Pronósticos y data mining para la toma de decisiones. Pronóstico sobre la deserción de alumnos de una Facultad
Resumen
Para tomar decisiones es necesario entender la realidad de la organización y su contexto. No sólo en la actualidad, sino también en el futuro. Muchas decisiones se basan en supuestos sobre el futuro. Para reducir la incertidumbre sobre el futuro existen los pronósticos usando métodos cuantitativos. Este trabajo analiza estos métodos y como el data mining, machine learning y las soluciones informáticas, cobijadas en las soluciones denominadas “Analytics”, pueden aportar en dicho camino. Para ello más alla de explicar los conceptos que lo sustentan, se expone cómo es posible aplicarlo para pronosticar la deserción de estudiantes para una facultad a partir de aplicar modelos predictivos, mediante la tarea de clasificación, usando una herramienta de machine learning que funciona en la nube. También invita a pensar cual es el impacto, que pueden tener estas posibilidades en la era del big data.
Descargas
Citas
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2011). Métodos cuantitativos para los negocios (11a. ed.). México, D.F.: CENGAGE Learning.
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: using learning analytics to increase student success. Proceedings of the 2nd international conference on learning analytics and knowledge (pp. 267–270). ACM.
Chinkes, E. (2008). Business Intelligence para mejores decisiones de negocio. Buenos Aires: EDICON.
Elias, T. (2011). Learning analytics: Definitions, Processes and Potential.
Hernández Orallo, J., Ramírez Quintana, M. J., & Ferri Ramírez, C. (2004). Introducción a la minería de datos. Madrid: Pearson Prentice Hall.
Hodgkinson, G. P., & Starbuck, W. H. (Eds.). (2008). The Oxford handbook of organizational decision making. Oxford; New York: Oxford University Press.
Mannila, H. (1996, June). Data mining: machine learning, statistics, and databases. In Scientific and Statistical Database Systems, 1996. Proceedings., Eighth International Conference on (pp. 2-9).IEEE.
Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2012). Foundations of machinelearning. Cambridge, MA: MIT Press.
Pavesi, P. F. J., Bonatti, P., & Avenburg, D. (2004). La decisión: su teoría y práctica: aplicaciones conceptuales, casos. Buenos Aires: Grupo EditorialNorma.
Pérez López, C., & Santín González, D. (2008). Minería de datos: técnicas y herramientas. Madrid: Paraninfo Cengage Learning.
Render, B., Stair, R. M., & Hanna, M. E. (2012). Quantitative analysis for management (11th ed). Upper Saddle River, N.J: Pearson Prentice Hall.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) que permite a terceros copiar y redistribuir el material en cualquier medio o formato y adaptar — remezclar, transformar y construir a partir del material bajo la la misma licencia del original. En todos los casos, debe dar crédito de manera adecuada.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
