Cómo mejorar la retención estudiantil con inteligencia artificial

Cómo mejorar la retención
estudiantil con inteligencia artificial

Descubre cómo Ed Machina y la Universidad Siglo 21 lograron incrementar la retención estudiantil a través de modelos predictivos con inteligencia artificial

El objetivo principal de las instituciones de Educación Superior es trabajar sobre determinados indicadores clave, tales como la sustentabilidad a largo plazo, la adquisición de nuevos estudiantes y la retención de los mismos.

Previo al año 2020, ya existía un aumento en las tasas de enrollment, lo cual derivó en una competencia entre las instituciones para adquirir nuevos estudiantes. Con la llegada del 2020, y al acelerarse la necesidad de incorporar tecnología fruto del contexto que trajo el COVID-19, los indicadores clave como la adquisición y la retención se vieron profundamente desafiados, así también como la sustentabilidad de las instituciones por el impacto de la situación global. “Las necesidades que identificamos en la Universidad Siglo 21 tienen una enorme convergencia con lo que sucede hoy a nivel regional”, explica Yamil Rabbat, CEO de Ed Machina.

La implementación de modelos predictivos con inteligencia artificial en una institución de Educación Superior no requiere de un alto grado de digitalización de la misma, lo que derriba uno de los tantos mitos que rodean a la educación y la inteligencia artificial. Por el contrario, es importante delinear una serie de pasos para lograr una gestión efectiva en el manejo y desarrollo de datos. En palabras de Pablo Llop, Director de Inteligencia y Planeamiento Estratégico de la Universidad Siglo 21: “La implementación de modelos predictivos en la gestión estudiantil requiere, ante todo, de una gestión de cambio interna”.

En el caso de Ed Machina y la Universidad Siglo 21, se diseñó un plan de Change Management en conjunto, compuesto por cuatro puntos:

La cultura, eje central del cambio y el primer paso para avanzar hacia la transformación digital de la organización.
Learning analytics, basado en el desarrollo de modelos predictivos con algoritmos de inteligencia artificial para acompañar al estudiante en todo su ciclo de vida.
Las necesidades de la universidad, identificando las etapas principales del ciclo de vida del estudiante, para poder pensar en qué producto o qué acciones de acompañamiento se necesitaban según cada una.
La personalización, basada en el desarrollo e implementación de acciones personalizadas según un determinado perfil de estudiante para medir el impacto en dashboards y herramientas de business intelligence (BI).

En el webinar El uso de inteligencia artificial para mejorar la retención estudiantil, Yamil Rabbat, Pablo Llop, y Jorge Fantin (Director de la Maestría en Administración de Negocios y Aplicaciones Tecnológicas de la Universidad Siglo 21) expusieron la importancia del análisis de datos en la educación, sus ventajas, y el caso exitoso de implementación del modelo de retención estudiantil en la Universidad Siglo 21.

Una vez identificadas las principales etapas del ciclo de vida del estudiante, se desarrollaron y aplicaron modelos predictivos con inteligencia artificial para acompañar todo el proceso:

New Enrollment (Machina Hi!) : identifica la probabilidad de conversión de un lead y los nichos de prospectos con altas posibilidades de convertirse en estudiantes.
Cross-selling de productos: permite conocer cuál es el mejor producto o carrera para el ingresante o reinscripto propenso a desertar.
Revenue management: mide la elasticidad del precio en un determinado momento, permitiendo conocer en cuánto se incrementa la probabilidad de inscripción en caso de ofrecer un descuento.
Up-selling de productos: identifica cuál es el próximo producto a ofrecer al estudiante que está próximo a graduarse, para continuar sus estudios en la institución.
Retención, con foco en primera cohorte (Stay Around): permite conocer, con anticipación, la probabilidad de arancelamiento que tiene un estudiante en el próximo semestre de cursado.
Alerta temprana (Heads Up): permite identificar poblaciones vulnerables de alumnos ingresantes en tiempo real para actuar sobre ellas a tiempo y prevenir la deserción.
Engagement: identifica el grado de interacción del estudiante con la universidad y permite agrupar a los estudiantes de acuerdo al nivel de vulnerabilidad.

Desde la perspectiva del docente, Jorge Fantin sostiene que, en una educación mediada por tecnologías, “uno siente que el interés de los estudiantes a veces se va perdiendo, y quisiera sostenerlos a todos, pero no se logra. Es por eso que una herramienta como la de alerta temprana es fantástica, porque nos permite actuar a tiempo y resolver esta situación”.

En cuanto a la implementación del modelo de retención estudiantil, en la Universidad Siglo 21 este modelo se implementó durante el primer período 2020, con el objetivo de conocer las probabilidades de que determinados estudiantes de carreras de grado y pregrado se re-matricularan el siguiente semestre. Luego de analizar diferentes variables (socioeconómicas, sociodemográficas y de rendimiento académico, entre otras) y gracias a los modelos predictivos, se lograron implementar campañas hiper-personalizadas y acciones por clusters en función al riesgo de deserción, cerrando el período 2020 con los siguientes resultados