����������������������������������������������������������������������������������������� ��� �

���������������������������������������������������������������������������������

 

Data Mart para los est�ndares del componente estudiantado del modelo de evaluaci�n externa CACES ������

������������������ ��������

Data Mart for the standards of the student component of the CACES external assessment model

 

Data Mart para os padr�es do componente do aluno do modelo de avalia��o externa CACES

 

Telmo Ramiro Vintimilla-Rodr�guez ^I

� telmovintimilla@ucacue.edu.ec

https://orcid.org/0000-0002-3326-5887

 

Martin Geovanny Zhind�n-Mora ^II

mgzhindonm@ucacue.edu.ec

https://orcid.org/0000-0003-4475-830X

 

�����������

Correspondencia: telmovintimilla@ucacue.edu.ec

 

 

Ciencias t�cnicas y aplicadas

Art�culo de investigaci�n

 

 

*Recibido: 13 de septiembre de 2020 *Aceptado: 09 de octubre de 2020 * Publicado: 06 de noviembre de 2020

 

       I.            Ingeniero de Sistemas, Jefatura de Posgrados, Universidad Cat�lica de Cuenca, Cuenca, Ecuador.

    II.            Ingeniero de Sistemas, Jefe de Tecnolog�as de la Informaci�n, Universidad Cat�lica de Cuenca, Cuenca, Ecuador.

�

Resumen

El sector empresarial, tradicionalmente ha considerado la incorporaci�n de tecnolog�a como herramienta e instrumento para la automatizaci�n de procesos, con el objetivo de que esta sirva como apoyo y soporte operacional. Sin embargo, esta adopci�n tecnol�gica puede ampliarse, planteando soluciones estrat�gicas como resultado del an�lisis de datos y de la consecuente generaci�n de conocimiento. Un adecuado estudio y an�lisis de los datos potenciar� los procesos acad�micos y administrativos mejorando la calidad de los mismos y por consiguiente en la obtenci�n de mejores resultados en los procesos de evaluaci�n externa o de autoevaluaci�n de la Universidad Cat�lica de Cuenca. El objetivo del Data Mart es analizar los datos del Sistema de informaci�n institucional, aplicando las f�rmulas del modelo de evaluaci�n externa, que permita una toma de decisiones estrat�gicamente efectivas, sobre los indicadores del componente estudiantado: Tasa de Permanencia del Estudiantado y Tasa de Titulaci�n de Grado. Se aplic� la arquitectura DW/BI de Ralph Kimball, mediante la ejecuci�n de los pasos establecidos en el diagrama del ciclo de vida, que describe la secuencia de las tareas que se deben realizar para implementaci�n exitosa de un sistema Data Warehouse. En lo correspondiente a al indicador de tasa de permanencia del estudiantado, en los �ltimos cuatro per�odos acad�micos culminados a nivel institucional se obtuvo un promedio ponderado del 63,62%, es decir que aproximadamente, del total de estudiantes nuevos que ingresan en cada periodo, dos tercios contin�an estudiando en la misma carrera dos a�os despu�s de su primera matr�cula. Adicionalmente, podemos destacar un crecimiento de 4.51% en el porcentaje de tasa de permanencia, entre los periodos que iniciaron en septiembre de 2016 y marzo 2018; as� tambi�n, un aumento en el n�mero de estudiante de cohorte, correspondiente a un promedio de 23.87% anual. En el indicador tasa de titulaci�n de grado, de un total de 4.863 estudiantes pertenecientes a la cohorte 2010 se graduaron 1.673, de los cuales �nicamente 1.488 son considerados para el c�lculo del indicador, obteniendo un 27.31% en su desempe�o. Es evidente que el uso de estas herramientas permitir� obtener una mirada distinta de los procesos relacionados con los indicadores de desempe�o analizados, en los cuales se ejecutar�n acciones que permitan mejorar estrat�gicamente sus resultados, adem�s de traducirse en una mejora en cuanto a la valoraci�n de los procesos de evaluaci�n externa.

Palabras claves: Inteligencia de negocios; anal�tica de datos; data warehouse; almac�n de datos; data mart; modelo de evaluaci�n.

 

Abstract

The business sector has traditionally considered the incorporation of technology as a tool and instrument for the automation of processes, with the aim that it serves as operational support and support. However, this technological adoption can be expanded, proposing strategic solutions as a result of data analysis and the consequent generation of knowledge. An adequate study and analysis of the data will enhance the academic and administrative processes, improving their quality and, consequently, obtaining better results in the external evaluation or self-evaluation processes of the Catholic University of Cuenca. The objective of the Data Mart is to analyze the data of the Institutional Information System, applying the formulas of the external evaluation model, which allows strategically effective decision-making, on the indicators of the student component: Student Permanence Rate and Graduate Degree Rate. Degree. Ralph Kimball's DW / BI architecture was applied, by executing the steps established in the life cycle diagram, which describes the sequence of tasks that must be performed for a successful implementation of a Data Warehouse system. Regarding the indicator of the rate of permanence of the student body, in the last four academic periods completed at the institutional level, a weighted average of 63.62% was obtained, that is, approximately, of the total of new students who enter each period, two thirds continue studying in the same career two years after their first enrollment. Additionally, we can highlight a growth of 4.51% in the percentage of permanence rate, between the periods that began in September 2016 and March 2018; also, an increase in the number of students in the cohort, corresponding to an annual average of 23.87%. In the degree graduation rate indicator, out of a total of 4,863 students belonging to the 2010 cohort, 1,673 graduated, of which only 1,488 are considered for the calculation of the indicator, obtaining 27.31% in their performance. It is evident that the use of these tools will allow obtaining a different view of the processes related to the performance indicators analyzed, in which actions will be carried out that allow to strategically improve their results, in addition to translating into an improvement in terms of the assessment of the results. external evaluation processes.

Keywords: Business intelligence; data analytics; data warehouse; data warehouse; data mart; evaluation model.

 

Resumo

O setor empresarial tem tradicionalmente considerado a incorpora��o da tecnologia como ferramenta e instrumento para a automa��o de processos, com o objetivo de servir de suporte e suporte operacional. Por�m, essa ado��o tecnol�gica pode ser ampliada, propondo-se solu��es estrat�gicas a partir da an�lise dos dados e consequente gera��o de conhecimento. Um estudo e an�lise adequados dos dados ir�o potenciar os processos acad�micos e administrativos, melhorando a sua qualidade e, consequentemente, obtendo melhores resultados nos processos de avalia��o externa ou autoavalia��o da Universidade Cat�lica de Cuenca. O objetivo do Data Mart � analisar os dados do Sistema de Informa��o Institucional, aplicando as f�rmulas do modelo de avalia��o externa, que permite uma tomada de decis�o estrategicamente eficaz, sobre os indicadores da componente discente: Taxa de Perman�ncia de Alunos e Taxa de Gradua��o. Grau. Foi aplicada a arquitetura DW / BI de Ralph Kimball, executando as etapas estabelecidas no diagrama de ciclo de vida, que descreve a seq��ncia de tarefas que devem ser realizadas para uma implementa��o bem-sucedida de um sistema de Data Warehouse. Quanto ao indicador da taxa de perman�ncia do corpo discente, nos �ltimos quatro per�odos letivos cumpridos a n�vel institucional, obteve-se uma m�dia ponderada de 63,62%, ou seja, aproximadamente, do total de novos alunos que ingressam em cada per�odo, dois ter�os continuam estudando na mesma carreira dois anos ap�s a primeira matr�cula. Adicionalmente, podemos destacar um crescimento de 4,51% no percentual de taxa de perman�ncia, entre os per�odos iniciados em setembro de 2016 e mar�o de 2018; tamb�m, um aumento no n�mero de alunos da coorte, correspondendo a uma m�dia anual de 23,87%. No indicador taxa de gradua��o, de um total de 4.863 alunos pertencentes � coorte de 2010, 1.673 conclu�ram, dos quais apenas 1.488 s�o considerados para o c�lculo do indicador, obtendo 27,31% no desempenho. � evidente que a utiliza��o destas ferramentas permitir� obter uma vis�o diferenciada dos processos relacionados com os indicadores de desempenho analisados, nos quais ser�o realizadas a��es que permitem melhorar estrategicamente os seus resultados, para al�m de se traduzirem numa melhoria ao n�vel da avalia��o dos resultados. processos de avalia��o externa.

Palavras-chave: Business intelligence; an�lise de dados; armaz�m de dados; Armazem de dados; data mart; modelo de avalia��o.

 

Introducci�n

El an�lisis de datos e informaci�n para apoyar los procesos estrat�gicos y de toma de decisiones efectiva es una actividad fundamental en la presente transformaci�n tecnol�gica empresarial. Las grandes cantidades de informaci�n disponible, as� como su constante incremento y su disponibilidad a trav�s de los sistemas inform�ticos transaccionales, constituyen uno de los activos m�s valiosos para la instituci�n. Concomitante a esto, por el volumen de los datos, se torna en uno de los mayores inconvenientes al momento de identificar la informaci�n relevante que influye directamente en los indicadores de desempe�o de los procesos estrat�gicos, as� como los requerimientos tecnol�gicos necesarios para la manipulaci�n de altos vol�menes de datos.

El sector empresarial, tradicionalmente ha considerado la incorporaci�n de tecnolog�a como herramienta e instrumento para la automatizaci�n de procesos, con el objetivo de que esta sirva como apoyo y soporte operacional. Sin embargo, esta adopci�n tecnol�gica puede ampliarse, planteando soluciones estrat�gicas como resultado del an�lisis de datos y de la consecuente generaci�n de conocimiento. Para ello, es importante el uso de herramientas y aplicaciones que permitan realizar este proceso, orientadas a la extracci�n, transformaci�n, limpieza y carga de la informaci�n, gesti�n de repositorios y bases de datos, Data Warehouse y Data Mart; y, aplicaciones de Business Intelligence (BI).

Un Data Mart se define como la aplicaci�n de un proceso de Data Warehouse con un alcance limitado y definido, orientado a un problema o proceso en particular [1]. Un adecuado estudio y an�lisis de los datos potenciar� los procesos acad�micos y administrativos mejorando la calidad de los mismos y por consiguiente en la obtenci�n de mejores resultados en los procesos de evaluaci�n externa o de autoevaluaci�n de la Universidad Cat�lica de Cuenca.

El modelo de Evaluaci�n de Universidades y Escuelas Polit�cnicas, es la herramienta metodol�gica de evaluaci�n que utiliza el Consejo de Aseguramiento de la Calidad de la Educaci�n Superior [2], con el fin de medir y valorar las condiciones institucionales para el ejercicio de las funciones sustantivas (Academia, Investigaci�n e Innovaci�n y Vinculaci�n con la Sociedad), de las Instituciones de Educaci�n Superior (IES), en comparaci�n con altos est�ndares de calidad.

El modelo aplica f�rmulas en funci�n del tiempo, por lo que se debe tener una planificaci�n estrat�gica que considere realizar acciones inmediatas y obtener resultados a largo plazo, que permitan cumplir con los est�ndares del modelo. El proceso de evaluaci�n institucional articula aspectos acad�micos y administrativos, donde las variables utilizadas para el c�lculo de los indicadores cuantitativos, afectan directa o indirectamente los resultados de indicadores de las otras funciones sustantivas.

La evaluaci�n de las Instituciones de Educaci�n Superior, es un proceso que obedece a par�metros establecidos en ciertos indicadores que se someten a la aplicaci�n del modelo de evaluaci�n externa, esto permite que varios aspectos a verificar por las entidades de control, sean controlables y puedan ser reforzados a trav�s de acciones estrat�gicas emprendidas por la instituci�n.

Se debe aprovechar la especificidad metodol�gica expresada en el modelo de evaluaci�n, para fortalecer estrat�gicamente las condiciones institucionales, para el ejercicio de las funciones sustantivas de la educaci�n. Una toma de decisiones efectiva, en el momento oportuno, garantizar� un impacto positivo y como resultado una valoraci�n alta en el cumplimiento de los est�ndares de calidad.

Conocer y analizar la realidad institucional, es un paso muy importante en la toma de decisiones, pero mucho m�s relevante es realizar acciones en el momento adecuado, de forma que el impacto sea evidente y significativo en la valoraci�n de los indicadores, es por ello que un modelo de an�lisis predictivo permitir� planteamiento de escenarios para optimizar los recursos que la IES debe invertir, para obtener los mejores resultados.

 

Metodolog�a

Este proyecto de Data Mart se desarroll� mediante la implementaci�n de la arquitectura DW/BI de Ralph Kimball [3], mediante la ejecuci�n de los pasos establecidos en el diagrama del ciclo de vida de la Ilustraci�n 1, planteado por el mismo autor [4], el cual presenta una hoja de ruta con la secuencia de las tareas que se deben realizar para implementaci�n exitosa de un sistema Data Warehouse.

�

Ilustraci�n 1: Diagrama del ciclo de vida de la arquitectura DW/BI Kimball[4]

 

Planificaci�n y gesti�n del proyecto

El objetivo del Data Mart es analizar los datos del Sistema de informaci�n institucional, aplicando las f�rmulas del modelo de evaluaci�n externa, que permita una toma de decisiones estrat�gicamente efectivas, sobre los indicadores del componente estudiantado: Tasa de Permanencia del Estudiantado y Tasa de Titulaci�n de Grado.

Tomados los datos del Sistema de informaci�n Institucional, el modelo proyectar� diferentes situaciones de desempe�o espec�ficas, donde se podr� mejorar la asignaci�n de distribuci�n de actividades, los procesos de admisi�n y nivelaci�n, acompa�amiento acad�mico, eficiencia terminal de grado, procesos de titulaci�n, refrendaci�n y registro de t�tulos, etc.

El Sistema de Informaci�n Institucional, contiene gran cantidad de informaci�n, relacionada con: expedientes acad�micos de estudiantes, matriculaci�n, cohortes, procesos de titulaci�n. Datos que pueden ser �tiles para retroalimentar estrat�gicamente la gesti�n directiva institucional, si son reestructurados y articulados adecuadamente en base a la metodolog�a de c�lculo de los indicadores del modelo de evaluaci�n externa.

 

Definici�n de requerimientos empresariales

Tradicionalmente, la forma de medir el desempe�o de una empresa estaba directamente vinculado con su estado financiero; es decir, que giraba en torno a sus ganancias, sin considerar aspectos intangibles como la relaci�n con los clientes o el grado de satisfacci�n de sus empleados. Robert Kaplan y David Norton con el concepto de Balanced Scorecard [5], plantean la identificaci�n de m�tricas articuladas a un objetivo, conocidas como indicadores clave de desempe�o o Key Performance Indicator (KPI), donde las decisiones que se tomen en torno a estas afectar�an estrat�gicamente a sus resultados.

Para identificar la informaci�n relevante y necesaria para realizar el estudio de los indicadores determinados, se debe analizar lo correspondiente al componente estudiantado en el modelo de evaluaci�n externa; y, lo relacionado con la organizaci�n y estructura del Sistema de Informaci�n Institucional.

La Tabla 1, presenta la informaci�n relacionada con el indicador Tasa de permanencia del estudiantado, definiendo su forma.

 

Tabla 1: Indicador Tasa de permanencia del estudiantado

Funci�n sustantiva	Docencia
Dimensi�n	Ejecuci�n
Est�ndar	6. Ejecuci�n de los procesos del estudiantado
Indicador	Tasa de permanencia del estudiantado
Calculo del est�ndar
Variables	EMA: Total de estudiantes matriculados en la instituci�n en el periodo de evaluaci�n que fueron admitidos dos a�os antes. � EA: Total de estudiantes que fueron admitidos en la instituci�n dos a�os antes del periodo de evaluaci�n.

 

De igual forma, la Tabla 2, corresponde al indicador Tasa de titulaci�n de grado, presentando el mismo detalle de informaci�n que el indicador anterior.

 

Tabla 2: Indicador Tasa de titulaci�n del estudiantado

 

Luego de definir los indicadores, se debe identificar las fuentes de datos, para ello consideramos el proceso de recolecci�n de informaci�n [7], en la fase de Registro en el proceso de evaluaci�n, cada una de las Instituciones de Educaci�n Superior reporta al Sistema de Informaci�n Integral de Educaci�n Superior (SIIES) [8], una colecci�n de datos, en forma de carga masiva, que contiene aspectos esenciales de las funciones sustantivas como: estudiantes matriculados, estudiantes matriculados por periodo, cohortes, graduados, becas, etc.

En consecuencia, la Instituci�n genera reportes especializados desde su Sistema de Informaci�n Institucional, en los formatos establecidos en el Sistema SIIES para realizar las cargas masivas, estos archivos son hojas de c�lculo, con una fila cabecera que corresponde a los campos solicitados; una vez agregados los registros, se aplica un filtro a trav�s de una herramienta validadora, igualmente proporcionada por las entidades de control, esta herramienta realiza un barrido verificando que formato de los tipos de datos corresponda a lo solicitado, que los valores de campos espec�ficos correspondan a las tablas proporcionada en el instructivo, el uso de caracteres especiales no permitidos, algoritmos de validaci�n de identificaciones, etc. Una vez concluido este proceso, la aplicaci�n permite generar un archivo. XML, que ser� la carga a ser subida en la interfaz del sistema SIIES.

El Sistema de Informaci�n Institucional, entrega de forma detallada las cargas masivas relacionadas con:

�         Estudiantes

�         Estudiantes Matriculados

�         Carreras

�         Sedes

Sin embargo, la informaci�n relacionada con estudiantes graduados debe ser recolectada de un registro en hoja de c�lculo, que contiene informaci�n del proceso de refrendaci�n y registro de t�tulos.

En base a lo solicitado por el modelo de evaluaci�n y los or�genes de datos, podemos determinar la siguiente informaci�n que es clave para el an�lisis de los indicadores

�         Reporte Estudiantes

�         N�mero de estudiantes de cohorte (matriculados en carrera por primera vez en un periodo definido)

�         Reporte Estudiantes Matriculados

�         N�mero de estudiantes matriculados dos a�os despu�s de su primera matricula

�         Listado de refrendaci�n y registro de t�tulos

�         N�mero de estudiantes graduados

�         N�mero de estudiantes graduados dentro del tiempo reglamentario

�         N�mero de estudiantes graduados fuera del tiempo reglamentario

Se debe considerar que el CACES aprovecha la informaci�n existente en la base SIIES, para entregar a los equipos evaluadores una visi�n contextual de la Universidad que van a evaluar, y, del conjunto del sistema, a fin de que un mejor conocimiento les posibilite mayor agudeza y profundidad en su tarea evaluativa.

 

Dise�o de la arquitectura t�cnica

En este punto, con una clara concepci�n de las necesidades institucionales, se debe articular lo planteado en los pasos anteriores con la arquitectura t�cnica de un Data Mart. En la Ilustraci�n 2, observamos que esta arquitectura se divide en dos entornos, el back room, que hace referencia a los componentes propios de un Data Warehouse y el front room que se orienta a la parte de inteligencia de negocios.

 

Ilustraci�n 2: Diagrama simplificado de la arquitectura Data Mart[3]

�

En el back room se definen todos los aspectos transparentes al usuario, desde el origen de los datos, los m�todos de adquisici�n, transformaci�n, limpieza, validaci�n, c�lculos y carga de datos al Data Mart. El front room es la presentaci�n de datos al usuario a trav�s de una interfaz simplificada con una aplicaci�n de BI.

En base a los campos de los archivos de carga masiva, los instructivos, diagramas de flujo de carga de informaci�n; y, el comportamiento del sistema SIIES, de forma conceptual se ha determinado el modelo de la fuente de datos. La ilustraci�n 3, presenta un esquema relacional permite un acercamiento a su l�gica, organizaci�n, articulaci�n y distribuci�n de informaci�n.

�

Ilustraci�n 3: Modelo relacional cargas masivas MODELO SIIES

 

 

Instalaci�n y selecci�n de productos

En esta actividad, se deben precisar espec�ficamente las aplicaciones y productos adecuados para la implementaci�n del proyecto. Dentro de los entornos de la arquitectura t�cnica de un Data Mart, se definen componentes y, cada uno de ellos necesita herramientas apropiadas que soporten de forma conjunta el an�lisis de datos.

�

Ilustraci�n 4: Modelo de arquitectura de sistema DW/BI de alto nivel [4]

 

Los productos seleccionados son de libre distribuci�n, a excepci�n de Tableau Software. En la Tabla 3, se puede ver el detalle de estos productos.

 

Tabla 3: Productos seleccionados para Data Mart

 

Modelamiento dimensional

Se generaron dos modelos dimensionales a partir de los an�lisis realizados a cada uno de los indicadores, siguiendo lo sugerido en la arquitectura Kimball [4], hay cuatro pasos para dise�ar el modelo dimensional:

1.           Selecci�n del proceso de negocio

2.           Definici�n de la granularidad de la informaci�n

3.           Elecci�n de las dimensiones de an�lisis

4.           Identificaci�n de los hechos o m�tricas

Estas cuatro decisiones clave en el desarrollo del dise�o l�gico del modelamiento dimensional, en resumen, se encuentran en las siguientes tablas:

 

Tabla 4: Proceso de dise�o dimensional del indicador Tasa de permanencia del estudiantado

 

En lo relacionado con el indicador Tasa de permanencia del estudiantado, se defini� la tabla de hechos Matriculas, en donde periodo a periodo, se ingresan los registros de todos los estudiantes que acceden a una matr�cula en una carrera espec�fica, se determinaron tambi�n cinco dimensiones considerando los atributos descriptivos que est�n asociados, Estudiantes, Periodos, Sedes, Carreras y Fechas.

La forma de identificar un estudiante retenido, consiste en determinar a qu� cohorte pertenece, es decir, cu�l fue el periodo en el que se matriculo por primera vez en una carrera espec�fica, y verificar dos a�os despu�s si el estudiante realiz� nuevamente un proceso de matr�cula en la misma carrera, independientemente del ciclo de estudios.

 

 

 

 

 

Tabla 5: Proceso de dise�o dimensional del indicador Tasa de titulaci�n del estudiantado

 

En lo relacionado con el indicador Tasa de titulaci�n de grado, se defini� la tabla de hechos Graduados, la que se ingresan los registros de todos los estudiantes se grad�an en determinada carrera, se determinaron tambi�n cuatro dimensiones considerando los atributos descriptivos que est�n asociados, Estudiantes, Sedes, Carreras y Fechas.

La forma de identificar un estudiante graduado que aporte a la eficiencia terminal, consiste en determinar a qu� cohorte pertenece, considerando el periodo en el que se matricul� por primera vez en una carrera espec�fica, y verificando si se gradu� dentro de los plazos establecidos. Los plazos se establecen en base a lo normado en el Reglamento de R�gimen Acad�mico, el tiempo reglamentario es la suma de la duraci�n oficial de la carrera m�s 18 meses correspondientes a su proceso de titulaci�n, el tiempo extendido, considera a los estudiantes que se graduaron un a�o despu�s del tiempo reglamentario, posterior a ello, los estudiantes graduados no son considerados con eficiencia terminal satisfactoria.

Para ello, es necesario determinar el tiempo que el estudiante estuvo en la carrera, que consiste en obtener la diferencia entre la fecha de graduaci�n y la fecha de la primera matr�cula.

�����������

Tabla 6: Enterprise Data Warehouse Bus Matrix [9]

�����������

Todas las consideraciones anteriores nos permiten definir el esquema de base de datos dimensional que vamos a dise�ar, en el esquema Estrella se utiliza una �nica tabla de hechos central, que contiene los campos definidos como m�tricas y una tabla relacionada por cada dimensi�n definida, que nos permitir� analizar los datos desde cada perspectiva [10].

 

Dise�o f�sico

En esta etapa, se procede a crear una base de datos f�sica a partir del dise�o dimensional l�gico realizado en el paso anterior.

La creaci�n de las tablas de dimensiones y hechos se realizaron a partir de la elaboraci�n de un script SQL, se mantuvieron los tipos de datos definidos en el modelo transaccional SIIES.

En la tabla de hechos, se defini� el uso de un �ndice compuesto, integrado por todas las claves primarias de cada una de las tablas dimensionales. Adicionalmente, se crearon campos para almacenar las m�tricas.

Como se puede apreciar en las ilustraciones 5 y 6, esto se aplic� en esquemas definidos para los dos indicadores.

�

Ilustraci�n 5: Esquema en estrella de Tasa de Permanencia

 

Ilustraci�n 6: Esquema en estrella de Tasa de Titulaci�n

 

 

 

Dise�o y desarrollo ETL

A continuaci�n, en base a los pasos descritos en el Mapa de flujo de proceso ETL, propuesto por Kimball [4], se elabora un esquema del flujo origen-destino de la informaci�n.

�

Ilustraci�n 7: Diagrama esquem�tico del flujo origen-destino

 

Como se puede observar en la ilustraci�n 7, el esquema presenta una instancia de datos intermedia, denominada staging area (�rea de preparaci�n) [11], una base de datos que permite mantener un respaldo hasta que todos los datos hayan sido cargados con �xito en el almac�n de datos. Esta �rea puede ser temporal, denominada transitoria, o mantener de forma permanente un historial completo de la fuente de datos, denominada persistente. En este caso el staging area ser� persistente.

Iniciamos con el proceso de extracci�n de datos desde las dos fuentes definidas. La informaci�n extra�da del Sistema de Informaci�n Institucional, se genera en formato hoja de c�lculo, en el caso de sedes y carreras se mantiene se estructura e integridad completa. En el caso de estudiantes y matr�culas, se obtiene un archivo por cada periodo acad�mico, una vez obtenidos se deben consolidar en una sola hoja de c�lculo, definiendo el formato �aaaa-mm-dd� a los campos que contiene datos de fecha. En lo correspondiente a estudiantes, se debe eliminar los campos duplicados considerando como campos claves el n�mero de identificaci�n del estudiante; el c�digo de carrera y la primera fecha de inicio de estudios.

De igual forma se produce con la carga de estudiantes graduados, que se genera a partir los listados del proceso de refrendaci�n y registro de t�tulos.

Una vez realizado este proceso de transformaci�n, se procede a guardar las matrices en archivos planos separados por comas para luego ser importados en la base de datos de staging area, finalizando el primer proceso de transferencia, representado en la Ilustraci�n 8.

�

Ilustraci�n 8: Diagrama del proceso ETL origen-staging area

 

El objetivo de crear un staging area, es tener un repositorio con informaci�n depurada, en donde se pueden remover errores, corregir datos perdidos, ajustar la data que proviene de m�ltiples fuentes, estructurar datos para que sean utilizables por el usuario final, facilita la extracci�n, transformar y depuraci�n de los datos. Esta base contiene informaci�n con mayor nivel de detalle que no es parte del Data Mart y permite poseer la capacidad de recuperarse ante fallas.

Concluido el proceso ETL correspondiente a staging area, procedemos a iniciar un segundo proceso ETL para el Data Mart, en el que, de forma directa, a trav�s del uso de sentencias SQL, realizamos los procesos de carga de las dimensiones, conforme a la ilustraci�n 9.

�

Ilustraci�n 9: Flujo de carga de las tablas dimensionales

 

Finalizado el proceso de carga de las dimensiones, de forma similar, se procede a realizar una sentencia SQL para realizar el proceso de carga a las tablas de hechos, ver Ilustraci�n 10.

�

Ilustraci�n 10: Flujo de carga de las tablas de hechos

 

Con los registros completos dentro de las tablas de hechos del indicador permanencia, se ejecutan los procesos de identificaci�n de m�tricas para determinar los periodos y estudiantes retenidos en cada periodo.

�

Ilustraci�n 11: Secuencia de c�lculo de m�tricas de la tabla de hechos permanencia

 

Se procede de igual forma para la tabla de hechos del indicador titulaci�n, para obtener las m�tricas de identificaci�n de estudiantes graduados, duraci�n de estudios, estudiantes graduados en tiempo reglamentario, tiempo extendido y fuera de tiempo.

�

Ilustraci�n 12: Secuencia de c�lculo de m�tricas de la tabla de hechos titulaci�n

 

Dise�o de BI

El proceso de an�lisis y visualizaci�n de indicadores (front room), se realiz� con Tableau Software, que, a trav�s de una conexi�n con la base de datos, puede usar datos en tiempo real o realizar una extracci�n, que crea una instancia comprimida para almacenar temporalmente en memoria los datos utilizados para las representaciones gr�ficas, a fin de mejorar el rendimiento en la ejecuci�n de consulta.

 

Ilustraci�n 13: Conexi�n Data Mart - Tableau

 

Tableau Software permite la creaci�n de hojas de trabajo, y en cada una de estas se puede plantear una forma de representar la informaci�n, combina campos de forma cruzada en un entorno gr�fico, presentando un an�lisis visual en tiempo real.

�

Ilustraci�n 14: Hoja de trabajo Tableau representaci�n en texto

�

Ilustraci�n 15: Hoja de trabajo en Tableau representaci�n en barras

 

La aplicaci�n permite la creaci�n de campos calculados, en los que se puede aplicar f�rmulas y funciones e interactuar con las m�tricas.

�

 

 

Ilustraci�n 16: Campo calculado para obtener la Tasa de Titulaci�n

 

 

 

 

Ilustraci�n 17: Campo calculado para obtener la Tasa de Permanencia

 

Desarrollo de aplicaci�n BI

Definidos las diferentes formas de representar la informaci�n, considerando las diferentes perspectivas (dimensiones) del modelo que permite realizar los an�lisis, se procede a estructurar los tableros o cuadros de mando (dashboards), que se integran en una sola l�mina y admiten la aplicaci�n de filtros para una representaci�n conjunta de los indicadores de desempe�o.

 

Resultados

En lo correspondiente a al indicador de tasa de permanencia del estudiantado, la representaci�n obtenida es muy relevante, llegando a un detalle que permite determinar los resultados a nivel institucional, sedes, carreras y sexo.

�

Ilustraci�n 18: Dashboard tasa de permanencia del estudiantado

 

Como resultados de los �ltimos cuatro per�odos acad�micos culminados obtenemos a nivel institucional un promedio ponderado del 63,62%, es decir que aproximadamente, del total de estudiantes nuevos que ingresan en cada periodo, dos tercios contin�an estudiando en la misma carrera dos a�os despu�s de su primera matr�cula.

�

Ilustraci�n 19: Resumen de resultados por periodo de tasa de permanencia

 

Revisando los datos cronol�gicos presentados en la Ilustraci�n 19, podemos destacar un crecimiento de 4.51% en el porcentaje de tasa de permanencia, entre los periodos que iniciaron en septiembre de 2016 (calculado a septiembre 2018) y marzo 2018 (calculado a marzo 2020); as� tambi�n, un aumento en el n�mero de estudiante de cohorte, correspondiente a un promedio de 23.87% anual.

Esta retroalimentaci�n ayudar� a fortalecer los procesos de acompa�amiento estudiantil, tomando como objetivo las carreras con mayor deserci�n, para determinar causas y tomar acciones para mejorar su retenci�n. Tambi�n, se puede analizar los procesos de nivelaci�n y admisi�n, considerando que varias veces los abandonos se producen por una elecci�n de carrera no acorde a la vocaci�n del estudiante.

En los resultados del indicador de tasa de titulaci�n de grado, podemos mencionar los siguientes hallazgos, de un total de 4.863 estudiantes pertenecientes a la cohorte 2010, se graduaron 1.673 de los cuales �nicamente 1.488 son considerados para el c�lculo del indicador, siendo nuevamente discriminados en base a su duraci�n de estudios, 1.168 con un peso del 100% y 320 con un peso del 50%.

�

Ilustraci�n 20: Resumen de resultados de tasa de titulaci�n

 

La tasa de titulaci�n del estudiantado correspondiente a la cohorte 2010 es de un 27.31%

�

Ilustraci�n 20: Dashboard tasa de titulaci�n del estudiantado

 

Conclusiones

Es evidente que el uso de estas herramienta permiten obtener una mirada distinta de los procesos relacionados con los indicadores de desempe�o analizados, sobre los que ser� posible tomar decisiones y planes de acci�n que permitir�n mejorar estrat�gicamente sus resultados,� adem�s de que implica una mejora en la valoraci�n de los procesos de evaluaci�n externa, considerando que estas decisiones son directamente de gesti�n administrativa interna, no representaran inversi�n alguna, y al contrario representaran una mejora en los ingresos de la instituci�n al garantizar la continuidad de estudios de la comunidad universitaria, que dentro de sus obligaciones econ�micas realizan pagos por diferentes conceptos.

La metodolog�a planteada por Ralph Kimball, permite una aplicaci�n pr�ctica y �gil de un Data Mart para realizar un an�lisis especifico, ya sea de corto o mediano alcance; sin embargo, a trav�s de su concepci�n, esto puede evolucionar en Data Warehouse integral con el crecimiento incremental y la articulaci�n de otros Data Mart.

Dentro de las limitaciones del Data Mart se encuentra que debe ser concebido y planificado de forma adecuada, considerando todos los aspectos necesarios para su desarrollo, ya que una vez iniciada la etapa de dise�o f�sico, no se posible su modificaci�n.

 

Referencias

1.      D. Bernabeu and G. Matt�o, �Introducci�n DATA WAREHOUSING : Marco Conceptual HEFESTO : Metodolog�a Data Warehouse,� p. 182, 2017.

2.      CACES (Consejo de Aseguramiento de la Calidad de la Educaci�n Superior), �Modelo de evaluaci�n externa de Universidades y Escuelas Polit�cnicas 2019,� Resoluci�n No. 016-SE-07-CACES-2019, p. 148, 2019, [Online]. Available: www.caces.gob.ec.

3.      R. Kimball and M. Ross, The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3nd Edition). John Wiley & Sons, Inc., 2013.

4.      R. Kimball, L. Reeves, M. Ross, and W. Thornthwaite, The Data Warehouse Lifecycle Toolkit, vol. 58, no. 12. 2011.

5.      R. S. Kaplan and D. P. Norton, �BSC - Measures that drive performance,� Harv. Bus. Rev., no. February, pp. 71�79, 1992.

6.      CES (Consejo de Educaci�n Superior), �Reglamento de R�gimen Acad�mico Consejo Educaci�n Superior,� Lexis Finder, no. 051, p. 46, 2019, [Online]. Available: http://www.utpl.edu.ec/sites/default/files/documentos/reglamento-de-regimen-academico-2015.pdf.

7.      Unidad de Tecnolog�as de la Informaci�n;, CACES (Consejo de Aseguramiento de la Calidad de la Educaci�n Superior), Superior), CES (Consejo de Educaci�n, and SENESCYT (Secretaria Nacional de Educacion Superior Ciencia Tecnolog�a e Innovaci�n), �Flujo de ingreso de datos institucionales al SIIES,� no. 2, p. 3.

8.      Unidad de Tecnolog�as de la Informaci�n, CACES (Consejo de Aseguramiento de la Calidad de la Educaci�n Superior), CES (Consejo de Educaci�n Superior), Innovaci�n), and SENESCYT (Secretaria Nacional de Educacion Superior Ciencia Tecnolog�a e Innovaci�n), �Instructivo carga masiva Sistema de Informaci�n Integral de la Educaci�n Superior,� https://siies.caces.gob.ec/, pp. 1�84, 2018.

9.      R. Kimball and M. Ross, The Data Warehouse toolkit. 2013.

10.  S. Ramos, Data Warehouse, Data Marts y Modelos Dimensionales. Un pilar fundamental para la toma de decisiones. 2016.

11.  R. Kimball and J. Caserta, The Data Warehouse ETL Toolkit. 2011.

 

 

 

 

 

�2020 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/).