Las universidades incrementan su big data sin pausa. Las fuentes son diversas: centros de contacto; sistemas de planificación de recursos empresariales (Enterprise Resource Planning, ERP); de gestión de la relación con el cliente (Customer Relationship Management, CRM); de gestión de la relación con el estudiante (Student Relationship Management, SRM); dispositivos de la Internet de las Cosas (IoT), transacciones con los proveedores o encuestas de satisfacción para evaluar la experiencia del usuario (UX). Todas contribuyen. Ese caudal de información requiere análisis adecuados para explotar el big data y convertirlo en inteligencia procesable.
La mayoría de las universidades enfrentan obstáculos para conseguirlo, como los problemas de interoperabilidad que derivan en silos de datos o la falta de personal calificado en ciencia de datos. Sin embargo, el principal desafío para explotar el big data radica en el análisis de los datos en sí.
Tipos de análisis para explotar el big data
El análisis puede dividirse en tres categorías principales: descriptivo, predictivo y prescriptivo.
●Análisis descriptivo: Es el empleado por la mayoría de las organizaciones. Los datos describen eventos de forma útil para responder consultas básicas: el volumen de la deserción estudiantil en un periodo determinado; el momento más atareado en la etapa de inscripciones, o el aprovechamiento de los cursos por los estudiantes. Este tipo de análisis no incluye pronósticos ni tendencias: tan sólo indica lo que ya sucedió. Es decir, simplemente es el proceso de presentar los datos sin procesar en formatos accesibles para los usuarios, como en un dashboard, por ejemplo.
●Análisis predictivo: Como indica su nombre, busca predecir eventos futuros a partir de datos descriptivos. Para ello, se requieren grandes volúmenes de datos en tiempo real con el fin de detectar patrones y señalar posibles tendencias. En otras palabras, su naturaleza es probabilística.
Ahora bien, llegar a esta fase de análisis para explotar el big data implica resolver problemas previos. Entre los más importantes: eliminar los silos de datos que suelen proliferar en las universidades. Además, es necesario que el personal de TIC incluya científicos de datos capaces de procesar la información.
Pasos iniciales
●Análisis prescriptivo: Constituye el siguiente paso en el esfuerzo de explotar el big data. Alcanza mayor profundidad que el predictivo, pues arroja los resultados probables que se obtendrían con diferentes líneas de acción, no sólo la probabilidad de que se presente un escenario determinado. Así, se puede identificar cuáles son las acciones que tienen mayor probabilidad de producir los máximos beneficios ante una situación dada.
Un campo donde el análisis predictivo luce más promisorio para explotar el big data es el aprendizaje personalizado. Ahora bien, aunque las herramientas de analítica del aprendizaje o learning analytics se han vuelto más comunes, aún falta un largo trecho por recorrer para sacar todo el provecho de los datos. Sin embargo, ya se han dado pasos promisorios para mejorar el desempeño del estudiantado al tener un plan de estudios acorde con el conocimiento e interés de cada alumno.