estudiantes tengan éxito.

Un pequeño grupo de universidades están aplicando el análisis de datos predictivo y demostrando sus impresionantes resultados. Este  informe de 2016 de New America describe cómo la Universidad Estatal de Georgia analizó 2.5 millones de calificaciones obtenidas por estudiantes en un periodo de 10 años para crear una lista de factores que predicen qué estudiantes tienen menor probabilidad de graduarse. Luego, la universidad usó los datos para transformar su sistema de asesoría, cubrir la brecha en aprovechamiento y mejorar las tasas de graduación radicalmente.

La adopción de análisis de datos predictivos en toda la educación superior va lenta (debido a distintas barreras, tanto tecnológicas como culturales); pero estas barreras no son de ninguna manera insuperables.

¿Cómo las instituciones pueden comenzar a eliminar las barreras para el uso de análisis de datos predictivo?

Cuando se trata de barreras técnicas, mira hacia la nube.

Afortunadamente, las instituciones pueden comenzar a usar análisis de datos más sofisticados sin transformar totalmente sus sistemas de actuales. Recomiendo a las instituciones considerar herramientas de análisis de datos basadas en la nube que puedan implementar y operar más rápidamente.

Los datos en la nube son más fáciles de integrar, son menos costosos de mantener y se actualizan en tiempo real. La nube ofrece un entorno en donde puedes acumular datos que actualmente radican en silos más rápidamente y gestionarlos con mayor flexibilidad.
Busca soluciones de autoservicio que hagan que el análisis de datos predictivo sea más accesible para los usuarios, así como búsquedas e informes predeterminados que te guíen hacia los conocimientos que necesitas.

En una sesión reciente de Preguntas y Respuestas con Ellucian, la Universidad Becker describió cómo construye dinámicamente tableros en la nube que muestran datos con elementos clave que impulsan decisiones críticas a nivel institucional. Actualmente, la universidad está gestionando datos históricos, lo cual es tardado, pero la plataforma de la nube hace que integrar esos datos desde varios sistemas sea más fácil.

Superar barreras culturales requiere un enfoque multidisciplinario

Los silos de las organizaciones son las barreras más frecuentes para la implementación del análisis de datos predictivo. Muchos de los directores de área involcurados muestran reticencia a compartir datos, siendo cautelosos de su mal uso o sin estar convencidos del valor. de la iniciativa

Por eso, los pioneros en el análisis de datos predictivo enfatizan la importancia de construir equipos multidisciplinarios y crear una cultura de integración en toda la institución.

Para la educación superior, las cuestiones éticas son otro reto; por ejemplo, ¿decirle a un estudiante "estás en riesgo o predispuestos a abandonar" podría significar una profecía autocumplida?

Abordar el uso de datos de forma cuidadosa y ética para moldear las vidas de los estudiantes es una discusión aparte, indispensable y continua; pero dado el increíble potencial para mejorar el éxito estudiantil, las instituciones no deben dudar en avanzar por este frente, enfocándose en formar un equipo multidisciplinario comprometido con darle a los estudiantes un rango de opciones y recursos para actuar a partir de los datos.

Las instituciones también deberán establecer políticas robustas para garantizar la privacidad y seguridad tanto de los datos como de los hallazgos provenientes de su análisis. Este blog sobre gobernanza de datos detalla más la gestión de información en todo el campus y en la nube.

El análisis de datos predictivo viene, tanto en forma de promesa como de peligro, mucho más en la primera si se inicia la conversación de forma correcta y se coordina desde el inicio y con regularidad con los actores involucrados. No separar lo técnico de lo cultural porque siempre están interconectados.

Entonces, ¿cuál es conversación que debería estar teniendo? Cómo acercar la tecnología a los hábitos de las personas para derribar silos, transformar datos en conocimientos y usar los datos responsablemente para ayudar a que los estudiantes tengan éxito.