Resumen:
Se realizó un tablero con la herramienta Power BI para facilitar la toma de decisiones frente a la permanencia estudiantil y gestión de datos históricos
relacionados con la Corporación Universitaria Comfacauca – Unicomfacauca, este proceso se llevó a cabo porque actualmente las universidades tanto públicas como privadas luchan constantemente por incrementar el porcentaje de permanencia de los estudiantes, para llevar a cabo la implementación de este sistema se hizo necesario una investigación para la identificación de variables de deserción, como también, el análisis del modelado de datos, la arquitectura del datamart, el diseño centrado en el usuario del sistema.
Para ello se usó una metodología iterativa basada en la observación, identificación del problema, desarrollo de la tecnología y pruebas de campo. Para el modelado de datos CRISP-DM que consta de comprensión de los datos, preparación de los datos, modelado, evaluación e implantación. Para el diseño del sistema diseño centrado en el usuario y para la arquitectura del DW enfoque Kimball. De ahí se desarrolló el sistema de inteligencias de negocios que ayuda al soporte de decisiones del área de permanencia académica.
De este trabajo se obtuvieron contribuciones de investigación científica como el sometimiento de un artículo a una revista tipo B según Colciencias, 3 ponencias en diferentes eventos, la apropiación social del tablero BI por la Unicomfacauca, la transferencia de conocimiento del mismo a las personas que lo requieren como coordinador de permanencia, decanos, directivos etc. Por otro lado, se lograron avances significativos en nuevo conocimiento como la limpieza de datos con CBR, predicción en Power Bi con KNN, además del manejo de una herramienta como Power BI.
De los resultados más destacados se puede concluir que la categoría socioeconómica afecta la permanencia de los estudiantes aumentando el número de desertores, al igual que su estado civil que influye en la indecisión de continuar con una carrera o escoger otra. También se puede concluir que el algoritmo que mejor predicción dio fue el KNN y CBR en limpieza. Además, que, con el modelo de datos, se deja un protocolo de relaciones que se puede implementar en otros tableros en diferentes instituciones educativas universitarias, ya que se cuenta con datos que la mayoría tiene.