Esta investigación ha consistido en la aplicación de inteligencia de negocios para identificar el perfil de la deserción en la Universidad Científica del Sur. Este trabajo ha requerido el procesamiento de diversas fuentes de información, contenida en los sistemas institucionales del CRM, Control de Acceso y ERP Académico HCAMPUS PeopleSoft, para identificar patrones que puedan ser analizados en modelos predictivos. Para efectos del estudio se ha utilizado técnicas de minería de datos, en base de Arboles de Decisiones (Decision Tree, Random Forest), utilizando las herramientas Weka y RapidMiner Studio para el procesamiento de información. Se ha tomado como muestra, datos de entrenamiento del periodo 2016-2, de deserción temprana. El procesamiento de información ha sido con los datos de la matrícula del mismo periodo.
Aunque la simulación de los modelos predictivos, ha sido enfocada en relación de la deserción de los estudiantes con el número de cursos matriculados, horarios de estudio y distancia y tiempo de transporte a la sede central, se ha analizado otros factores de riesgo que deben incluirse en el modelo predictivo.
Este trabajo propone la implementación de modelos predictivos que apoyen a las diversas áreas de la Universidad, automatizando la generación de indicadores, teniendo información de mejor calidad, confiable, rápida, dentro de la plataforma de Inteligencia de Negocios, que facilite el acceso en tiempo real de los reportes multidimensionales. / This research has consisted in the application of business intelligence to identify the profile of drop out at Universidad Científica del Sur. This work has required the processing of various information sources, contained in the institutional systems of CRM, Access Control and Academic ERP HCAMPUS PeopleSoft, to identify patterns that can be exposed in predictive models. For the purposes of the study, data mining techniques have been used, based on Decision Tree (Random Forest), using Weka and RapidMiner Studio tools for information processing. It has been taken as sample, training data of the period 2016-2, of early desertion. The processing of information has been with the data of the enrolment of the same period.
Although the simulation of the predictive models has been focused in relation to the dropout of students with the number of courses enrolled, study schedules and distance and time of transport to the headquarters, other risk factors have been analyzed that must be included In the predictive model.
This work proposes the implementation of predictive models that support the different areas of the University, automating the generation of indicators, having better quality information, reliable, fast, within the Business Intelligence platform, which facilitates access, in real time, multidimensional reports.
| Identifer | oai:union.ndltd.org:PERUUPC/oai:repositorioacademico.upc.edu.pe:10757/622749 |
| Date | 19 October 2017 |
| Creators | Gonzales Cam, Celso, Rodriguez Dominguez, Cesar |
| Contributors | Edison Medina La Plata |
| Publisher | Universidad Peruana de Ciencias Aplicadas (UPC) |
| Source Sets | Universidad Peruana de Ciencias Aplicadas (UPC) |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/masterThesis |
| Source | Universidad Peruana de Ciencias Aplicadas (UPC), Repositorio Académico - UPC |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds