Este caso viene de una investigación propia: el estudio que lo respalda lo firmamos cinco personas, dos de las cuales hoy integramos el equipo de Knowcell. Lo contamos en primera persona porque estuvimos ahí; el crédito es de los cinco.
La primera restricción del proyecto llegó antes que la primera decisión: trabajamos sin acceso a la base de datos. La institución nos entregó una exportación en Excel, que es lo normal y es lo prudente.
Eso costó. Sobre una exportación no se puede volver a consultar cuando aparece una duda, cada corrección cuesta otro pedido, y uno hereda las decisiones de quien armó el archivo sin poder revisarlas. Lo asumimos: tres años de registros de 797 estudiantes de una carrera de Ingeniería en Software, con calificaciones y asistencia.
Y esa restricción terminó probando el punto: el problema nunca había sido el dato.
Lo que apareció
Dos grupos de la misma carrera. Uno cerró con un promedio de 74,10 sobre 100. El otro, con 53,07.
Veintiún puntos de distancia entre dos grupos de un mismo programa. Puede que parte de esa brecha se explique por nivel, jornada o tamaño de grupo — el registro no permite saberlo, y lo declaramos al final. Lo que no admite discusión es lo otro: ningún reporte los mostraba juntos.
Cámbielo por dos sucursales, dos vendedores o dos turnos. No importa si la diferencia se explica o no: nadie pidió nunca el reporte que los compara, porque nadie tenía motivo para pedirlo.
Antes de seguir: no hubo culpables
Esta es la parte que casi nadie cree, y es la que hace útil el caso.
La base de datos existía y tenía lo necesario. Los registros se capturaban bien. Los reportes que la institución emitía eran correctos. Los problemas que encontramos estaban en la exportación, no en el sistema.
Comparamos nuestro tablero contra esos reportes: coincidieron en un 98 %.
Vale la pena decir con precisión qué prueba ese número y qué no. No prueba que unos u otros sean correctos —ambos salen de la misma fuente, así que un error de origen lo reproducirían los dos por igual. Lo que sí prueba es que la reconstrucción no introdujo distorsión: el tablero es tan confiable como lo que la institución ya venía usando. Y eso es el requisito mínimo para poder discutir lo que el tablero mostraba de más.
No hubo un culpable. No hubo un sistema malo. No hubo que comprar nada.
Por qué esa comparación no estaba disponible
En esa institución no hay una plataforma de inteligencia de negocios. Hay reportes. Cuando alguien necesita entender algo, lo pide al área de sistemas y analiza sobre esa salida. Y si la pregunta es más fina, el reporte también lo es: producen reportes muy elaborados cuando hace falta.
La calidad no es el asunto. El costo de cada pregunta, sí.
Cada reporte nuevo hay que construirlo. Alguien tiene que sentarse a hacerlo, y esa persona ya tiene su propia carga. Entre que alguien se hace una pregunta y recibe la respuesta hay una solicitud, una fila y varios días de trabajo de otro.
Esto no es un problema del equipo de sistemas. Es lo que ocurre cuando el único camino hacia el dato es el desarrollo a pedido.
Y ahí aparece el costo que nadie factura: las preguntas que no justifican ese esfuerzo no llegan a formularse. ¿Con qué argumento se le pide a sistemas que compare dos grupos, si nadie sospecha que haya algo que comparar? Esa clase de pregunta —la que uno hace mirando, sin hipótesis— es la primera que se cae de la fila.
Pudimos escribirla porque, sobre un modelo ya construido, comparar no cuesta nada.
Lo que hicimos con el Excel
Lo conectamos: un modelo dimensional en estrella, la carga con SQL Server Integration Services, el tablero en Power BI.
Dicho así suena limpio, y no lo fue. El archivo traía las calificaciones en dos escalas distintas —unas sobre 10 y otras sobre 100—. En el estudio publicado convivieron las dos, y hoy lo declaramos como límite; la lección la aprendimos ahí: eso se resuelve antes de promediar nada, no después. Hay además dimensiones cuyas cifras no cuadran entre secciones y que decidimos no usar. Y sin acceso a la fuente, cada una de esas dudas se resuelve por deducción, no por consulta.
Antes de tocar nada escribimos las preguntas. Es la primera fase de la metodología HEFESTO y no es técnica. Las dos primeras fueron literalmente estas: se desea conocer la tasa de asistencia de los estudiantes en cada paralelo y se desea conocer la tasa de aprobación en los distintos paralelos.
Escribirlas antes es lo que hace que después preguntar sea barato. Y cuando preguntar es barato, uno se anima con lo que no puede justificar.
Lo que apareció después
Una vez que comparar dejó de costar, aparecieron cuatro cosas más. Ninguna necesitó un dato nuevo.
El primer nivel es el más frágil. Entre los ocho niveles de la carrera tuvo la inasistencia más alta —9,15 %— y el promedio más bajo: 64,51. El octavo nivel cerró con 91,45 % de aprobación y 80,36 de promedio.
El grupo pesa. Dos grupos superaron el 95 % de asistencia; el más bajo se quedó cerca del 90 %.
Hay materias que concentran el problema. La inasistencia se acumula en las asignaturas de programación de los primeros niveles, y lo mismo ocurre con la reprobación.
Y está la jornada nocturna, con la mayor inasistencia de las tres. La hipótesis obvia es la conciliación con el trabajo; el dato disponible no la confirma.
Cada uno de esos cuatro pudo haber sido una solicitud a sistemas. Cuatro pedidos, cuatro esperas. Ninguno se hizo.
Una tendencia que mejora también esconde
| Indicador | 2021 | 2022 | 2023 |
|---|---|---|---|
| Tasa de aprobación | 85,3 % | 87,1 % | 89,4 % |
| Tasa de reprobación | 14,7 % | 12,9 % | 10,6 % |
| Tasa de asistencia | 92,5 % | 91,8 % | 93,1 % |
La aprobación subió cada año y la reprobación cayó más de cuatro puntos. La asistencia bajó en 2022 y se recuperó: nadie preguntó por qué, porque en el agregado el bache no alarma.
Y eso es lo que ve un reporte agregado. Lo que no ve es que dentro de esos promedios hay grupos separados por veintiún puntos.
Terminó en el presupuesto, no en un informe
El proyecto no terminó en un informe. Terminó en el POA.
La institución decidió que necesitaba inteligencia de negocios y lo incorporó a su Plan Operativo Anual, el instrumento donde una entidad pública compromete lo que va a hacer el año siguiente. Que algo entre al POA no garantiza que se ejecute, pero cambia su naturaleza: deja de ser una idea de pasillo y pasa a ser un compromiso institucional con un año y un responsable.
No sabemos qué peso tuvo el tablero en esa decisión frente a todo lo demás que ocurre dentro de una universidad. Sí sabemos qué orden tuvieron las cosas: primero se pudo ver, después se presupuestó.
En los años que llevamos haciendo esto no hemos visto a nadie comprar una plataforma por el catálogo. Lo hemos visto comprar después de ver, una vez, lo que sus propios datos ya registraban.
Lo mismo, en su empresa
Su sistema ya guardó cada venta, cada devolución y cada cliente de los últimos años. La licencia está pagada. El servidor está pagado. Las horas que su gente dedicó a capturar esa información están pagadas. Los años de historia se acumularon solos.
Lo que probablemente no tiene es forma de preguntarle algo que no justifique un pedido formal. Y esas son las preguntas que encuentran cosas, porque nacen mirando, no de una hipótesis.
No hace falta comprar más licencias ni más servidores. Hace falta que alguien construya el camino entre lo que usted ya tiene y las preguntas que hoy no puede hacer. Eso fue lo que la institución presupuestó: no software nuevo, el trabajo de conectar el que ya tenía.
¿Quiere ver qué hay en los suyos? Cuarenta y cinco minutos, sin costo, y sale con una lista escrita. → Agendar el diagnóstico
Las tres lecturas
Uno. El dato ya estaba: base completa, registros correctos y reportes que nuestro tablero reprodujo en un 98 %. Lo que no existía era la comparación.
Dos. La comparación entre grupos fue la segunda pregunta que escribimos, antes de abrir el archivo. En el modelo anterior, esa pregunta no habría justificado una solicitud — y por eso, en tres años, no aparece en ninguno de los reportes que revisamos.
Tres. El proyecto no terminó en un informe: terminó en el POA de la institución. Ver una vez lo que los datos ya registraban hizo por el caso de negocio más que cualquier presentación (Trieu, 2017).
Por dónde empieza
Siéntese con su equipo y anote las cinco preguntas que nunca le ha hecho a su información porque pedirlas costaba demasiado.
Si no le salen de una, use estas para calibrar — no las copie: quédese con las que reconozca y cámbielas por las suyas.
- ¿Qué producto, servicio o cliente se vende bien pero deja menos de lo que creo?
- ¿Cuál de mis sucursales, vendedores o turnos rinde distinto que el resto con las mismas condiciones?
- ¿Qué clientes compraban hace dos años y dejaron de hacerlo sin que nadie lo notara?
- ¿En qué punto exacto se me caen los pedidos o las cobranzas, y cuántos días se van ahí?
- ¿Qué parte de mi facturación depende de mis cinco clientes más grandes, y cómo cambió eso en tres años?
Traiga esa lista. Le decimos cuáles de esas preguntas ya puede responder con lo que hoy tiene guardado, y qué falta para las otras. Si tiene sentido seguir, lo que sigue es un proyecto acotado con alcance y precio cerrado; si no lo tiene, se lo decimos ahí mismo.
El estudio se publicó junto a Edinson Humberto Collahuazo Romero —segundo autor, hoy becario en Turquía—, Andrea Malave y George Soledispa.
Sobre este caso. Está basado en un estudio publicado y revisado por pares en diciembre de 2024 en la LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades. Texto completo en acceso abierto bajo licencia Creative Commons BY, en la revista y en Dialnet.
Cómo citarlo. Valencia Castillo, N., Collahuazo Romero, E. H., Panta Vilela, N. S., Malave, A., & Soledispa, G. (2024). Evaluación del rendimiento académico, utilizando herramientas de business intelligence: un enfoque basado en datos. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 5(6), 1249–1265. https://doi.org/10.56712/latam.v5i6.3080
Nota de método y límites. 797 estudiantes de una carrera de Ingeniería en Software de una universidad pública del Ecuador, período 2021–2023. Fuente: archivo de Excel entregado por la institución, procesado con SQL Server Integration Services sobre un modelo dimensional en estrella, con SQL Server Analysis Services como capa de consulta y Power BI para la visualización.
Tres límites que conviene declarar. Primero: el estudio original no reporta el número de estudiantes de cada grupo comparado ni si ambos correspondían al mismo nivel y a la misma jornada; por lo tanto, parte de la diferencia de 74,10 contra 53,07 podría explicarse por esas variables y no debe leerse como una anomalía inexplicada. Lo que sí sostiene el caso es que esa comparación no estaba disponible. Segundo: las calificaciones aparecen en dos escalas en el artículo original —la tabla anual usa escala sobre 10; los promedios por grupo y por nivel, escala sobre 100— y no son comparables entre sí, por eso la tabla de tendencia de esta nota omite el promedio. Tercero: los cortes por sexo y por ciudad de origen quedaron en el estudio con cifras que hoy no podemos sostener sin volver a la fuente — y la fuente no está a nuestro alcance. Por prudencia no las reproducimos aquí. Cuarto: lo que contamos en «Terminó en el presupuesto» no forma parte del estudio arbitrado, es posterior a su publicación, y lo sostenemos con la comunicación directa de la institución, no con la revisión de pares.
El artículo original usa el término «paralelo»; aquí decimos «grupo» para que se entienda fuera del ámbito académico.