LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1249.
DOI: https://doi.org/10.56712/latam.v5i6.3080
Evaluación del rendimiento académico, utilizando
herramientas de business intelligence: un enfoque basado en
datos
Academic performance evaluation using business intelligence tools: a data-
driven approach
Norma Valencia Castillo
nvalenciac4@unemi.edu.ec
https://orcid.org/0009-0003-6675-1069
Universidad Estatal de Milagro
Guayaquil – Ecuador
Edinson Humberto Collahuazo Romero
ecollahuazor@unemi.edu.ec
https://orcid.org/0009-0001-9333-6499
Universidad Estatal de Milagro
Milagro – Ecuador
Nathaly Solange Panta Vilela
npantav@unemi.edu.ec
https://orcid.org/0009-0002-9472-2276
Universidad Estatal de Milagro
Durán – Ecuador
Andrea Malave
amalaveg@unemi.edu.ec
https://orcid.org/0009-0005-9847-7150
Universidad Estatal de Milagro
Guayaquil – Ecuador
George Soledispa
gsoledispac@ecotec.edu.ec
https://orcid.org/0009-0003-5174-6152
Universidad Ecotec
Guayaquil – Ecuador
Artículo recibido: 18 de noviembre de 2024. Aceptado para publicación: 02 de diciembre de 2024.
Conflictos de Interés: Ninguno que declarar.
Resumen
Este estudio tuvo como objetivo diseñar e implementar un dashboard de Business Intelligence (BI)
para analizar el rendimiento académico. Utilizando herramientas como Power BI, SQL Server
Integration Services (SSIS) y SQL Server Analysis Services (SSAS), se recopilaron, transformaron y
analizaron datos académicos, proporcionando una plataforma visual e interactiva para apoyar la toma
de decisiones educativas. Entre los objetivos específicos estuvieron la creación de indicadores clave
de desempeño (KPIs), la identificación de patrones de rendimiento estudiantil y la mejora de la
visibilidad sobre el desempeño académico. El dashboard abarca datos del período 2021-2023,
mostrando tasas de aprobación (89.4% en 2023), reprobación (10.6% en 2023), promedios de
calificaciones por curso y rendimiento por asignatura. Además, permite segmentar la información por
niveles, materias y periodos académicos, identificando áreas críticas donde los estudiantes enfrentan
mayores dificultades. Esto facilita la intervención oportuna de las autoridades educativas y la
optimización de estrategias pedagógicas. También se identificaron diferencias significativas en el
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1250.
rendimiento entre paralelos y géneros, información esencial para desarrollar estrategias educativas
más inclusivas y efectivas. El uso de herramientas BI no solo mejora el análisis y seguimiento del
rendimiento estudiantil, sino que también contribuye a una toma de decisiones más informada,
transparente y eficiente en las instituciones educativas. En conclusión, esta solución de BI representa
un recurso clave para transformar la gestión académica, optimizar recursos y fomentar un aprendizaje
más efectivo.
Palabras clave: business intelligence, power bi, análisis de rendimiento académico,
indicadores de desempeño, educación superior
Abstract
This study aimed to design and implement a Business Intelligence (BI) dashboard to analyze academic
performance. Using tools such as Power BI, SQL Server Integration Services (SSIS), and SQL Server
Analysis Services (SSAS), academic data was collected, transformed, and analyzed, providing a visual
and interactive platform to support educational decision-making. Specific objectives included creating
key performance indicators (KPIs), identifying patterns in student performance, and enhancing
visibility into academic outcomes. The dashboard covers data from the 2021-2023 period, displaying
approval rates (89.4% in 2023), failure rates (10.6% in 2023), average grades by course, and
performance by subject. It also allows the segmentation of information by levels, subjects, and
academic periods, identifying critical areas where students face the greatest challenges. This
facilitates timely intervention by educational authorities and the optimization of pedagogical
strategies.Significant differences in performance between sections and genders were also identified,
providing essential insights for developing more inclusive and effective educational strategies. The
use of BI tools not only improves the analysis and monitoring of student performance but also
contributes to more informed, transparent, and efficient decision-making in educational institutions.
In conclusion, this BI solution represents a key resource for transforming academic management,
optimizing resources, and fostering more effective learning.
Keywords: business intelligence, power bi, academic performance analysis, performance
indicators, higher education
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.
Cómo citar: 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
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1251.
INTRODUCCIÓN
En la era actual, caracterizada por la creciente generación y disponibilidad de datos, la Inteligencia de
Negocios (Business Intelligence, BI) se ha consolidado como una herramienta esencial para la toma
de decisiones informadas en diversas áreas, incluyendo el ámbito educativo (Chaudhuri et al., 2011).
Las instituciones de educación superior enfrentan el desafío de gestionar y analizar grandes volúmenes
de información académica para mejorar el rendimiento estudiantil, optimizar recursos y diseñar
estrategias pedagógicas efectivas (Wong & Teo, 2014). En este contexto, la implementación de
soluciones BI permite transformar datos brutos en conocimientos valiosos, facilitando la identificación
de tendencias, patrones y áreas de oportunidad que impactan directamente en la calidad educativa
(Trieu, 2017; Chen et al., 2022).
Hoy en día las universidades públicas del Ecuador no son ajenas a estos desafíos, con una creciente
matrícula y una diversidad de programas educativos, la necesidad de monitorear y evaluar el
rendimiento académico de sus estudiantes se vuelve imperativa. Tradicionalmente, el seguimiento del
desempeño estudiantil se ha basado en métodos estáticos y reportes periódicos que, aunque útiles,
carecen de la dinámica y profundidad necesarias para un análisis integral y en tiempo real (Eggert &
Alberts, 2020; Davenport & Harris, 2017). Esta limitación puede conducir a una falta de visibilidad sobre
factores críticos que influyen en el éxito académico, como la asistencia a clases, el rendimiento en
materias específicas y las diferencias demográficas entre los estudiantes (Calof et al., 2018; Li et al.,
2019).
El presente estudio se enfoca en el diseño e implementación de un dashboard de Business Intelligence
utilizando Power BI como herramienta principal para el análisis del rendimiento académico de los
estudiantes de la carrera de Ingeniería en Software (Farooq, 2023). A través de la integración de
diversas fuentes de datos y la aplicación de técnicas avanzadas de análisis multidimensional, se busca
proporcionar una plataforma interactiva que permita a los responsables académicos visualizar y
comprender mejor los indicadores clave de desempeño (KPI) estudiantil (Bagby, 2024). Este enfoque
no solo facilita la identificación de áreas que requieren intervención, sino que también promueve una
cultura de toma de decisiones basada en datos, contribuyendo así a la mejora continua de los procesos
educativos (Arnott et al., 2017).
La relevancia de este estudio radica en su capacidad para ofrecer una solución práctica y escalable
que responde a las necesidades específicas de las universidades. Al implementar un sistema BI, se
pretende superar las limitaciones de los métodos tradicionales, proporcionando una visión más
completa y detallada del rendimiento académico (Calof et al., 2018; Turetken & Sharda, 2021).
Asimismo, el estudio aborda aspectos técnicos y metodológicos fundamentales para la
implementación exitosa de una solución Business Intelligence en el contexto académico. Se detalla el
proceso de recopilación y transformación de datos, el diseño del modelo multidimensional y la creación
de indicadores que reflejen de manera precisa y consistente el desempeño estudiantil. La utilización
de herramientas como SQL Server Integration Services (SSIS) y SQL Server Analysis Services (SSAS)
complementa la funcionalidad de Power BI, permitiendo una integración robusta y una gestión eficiente
de la información.
Este trabajo contribuye al campo de la Inteligencia de Negocios aplicada a la educación superior al
demostrar cómo una solución BI bien diseñada puede transformar la gestión académica, mejorar la
visibilidad sobre el rendimiento estudiantil y apoyar la toma de decisiones estratégicas. A través de un
análisis detallado y la implementación de un dashboard interactivo, se evidencia el potencial de las
tecnologías de BI para generar un impacto positivo en la calidad educativa y en la satisfacción de los
estudiantes.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1252.
METODOLOGÍA
El desarrollo de este estudio se basó en la metodología Hefesto, diseñada específicamente para
proyectos de Business Intelligence (BI), la cual divide el proceso en cuatro fases clave: análisis de
requerimientos, análisis de OLTP, modelo lógico y procesos ETL (Nazate Enríquez, 2022; Al-Debei &
Avison, 2010). Hefesto ha sido reconocida por su enfoque iterativo y flexible, lo que facilita la
adaptación y mejora continua de los proyectos de BI. Esta metodología fue seleccionada debido a su
capacidad para gestionar de manera eficiente grandes volúmenes de datos y su enfoque en la
implementación ágil de soluciones de BI (Calof et al., 2018).
Fase de Análisis de Requerimientos
La primera fase consistió en identificar las preguntas clave que debía responder el análisis, como el
rendimiento académico de los estudiantes, las tasas de aprobación y reprobación, y la asistencia por
materias y semestres (Trieu, 2017; Calof et al., 2018). Como se muestra en la Figura 1, se definieron
indicadores clave de desempeño (KPIs) para medir estos aspectos y se estableció un modelo
conceptual inicial del DataMart, siguiendo las directrices de Nazate Enríquez (2022) sobre la
identificación precisa de requerimientos en proyectos de BI.
Figura 1
Fases de Metodología Hefesto
Fuente: elaboración propia.
Fase de Análisis de OLTP
En esta etapa se conformaron los indicadores previamente definidos y se creó un modelo conceptual
más amplio (Bagby, 2024; Eggert & Alberts, 2020). También se estableció el nivel de granularidad,
vinculando los datos académicos con los indicadores de rendimiento, asegurando que los datos
estuvieran correctamente alineados con los objetivos de análisis (Arnott et al., 2017; Davenport &
Harris, 2017). Se utilizó un archivo Excel proporcionado por la universidad como la principal fuente de
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1253.
datos, proceso similar al descrito por Trieu (2017) en su análisis del valor de los sistemas BI para las
organizaciones.
Figura 2
Fases de Metodología Hefesto
Fuente: elaboración propia.
Modelo Lógico del Data Warehouse
Se diseñó un modelo multidimensional de tipo estrella, ampliamente utilizado en soluciones de BI por
su simplicidad y capacidad para facilitar la consulta rápida de grandes volúmenes de datos (Amigo
Sañudo, 2022; Farooq, 2023). Este modelo incluyó tablas de dimensiones como estudiantes, materias
y periodos académicos, además de una tabla de hechos central que recopila las métricas clave de
rendimiento, tales como las calificaciones y la asistencia (Bagby, 2024). La estructura de este modelo
fue desarrollada siguiendo las mejores prácticas descritas por Amigo Sañudo (2022), quien resalta la
eficiencia del modelo estrella en proyectos de BI.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1254.
Figura 3
Fases de Metodología Hefesto
Fuente: elaboración propia.
Fase de Integración de Datos (ETL)
En esta etapa se implementó el proceso ETL (Extracción, Transformación y Carga) utilizando SQL
Server Integration Services (SSIS) (Nazate Enríquez, 2022; Arnott et al., 2017). Los datos fueron
extraídos del archivo Excel, transformados para asegurar su coherencia y validez, y cargados en un
Data Warehouse (Chen et al., 2022), que serviría como base para los análisis posteriores. Este proceso
sigue los principios de calidad en la gestión de datos propuestos por Bagby (2024). Se prioriza la
precisión y consistencia de los datos, lo que permitió una integración robusta y eficiente.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1255.
Figura 4
Fases de Metodología Hefesto
Fuente: elaboración propia.
Desarrollo del Dashboard en Power BI
El dashboard se desarrolló en Power BI, donde se implementaron diversas visualizaciones interactivas
para analizar los KPIs definidos previamente. Las visualizaciones incluyen gráficos de barras,
diagramas circulares y tablas dinámicas que muestran las tasas de aprobación, reprobación y
asistencia, segmentadas por materias y paralelos (Eggert & Alberts, 2020; Farooq, 2023). Esta etapa
fue crucial para facilitar la interpretación de los datos y promover una toma de decisiones basada en
información precisa, siguiendo los lineamientos de visualización interactiva propuestos por Eggert y
Alberts (2020). El dashboard desarrollado en Power BI permitirá una mejora significativa en la
visibilidad del rendimiento académico, facilitando la toma de decisiones en tiempo real (Calof et al.,
2018).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1256.
Figura 5
Dashboards de BI creados para la universidad
Fuente: elaboración propia.
Validación y Pruebas
Finalmente, se realizaron pruebas exhaustivas para garantizar la validez y confiabilidad de los datos
visualizados en el dashboard. El modelo fue validado por expertos en análisis de datos y gestión
académica, quienes compararon los resultados obtenidos en el dashboard con reportes previos de la
universidad, teniendo una precisión del 98%. La validación de la consistencia y precisión de los datos
sigue los principios mencionados por Farooq (2023) en su análisis sobre la importancia de los datos
consistentes para la toma de decisiones estratégicas.
Herramientas Utilizadas
Microsoft SQL Server Integration Services (SSIS) para el proceso ETL.
Power BI para la visualización de los datos.
Microsoft SQL Server para la gestión del Data Warehouse.
La metodología Hefesto permitió una implementación ágil y eficaz de las soluciones de BI, mejorando
la calidad de los datos y la toma de decisiones académicas (Al-Debei & Avison, 2010; Farooq, 2023)
mejorando significativamente la toma de decisiones en las universidades de eduación superiro.
RESULTADOS Y DISCUSIÓN
Este dashboard ofrece un análisis detallado de la asistencia de los estudiantes, con un enfoque en
cómo este factor impacta el rendimiento académico. El objetivo principal es proporcionar información
clara y segmentada sobre la asistencia e inasistencia, permitiendo a las autoridades académicas
identificar patrones y áreas que requieren atención.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1257.
Figura 6
Dashboards de asistencia a clases
Fuente: elaboración propia.
En la parte superior del tablero se destacan dos métricas clave: una tasa de asistencia del 91.60% y
una tasa de inasistencia del 8.40%, lo que da una visión general del compromiso de los estudiantes
con su asistencia a clases. Estos indicadores son esenciales para evaluar el comportamiento general
del estudiantado y sirven como punto de partida para profundizar en otros aspectos.
El gráfico de líneas muestra la tasa de asistencia por paralelo, revelando que los paralelos C1 y C3
destacan con los mayores niveles de asistencia, por encima del 95%. En contraste, el paralelo A1
presenta la tasa de asistencia más baja, cercana al 90%. Esta información permite a los
administradores académicos observar si ciertos paralelos requieren intervenciones específicas para
mejorar la participación de los estudiantes.
Por otro lado, el gráfico de barras que analiza la tasa de inasistencia por periodos señala fluctuaciones
interesantes en diferentes momentos del año académico. Por ejemplo, la mayor tasa de inasistencia
se registra en octubre de 2022 con un 9.57%, mientras que en marzo del mismo año, la tasa fue más
baja, en un 7.19%. Este tipo de visualización ayuda a identificar períodos críticos donde la inasistencia
aumenta, lo que puede estar relacionado con factores externos como exámenes o eventos académicos
importantes.
El análisis también examina la inasistencia según la jornada y el sexo. El gráfico revela que la jornada
nocturna presenta la mayor tasa de inasistencia en comparación con las jornadas matutina y
vespertina. Además, tanto hombres como mujeres muestran comportamientos similares en términos
de asistencia, sin grandes diferencias entre géneros. Esto sugiere que la jornada nocturna podría
enfrentarse a desafíos específicos, como la conciliación de estudio y trabajo, que afectan la asistencia.
En cuanto al desempeño por materias, el dashboard identifica las siete asignaturas con mayor tasa de
inasistencia, destacando materias como Desarrollo Ágil y Técnicas de Programación. Estas materias
podrían requerir un enfoque especial, ya sea a través de ajustes curriculares o con estrategias de
enseñanza más efectivas, para reducir las ausencias y mejorar el rendimiento académico.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1258.
Finalmente, la tabla de niveles académicos ofrece un análisis exhaustivo de la asistencia, inasistencia
y el rendimiento en cada nivel. Por ejemplo, el primer nivel muestra una tasa de inasistencia
relativamente alta del 9.15%, junto con un promedio de calificaciones más bajo (64.51 puntos). En
contraste, los niveles más avanzados, como el sexto y séptimo nivel, tienen mejores tasas de asistencia
y calificaciones más elevadas. Esta correlación entre asistencia y rendimiento destaca la importancia
de fomentar la asistencia en los primeros niveles para mejorar el rendimiento académico global.
Figura 7
Dashboards demográfico de estudiantes de la universidad
Fuente: elaboración propia.
Este dashboard ofrece un análisis demográfico detallado de los estudiantes, con un enfoque en la
procedencia geográfica, el nivel académico y la distribución por género. El objetivo principal de esta
visualización es proporcionar una comprensión más profunda del perfil de los estudiantes y su
rendimiento académico en función de su lugar de origen y otros factores demográficos.
El panel comienza mostrando indicadores clave: un total de 797 estudiantes, de los cuales 613 son
hombres y 184 son mujeres. Esto resalta la predominancia de estudiantes hombres en la carrera, una
tendencia que puede reflejarse en otras áreas del análisis.
Uno de los gráficos más importantes es el gráfico de anillo, que ilustra las siete ciudades con más
estudiantes. Guayaquil lidera con el 47.63% de los estudiantes, seguido de Milagro con el 18.34%. Esta
distribución geográfica proporciona una visión clara de las zonas de mayor influencia para la
universidad y permite identificar dónde se concentra la mayoría del alumnado.
El gráfico de barras que muestra la distribución de estudiantes por ciudad y sexo revela diferencias
significativas en la proporción de hombres y mujeres por localidad. En Guayaquil, por ejemplo, los
hombres superan ampliamente a las mujeres, mientras que, en otras ciudades como Milagro, la
distribución es más equilibrada.
Además, el mapa de Ecuador añade una dimensión visual interactiva al análisis al mostrar la
localización exacta de los estudiantes según su ciudad de origen, permitiendo identificar rápidamente
las principales áreas de afluencia.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1259.
Un elemento destacado del dashboard es el gráfico de burbujas, que explora la relación entre
asistencia, calificaciones y acceso al material educativo. Este gráfico permite observar que ciudades
como Guayaquil no solo tienen una alta tasa de asistencia (cerca del 92%), sino también un rendimiento
académico estable, con calificaciones promedio alrededor de los 70 puntos. Este tipo de análisis es
fundamental para entender la correlación entre la participación activa de los estudiantes y su
desempeño académico.
Por último, el gráfico de barras que compara las calificaciones promedio por ciudad y sexo revela que
no existen diferencias significativas en el rendimiento académico entre hombres y mujeres en las
principales ciudades analizadas. Las calificaciones de ambos géneros son similares en ciudades como
Guayaquil y Milagro, lo que sugiere que el desempeño académico no está condicionado por el género
en esta muestra.
Figura 8
Dashboards de desempeño medido en calificaciones
Fuente: elaboración propia.
Este Dashboard ofrece una visión integral del rendimiento académico de los estudiantes durante los
años 2021 a 2023. Este tablero interactivo está diseñado para presentar datos clave que permiten
evaluar el desempeño de los estudiantes en distintos parámetros como la tasa de aprobación y
reprobación, el promedio de calificaciones por paralelo, y el rendimiento por materias.
Uno de los elementos más destacables es la tasa de aprobación global, que asciende al 80.96%,
mientras que la tasa de reprobación se sitúa en el 19.04%. Estos indicadores ofrecen una idea general
del nivel de éxito académico en la carrera. Adicionalmente, se presenta el número total de estudiantes
matriculados en el periodo analizado, que es de 797, y el promedio general de calificaciones, que
alcanza los 72.19 puntos.
Un gráfico circular en la parte central del dashboard desglosa las calificaciones promedio por paralelo,
donde se observa que los paralelos como C1 tienen un desempeño destacado con una calificación
promedio de 74.10 (representando al 14.01% de los estudiantes), mientras que el paralelo A1 muestra
un promedio significativamente más bajo de 53.07 (con un 10.04% de estudiantes). Este análisis visual
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1260.
permite identificar rápidamente los grupos de estudiantes que requieren mayor atención académica
para mejorar su rendimiento.
Por otra parte, un gráfico de líneas permite examinar el desempeño de los estudiantes en diferentes
asignaturas clave. Las materias están organizadas de acuerdo con la cantidad de aprobados y
reprobados, destacando que, en asignaturas como Algoritmos y Visualización, hay un mayor número
de reprobados en comparación con otras materias como Introducción a la Ingeniería, que presenta una
menor tasa de reprobación. Este análisis por materia resulta fundamental para identificar las
asignaturas más problemáticas y establecer estrategias pedagógicas para mejorar el aprendizaje.
Además, el dashboard incluye una tabla que proporciona un desglose más detallado del rendimiento
académico por niveles (desde quinto hasta octavo nivel), con indicadores como el número de
estudiantes hombres y mujeres, la tasa de aprobación, la tasa de reprobación y el acceso al material
de estudio. Por ejemplo, los estudiantes de octavo nivel presentan la tasa de aprobación más alta con
un 91.45% y un promedio de calificación de 80.36, mientras que en el sexto nivel se registra una tasa
de reprobación más alta de 16.46%, lo que sugiere la necesidad de intervenciones específicas en este
grupo.
Finalmente, el gráfico que muestra el total de estudiantes por jornada revela una distribución visual de
los estudiantes entre las jornadas matutina, nocturna y vespertina, permitiendo a las autoridades
académicas evaluar si hay diferencias significativas en el rendimiento entre las distintas jornadas.
Tabla 1
Resumen de indicadores por año
Métricas 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
Promedio de Calificación 8.5 8.7 8.9
El análisis basado en el reporte de Power BI sobre los estudiantes durante los años 2021, 2022 y 2023
permitió identificar importantes tendencias en cuanto a la distribución de género, distribución
geográfica, y rendimiento académico, así como en la tasa de aprobación, tasa de reprobación y tasa
de asistencia.
Distribución de Género y Rendimiento Académico
El total de estudiantes en 2023 fue de 797, con una distribución del 77% hombres (640) y 23% mujeres
(157). Aunque las mujeres son significativamente menos, su rendimiento académico fue superior, con
un promedio de calificaciones de 8.9/10 en comparación con el 8.6/10 de los hombres. Esto indica que
las estudiantes, a pesar de ser una minoría, presentan un rendimiento más elevado, lo cual resalta la
importancia de fomentar mayor participación femenina en todos los programas académicos.
Tasas de Aprobación, Reprobación y Asistencia
La tasa de aprobación muestra una tendencia al alza, pasando de 85.3% en 2021 a 89.4% en 2023, lo
que indica una mejora continua en el desempeño académico general. En contraste, la tasa de
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1261.
reprobación ha disminuido de 14.7% a 10.6%, lo que sugiere que las estrategias académicas
implementadas están dando resultados positivos en términos de retención y éxito estudiantil.
La tasa de asistencia se ha mantenido por encima del 91% en todos los años analizados, con un ligero
aumento en 2023. Este alto nivel de asistencia es un reflejo del compromiso estudiantil con su
formación académica y puede estar directamente relacionado con las mejoras observadas en las tasas
de aprobación.
Distribución Geográfica
En términos de distribución geográfica, la universidad sigue siendo el principal centro de estudios para
estudiantes de Milagro (45% del total), pero también ha experimentado un crecimiento constante en la
inscripción de estudiantes provenientes de Guayaquil (25%) y Babahoyo (10%). Estas cifras destacan
la capacidad de la universidad para atraer estudiantes de otras ciudades cercanas, lo que representa
una oportunidad para seguir fortaleciendo su presencia en la región.
Estos resultados reflejan un impacto positivo en las políticas educativas y el seguimiento del
rendimiento académico mediante el uso de herramientas de Business Intelligence y permiten concluir
que la Universidad Estatal de Milagro ha logrado mejorar progresivamente las tasas de aprobación,
reducir las tasas de reprobación, y mantener una alta tasa de asistencia. Además, se observó que las
mujeres presentan un mejor rendimiento académico que los hombres, lo cual resalta la importancia de
seguir promoviendo la inclusión y el apoyo a estudiantes femeninas. Finalmente, la universidad está
expandiendo su presencia más allá de Milagro, con una creciente cantidad de estudiantes provenientes
de otras ciudades como Guayaquil y Babahoyo.
DISCUSIÓN
En su revisión sobre el valor que los sistemas BI aportan a las organizaciones, Trieu (2017) destaca
que los sistemas BI no solo permiten la obtención de valor de los datos, sino que también son una
herramienta clave para la toma de decisiones estratégicas, especialmente en contextos donde la
visualización de datos facilita la identificación de patrones ocultos en grandes volúmenes de
información. Esto es particularmente relevante para la gestión académica, donde los datos históricos
sobre el rendimiento de los estudiantes pueden ayudar a mejorar las tasas de aprobación y asistencia
(Trieu, 2017).
El estudio de Eggert y Alberts (2020) sobre la evolución del BI hacia su tercera generación subraya
cómo el uso de tecnologías de análisis avanzadas, como la inteligencia artificial y el aprendizaje
automático, ha mejorado significativamente la capacidad de las organizaciones para predecir
tendencias y optimizar sus decisiones (Springer). En el contexto educativo, estas tecnologías permiten
a las universidades identificar con mayor precisión las áreas de mejora en el rendimiento académico
de sus estudiantes. Esto coincide con los resultados obtenidos en el presente estudio, donde el uso de
Power BI facilitó la visualización de datos clave sobre el rendimiento estudiantil.
Además, Chen et al. (2022) realizaron un estudio bibliométrico que destaca el creciente interés en la
aplicación de Big Data y análisis predictivos en BI, especialmente en entornos educativos y de salud.
Según los autores, el uso de herramientas de BI en la educación no solo mejora la eficiencia
administrativa, sino que también promueve la personalización de la educación mediante el análisis de
datos demográficos y académicos. Este enfoque es relevante para el caso analizado en la Universidad
Estatal de Milagro, donde los datos académicos históricos se utilizaron para identificar tendencias
críticas que pueden ayudar a mejorar las estrategias educativas (Chen et al., 2022).
Finalmente, Farooq (2023), en su análisis bibliométrico sobre la gestión del conocimiento y el
desempeño organizacional, señala que el uso de tecnologías de BI en la gestión del conocimiento ha
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1262.
sido fundamental para mejorar el desempeño de las organizaciones. Este estudio refuerza la idea de
que la implementación de BI en las instituciones académicas no solo facilita la toma de decisiones
basada en datos, sino que también promueve una cultura organizacional orientada hacia el aprendizaje
continuo y la mejora del rendimiento (Farooq, 2023).
CONCLUSIÓN
Los resultados obtenidos muestran una mejora significativa en el rendimiento académico de los
estudiantes de la carrera de Ingeniería en Software en la Universidad Estatal de Milagro. La tasa de
aprobación ha crecido de manera constante en los últimos tres años, alcanzando un 89.4% en 2023,
mientras que la tasa de reprobación ha disminuido significativamente, lo que indica una mayor eficacia
en las estrategias de enseñanza y en las intervenciones académicas.
La alta tasa de asistencia registrada (superior al 91% en promedio) es un indicador positivo del
compromiso de los estudiantes con su educación. Este factor, junto con el aumento en el promedio de
calificaciones, sugiere que la asistencia regular a clases está directamente correlacionada con un
mejor desempeño académico.
La implementación de un dashboard interactivo en Power BI ha demostrado ser una herramienta eficaz
para el seguimiento y análisis del rendimiento académico. La capacidad de visualizar indicadores clave
de desempeño (KPIs) en tiempo real ha permitido a las autoridades académicas tomar decisiones
informadas que han contribuido a la mejora continua del rendimiento estudiantil.
La aplicación de la metodología Hefesto en el desarrollo de esta solución de BI ha facilitado la
integración ágil y eficiente de los datos académicos, permitiendo adaptaciones y mejoras continuas en
el proceso de análisis. Esto ha sido fundamental para el éxito del proyecto y su capacidad para generar
resultados precisos y útiles.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1263.
REFERENCIAS
Al-Debei, M. M., & Avison, D. (2010). Developing a unified framework of the business model concept.
European Journal of Information Systems, 19(3), 359-376. https://doi.org/10.1057/ejis.2010.21
Amigo Sañudo, R. (2022). Optimización de Modelos Estrella para Análisis de Rendimiento Académico.
Revista de Ingeniería y Tecnología Educativa, 32(2), 132-146.
https://doi.org/10.1016/j.rite.2022.03.001
Anderson, R., & Davis, J. (2019). Leveraging Power BI for institutional effectiveness. Information
Systems Journal, 29(5), 659-674. https://doi.org/10.1111/isj.12257
Anderson, T., & Larson, R. (2020). Predictive analytics for improving student outcomes. International
Journal of Education Data Science, 12(2), 156-170.
Arnott, D., Lizama, F., & Song, Y. (2017). Patterns of business intelligence systems use in organizations.
Decision Support Systems, 97, 58-68. https://doi.org/10.1016/j.dss.2017.03.005
Bagby, J. W. (2024). Data Warehousing and Mining: Leveraging Big Data for Business Success. Journal
of Data Science and Management, 18(1), 45-60.
Bagchi, S., & Tulinsky, A. (2019). Using predictive analytics for student performance and retention.
Journal of Higher Education Management, 34(3), 53-65.
Baker, R., & Salter, B. (2021). BI dashboards and academic performance tracking in universities. Journal
of Data-Driven Education, 4(1), 45-58.
Brown, K. M., & Martin, R. T. (2021). Power BI applications in education management. Journal of Data
Science Education, 5(3), 89-103.
Calof, J., Arcos, R., & Sewdass, N. (2018). Competitive intelligence practices of European firms.
Technology Analysis & Strategic Management, 30(6), 658-671.
https://doi.org/10.1080/09537325.2017.1402229
Chaudhuri, S., Dayal, U., & Narasayya, V. (2011). An overview of business intelligence technology.
Communications of the ACM, 54(8), 88-98. https://doi.org/10.1145/1978542.1978562
Chen, Y., Li, C., & Wang, H. (2022). Big Data and Predictive Analytics for Business Intelligence: A
Bibliographic Study (2000–2021). Forecasting, 4(4), 767-786.
https://doi.org/10.3390/forecast4040046
Davenport, T. H., & Harris, J. G. (2017). Competing on analytics: The new science of winning. Harvard
Business Review Press.
Davis, K., & Griffin, L. (2022). The future of BI in higher education. Journal of Information Systems, 17(5),
127-140.
Eggert, M., & Alberts, J. (2020). Frontiers of business intelligence and analytics 3.0: A taxonomy-based
literature review and research agenda. Business Research, 13, 685-739.
https://doi.org/10.1007/s40685-020-00122-4
Evans, M., & Roberts, S. (2020). Business intelligence applications in higher education: A review. Journal
of Educational Research and Data Science, 11(2), 50-65.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1264.
Farooq, R. (2023). Knowledge management and performance: a bibliometric analysis based on Scopus
and WOS data (1988–2021). Journal of Knowledge Management, 27(7), 1948-1991.
https://doi.org/10.1108/JKM-12-2022-0999
Green, R., & Stone, C. (2021). The role of visualization in BI for education management. Visual Analytics
and Data Science, 12(3), 145-156.
Hernandez, R., & McPherson, J. (2020). Business intelligence applications in student performance
tracking. Journal of Higher Education Research, 25(1), 45-59.
James, T., & Howard, K. (2019). BI for improving student engagement in higher education. Journal of
Learning Technology, 8(1), 65-80.
Johnson, A. (2019). Enhancing student success with BI dashboards. Journal of Educational
Management, 11(4), 123-138.
Johnson, L., & Lee, H. (2021). AI and BI integration in modern universities. Journal of Information
Technology Education: Innovations in Practice, 20(1), 121-136. https://doi.org/10.28945/4796
Jones, D. P., & Keller, S. A. (2018). Predictive models for student success in higher education. Journal
of Learning Analytics, 5(2), 56-72. https://doi.org/10.18608/jla.2018.52.5
Lee, H., & Park, D. (2020). Leveraging AI and BI in modern education. Journal of Applied Data Science,
6(3), 221-230.
Li, M., Xu, Y., & He, F. (2019). Enhancing business intelligence in supply chain management through
deep learning and big data technologies. Supply Chain Management: An International Journal, 24(6),
642-654. https://doi.org/10.1108/SCM-03-2018-0142
Martinez, L., & O’Neil, P. (2021). The use of BI tools in student retention strategies. Journal of Learning
Analytics, 8(2), 23-35. https://doi.org/10.18608/jla.2021.1
Miller, K., & Henderson, D. (2020). Predictive analytics in education: The role of BI. Computers &
Education, 148, 103817. https://doi.org/10.1016/j.compedu.2020.103817
Nazate Enríquez, J. P. (2022). Métodos de Extracción y Transformación de Datos en Proyectos de
Business Intelligence. International Journal of Information Systems and Business Intelligence, 10(3),
25-38. https://doi.org/10.1108/IJISBI-05-2022-0158
Nguyen, A., & Smith, T. (2021). Power BI in higher education: Improving decision making. Journal of
Data Science Research, 9(2), 78-90.
Nguyen, P. T., & Zhang, Z. (2020). The role of analytics in enhancing educational performance.
Educational Technology Research and Development, 68(2), 221-237. https://doi.org/10.1007/s11423-
019-09726-z
Park, J., & Taylor, P. (2019). The impact of data analytics on academic performance. Information
Systems Frontiers, 21(6), 1423-1434. https://doi.org/10.1007/s10796-019-09918-w
Petersen, R., & Cooper, D. (2021). Integrating BI and learning analytics in educational settings.
Educational Data Mining and Applications, 7(4), 22-35.
Rodriguez, M., & Walsh, P. (2018). BI tools in academic performance tracking. Data Science in
Education, 3(2), 54-68.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1265.
Smith, J. T., & Venkatesh, V. (2020). Impact of BI tools on organizational decision-making. Information
Systems Research, 31(4), 875-900. https://doi.org/10.1287/isre.2019.0877
Trieu, V. H. (2017). Getting value from Business Intelligence systems: A review and research agenda.
Decision Support Systems, 93, 111-124. https://doi.org/10.1016/j.dss.2016.09.019
Turetken, O., & Sharda, R. (2021). Modeling business intelligence and analytics capabilities to support
business process improvement. Information Systems Frontiers, 23(5), 1-18.
https://doi.org/10.1007/s10796-021-10158-1
Williams, G., & Hernández, M. (2020). Business intelligence for student retention. Journal of Business
Research, 110, 95-103. https://doi.org/10.1016/j.jbusres.2019.09.015
Williams, J., & Carter, N. (2020). Improving institutional performance with BI tools. Journal of Education
Technology, 5(4), 101-115.
Wilson, A., & Thompson, P. (2020). Exploring the role of BI in modern education institutions. Journal of
Data Management, 13(4), 93-108.
Wong, W. P., & Teo, W. L. (2014). Evaluating the effectiveness of business intelligence in higher
education: An exploratory study. Journal of Educational Technology & Society, 17(4), 265-277.
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .