Early Warning System for Student Dropout

Problema

Una universidad se entera de que un estudiante desertó cuando ya se fue. En ese momento ninguna intervención es posible. El problema no era predecir por predecir: era invertir el orden, para que el área de Bienestar pudiera actuar mientras todavía había alguien a quien acompañar.

El dato que define todo el proyecto

Un modelo que dice “nadie deserta”, sin mirar ningún dato, acierta el 60,85% de las veces — porque esa es la proporción de quienes se gradúan. Y detecta cero estudiantes en riesgo.

Por eso la métrica de éxito no fue la exactitud sino el Recall: de los que realmente están en riesgo, ¿a cuántos alcanzo a detectar? Elegir la métrica según lo que cuesta el error, y no la que se ve mejor en un reporte, fue la decisión más importante del trabajo.

Análisis

Sobre 4.424 registros y 37 variables: exploración de datos, detección de valores atípicos, correlaciones y tratamiento del desbalanceo de clases.

Un hallazgo del análisis exploratorio cambió el preprocesamiento: 718 notas en cero durante el primer semestre no eran datos faltantes — coincidían exactamente con quienes no aprobaron ninguna materia. Imputarlas habría borrado la señal más fuerte del conjunto.

Se compararon seis alternativas con validación cruzada estratificada y pruebas estadísticas pareadas, documentando cuándo las diferencias eran significativas y cuándo no se distinguían del ruido.

Ranking de las 10 variables más influyentes en la predicción de riesgo — Qué mira el modelo para decidir. El rendimiento del segundo semestre domina — y es exactamente lo que un área de Bienestar puede observar a tiempo.

Resultado

90,49% Recall De los que sí desertan, a cuántos alcanza a detectar

86,82% Precisión De los que marca como riesgo, cuántos lo eran de verdad

0,9677 ROC-AUC Capacidad general de separar los dos grupos

Curva Precisión-Recall del modelo final sobre el conjunto de prueba — Curva Precisión-Recall, no ROC. Con clases desbalanceadas la ROC se ve optimista porque normaliza los falsos positivos contra un universo grande de negativos; la PR muestra el intercambio real entre a cuántos detecto y a cuántos molesto de más.

Matriz de confusión sobre el conjunto de prueba — El mismo resultado en crudo: a cuántos detecta y a cuántos se le escapan, sobre datos que el modelo nunca vio durante el entrenamiento.

El entregable es una API, no un tablero

Un modelo dentro de un notebook no lo usa nadie. Por eso lo que se entrega es una API REST desplegada, con endpoints de predicción, reporte y estado del servicio, y el contrato validado: si llega un valor fuera de rango, responde con el error correspondiente en vez de devolver una predicción sin sentido.

Eso permite que la universidad la conecte a sus propios sistemas — al que ya usa para matrículas, notas o seguimiento — sin depender de que alguien abra un notebook y corra celdas.

Encima de esa API construí una interfaz, y su función es distinta: demostrar las capacidades del servicio a quien no programa. Ahí se mueve el umbral y se ve en vivo a cuántas personas alcanza cada escenario según la capacidad real de tutorías del período. La interfaz existe para que se entienda qué hace la API; el producto integrable es la API.

Diagrama de flujo del sistema: de los datos crudos al reporte en producción — De los datos crudos al servicio en producción. El modelo es una pieza del recorrido, no el producto.

Una decisión de comunicación, no de modelo

El reporte nunca dice “desertor”. Informa nivel de riesgo, el motivo concreto de ese estudiante y una acción sugerida.

Un archivo que circula por una institución etiquetando a alguien por algo que todavía no ocurrió puede provocar exactamente lo que intenta evitar. El sistema ordena y prioriza; la decisión sobre una persona sigue siendo humana.