El acelerado crecimiento de la educación superior en el mundo es una realidad evidente. En algunos países el porcentaje de población que ingresa a la educación superior se elevó explosivamente en las últimas décadas (^{Álvarez, 2011}); no obstante, parece que el ritmo se ha estabilizado. De acuerdo con datos de la Organización para la Cooperación Económica y el Desarrollo (^{OCDE, 2014}), en 2005 el 24% de la población mundial ¹ estaba matriculada en educación terciaria ² , cifra que para el 2012 ascendió al 32%, lo que representó un aumento de 8% en un periodo de siete años.

La explosiva expansión de la educación superior iniciada en los años 60 (^{Álvarez, 2011}) presenta una serie de retos para los países del mundo. Uno de ellos consiste en incrementar la capacidad de los sistemas de educación en aras de responder a la creciente demanda.

De acuerdo con la ^{Secretaría de Educación Pública, SEP y Sistema Ineractivo de Consulta Estadística Educativa (s. f.}), según información obtenida del Sistema Nacional de Información Estadística Educativa (SINEP), en 2008 había en México ³ un total de seis mil seiscientas veintiséis instituciones de educación superior (IES) ⁴ , que para 2014 aumentaron a 9 mil 939; lo que significa un 50% de incremento. Entre el 2008 y el 2012, tanto el sector público como el particular incrementaron, en 50%, el número de instituciones de educación superior.

A pesar de que hay 20% más IES particulares que públicas, la brecha no parece haberse abierto en los últimos siete años. La oferta del sector público en México ha aumentado a la par que la oferta del sector privado en el periodo de 2008-2014 ⁵ . En el mismo periodo la matrícula total de estudiantes en educación superior se incrementó de 2 millones 705 mil 190 a 3 millones 419 mil 331, un aumento de 26%.

En 2008, del total de estudiantes matriculados en educación superior, el 33% era atendido por IES particulares; mientras que el sistema público captaba al 67%. En 2014, se registró un total de 1 millón 046 mil 754 estudiantes matriculados en IES particulares, mientras que en públicas se registró un total de 2 millones 272 mil 637, lo cual significa que, del total de estudiantes en nivel superior en 2014, el 31% fue atendido por IES particulares mientras que el 69% por el sistema público.

Lo anterior permite esbozar el escenario actual de alta competencia entre las IES particulares. En este contexto, la captación de matrícula se posiciona como un tema fundamental. A esto se suma el crecimiento en la oferta y captación del sistema público. La MD constituye, ante la situación descrita, una importante oportunidad para hacer más eficientes los procesos de captación.

La MD es un tema relativamente nuevo en México. Debido principalmente a la complejidad en el manejo de grandes bases de datos, big data y al uso de software especializado para su análisis. No obstante, en los últimos años, dicho software se ha aproximado a los entornos académicos -ejemplo de ello es la iniciativa académica de Rapid Miner-, que pone al alcance de IES el uso de técnicas avanzadas para generar modelos predictivos y descriptivos de diversa índole.

De ahí el interés de este trabajo por responder a la pregunta: ¿De qué manera la MD puede aportar a la optimización del proceso de captación de matrícula en las IES particulares? El objetivo es, por tanto, analizar de qué forma la MD representa una oportunidad de optimización del proceso de captación de matrícula en IES particulares, así como diseñar un modelo predictivo de gestión de matrícula, cuya aplicación aportaría a la subsistencia de instituciones, de manera que estas puedan seguir concentrando esfuerzos en la formación académica, tarea que constituye el auténtico corazón de la universidad.

En el 2012, 43% de la población de América Latina se encontraba matriculada en educación superior; México, en el mismo año, registraba 29% de participación en este rubro. Como se aprecia en la figura 1, países como Chile, Argentina y Cuba ⁶ constituían la cabeza del bloque latinoamericano en 2012, con porcentajes de participación de 74.4%, 78.6% y 62.5% respectivamente (^{OCDE, 2014}).

Figura 1: Educación terciaria en América Latina (2005-2012). Elaboración propia a partir de los datos de The ^{World Bank (2000}). 

Ante el incremento de la demanda en la educación superior, los rumbos de acción de los gobiernos son variados, pero en general es posible distinguir dos aproximaciones principales: el fortalecimiento del sistema público de educación superior o bien el impulso del sector privado para que este atienda a las masas que el sistema público no está en condiciones de recibir. Si bien se habla de una aproximación mixta al problema porque combina los dos caminos mencionados, parece que en América Latina se ha optado, principalmente, por la vía de la apertura al sector privado.

En la Tabla 1, se observa que, en los principales países de América Latina, se viene presentando un crecimiento acelerado de la participación del sector privado en la oferta de servicios de educación superior. Las IES particulares han ganado cada vez más terreno y matrícula, la expansión es incluso abrumadora en algunos países como Chile, donde en el año 2005 el 92% de las IES eran particulares y de 753 mil 543 sujetos estudiantes activos en educación superior, 584 mil 722 se encontraban matriculados en el sector privado, es decir, 77% (^{Bjarnason, Cheg, Fielden, Lemaitre, Levy y Varghese, 2009}) ⁷ y en Brasil con un incremento del 74% en su matrícula y el 89% en las instituciones educativas.

Tabla 1: Crecimiento de la educción superior particular en América Latina 2002-2007 

En la misma Tabla 1, se observa que el crecimiento de las instituciones educativas no ha estado a la par del incremento de matrícula. Se muestra una brecha importante en los países de México y Argentina, en donde se tiene un alto crecimiento de instituciones (72% y 53% respectivamente) y un bajo crecimiento de matrícula (33% y 24%). A continuación, se profundiza en la explicación de esta problemática, comparándola con el crecimiento en el sector público.

En México, el número de IES particulares registró un explosivo crecimiento en los años 60. Producto de esta explosión, en 2014 el sector particular participa del 60% del total de las IES del país. No obstante, en últimos años se registra un crecimiento a la par de ambos sectores. Entre 2008 y 2014, el número total de IES aumentó en 50%, las IES públicas y particulares aumentaron en este mismo periodo en 50%, ambas en la misma proporción; por su parte el incremento de estudiantes en el periodo mencionado es de 26%, en este periodo; la captación de las IES particulares pasó de representar el 33% al 31%, mientras que el sector público pasó del 67% al 69%. En la Tabla 2 se puede consultar a detalle el crecimiento y la participación de los sectores públicos y particulares en lo que respecta a educación superior en México.

Aunque las IES particulares son mayoría con un 60%, su número no crece más rápido que lo que lo hacen las IES públicas. Si a esto se le suma que las IES particulares están perdiendo participación en la matrícula total, el escenario actual queda más claramente dibujado. El mercado para la captación de matrícula, si bien aumenta, se reparte con preferencia hacia el sistema público. Es, entonces, necesario que las IES particulares realicen esfuerzos cada vez mayores para ganar estudiantes en el ya reducido mercado que al parecer se constriñe más cada año.

Tabla 2: Comportamiento de IES y matrícula en México 2008-2014 

El proceso de expansión acelerado del sector privado en el ramo educativo, de las últimas décadas, no ha estado exento de críticas. Numerosos estudios denuncian que el crecimiento desproporcional y desregulado de IES particulares ha puesto en riesgo la calidad educativa e incluso la esencia de la educación superior (^{Altbach y Levy, 2005}). ^{Altbach (2006}) afirma que este escenario da lugar al surgimiento del nuevo modelo de la "pseudo universidad", la cual se caracteriza por ser una entidad con fines de lucro centrada en la ganancia económica y donde no se realiza verdadera docencia, verdadera investigación ni verdadera extensión.

Lo cierto es que el enorme aumento de IES particulares en México en décadas pasadas fue tan volátil que es fácil suponer que muchas de las ofertas emergentes carezcan de la capacidad para brindar educación superior de calidad. Es en buena medida la preocupación por la calidad de la educación frente a la desmesura del crecimiento en la oferta la que se constituye como motor para el surgimiento de organismos acreditadores de calidad educativa en diversos países.

En México, el ^{Consejo para la Acreditación de la Educación Superior (COPAES, 2015}) es la instancia autorizada por el gobierno para dar reconocimiento formal a las diferentes organizaciones -comités técnicos- cuya finalidad es acreditar programas educativos de tipo superior. Según la BD de la COPAES, existen actualmente 3 mil 307 programas acreditados, de los cuales solo 883 son programas de IES particulares, lo cual representa apenas el 27%. Estos programas pertenecen a 64 IES particulares del total de 5 941, es decir, solo el 1% cuenta con al menos un programa acreditado por COPAES.

La falta de presencia de IES particulares en los registros de COPAES puede ser considerada un indicio de la existencia de "pseudo universidades" que carecen de la capacidad para brindar educación de calidad. Entonces, ¿qué panorama enfrenta la educación superior particular en la actualidad? A continuación, se muestran dos elementos fundamentales para describir esta situación.

Es evidente que la mercadotecnia en la captación de matrícula juega un papel fundamental. Resulta indispensable generar estrategias que permitan a las IES particulares atraer prospectos del reducido y saturado mercado de la actualidad, por lo que las investigaciones que aporten a la mejora del proceso de captación de matrícula son fundamentales para la sobrevivencia de IES particulares.

El proceso de captación de matrícula es aquel que tiene por objetivo captar la mayor cantidad de alumnado para que se inscriba en la IES. Considera diversas actividades, tales como la invitación de estudiantes de bachillerato a las instalaciones, la visita a los bachilleratos, la participación en ferias de universidades, promoción, publicidad y difusión, entre otras. En cada interacción con alumnado de bachillerato, se capturan sus datos y se almacenan en la BD de prospectos de la IES particular.

Las personas responsables de la captación en las IES deben dar seguimiento a estos prospectos, para lograr que se inscriban. Este seguimiento se basa fundamentalmente en la consulta a la BD que se ha generado en todo el proceso. Existen retos que implica el captar matrícula en la actualidad, a continuación, se muestran los principales:

Para afrontar los retos de la captación de matrícula, las IES particulares se pueden apoyar en el uso de las tecnologías de información, ya que el desarrollo tecnológico de los últimos años ha revolucionado la manera en que nos relacionamos con el mundo. La realidad virtual se traslapa con la realidad física y lo hace a un nivel tal que los sistemas tecnológicos se han vuelto componentes principales de sociedades y organizaciones contemporáneas.

El uso de la tecnología en los diferentes aspectos de la vida ha devenido en las denominadas sociedades de la información, donde cada minuto se generan cantidades descomunales de datos, los cuales se organizan en BD, generando grandes silos de información almacenada. A este gran volumen se le conoce como el big data.

La organización en la BD se realiza a través de agrupación de caracteres que, a su vez, forman campos, que al juntarse forman registros. Este conjunto de registros forma un archivo y cuando estos se relacionan con otros, se forman las BD. Por ejemplo, una BD de estudiantes puede tener dos archivos, uno de datos personales y otro de grupos en los que tiene clases. Este archivo tiene campos que pueden ser el número de identificación de cada estudiante, el nombre, su dirección y teléfono. Estos campos están formados por caracteres, que pudieran ser la J la U la A y la N, en el caso de que el campo nombre sea JUAN.

Manejar y aprovechar tanta información se vuelve complicado, las organizaciones corren el riesgo de ahogarse en el mar de datos que inunda las áreas de trabajo. De ahí que la extracción de conocimiento valioso a partir de grandes BD sea una de las habilidades claves de la actualidad (^{Davenport y Patil, 2012}).

La MD es justamente ese conjunto de herramientas que facilitan la obtención de conocimiento valioso; se puede entender la MD como una especie de ariete que rompe la impenetrable fortaleza de los silos de la información. El objetivo es generar modelos que permitan comprender y predecir el comportamiento de los procesos a partir de los registros almacenados en las BD. La MD inicia con los datos, a los cuales se les aplican métodos computacionales especializados para descubrir estructuras y patrones inicialmente ocultos (^{Kotu y Deshpande, 2015}).

Los métodos son conocidos como algoritmos. Uno de estos son los árboles de decisión que permiten crear modelos de predicción. Consisten en una técnica que clasifica casos basados en las variables conocidas como predictoras. Cada variable y su posible valor se muestran en un nodo del árbol (^{Van Der Aalst, 2012}).

Los árboles de decisión son un tipo de aprendizaje supervisado en analítica predictiva. Un aprendizaje supervisado significa que uno de sus atributos es definido como variable de respuesta, por lo que el modelo generado ofrece un esquema predictivo de dicha variable de respuesta en términos de las variables de entrada. Los árboles de decisión se utilizan para hacer predicciones sobre un atributo en particular. Una característica importante de resaltar es que la variable de respuesta debe ser de tipo categórica para que el algoritmo pueda funcionar.

Como muchos modelos predictivos, el árbol de decisión requiere trabajar con un porcentaje de la BD para la construcción del modelo, este porcentaje se conoce como data de entrenamiento y el otro porcentaje para la evaluación del modelo, que se conoce como data de prueba. Al finalizar el algoritmo se genera un modelo tipo árbol invertido que permite predecir cuándo un sujeto en particular cumplirá con el atributo categórico indicado como variable de respuesta.

Por ejemplo, para crear un modelo predictivo de gestión de matrícula, se fija como variable de respuesta el atributo de inscripción de los data sets de los ciclos pasados y se genera, a partir de este un modelo que exprese bajo qué condiciones de atributos predictivos, un sujeto en particular realiza o no su inscripción. La variable de respuesta en este caso deberá ser declarada binominal y los demás atributos podrán ser categóricos o numéricos.

Las técnicas de MD se han aplicado con éxito en el comercio electrónico, la salud, el transporte, la industria farmacéutica, así como en la educación. En la actualidad, las IES cuentan con sistemas informáticos que permiten el registro de considerables volúmenes de datos que surgen de la medición de sus procesos. En este sentido, la aplicación de las técnicas de la MD en la educación constituye un tema relativamente nuevo que se ha enfocado en diferentes problemáticas educativas y ha servido a todos los actores del proceso de enseñanz-aprendizaje, esto es, a estudiantes, docentes y al personal administrativo de la educación.

En la Tabla 3, de acuerdo con ^{Romero y Ventura (2007}), se observa cómo la MD ha ayudado a cada uno de los sujetos del proceso, con un gran apoyo al sector administrativo de la educación, es decir, a las personas que gestionan el proceso educativo, que definen estrategias y toman decisiones para marcar el rumbo de esta.

La MD ha ayudado a tomar decisiones a las personas relacionadas con la gestión eficiente de los recursos, efectividad de los cursos, retención escolar, eficiencia terminal, desempeño académico y métodos de evaluación; aspectos todos cruciales para el éxito académico de una institución educativa.

Hacia el año 2010, según ^{Baker y Yacef (2009}), se ha observado que la MD, aplicada a la educación, se ha expandido a los países que se encuentran en Norteamérica, Europa Occidental, así como a Australia y Nueva Zelanda, principalmente con el uso de modelos de predicción, lo cual ha logrado impactar en la educación.

Tabla 3: La MD en el proceso educativo hasta el año 2007 

Corresponde ahora plantear la pregunta: ¿Qué puede aportar la MD al proceso de captación de matrícula en las IES particulares? Las posibles aplicaciones del árbol de decisión a las BD en el proceso de captación son diversas, pero especialmente un árbol de decisión puede ofrecer un modelo para predecir la inscripción o la no inscripción de un sujeto prospecto en particular.

En otras palabras, el árbol de decisión permitiría predecir si un sujeto prospecto en particular se inscribirá en función de conocer su escuela de procedencia, edad, promedio de preparatoria, dirección de vivienda, carrera de preferencia y opciones de estudio. Esto representa una importante aportación a la optimización de la captación de matrícula, dado que permite centrar esfuerzos en los sujetos que el modelo predice tienen más probabilidades de realizar su inscripción, identificándolos desde el inicio del proceso y dándoles seguimiento a lo largo de este mismo. La MD ofrece una oportunidad clave para mejorar los procesos de captación de matrícula, así como para generar estrategias de mercadotecnia adecuadas para atender segmentos particulares.

^{Chang (2006}) investigó sobre las ventajas de analizar la problemática de la matrícula a través de técnicas de MD en lugar de los tradicionales análisis estadísticos. Los métodos tradicionales para interpretar los datos de sujetos prospectos durante el proceso de captación de estudiantes a la universidad, consideran los aspectos económicos, sociológicos y psicológicos, los cuales ya no son suficientes para comprender el proceso. Los avances tecnológicos como el MD hacen posible la identificación de patrones ocultos que permiten predecir el comportamiento de los sujetos prospectos considerando su interacción social (^{Sigillo, 2013}).

^{Nandeshwar y Chaudhari (2009}) utilizaron la técnica de árboles de decisión y encontraron que el apoyo financiero es el factor más importante que atrae a estudiantes a inscribirse, en ese sentido, ^{Antons y Maltz (2006}) encontraron que estos apoyos se deben analizar muy bien, por las implicaciones fiscales que conllevan. También, ^{González y DesJardins (2002}) utilizaron la técnica de redes neuronales para predecir el comportamiento de los sujetos prospectos.

^{González (2009}) analizó los factores que más inciden en la decisión para inscribirse en carreras de ingeniería y encontró que los principales son los siguientes: las buenas experiencias en matemáticas, la autovaloración del rendimiento académico como sobresaliente en esta área, el hecho de ser hombre que no se haya matriculado anteriormente en otra carrera y que el padre sea quien sugiera su elección. ^{Kumar y Saurabh (2012}) encontraron que estudiantes del área de sistemas computacionales con un buen nivel de matemáticas, son quienes se inscriben en un programa de maestría en computación.

Con fines de presentar una posible aplicación y analizar los resultados, este trabajo implementa el árbol de decisión a una BD aleatoria diseñada por el grupo autor, que simula los registros de un sistema electrónico de captación de matrícula de una IES. Esta BD consiste en una matriz donde los atributos de los sujetos prospectos a realizar su matrícula son organizados a manera de columnas. Para cada sujeto se generó un ID aleatorio para fines de seguimiento.

Las variables elegidas para esta prueba son: Promedio de bachillerato, segmento de escuela de procedencia, porcentaje de beca asignado, primera opción de carrera indicada, primera opción de universidad indicada. El diseño del estudio se considera correlacional, ya que a través del algoritmo del árbol de decisión se establecen relaciones entre unas variables, para predecir el comportamiento de otra. A continuación, se define cada variable.

Estatus: Valor categórico nominal dicotómico, que representa si el sujeto realizó o no realizó su matrícula en la IES. Puede tomar valores de "inscrito" o "no inscrito". En el árbol de decisión esta se define como variable de respuesta.

Promedio de bachillerato: Valor numérico entre 6 y 10 que representa el promedio general de las calificaciones obtenidas por el sujeto prospecto durante todo el curso del bachillerato o equivalente.

Segmento de escuela de procedencia: Valor categórico nominal que representa el segmento al que pertenece la escuela de procedencia del sujeto prospecto. Para fines de este ejercicio se asume la existencia de dos segmentos denominados A y B, conformados por bachilleratos con características específicas.

Porcentaje de beca: Valor numérico que representa el porcentaje de beca asignado a un sujeto prospecto previo a su inscripción. Toma valores desde el 0% al 90%.

Primera opción de carrera: Valor categórico nominal que representa la carrera considerada como primera opción para realizar la matrícula por parte del sujeto prospecto. Para fines de este ejercicio, se limitan los valores que puede tomar a cuatro carreras de ingeniería: Ingeniería Industrial (II), Ingeniería Mecatrónica (IM), Ingeniería Petrolera (IP) e Ingeniería Química (IQ).

Primera opción de universidad: Valor categórico nominal que representa la universidad considerada como primera opción para realizar la matrícula por parte del prospecto. Para fines de este ejercicio se limitan los valores que pueden tomar a 4 opciones denominadas A, B, C, D.

El arreglo matricial de esta BD se compone, para casos de esta prueba, por 80 sujetos sobre los cuales se predican los atributos presentados previamente. Para cada sujeto se genera un ID de valor número que toma valores desde el 1 al 80.

La técnica se aplicó utilizando el software Rapid Miner Studio 6.2 Starter Edition. Se utilizaron los siguientes criterios para el algoritmo del árbol de decisión:

Este trabajo está limitado en función de que la BD utilizada ha sido generada en forma aleatoria y es ficticia, de ninguna manera representa los registros auténticos de una IES particular. El análisis se dirige a exponer las posibles aplicaciones y evidenciar las ventajas del uso de las técnicas. Por lo que los resultados no pueden ser considerados como una expresión auténtica del comportamiento de los sujetos, sino que se presentan con fines de demostración del diseño del modelo.

El número de sujetos de la BD utilizada es considerablemente menor al que se utilizaría para un análisis de los registros reales de prospectos. Esto influye en el resultado del modelo; no obstante, no afecta el diseño de este mismo.

Debido a que la finalidad de este trabajo es presentar la aplicación de la técnica para construir un modelo, no se exponen aquí los análisis descriptivos de la data que corresponderían -promedios, varianzas, identificación de outliers- sino que se implementa directamente el algoritmo. La metodología que se siguió para la construcción del árbol de decisión fue la siguiente:

En la Figura 2 se observa el modelo generado al introducir la BD y aplicar los operadores correspondientes del árbol de decisión. En este caso se seleccionó la variable de segmento de procedencia como el primer nodo del árbol.

En este árbol de decisión se observan colores en cada cuadro de predicción. Estos colores representan el número de sujetos clasificados en forma correcta en la data de prueba. Cuanto más azul la barra, más confiable la predicción. Para esta BD se observó un 56% de precisión en la predicción de "inscritos" y un 44% para la predicción de "no inscritos". El bajo nivel de los porcentajes de precisión se puede explicar por la aleatoriedad de la BD generada, y por su tamaño considerablemente menor a las BD reales de registros.

Figura 2: Modelo de árbol de decisión. Elaboración propia a través del software Rapid Miner. 

El árbol fue generado con el 60% de la BD y, posteriormente, se prueba su capacidad predictiva en el restante 40%. Para aplicar este modelo a un conjunto de datos nuevos y predecir la inscripción o no inscripción de un sujeto, se deben extraer el conjunto de reglas de inducción que se encuentran presentes en el árbol de decisión.

La primera regla que el modelo nos permite observar consiste en dividir a los sujetos de la BD en términos del segmento de procedencia. La regla se lee de arriba hacia abajo.

La regla generalizada para este modelo es la siguiente: Se inscribirán los prospectos que provengan del segmento A que tengan beca mayor o igual a 45% o con beca menor al 45% y promedio menor o igual a 7.9 o mayor de 8.5.

Estas reglas generadas a partir del árbol de decisión permiten realizar predicciones concretas para nuevas BD en términos del aprendizaje de la base previa, es decir, se actualizará en cada ciclo del proceso y cada vez será más exacta. En este sentido, es factible proponer el desarrollo de un sistema de información automatizado que permita desplegar, de manera visual, las predicciones sobre prospectos de las IES con la finalidad de tomar decisiones en cuanto a la implementación de estrategias específicas.

En la Figura 3 se muestra el modelo ZAM&EST de gestión de matrícula que resulta de la aplicación del árbol de decisión y del análisis del proceso de matrícula de una IES particular. Este modelo integra todos los elementos generados a lo largo del proceso, los cuales son los siguientes: captura de datos de sujetos prospectos, almacenamiento de los datos, filtrado y refinación de datos, construcción del árbol de decisión, generación de las reglas del modelo, el sistema de información predictivo, la estrategia a la medida y estudiante que se han inscrito. A continuación, se analiza cada uno de ellos.

Captura de datos de prospectos. Este elemento es fundamental para el resultado exitoso del modelo, ya que la calidad de los datos debe estar garantizada. Es decir, la información que se genere debe ser válida y confiable, no se deben almacenar datos erróneos o incongruentes. Por eso adquiere mucha importancia la tecnología que apoya la captura de los datos, para lo cual se deben utilizar dispositivos móviles, tales como: laptops, tabletas, asistentes personales y teléfonos inteligentes. Otro aspecto muy importante es la ampliación de las fuentes de datos. No solo se deben capturar los datos personales y de intereses de los sujetos prospectos, sino que también se deben capturar datos de entrevistas, correos electrónicos y comentarios de sujetos prospectos en redes sociales.

Almacenamiento de los datos. Los datos se deben almacenar y organizar en una BD. Es necesario un software manejador de BD que permita la aplicación de operaciones sobre estos datos, tales como altas, bajas, cambios y consultas.

Filtrado y refinación de datos. Es necesario ejecutar un proceso que limpie la BD para eliminar inconsistencias y ajustar la BD al modelo propio de la IES.

Construcción del árbol de decisión. Se debe construir el árbol de decisión basado en la BD refinada. Una vez generado el árbol, este se debe probar con la BD inicial para medir su efectividad. Se utiliza el software Rapid Miner para realizar este proceso en forma automática. Aunque esto genera la utilización de dos tipos de datos diferentes e incompatibles (la BD y árbol de decisión), se considera que es la mejor opción por los costos. Esta situación se podría subsanar utilizando un único software integrado que permita cubrir todas las fases del modelo, pero son costosos.

Generación de reglas del modelo. Se interpreta el árbol de decisión para generar las reglas del modelo. Se debe enunciar una regla generalizada que resuma en una expresión qué sujetos prospectos tienen mayor probabilidad de que se inscriban. Estas reglas servirán, además, para retroalimentar la BD y mejorar su nivel de predicción.

Sistema de información predictivo. Se debe contar con un sistema de información que esté basado en las reglas del modelo y en la BD, de tal manera que permita generar la lista de sujetos prospectos que se predice se inscribirán en la IES particular. Este sistema debe volver a estandarizar los datos que se disgregaron en el árbol de decisión.

Estrategia a la medida. Con el conocimiento sobre los sujetos prospectos que provee el sistema de información, se deben diseñar estrategias específicas enfocadas a ellos para lograr su inscripción. Esta estrategia debe derivar en objetivos, metas y planes de trabajo, ya que de lo contrario no se lograrán resultados exitosos, porque el conocimiento sobre los sujetos prospectos no es suficiente para su logro.

Inscritos. Las alumnas y alumnos inscritos ahora forman parte de los datos de entrada para la BD.

El flujo y la interacción de este modelo son secuenciales, cíclicos, pueden ser en ambos sentidos y consideran la retroalimentación a la BD en dos momentos distintos. El primero se debe realizar una vez generadas las reglas y el segundo, al finalizar un ciclo. Esto incrementará el tamaño de la BD y la exactitud de las predicciones.

Figura 3: Modelo ZAM&EST de Gestión de Matrícula de una IES particular. Elaboración propia. 

Con respecto al análisis teórico, se concluye que el desarrollo de nuevas tecnologías de información para mejorar el proceso de captación de matrícula es indispensable, esto debido a la reducción del mercado que obliga a las IES a dirigir su mirada hacia técnicas de minería de datos para apoyar este proceso.

En relación con el objetivo de investigación propuesto, se concluye que la técnica de árbol de decisión es adecuada para generar un modelo de predicción de gestión de matrícula, que apoye en el seguimiento de prospectos con respecto a su inscripción en una IES particular, esto, combinado con una estrategia adecuada y enfocada, constituye una herramienta importante para centrar esfuerzos y recursos en prospectos con mayor probabilidad de realizar su inscripción. A su vez, el modelo puede ser actualizado con cada ciclo escolar, aumentando así la BD y permitiendo mejorar su capacidad predictiva con el paso del tiempo.

El modelo de gestión de matrícula ZAM&EST es susceptible de utilizarse en las IES particulares con el objetivo de hacer más eficiente su proceso de captación.

Se recomienda a las IES particulares construir su modelo de gestión de captación de matrícula, comenzando con la aplicación del Árbol de Decisión en poblaciones relativamente pequeñas por ejemplo una división, facultad o carrera, evaluar el desempeño del modelo y repetir. Existen otras técnicas de MD que pueden ser aplicadas, se sugiere comenzar la implementación de clústers, mapas auto organizados, redes neuronales, reglas de asociación y regresiones lineales múltiples.

Es muy importante mencionar la necesidad de una adecuada aplicación del modelo propuesto, ya que la MD es una herramienta fundamental que debe usarse en los ambientes universitarios con la finalidad de hacer más eficiente sus procesos, aunque es indispensable recordar que no sustituye en ningún momento la experiencia y el contacto humano que es el centro de los procesos de promoción y captación, ya que tan sólo brindan una base más objetiva para la toma de decisiones.