COORDINADORES
Dra. María Elvira López Parra
Mtra. Laura Elisa Gassós Ortega
Dra. Grace Marlene Rojas Borboa
Dr. Joel Angulo Armenta
Mtra. Elizabeth González Valenzuela
Análisis de trayectorias escolares
2025, Instituto Tecnológico de Sonora.
5 de Febrero, 818 sur, Colonia Centro,
Ciudad Obregón, Sonora, México; 85000
Web: www.itson.mx
Email: rectoria@itson.mx
Teléfono: (644) 410-90-00
Primera edición 2025
Hecho en México
ISBN: 978-607-609-274-3
Se prohíbe la reproducción total o parcial de la presente obra,
así como su comunicación pública, divulgación o transmisión
mediante cualquier sistema o método, electrónico o mecánico
(incluyendo el fotocopiado, la grabación o cualquier sistema de
recuperación y almacenamiento de información), sin consentimiento
por escrito del Instituto Tecnológico de Sonora. Esta publicación ha sido
dictaminada por pares en modalidad doble ciego.
Cómo citar un capítulo de este libro (se muestra ejemplo de capítulo 1):
Enríquez, I., Hernández, J., Mungarro, C. y Mora, J. (2025). Diagnóstico y nivelación
académica para alumnos de nuevo ingreso durante el periodo 2022-2024. En
M. López, L. Gassós, G. Rojas, J. Angulo y E. González (Coord.). Análisis de
trayectorias escolares (pp. 13-29). México: ITSON.
DIRECTORIO
Dr. Jesús Héctor Hernández López
Rector del Instituto Tecnológico de Sonora
Dr. Ernesto Uriel Cantú Soto
Secretaría de la Rectoría
Dr. Jaime Garatuza Payán
Vicerrectoría Académica
Dr. Rodolfo Valenzuela Reynaga
Vicerrectoría Administrativa
Dra. María Dolores Moreno Millanes
Dirección Académica de Ciencias Económico-Administrativas
Dr. Armando Ambrosio López
Dirección Académica de Ingeniería y Tecnología
Dr. Pablo Gortares Moroyoqui
Dirección Académica de Recursos Naturales
Dra. Sonia Verónica Mortis Lozoya
Dirección Académica de Ciencias Sociales y Humanidades
Mtro. Mauricio López Acosta
Dirección Unidad Navojoa
Dr. Humberto Aceves Gutiérrez
Dirección Unidad Guaymas
4
COLABORADORES
Edición literaria
Liliana Vizcarra Esquer
Andrés Alejandro Jiménez Leyva
María de Jesús Cabrera Gracia
Tecnología y diseño
Martín Escobar Cueva
Gestión editorial
Oficina de Publicaciones ITSON
Comité técnico científico
Mtra. Laura Elisa Gassós Ortega
Dr. Joel Angulo Armenta
Dr. Sergio de los Santos Villalobos
5
CONSEJO DICTAMINADOR DE PONENCIAS
1. Dra. María Paz Guadalupe Acosta Quintana
2. Dr. Sergio de los Santos Villalobos
3. Dra. Samaria Lisdeth Gutiérrez Pacheco
4. Dr. Alfredo Bueno Solano
5. Dra. Grace Marlene Borboa Rojas
6. Dr. Joel Angulo Armenta
7. Dra. Elba Myriam Navarro Arvizu
8. Dr. Miguel Ángel Bernal Reza
9. Dra. Beatriz Guadalupe González González
10. Dr. José Clemente Leyva Corona
11. Dra. Ana María Rentería Mexía
12. Dr. Oswaldo Alberto Madrid Moreno
13. Dra. Dina Ivonne Valdez Pineda
14. Dr. Sergio Ochoa Jiménez
15. Dra. Lorena Márquez Ibarra
16. Dr. Javier Alejandro Santana Martínez
17. Mtra. Nora Edith González Navarro
18. Dr. René Daniel Fornés Rivera
19. Dra. Diana Mejía Cruz
20. Dr. Rafael Alfonso Figueroa Díaz
21. Mtra. Claudia Alvarez Bernal
22. Dr. Gilberto Manuel Córdova Cárdenas
23. Mtra. Laura Elisa Gassós Ortega
24. Mtro. Carlos Arturo Ramírez Rivera
25. Dr. Cristian Salvador Islas Miranda
26. Dr. Luis Alberto Cira Chávez
27. Mtro. Adolfo Cano Carrasco
28. Dr. José Antonio Beristáin Jiménez
29. Dra. María Elvira López Parra
6
ÍNDICE
Directorio……………………………………………………………………………………………..
Consejo dictaminador de ponencias………………………………………………………………
Prólogo………………………………………………………………………………………………
Capítulo 1
Diagnóstico y nivelación académica para alumnos de nuevo ingreso durante el
periodo 2022-2024…………………………………………………
Inés Enríquez Ramos
Juan Francisco Hernández Chávez
Catalina Mungarro Ibarra
Jonathan Omar Mora Gutiérrez
Capítulo 2
Desempeño académico en el primer año de ingeniería en software unidad Obregón:
¿influye el promedio del bachillerato?.......................
Martha Eloisa Larrínaga Hernández
Elva Lizeth Gutiérrez Mendívil
Christian Gibrán Durán Solano
Capítulo 3
Adaptación escolar y procrastinación académica en universitarios del primer
año…………………………………………………………………………
Ricardo Ernesto Pérez Ibarra
Mercedes Idania López Valenzuela
María Fernanda Durón Ramos
Elia Torres Arenas
Capítulo 4
Efectos de la construcción de prototipos en la enseñanza de la física..
Luciano Armando Cervantes García
Georgina Orozco Cital
Pablo Aurelio Sandoval Mariscal
Ramón Arturo Corral Lugo
Capítulo 5
Aplicación de herramientas de inteligencia artificial en la materia de métodos
numéricos……………………………………………………………..
Mario Alberto Domínguez Rovira
Itzia Nallely Guzmán Mejía
Francisco Antonio Torres Espriú
Claudia Álvarez Bernal
Capítulo 6
Alimentación
en
universitarios:
Un
análisis
desde
la
perspectiva
estudiantil…………………………………………………………………………
Paola Escobedo Hernández
Juan Francisco Gómez Leyva
Raquel García Flores
Christian Oswaldo Acosta Quiroz
Capítulo 7
Seguimiento automatizado de indicadores escolares para la mejora continua y la
acreditación………………………………………………………
Blanca Carballo Mendívil
Alejandro Arellano González
María del Pilar Lizardi Duarte
Nidia Josefina Rios Vázquez
Capítulo 8
Trayectoria escolar: Estrategias de seguimiento y mejora en un programa educativo
universitario……………………………………………
Ernesto Ramírez Cárdenas
7
4
6
9
13
30
45
61
77
91
107
126
Capítulo 7
Seguimiento automatizado de indicadores escolares para la mejora continua
y la acreditación
Blanca Carballo Mendívil
Alejandro Arellano González
María del Pilar Lizardi Duarte
Nidia Josefina Rios Vázquez
Resumen
Este artículo documentó la experiencia de diseño e implementación de un sistema
de inteligencia de negocios en Power BI para el seguimiento oportuno de
indicadores de rendimiento académico en el programa de Ingeniería Industrial y de
Sistemas del Instituto Tecnológico de Sonora. El objetivo fue desarrollar un
dashboard que facilitara la medición, análisis y toma de decisiones colegiadas con
base en datos sobre aprovechamiento, reprobación, deserción y rezago académico,
atendiendo los lineamientos de mejora continua establecidos por el Consejo de
Acreditación de la Enseñanza de la Ingeniería. El sistema se alimentó con datos
recopilados semestralmente mediante formularios electrónicos contestados por el
profesorado y se estructuró en cinco paneles temáticos con visualizaciones
interactivas. La metodología de implementación siguió un enfoque basado en el
ciclo PHVA (Planear, Hacer, Verificar y Actuar), permitiendo iteraciones sucesivas
de ajuste y mejora. Los resultados mostraron que el dashboard permitió identificar
tendencias, cursos críticos y relaciones entre variables clave como tamaño de grupo
e índice de reprobación, cumpliéndose así el objetivo al implementar una
herramienta tecnológica automatizada para monitoreo en tiempo real de indicadores
de rendimiento académico. Se concluyó que esta herramienta respondió a los
requerimientos de acreditación, promovió una cultura institucional de toma de
decisiones basada en datos y consolidó una práctica colegiada de seguimiento
continuo y participativo, orientado a la mejora continua. Su adopción ha sido
considerada como modelo para otros programas académicos de la Institución.
Palabras clave: Indicadores de rendimiento académico, Inteligencia de negocios,
Power BI, Visualización de datos, Mejora continua.
107
Introducción
En los procesos de evaluación y acreditación de programas educativos de
ingeniería, el análisis sistemático del rendimiento académico es de importancia
estratégica. Organismos acreditadores como el Consejo de Acreditación de la
Enseñanza de la Ingeniería (CACEI) han establecido criterios específicos dentro de
su enfoque de mejora continua, los cuales requieren que las instituciones de
educación superior implementen mecanismos efectivos para la medición, análisis y
uso de indicadores clave que reflejen el desempeño de los estudiantes. Entre estos
indicadores destacan el índice de aprobación, la eficiencia terminal, la retención
estudiantil, y la deserción, los cuales deben evaluarse de manera periódica,
oportuna y fundamentada para facilitar la toma de decisiones que conduzcan a la
mejora del programa educativo (CACEI, 2021).
CACEI plantea en su Modelo de Acreditación que los programas deben
demostrar cómo los datos sobre el rendimiento estudiantil se utilizan para sustentar
mejoras, exigiendo no solo la disponibilidad de datos, sino la capacidad institucional
de analizarlos de manera sistemática y de vincular los resultados con acciones
concretas. El enfoque orientado a resultados exige una infraestructura de
información ágil y confiable, que permita detectar áreas de oportunidad en tiempo
real y fomentar una cultura organizacional centrada en el aprendizaje y la evidencia
(Ouatik et al., 2022; Liu et al., 2023).
Diversos estudios concluyen que muchas universidades carecen de
infraestructura de datos robusta, bases centralizadas y personal capacitado, limita
su capacidad para integrar datos en la toma de decisiones estratégicas esto debilita
los procesos de toma de decisiones en contextos escolares y universitarios,
(Borgman, C. L.& Brand, A.2022;).En particular, el uso de tecnologías de inteligencia
de negocios como los dashboards permite organizar grandes volúmenes de datos
y ofrecer visualizaciones que facilitan la interpretación y el análisis colegiado
(Solanki, 2023).
En el caso del Instituto Tecnológico de Sonora (ITSON), aunque se cuenta
con una plataforma institucional llamada Sistema Institucional de Trayectorias
Escolares (SITE), encargada de almacenar y reportar datos oficiales relacionados
108
con las trayectorias académicas, su actualización no siempre es inmediata, y su
estructura no está diseñada para análisis exploratorios ni comparativos por parte de
los usuarios operativos. Esto dificulta la implementación oportuna de acciones
correctivas a nivel de academia o asignatura, especialmente cuando se trata de
diagnósticos por bloque o competencia. Tal como señalan Sloane, et al. (2024), uno
de los principales desafíos en los sistemas escolares es traducir los datos
disponibles en acciones concretas que mejoren los resultados del aprendizaje.
Frente a este escenario, surge la necesidad de desarrollar una herramienta
alternativa y complementaria que permita a las academias del programa de
Ingeniería Industrial y de Sistemas (IIS) del ITSON tomar el control de sus propios
procesos de análisis académico. Así nace en 2019 el dashboard de indicadores de
rendimiento académico para el programa educativo, diseñado inicialmente en Excel
y alimentado con datos proporcionados por el profesorado (Carballo-Mendívil &
Rodríguez-Hernández, 2019). Esta solución, aunque respondía a los requerimientos
del CACEI y reflejaba un esfuerzo por utilizar los informes de academia para la toma
de decisiones orientada a la mejora continua del programa, presentaba limitaciones
importantes: la alimentación de datos no era sistemática y la información no era
fácilmente accesible ni actualizable en tiempo real.
Estas limitaciones afectan a las academias al generar evidencia periódica y
oportuna, del comportamiento de indicadores clave como aprovechamiento,
reprobación, deserción y rezago, elementos fundamentales para los procesos de
autoevaluación y reacreditación del programa, también dificulta el establecimiento
de líneas base de comparación entre semestres, la identificación oportuna de
tendencias críticas y la integración del análisis como práctica sistemática en la
cultura organizacional. Dado esto se planteó la pregunta de investigación: ¿Cómo
el diseño e implementación de una herramienta tecnológica automatizada apoya el
monitoreo en tiempo real de los indicadores académicos del programa de IIS de
ITSON, para facilitar el análisis colegiado y la toma de decisiones orientadas a la
mejora continua y la acreditación?
Se planteó como objetivo, diseñar e implementar una herramienta
tecnológica automatizada que facilite monitorear en tiempo real los indicadores de
109
rendimiento académico del programa de IIS, con base en datos capturados por el
profesorado, integrados a un sistema de visualización interactiva que facilitara su
análisis colegiado y la toma de decisiones orientada a la mejora continua,
contribuyendo a la acreditación institucional.
La justificante de esta iniciativa tiene que ver con que, en todo proceso de
acreditación es básico evidenciar que se toman decisiones utilizando datos reales
sobre el desempeño de los alumnos. Aunque el ITSON ya tiene un sistema, no
siempre está al día ni permite hacer análisis rápidos o comparativos. Por ello,
diseñar esta herramienta que facilite revisar en tiempo real indicadores da una
ventaja para que profesores y el trabajo en academia actúen a tiempo y con
evidencia oportuna, valida y confiable. Las delimitaciones del estudio son que solo
se enfoca en el programa de Ingeniería Industrial y de Sistemas de ITSON, la
herramienta tecnológica se diseña y opera con datos proporcionados por profesores
de curso del PE. No se abordarán aspectos administrativos y tampoco se busca
reemplazar sistemas institucionales como el SITE, al contrario, complementarlos.
Fundamentación Teórica
La transformación digital en el ámbito educativo ha impulsado el uso de
herramientas de inteligencia de negocios (BI, por sus siglas en inglés) como un
soporte estratégico para la mejora continua de los programas académicos. Estas
herramientas permiten integrar, analizar y visualizar grandes volúmenes de datos
académicos, promoviendo la toma de decisiones basada en evidencia (Villegas-Ch.,
et al., 2020). Entre ellas, Power BI se ha posicionado como una solución accesible
y flexible para instituciones educativas que buscan automatizar el seguimiento de
indicadores clave de desempeño (Bashir et al., 2023).
Se conoce como indicadores de rendimiento académico a aquellos datos o
medidas utilizados para conocer cómo van los estudiantes en su trayectoria escolar.
Aspectos como calificaciones, aprobación o reprobación ayudan a identificar si
están aprendiendo bien o si necesitan apoyo. Se considera que son una herramienta
clave para mejorar la calidad educativa. Para Vera Noriega (2021), los indicadores
de rendimiento académico permiten "evaluar el progreso de los estudiantes,
110
identificar dificultades en el proceso educativo y tomar decisiones que contribuyan
a mejorar los resultados de aprendizaje".
El análisis de indicadores como el aprovechamiento, la reprobación, la
deserción y el rezago académico es fundamental en el contexto de la educación
superior, particularmente para programas de ingeniería que se someten a procesos
de acreditación por competencias. En el caso del modelo de evaluación del CACEI
(2021), se establece que los programas deben contar con mecanismos efectivos
para recolectar, analizar y utilizar datos que sustenten decisiones orientadas a la
mejora continua. De acuerdo con este organismo, dichos indicadores deben ser
utilizados no solo para describir el estado del programa, sino para generar acciones
correctivas y de seguimiento que impacten positivamente en el perfil de egreso y los
resultados del aprendizaje.
Desde la perspectiva institucional, el uso de dashboards permite consolidar
datos dispersos y convertirlos en conocimiento accionable (Sanabia-Lizarraga et al.,
2024). Su valor reside en la capacidad de ofrecer visualizaciones interactivas que
permiten analizar el comportamiento de los estudiantes a lo largo del tiempo,
compararlos entre asignaturas, identificar tendencias y áreas críticas, y generar
alertas tempranas para la intervención oportuna (Herrera et al., 2022).
Por otra parte, diversos autores han enfatizado que el éxito de estas
herramientas no depende únicamente de la tecnología, sino de su integración en
una cultura organizacional orientada al uso estratégico de la información (Park et
al., 2019). Este enfoque, conocido como data-informed decision making, promueve
que los actores académicos no solo consuman información, sino que participen
activamente en su generación, interpretación y aplicación (Mandinach &
Schildkamp, 2021). En ese sentido, la participación del profesorado en la captura
de datos por grupo contribuye a fortalecer el sentido de corresponsabilidad y
apropiación de los procesos de mejora.
Por último, vale la pena recapitular que la implementación de sistemas de
visualización como el dashboard desarrollado en este estudio se inscribe en un
marco conceptual donde convergen la gestión por resultados, la inteligencia
institucional y la evaluación formativa del aprendizaje. Su valor estratégico radica
111
en que no solo informa, sino que respalda acciones concretas que contribuyen a la
calidad del programa educativo estudiado y contribuye a su proceso de mejora
continua, esto implica revisar lo que se está haciendo, encontrar áreas de
oportunidad o aspectos a mejorar, y aplicar cambios para obtener mejores
resultados. En el ámbito de la educación, esto ayuda a que escuelas, docentes y
estudiantes avancen constantemente en su calidad. De acuerdo con Chiavenato
(2019), la mejora continua “implica un esfuerzo permanente por perfeccionar
procesos, productos o servicios, mediante pequeños avances sucesivos y
sistemáticos, como se pretende con la herramienta tecnológica.
Método
Este trabajo se enmarca en un estudio de tipo exploratorio-descriptivo, centrado en
diseñar, implementar y evaluar una herramienta tecnológica que facilitara el
monitoreo en tiempo real los indicadores de rendimiento académico del programa
de IIS del ITSON, con base en criterios del modelo de acreditación del CACEI. Los
participantes en este proyecto fueron todos los profesores que imparten clases en los
grupos de las competencias específicas del PE.
El estudio se basó en una metodología de inteligencia de negocios orientada
a proyectos, específicamente adaptada para Power BI Desktop (Carballo et al.,
2024), que se estructura en ocho fases articuladas bajo el ciclo PHVA (PlanearHacer-Verificar-Actuar), tal como se detalla a continuación.
1. Definición del proyecto. La fase inicial consistió en delimitar el alcance, objetivos
y actores clave del proyecto.
2. Recopilación de datos. En este paso se identificó información necesaria en el
proyecto, las métricas y datos necesarios para responder al problema planteado.
3. Conexión y preparación de datos. Después se conectaron las fuentes de datos a
Power BI y se cargaron para comenzar el análisis y se depuraron datos: eliminar
duplicados, corregir errores, cambiar tipos de datos, etc.
4. Integración y modelado de datos. Se definió cómo se relacionan los datos entre
sí, creando relaciones entre tablas y jerarquías para el análisis y asegurando la
integridad del modelo.
112
5. Análisis y exploración de los datos. Se realizaron análisis descriptivos,
exploratorios y de tendencias para validar la utilidad de indicadores y descubrir
patrones significativos.
6. Visualización de datos. Se construyen visualizaciones (gráficos, tablas, filtros,
tarjetas) en Power BI de forma clara, interactiva y comprensible para usuarios.
7. Reporte de paneles. Validados los paneles, se publicaron en el espacio
institucional de Power BI Service, habilitando su acceso al responsable del
programa educativo, coordinadores de academias y a los docentes. También se
ofrecieron capacitaciones breves para facilitar su adopción.
8. Mantenimiento y mejora continua. Aquí se definió cómo se va a mantener
actualizado el sistema, actualizando reportes por cambios en datos, incorporando
nuevas funcionalidades y recopilando retroalimentación de usuarios.
Resultados y discusión
En este apartado se describen los resultados obtenidos, en cuanto a la definición
del proyecto, se identificó como necesidad prioritaria mejorar la herramienta que
se tenía en el PE, para que permitiera a las academias visualizar y analizar de
manera inmediata los indicadores de rendimiento escolar, conforme a los
lineamientos del CACEI y superando las limitaciones operativas del sistema anterior
y del SITE. Como segundo paso se realizó la recopilación de datos aquí se mejoró
el formulario de Google Forms utilizado para que el profesorado registrara, al cierre
de cada semestre, información por grupo: número de inscritos, calificación promedio
grupal, número de alumnos aprobados, reprobados y abandonos, identificando si
eran bajas oficiales, desertores sin trámite o alumnos que nunca se presentaron
(fantasmas), así como observaciones cualitativas, obteniendo así las bases de
datos, archivos Excel que contienen datos relevantes.
En la conexión y preparación de datos, los datos brutos almacenados en
la hoja de cálculo de Google se conectaron directamente en Power BI, mediante
flujos automatizados (Power Query) para su procesamiento, y fueron sometidos a
una etapa de estandarización y validación, para asegurar su calidad antes de ser
utilizados en las visualizaciones. Un cuarto paso es la Integración y modelado de
datos, en el software Power BI Desktop se construyó un modelo de datos que
113
integró datos de las competencias o bloques a los cuales pertenecen los cursos,
creando relaciones lógicas para segmentar el análisis de estas variables. Se
estructuraron medidas DAX para el cálculo automático de indicadores como
calificación promedio, índice de reprobación y porcentaje de deserción, entre otros,
según lo establecido por Carballo-Mendívil y Rodríguez-Hernández (2019).
Posterior a esto se hizo el análisis y exploración de los datos, incorporando
métricas complementarias como el coeficiente de correlación entre variables, como,
por ejemplo, tamaño de grupo (media de alumnos) vs. Calificación promedio, para
ampliar los análisis. Esta fase fue clave para generar hipótesis de mejora académica
y para decidir qué visualizaciones serían más relevantes para los usuarios finales.
A continuación, se hizo la visualización de datos, se desarrollaron cinco paneles
temáticos: Aprovechamiento, Reprobación, Deserción, Rezago y Observaciones,
cada uno con filtros interactivos que permiten desglosar los datos por ciclo lectivo,
plan de estudios, competencia o bloque. El diseño de la interfaz siguió principios de
visualización efectiva de datos, con gráficos de barras, líneas, dispersión y anillos,
que fueron seleccionados con base en criterios de claridad y funcionalidad,
permitiendo tanto el análisis de tendencias como la comparación entre cursos,
competencias y semestres.
Asimismo, se realizó una validación inicial de su uso mediante pruebas piloto
con docentes y coordinadores de academias, algunas observaciones encontradas
fueron por ejemplo errores en las visualizaciones, valores en blanco al interactuar
con algunas visualizaciones, el tema de los laboratorios qué originalmente no
estaban distinguidos que la calificación promedio no se calculaba por ser aprobada
o no aprobado, todas estas sugerencias guiaron mejoras funcionales e
interpretativas.
Los resultados obtenidos en este estudio incluyen el dashboard del Sistema
de Academias del programa de Ingeniería Industrial y de Sistemas del ITSON,
disponible desde https://bit.ly/DashboardAcademiasIndustrial, el cual permite
identificar patrones significativos en el rendimiento académico, sustentados en el
análisis de indicadores clave: aprovechamiento, reprobación, deserción y rezago.
Las visualizaciones generadas por Power BI consolidan información desde 2019,
114
con filtros dinámicos que facilitan el análisis por ciclo lectivo, unidad, plan de
estudios, semestre y competencia del programa educativo de IIS (ver Figura 1).
Figura 1
Interfaz del dashboard del sistema de academias IIS
La Figura 1 muestra el panel del dashboard correspondiente al tema de
rezago académico, aplicado a los cursos del segundo semestre del programa de
Ingeniería Industrial y de Sistemas (plan 2023), durante el ciclo enero–mayo 2025,
en la unidad Obregón. Esta visualización resulta particularmente útil para ilustrar un
problema identificado por la academia responsable de una nueva competencia
integrada en dicho plan de estudios llamada “Análisis de Datos”, detectando un alto
nivel de deserción y, en consecuencia, un incremento significativo en los indicadores
de rezago académico. Esta situación genera preocupación en el Cuerpo Académico
Cadenas Productivas (indexado al programa IIS), dado que la competencia tiene
como propósito desarrollar en los estudiantes la capacidad de analizar datos para
apoyar la toma de decisiones en los procesos de la cadena de suministro, utilizando
métodos estadísticos, tecnología de la información y comunicación con ética y
responsabilidad. Precisamente, estos son los mismos principios que orientan el
115
presente estudio en su intención de fomentar el uso de datos como base para la
mejora académica.
Con el fin de ejemplificar la utilidad del dashboard para la detección y
seguimiento de áreas críticas, se seleccionó como objeto de análisis el curso
Inteligencia de Negocios I del segundo semestre. En el ciclo referido, este curso se
ofertó a una segunda cohorte de este plan, y desde su implementación ha
presentado resultados por debajo de lo esperado. A raíz de ello, la academia ha
impulsado diversas estrategias de mejora, incluyendo ajustes en la modalidad de
impartición: inicialmente ofrecido en formato virtual-presencial y que en la siguiente
generación de IIS fue implementado de manera completamente presencial, con dos
sesiones semanales, una en aula y otra en laboratorio. Los resultados obtenidos en
esta intervención se presentan y analizan a continuación.
Aprovechamiento: En relación con este indicador, el curso Inteligencia de
Negocios I presentó un promedio de 8.1 y únicamente 56 % de los estudiantes
obtuvieron calificaciones por encima de dicho promedio. Aunque este resultado
puede considerarse aceptable, se encuentra por debajo del promedio general de los
cursos del programa educativo, también del otro curso del segundo semestre,
Ingeniería de Materiales, alcanzó un promedio de 8.5 en el mismo ciclo escolar.
No obstante, el análisis longitudinal del curso muestra una mejora progresiva
en el promedio de calificaciones, si se compara con el mismo ciclo del año anterior
(enero–mayo 2024), cuando se obtuvo un promedio de 7.8. Esta tendencia
ascendente podría estar asociada con las acciones de mejora implementadas
derivadas del trabajo de academias, tales como ajustes en el plan de clase y el
cambio de modalidad de impartición, como se explicó previamente.
Adicionalmente, al examinar la relación entre el aprovechamiento y el tamaño
del grupo en los cursos del segundo semestre, se identificó un coeficiente de
correlación negativo de -0.56, lo cual sugiere una relación inversa moderada: a
mayor número de estudiantes por grupo, menor tiende a ser el promedio general.
Este hallazgo cobra relevancia en la toma de decisiones sobre asignación de carga
docente, planeación de grupos y estrategias de acompañamiento académico,
116
particularmente en asignaturas de carácter complejo o con un uso intensivo de
herramientas tecnológicas, como es el caso.
Reprobación: La reprobación no representa un problema significativo en
este contexto, ya que el índice general para los cursos del segundo semestre del
plan IIS2023 fue de 6 %, un valor bajo que se traduce en únicamente 7 estudiantes
reprobados en el curso Inteligencia de Negocios I. Además, el análisis longitudinal
evidencia una disminución sustancial en comparación con el ciclo anterior (eneromayo 2024), cuando el índice superaba el 11 %, lo que sugiere una mejora notable.
Esta tendencia descendente podría estar relacionada con los ajustes metodológicos
y pedagógicos implementados por la academia antes mencionados.
Por otro lado, se observa una correlación positiva alta (r = 0.96) entre el
tamaño del grupo y el número total de reprobaciones de los cursos del segundo
semestre, lo que indica que en grupos más numerosos se tiende a concentrar un
mayor número de estudiantes reprobados. Este hallazgo resulta crítico para la
planificación académica, ya que sugiere la conveniencia de mantener tamaños de
grupo controlados en asignaturas que requieren un acompañamiento más cercano,
como en este curso que integra competencias tecnológicas y analíticas.
Deserción: El indicador que evidencia una situación crítica y que requiere
atención prioritaria es el de deserción, al registrarse un índice del 38 %, equivalente
a 68 estudiantes que abandonaron el curso Inteligencia de Negocios I. De ese total,
43 correspondieron a bajas oficiales, 18 a abandonos sin trámite, y 7 fueron
identificados como alumnos fantasmas, es decir, estudiantes inscritos que nunca
asistieron a clase. Aunque tanto los desertores como los fantasmas se contabilizan
formalmente como casos de reprobación en el sistema, la tipificación diferenciada
de estas categorías permite a las academias diseñar estrategias específicas de
intervención según el tipo de abandono.
En términos operativos, los casos de deserción sin trámite suelen asociarse
con dificultades académicas, falta de motivación o carencia de acompañamiento,
mientras que los alumnos fantasmas reflejan problemas de orientación, integración
o abandono desde el inicio del curso. En contraste, un estudiante reprobado
completó formalmente el curso, pero no alcanzó el nivel mínimo de desempeño
117
esperado. Esta distinción es clave para implementar medidas diferenciadas:
estrategias de tutoría y seguimiento académico para los desertores; programas de
inducción, bienvenida y orientación temprana para los alumnos fantasmas; y
acciones de reforzamiento del aprendizaje y evaluación formativa para quienes
presentan bajo desempeño académico.
Los niveles de deserción en Inteligencia de Negocios I superan ampliamente
a los del otro curso del segundo semestre, Ingeniería de Materiales, que atiende a
la misma cohorte y reportó solamente 14 estudiantes que dieron de baja, 4
fantasmas y 17 desertores, lo que representa una proporción cercana de 2 a 1. Esta
diferencia sugiere que los estudiantes permanecieron activos en el resto de sus
asignaturas, posiblemente asignando mayor prioridad a materias consideradas
esenciales en el área de ciencias básicas, como Cálculo I y Métodos Numéricos,
también cursadas en ese periodo.
Asimismo, el análisis longitudinal evidencia un incremento en el índice de
deserción respecto al mismo ciclo del año anterior (enero–mayo 2024), cuando se
registró un 28 %, con 26 bajas oficiales, 9 desertores y 11 fantasmas. Este aumento
se mantiene a pesar de los ajustes metodológicos y de modalidad que fueron
implementados por la academia, lo que subraya la necesidad de profundizar en las
causas estructurales del abandono y de reforzar las acciones preventivas desde el
inicio del semestre.
Finalmente, el análisis de la relación entre el tamaño del grupo y el número
de estudiantes que abandonaron cursos del segundo semestre muestra un
coeficiente de correlación de 0.00, lo cual indica que no hay una relación entre estas
variables. Esto sugiere que el tamaño del grupo no constituye un factor determinante
del abandono en este caso particular, y que deben considerarse otras variables
explicativas, como la complejidad de la asignatura, el nivel de dominio de
competencias digitales por parte del estudiantado, o la percepción de relevancia de
los contenidos en relación con su perfil profesional.
Rezago: El indicador de rezago académico, definido como el porcentaje de
estudiantes que no concluyen satisfactoriamente una asignatura en relación con el
total de inscritos, permite identificar con precisión los desajustes entre la planeación
118
académica y los resultados efectivamente alcanzados al cierre del ciclo escolar. En
el caso del curso bajo estudio, correspondiente al ciclo enero–mayo 2025, el
dashboard reporta un índice de rezago del 41 %, lo que implica que, de los 181
estudiantes inscritos, únicamente 106 lograron acreditar la asignatura, mientras que
75 alumnos quedaron rezagados en su trayectoria académica.
Este rezago se calcula a partir de la suma de estudiantes reprobados,
desertores, bajas oficiales y alumnos fantasmas. Lo preocupante es que, a pesar
de que el curso fue re-ofertado en el verano de 2025, no se registró interés suficiente
por parte del estudiantado y tuvo que ser cancelado (solo se inscribieron 7), lo que
sugiere que los alumnos no perciben la necesidad de regularizar esta asignatura de
forma inmediata. Esta falta de respuesta podría estar relacionada con una baja
valoración percibida de la asignatura, con una débil orientación académica o con la
acumulación de otras prioridades curriculares o personales.
El análisis longitudinal muestra que el índice de rezago ha aumentado en
comparación con el mismo ciclo del año anterior (enero–mayo 2024), cuando se
reportaron 49 estudiantes rezagados, y el curso sí fue impartido en verano de este
año 2024, aunque únicamente contó con 12 inscritos. Esta tendencia sugiere que el
rezago no es percibido como una preocupación inmediata por el perfil del estudiante
actualmente inscrito, lo que plantea un desafío adicional para los mecanismos de
seguimiento académico y recuperación oportuna.
Por otra parte, el análisis por semestre revela que las asignaturas
correspondientes al segundo semestre mantienen un índice de rezago elevado
(33 %), superior al observado en los semestres posteriores. Esta situación podría
atribuirse a factores propios del proceso de transición, adaptación y consolidación
de hábitos de estudio al inicio de la formación universitaria.
En cuanto a la relación entre el rezago y el tamaño de grupo en los cursos
del segundo semestre, se identificó un coeficiente de correlación de -0.03, lo cual
indica que no existe una relación significativa entre ambas variables. Por tanto, se
deben considerar otras variables explicativas, tales como la modalidad de
enseñanza, la carga cognitiva de la asignatura, la secuencia curricular, o incluso
119
factores de tipo personal, como la disponibilidad de tiempo, recursos tecnológicos y
hábitos de estudio por parte del alumnado.
Cultura de análisis académico: El sistema permite también registrar
observaciones cualitativas del profesorado, que han sido clave para contextualizar
los datos cuantitativos y enriquecer la interpretación de los indicadores. En el caso
de Inteligencia de Negocios I, los comentarios de docentes recabados al cierre del
semestre enero-mayo 2025 han permitido identificar áreas de mejora que
complementan los hallazgos cuantitativos. Entre las principales sugerencias
destacan: la necesidad de realizar las dos sesiones semanales en laboratorio, para
favorecer la integración práctica de los contenidos; la recomendación de reducir la
carga de trabajo fuera de clase y evitar la dispersión de tareas entre diferentes
entornos (aula y casa); y la propuesta de reorganizar el contenido del curso para
disminuir la cantidad de asignaciones extensas apoyadas en tutoriales, que no
siempre son completadas por los estudiantes. También se puso énfasis en
considerar que muchos estudiantes no cuentan con el conocimiento previo ni con
recursos tecnológicos en casa, lo que limita su capacidad de práctica y puede
contribuir al abandono o rezago.
Estas observaciones, sistematizadas a través del dashboard, no solo
complementan la evidencia estadística, sino que representan una fuente valiosa
para el diseño de planes de mejora desde el enfoque del profesorado, con base en
la experiencia directa en el aula. La integración de este componente cualitativo
refuerza el carácter colegiado del análisis académico y favorece la toma de
decisiones informadas, pertinentes y contextualizadas a las condiciones reales del
entorno educativo.
Los resultados del curso Inteligencia de Negocios I presentan una tendencia
mixta respecto al aprovechamiento, la reprobación, la deserción y el rezago. Aunque
se evidencia una mejora gradual en el promedio de calificaciones, este es inferior al
de otras materias del mismo semestre. Esto coincide con lo planteado por Díaz
Barriga (2010), quien destaca que el rendimiento académico no solo depende del
contenido curricular, sino también de las estrategias didácticas, la modalidad de
enseñanza y el acompañamiento docente.
120
En cuanto al impacto del tamaño del grupo, los hallazgos de correlación
negativa en aprovechamiento y positiva en reprobación coinciden con lo presentado
por Finn y Achilles (1999), quienes encontraron que grupos reducidos permiten
mayor interacción y seguimiento, favoreciendo el aprendizaje y reduce el fracaso
escolar. En el caso de la deserción, el índice del 38 % preocupa y confirma lo que
Tinto (1993) argumenta sobre la importancia de la integración académica y social
en la permanencia estudiantil. La distinción entre tipos de abandono (bajas oficiales,
desertores y alumnos fantasmas) refuerza la necesidad de acciones diferenciadas,
como sugiere Martínez (2008), quien enfatiza que las causas del abandono son
multifactoriales y requieren estrategias específicas de retención.
Finalmente, en la parte del Mantenimiento y mejora continua se realizó
para asegurar la operación sostenida del sistema, el sistema se integró a la
dinámica organizacional del Departamento de Ingeniería Industrial, que adoptó
tanto el llenado del formulario como la consulta del dashboard como parte de sus
prácticas regulares de gestión académica. Esta integración se dio a partir del año
2021, cuando, en el contexto de la pandemia, se implementó una estrategia
institucional para resguardar evidencias docentes y académicas mediante Google
Classroom.
Como parte del procedimiento, al cierre de cada semestre se recopilaron
observaciones de los usuarios de manera informal. Estas observaciones fueron
analizadas con el propósito de identificar oportunidades de ajuste en el sistema.
Entre las mejoras sugeridas se incluyó, por ejemplo, la incorporación de notas
explicativas en los formularios de captura para facilitar su correcto llenado, así como
la posibilidad de incluir datos de las unidades foráneas, con el fin de ampliar la
cobertura del análisis y asegurar una evaluación integral del programa, más allá de
la sede Obregón, aunque esta última modificación aún no ha sido implementada.
Se ha contemplado la posibilidad de institucionalizar el sistema, de modo que
sea adoptado por todos los programas educativos de licenciatura de la universidad.
Esto implicaría que el sistema fuera administrado por la Coordinación de Desarrollo
Académico (CDA), como parte de los procesos formales de gestión de academias.
Para ello, se requerirían ajustes técnicos en los flujos de procesamiento de datos,
121
actualizaciones en las consultas de Power Query y modificaciones en el modelo de
datos de Power BI, así como una adecuación de los procedimientos institucionales
vinculados al aseguramiento de la calidad y a la mejora continua de los programas
educativos mediante el trabajo colegiado de las academias, y cumplir de manera
natural con los criterios vigentes de evaluación establecidos por organismos
acreditadores.
Conclusiones
La implementación del dashboard de academias en IIS ha demostrado ser una
solución institucional eficiente, flexible y de bajo costo, con impacto significativo en
la gestión educativa orientada a la mejora continua del programa, corroborando con
ello que se cumplió con el objetivo planteado. Su utilidad se ha manifestado en
diversas dimensiones del proceso académico, al permitir el monitoreo inmediato de
datos clave y facilitar su análisis en tiempo real. Esta capacidad de respuesta
representa una ventaja sustantiva frente a plataformas institucionales como el SITE,
que, aunque centraliza información oficial, presenta rezagos en la actualización de
datos y limita las posibilidades de análisis interactivo por parte de las academias.
El dashboard ha fortalecido la autonomía académica, al proporcionar a los
cuerpos colegiados herramientas que les permiten gestionar directamente sus
propios indicadores. La participación del profesorado en la captura e interpretación
de datos ha contribuido a consolidar una cultura de corresponsabilidad en la
evaluación del desempeño estudiantil. Además, la posibilidad de desagregar la
información por ciclo, asignatura o competencia ha facilitado análisis más
contextualizados y decisiones ajustadas a las necesidades de cada academia.
Desde la perspectiva de aseguramiento de la calidad, la herramienta
responde directamente a los requerimientos del modelo de acreditación de CACEI,
y genera evidencia verificable del seguimiento sistemático de indicadores de
rendimiento escolar. La integración de estos datos en los procesos de mejora
continua fortalece el enfoque por resultados y la toma de decisiones basada en
evidencia, que ha sido confirmada por los evaluadores externos.
A nivel institucional, el sistema ha despertado interés por parte de otras áreas
académicas, lo que abre la posibilidad de escalar su uso a distintos programas
122
educativos de licenciatura. Esta proyección refuerza el compromiso institucional con
una cultura organizacional centrada en el análisis de datos, el fortalecimiento del
trabajo colegiado y la toma de decisiones informadas.
Finalmente, a partir de los resultados obtenidos, para futuras investigaciones
se plantea como línea de desarrollo la incorporación de nuevas funcionalidades y
datos que enriquezcan el análisis actual. Entre ellas, la integración de modelos
predictivos de riesgo académico, el seguimiento del impacto de las acciones
correctivas implementadas, y la incorporación sistemática de dimensiones
cualitativas. Estos avances ampliarían el potencial del dashboard como instrumento
de gestión académica, y también como herramienta de valor para la investigación
educativa aplicada y la innovación institucional.
Referencias
Bashir, H., Araci, Z., Obaideen, K., & Alsyouf, I. (2023). An approach for analyzing
and visualizing the relationships among key performance indicators for creating
sustainable campuses in higher education institutions. Environmental and
Sustainability Indicators. 19. 1-10. https://doi.org/10.1016/j.indic.2023.100267
Borgman, C. L., & Brand, A. (2023). Data Blind: Universities Lag in Capturing and
Exploiting Data. Science (reseñado en Campus Technology, enero 2023).
CACEI. (2021). Marco de referencia 2021 para la acreditación de programas
acadéde Técnico Superior e Ingenierías. Criterios e indicadores. Consejo de
Acreditación
de
la
Enseñanza
de
la
Ingeniería.
https://cacei.org.mx/nv/nvdocs/marco_tsu_2021.pdf
Carballo-Mendívil, B., Arvizu Bayliss, I. M., & Arellano González, A. (2024).
Metodología para implementar inteligencia de negocios con Power BI: Enfoque
basado en la revisión de casos prácticos en el contexto educativo. Educación y
Ciencia, 13(62), [Julio–Diciembre]. https://doi.org/10.32776/EyC.v13i62.804
Carballo-Mendívil, B. & Rodríguez-Hernández, E.M. (2019). Sistema de información
de apoyo a la medición de indicadores de trayectoria escolar en educación
superior. Revista de Investigación en Tecnologías de la Información. 7(14). 1-22.
https://doi.org/10.36825/RITI.07.14.006
123
Chiavenato, I. (2019). Introducción a la teoría general de la administración (8ª ed.).
McGraw-Hill.
Díaz Barriga, F. (2010). Enseñanza situada: vínculo entre la escuela y la vida.
McGraw-Hill.
Herrera, J., Goyez, J., & Villarreal, W. (2022). Business Intelligence & Data Analytics
applied to the curricular monitoring process at the UPEC university. Minerva.
1(Special). 9-20. https://doi.org/10.47460/minerva.v1ispecial.75
Liu, Y., Fan, S., Xu, S., Sajjanhar, A., Yeom, S., & Wei, Y. (2023). Predicting Student
Performance Using Clickstream Data and Machine Learning. Education
Sciences. 13(1). 17. https://doi.org/10.3390/educsci13010017
Mandinach, E., & Schildkamp, K. (2021). Misconceptions about data-based decision
making in education: An exploration of the literature. Studies in Educational
Evaluation. 69. 100842. https://doi.org/10.1016/j.stueduc.2020.100842
Martínez, M. (2008). High attrition rates in e-learning: Challenges, predictors, and
solutions. The eLearning Developers’ Journal, 1(8), 1–8.
Ouatik, F., Erritali, M., Ouatik, F., & Jourhmane, M. (2022). Predicting Student
Success Using Big Data and Machine Learning Algorithms. International Journal
of
Emerging
Technologies
in
Learning.
17(12).
236-251.
https://doi.org/10.3991/ijet.v17i12.30259
Park, Y., & Jo, I. (2019). Factors that affect the success of learning analytics
dashboards. Educational Technology Research and Development. 67. 15471571. https://doi.org/10.1007/s11423-019-09693-0
Sanabia-Lizarraga, K., Carballo-Mendívil, B., Arellano-González, A., & BuenoSolano, A. (2024). Business Intelligence for Agricultural Foreign Trade: Design
and Application of Power BI Dashboard. Sustainability. 16(21). 9576.
https://doi.org/10.3390/su16219576
Sloane, A., Ingold, R., Latourrette, J., Bedi, J., Osmond, M., Gaspar, J., & Stamford,
K. (2024). Assuring and Improving Learning Outcomes. Proceedings ASCILITE
2024. Melbourne. https://doi.org/10.14742/apubs.2024.1119
124
Solanki, V. (2023). Evolution of Business Intelligence Tools. International Journal for
Research in Applied Science and Engineering Technology. 11(7). 1149-1151.
https://doi.org/10.22214/ijraset.2023.54820
Vera Noriega, N. M. (2021). Indicadores de gestión educativa: Herramientas para la
mejora continua en las instituciones educativas. Editorial Académica Española.
Villegas-Ch., W., Palacios-Pacheco, X., & Luján-Mora, S. (2020). A Business
Intelligence Framework for Analyzing Educational Data. Sustainability. 12(4).
5745. https://doi.org/10.3390/su12145745
125