Preguntas Frecuentes

  1. ¿Qué tipos de algoritmos predictivos utilizan?

Se utilizan distintos algoritmos de aprendizaje automático (Machine Learning) dependiendo del modelo a implementar. En todos los casos, el objetivo es desarrollar modelos que aprendan de los datos de cada institución y permitan predecir o resolver la problemática para la cual fueron diseñados. Algunos de los algoritmos utilizados son: árboles de decisión, reglas de asociación y algoritmos de agrupamiento. 

 

  1. ¿A quién pertenecen los algoritmos?

Son propiedad de Ed Machina y tienen la versatilidad para adaptarse a cada institución de acuerdo al modelo, variables, e integraciones solicitadas. Gracias a estos algoritmos es posible obtener predicciones de forma periódica, que se entregan en distintos formatos (desde Excel hasta tableros de visualización). Los algoritmos está en una infraestructura de Ed Machina, pero la institución recibirá una predicción en una infraestructura propia.

 

  1. ¿Es un producto terminado?

Sí, nuestros modelos ya son funcionales en universidades. Lo único que necesitamos es la disponibilización de los datos de la institución, para así poder aprender, predecir y recomendar.

  1. ¿Tienen algún caso probado o caso de éxito?

¡Sí! Con la Universidad Siglo 21, de Argentina (una universidad privada de más de 70.000 estudiantes). Allí se implementó el modelo de Retención Estudiantil para mejorar la persistencia. Al cabo de 1 año lograron incrementar 10,9 puntos la retención (en comparación con lo estimado).

 

  1. ¿Cómo se aplica a una universidad pública que no cobra por sus servicios? 

Nuestros modelos se entrenaron para entender variables en instituciones de Educación Superior privadas y aranceladas, por lo que nuestros modelos están, en principio, desarrollados para ellas. Sin embargo, sería posible analizarlo bajo las dinámicas de una institución que no cobra por sus servicios. Es importante tener en cuenta que los modelos evolucionan constantemente de acuerdo a los objetivos de la institución y a la información que actualmente tenga disponible.

 

  1. ¿Cuáles son las variables más relevantes con las que se alimenta el modelo?

Cada modelo se alimenta de un set de datos y variables diferentes, estudiadas según bibliografía y comportamiento de diversos países. Por ejemplo, el modelo de retención estudiantil se centra en:

  • Información personal y socio-demográfica que se obtiene a través de SIS, CRM, LMS de la institución y fuentes externas.
  • Interacción entre el estudiante y las plataformas virtuales de la institución, como chatbot, plataformas de aprendizaje, seminarios en línea, encuestas, entre otras.
  • Resultados académicos (notas de exámenes, trabajos prácticos).
  • Relación del alumno con la gestión académica, cobranza, asesores académicos, entre otros.

Más información sobre los datos necesarios para un modelo de AI exitoso en universidades aquí.

 

  1. ¿Las variables iniciales las define Ed Machina, o se van definiendo conforme avanza el proceso?

Es un consenso entre nuestra experiencia y las necesidades de cada institución. Se pueden adaptar 100% a sus variables particulares, entendiendo que cada institución, región, país, fuentes de datos y dinámicas pueden ser diferentes.

 

  1. ¿Cómo obtienen las variables demográficas y económicas?

Incluimos variables externas a la institución adquiridas a través de un proveedor (Equifax, por ejemplo), para enriquecer los modelos.

 

  1. ¿Cambian las variables del modelo predictivo según la oferta académica (carrera de grado, pregrado, graduado, etcétera)?

El modelo aprende del conjunto de datos que seleccionamos para analizar. Es importante incluir diversas variables tanto del CRM, LMS, ERP, SIS; con el objetivo de enriquecer el modelo para aprender y predecir cuál es la variable que más afecta a cada estudiante, incluso según el programa, tipo de estudio, modalidad y costo.

 

  1. ¿Cómo se alimenta de datos? ¿Quién lo alimenta?

Los datos son provistos por su universidad o institución. Nos integramos a los sistemas de la universidad y alimentamos nuestro algoritmo con los datos que existen. Para un mejor resultado del modelo es importante la cantidad y antigüedad de los datos.

  1. ¿Tienen prerrequisitos sobre en qué condiciones y con qué estructura deben estar las bases de datos para empezar a trabajar?

No existe un prerrequisito. Cada universidad tiene su propia realidad. Nuestros científicos de datos realizan un primer abordaje llamado diagnóstico y entendimiento de negocio, donde identificamos y definimos, entre otros temas, cómo consumir los datos y cómo devolverlos.

 

  1. Las integraciones con LMS, SIS, CRM, ¿qué tan complejas son?

No tienen ninguna complejidad. Es cuestión de conocer los sistemas con los que opera la institución, analizar los datos disponibles y cómo están estructurados, y comenzar a integrarlos en nuestra infraestructura. La información puede estar en la nube o bien, on premise.

 

  1. ¿Puedo implementar solo el modelo de admisión y luego avanzar a otro modelo?

Sí. No son mutuamente excluyentes, ni responden a un orden cronológico. Se adquieren e implementan según las necesidades de la institución.

 

  1. ¿Puedo adaptar mi estrategia de marketing en base al modelo? ¿Puedo integrar mis herramientas de gestión de leads y marketing a segmentos de estudiantes?

Sí. El modelo de Adquisición de Ed Machina, Machina Hi ™ permite conocer la probabilidad de conversión de un lead en un alumno con variables desconocidas que, de otra manera, se deben buscar y estudiar por fuera. Gracias al Up y Cross Selling, también se puede conocer cuál es el próximo producto que se le puede ofrecer a un estudiante.

Trabajar en modelos personalizados genera clusters, con los cuales se puede agrupar a poblaciones estudiantiles y descubrir cuáles son las características de los leads que avanzan en el funnel para cada universidad. Al poder identificar cuál es el lead con mayor probabilidad de convertirse en estudiante, brindamos un set de recomendaciones personalizadas sobre cómo abordarlo para tener éxito.

  1. ¿Se necesita de un equipo interno para desarrollar los modelos?

No, ya que desde Ed Machina abarcamos todas las etapas del proceso, apoyando a la institución en lo que sea necesario. 

  1. ¿Cómo aseguran la privacidad de la información?

Para nosotros es fundamental asegurar la privacidad de la información de las instituciones que nos eligen. En este sentido, desarrollamos un contrato donde se detallan todos los puntos pertinentes a la privacidad. 

Una vez que desde ambas partes estamos de acuerdo con lo expuesto en este documento, estamos en condiciones de avanzar con la etapa de implementación de nuestros modelos predictivos.

  1. ¿La licencia es anual? ¿Cómo se paga?

Sí. Los pagos de la licencia anual se dividen en pagos mensuales, hasta alcanzar el valor total de la misma. La fecha de pago comienza a partir de la entrega, revisión y aprobación del MVP (entre 3 y 6 meses). 

Además, existe un costo de implementación, incluyendo integración, entrenamiento y puesta en operación (que se realiza en un  plazo estimado de 3 a 4 meses). Este servicio se cobrará una sola vez al inicio del proyecto.

Solicita una demo
×