Vol. 5 – Núm. 1 / Enero – Junio – 2024
Exploración y Análisis de Perfiles Estudiantiles con Enfoque
en Big Data para Definir el Público Objetivo en los Institutos
Técnicos Superiores Públicos del Ecuador.
Exploration and Analysis of Student Profiles with a Focus on Big Data to
Define the Target Audience in the Public Higher Technical Institutes of
Ecuador.
Exploração e análise de perfis de estudantes com foco em Big Data para
definir o público-alvo nos institutos técnicos superiores públicos do
Equador.
Beltrán Bowen, Nelson Geovanny
Instituto Superior Tecnológico Limón
Nelsonbowen2014@gmail.com
https://orcid.org/0009-0007-0737-6384
León Chuzino, Luis Oswaldo
Instituto Superior Tecnológico Limón
oleon@institutos.gob.ec
https://orcid.org/0009-0009-1426-9127
Jaramillo Shiki, Aníbal Tito
Instituto Superior Tecnológico Limón
jaramillotitho@gmail.com
https://orcid.org/0009-0009-3055-8084
Beltrán Gutierrez, Bryan Geovanny
Instituto Superior Tecnológico Limón
geovannybel23@gmail.com
https://orcid.org/0009-0007-6527-5952
DOI / URL: https://doi.org/10.55813/gaea/ccri/v5/n1/406
Como citar:
Beltrán Bowen, N. G., León Chuzino, L. O., Jaramillo Shiki, A. T., & Beltrán Gutierrez, B. G.
(2024). Exploración y Análisis de Perfiles Estudiantiles con Enfoque en Big Data para Definir
el Público Objetivo en los Institutos Técnicos Superiores Públicos del Ecuador. Código
Científico Revista De Investigación, 5(1), 730–751.
Recibido: 18/05/2024 Aceptado: 09/06/2024 Publicado: 30/06/2024
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
731
Resumen
Esta investigación se propuso aplicar metodologías de Big Data para segmentar perfiles
estudiantiles en institutos técnicos públicos ecuatorianos, integrando técnicas de psicografía
para una comprensión más profunda. El objetivo principal fue definir estrategias de marketing
educativo más precisas y adaptadas a las necesidades de los estudiantes. La justificación radica
en la necesidad de personalizar el enfoque de captación estudiantil. La metodología incluyó el
análisis de datos provenientes de encuestas y se emplearon técnicas como K-means para la
segmentación. Los resultados destacaron cuatro clústeres distintivos con relevancias
socioeconómicas y demográficas notables. La discusión resaltó la importancia de la psicografía
en la adaptación de estrategias educativas y sus desafíos tecnológicos. En conclusión, este
enfoque innovador en el análisis de perfiles estudiantiles ofrece oportunidades significativas
para mejorar el marketing educativo en instituciones técnicas ecuatorianas. Estos hallazgos
apoyan la metodología propuesta para el proyecto en el Instituto Tecnológico Superior Limón,
destacando su potencial para transformar la enseñanza de desarrollo de software y las
estrategias de captación de estudiantes.
Palabras clave: Big Data, Segmentación, Psicografía, Marketing educativo, Institutos
técnicos.
Abstract
This research set out to apply Big Data methodologies to segment student profiles in
Ecuadorian public technical institutes, integrating psychographics techniques for a deeper
understanding. The main objective was to define more precise educational marketing strategies
tailored to students' needs. The rationale lies in the need to personalize the student recruitment
approach. The methodology included the analysis of survey data and techniques such as K-
means were used for segmentation. The results highlighted four distinctive clusters with
notable socioeconomic and demographic relevance. The discussion highlighted the importance
of psychographics in adapting educational strategies and their technological challenges. In
conclusion, this innovative approach in the analysis of student profiles offers significant
opportunities to improve educational marketing in Ecuadorian technical institutions. These
findings support the methodology proposed for the project at the Instituto Tecnológico Superior
Limón, highlighting its potential to transform software development teaching and student
recruitment strategies.
Keywords: Big Data, Segmentation, Psychographics, Educational marketing, Technical
institutes.
Resumo
Esta investigação propôs-se aplicar metodologias de Big Data para segmentar perfis de
estudantes em institutos técnicos públicos equatorianos, integrando técnicas psicográficas para
uma compreensão mais profunda. O principal objetivo era definir estratégias de marketing
educativo mais precisas e adaptadas às necessidades dos estudantes. A justificação reside na
necessidade de personalizar a abordagem de recrutamento de estudantes. A metodologia
incluiu a análise de dados de inquéritos e técnicas como o K-means para segmentação. Os
resultados revelaram quatro grupos distintos com uma relevância socioeconómica e
demográfica notável. A discussão salientou a importância da psicografia na adaptação das
estratégias educativas e dos seus desafios tecnológicos. Em conclusão, esta abordagem
inovadora à análise do perfil dos estudantes oferece oportunidades significativas para melhorar
o marketing educativo nas instituições técnicas equatorianas. Estes resultados apoiam a
metodologia proposta para o projeto no Instituto Tecnológico Superior Limón, destacando o
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
732
seu potencial para transformar o ensino do desenvolvimento de software e as estratégias de
recrutamento de estudantes.
Palavras-chave: Big Data, Segmentação, Psicografia, Marketing educacional, Institutos
técnicos.
Introducción
En el contexto actual, la integración de Big Data y Machine Learning en la educación
superior ofrece oportunidades significativas para mejorar la enseñanza y el desarrollo de
software, así como para optimizar estrategias de marketing. Este proyecto, llevado a cabo en
el Instituto Tecnológico Superior Limón, tiene como objetivo general aprovechar estas
tecnologías para segmentar y comprender mejor a los estudiantes, facilitando la adaptación
precisa de estrategias educativas y de marketing. La recolección y análisis de datos de Factores
Asociados a Estudiantes del proceso "Ser Bachiller" del ciclo 2018-2019 proporcionan una
base sólida para este estudio. La metodología aplicada incluye la limpieza y preparación de
datos, la reducción de dimensionalidad, y la aplicación de algoritmos de clustering, como K-
means, para identificar patrones y segmentar a los estudiantes en grupos homogéneos. Este
enfoque permite diseñar estrategias personalizadas que abordan las necesidades específicas de
cada segmento estudiantil. La participación activa de un docente especializado en Big Data y
un estudiante del segundo ciclo de Desarrollo de Software asegura una transferencia de
conocimiento efectiva y el desarrollo de habilidades prácticas.
El análisis detallado de los resultados y la implementación de estrategias basadas en
estos hallazgos no solo mejoran la oferta educativa, sino que también contribuyen a una mayor
eficiencia en la captación y retención de estudiantes, fortaleciendo la posición del instituto en
un entorno educativo competitivo.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
733
Objetivos
Objetivo General: Mejorar la enseñanza del desarrollo de software y contribuir al
marketing educativo en el Instituto Tecnológico Superior Limón mediante la integración de
Big Data y Machine Learning.
Objetivos Específicos: Capacitar a los estudiantes en el análisis de datos y técnicas de Big
Data.
• Implementar modelos de clustering para segmentar perfiles estudiantiles.
• Desarrollar estrategias de marketing basadas en perfiles estudiantiles segmentados.
• Evaluar la efectividad de las estrategias implementadas en el marketing educativo.
• Fomentar la participación activa de estudiantes y docentes en proyectos de análisis de
datos.
Justificación
Este estudio reviste importancia al contribuir a la mejora estratégica de los Institutos
Técnicos Superiores Públicos en Ecuador. Al explorar y analizar a fondo los perfiles
estudiantiles mediante Big Data y Machine Learning, se proporcionarán bases sólidas para la
definición precisa del público objetivo. Esta información permitirá adaptar estrategias de
marketing, personalizar programas educativos y optimizar la captación de estudiantes,
impulsando así la competitividad y eficiencia de estas instituciones en un entorno educativo
dinámico y desafiante.
Además, ofrece beneficios sustanciales en términos de personalización educativa y
estrategias de marketing. Al entender mejor las características y necesidades de los estudiantes,
los institutos pueden diseñar programas más efectivos y personalizados, mejorando la retención
y éxito académico. Estos hallazgos apoyan la metodología propuesta para el proyecto en el
Instituto Tecnológico Superior Limón, destacando su potencial para transformar la enseñanza
de desarrollo de software y las estrategias de captación de estudiantes.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
734
Marco teórico
Segmentación de Mercado y Psicográfica: En la esfera de la segmentación, las
variables geográficas y demográficas se consideran elementos fundamentales para clasificar a
los consumidores. Sin embargo, estas variables, por sí solas, resultan insuficientes para
proporcionar una visión completa del consumidor (Töpfer y Bug, 2015). Con el propósito de
superar esta limitación, el marketing ha desarrollado la segmentación, un método que busca
dividir el mercado en grupos de consumidores con necesidades, intereses y prioridades
compartidas (Töpfer y Bug, 2015). Antes de diseñar estrategias de marketing, es esencial
conocer a fondo al público objetivo (Raiteri y Ocaña, 2016).
La segmentación psicográfica del consumidor se presenta como una herramienta
integral para comprender a los usuarios principales en un nivel más profundo (Povilaitis et al.,
2020). En este enfoque, los consumidores se dividen en grupos en función de sus intereses,
actividades, valores, actitudes, opiniones y rasgos psicológicos. Este enfoque permite
identificar tendencias de consumo de bienes y servicios de manera más precisa (Töpfer y Bug,
2015). Este análisis encuentra respaldo en la investigación realizada por Medina, De Guzmán
y Antonio (2023), quienes llevaron a cabo un estudio de segmentación con estudiantes,
explorando sus estilos de vida como consumidores de un servicio educativo universitario. Este
trabajo proporciona una perspectiva valiosa sobre la aplicabilidad y la relevancia de la
segmentación en el ámbito educativo, destacando la importancia de comprender las
complejidades psicográficas de los estudiantes para adaptar estrategias efectivas de marketing
educativo.
Posicionamiento de la Educación Superior como Servicio: La educación,
considerada un derecho humano fundamental, destaca entre las necesidades secundarias; es
vital para el desarrollo económico, social y cultural de las sociedades (Fontán, 2014). En este
contexto, la naturaleza del marketing se centra en la satisfacción de necesidades humanas,
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
735
incluyendo las educativas. Los servicios educativos deben, por ende, diversificar sus ofertas
para buscar la satisfacción del cliente y consolidar relaciones duraderas (Rodríguez SAR,
2015). Según Joan (2015), el posicionamiento implica situar y fijar en la mente del cliente la
imagen distintiva de una marca o producto. Es el modo en que los clientes definen un producto
o servicio en función de sus características particulares en comparación con otros. Este proceso
busca que el consumidor posicione en su mente el bien o servicio, ya sea con o sin la
intervención de la empresa, creando así una percepción, impresión o sentimiento hacia el
mismo.
En el ámbito educativo, el posicionamiento se revela como el primer paso crucial en la
construcción de estrategias de marketing. Este proceso permite identificar las necesidades del
mercado y seleccionar el público objetivo de manera adecuada (Joan, 2015). Las instituciones
educativas, tanto públicas como privadas, deben gestionarse como empresas, donde decisiones
equivocadas pueden resultar en pérdidas económicas y de prestigio social (García CJ, 2014).
Estas instituciones tienen la misión de ofrecer servicios educativos que satisfagan las
necesidades de los clientes. Para lograrlo, es esencial disponer de información objetiva y
fidedigna sobre el mercado, clientes reales y potenciales, comportamientos y la competencia,
como destaca García CJ (2014) en "Fundamentos del Marketing Educativo". Este enfoque
empresarial garantiza la adaptabilidad de las instituciones educativas a las demandas
cambiantes del mercado, asegurando así su relevancia y éxito a largo plazo.
Marketing Educativo y Análisis de Perfiles Estudiantiles: El marketing educativo,
desde una perspectiva social, se concibe como un proceso de investigación de las necesidades
sociales para desarrollar servicios educativos que las satisfagan, ajustados a su valor percibido,
distribuidos en tiempo y lugar, y promocionados éticamente para generar bienestar en
individuos y organizaciones. Según Larios-Gómez, la mercadotecnia educativa es una
herramienta estratégica que permite a las instituciones de educación satisfacer necesidades de
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
736
desarrollo personal a través de la comercialización de servicios, tanto de forma directa como
indirecta (Larios GE, 2021). Esto implica el empleo de diversas herramientas por parte de las
instituciones educativas para posicionar su marca en el mercado nacional. El objetivo es atraer
nuevos estudiantes, retener a los ya inscritos y fortalecer las relaciones interinstitucionales,
brindando oportunidades estratégicas en un mercado cada vez más competitivo (Carreño
Cuador, 2023).
En el contexto de la educación superior, la identificación de perfiles estudiantiles a
través de estilos de vida se presenta como un aporte significativo en el diseño de estrategias.
Dado que un mismo centro educativo congrega a estudiantes con diversos orígenes, formas de
pensar y niveles socioeconómicos, la segmentación de estudiantes se posiciona como el medio
para que las instituciones ofrezcan servicios diferenciados en el mercado educativo (Arellano,
2017). Por ello, la obtención de datos psicográficos de estudiantes ecuatorianos para definir el
público objetivo se lleva a cabo mediante el análisis de la encuesta de factores asociados / Ser
Estudiante. Tanto empresas públicas como privadas, junto con el Ministerio de Educación,
manejan bases de datos masivas que reflejan las preferencias y necesidades de los aspirantes a
la educación superior. Este contexto marca la entrada crucial de la exploración y análisis con
enfoque en big data (Carreño Cuador, 2023).
Big Data y Minería de Datos: Extraer información relevante y concreta de los datos
recopilados constituye el objetivo fundamental de la minería de datos (Abualigah et al., 2017).
No obstante, la recopilación de datos se realiza en formas y categorías arbitrarias, lo que
complica su análisis, especialmente cuando se desconocen las características de los objetos de
datos. En este sentido, la organización adecuada de datos sin etiquetar se aborda mediante el
análisis de conglomerados, siendo la agrupación significativa de estos datos no etiquetados
considerada como agrupación de datos (Ikotun et al., 2023).
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
737
El propósito principal radica en agrupar datos sin etiquetar de manera que los objetos
de datos con características y atributos similares se encuentren juntos en un grupo. Esto busca
asegurar que las similitudes entre los objetos de datos dentro de los mismos grupos sean
mayores en comparación con los objetos de datos de otros grupos. En otras palabras, el análisis
de agrupamiento de datos clasifica datos no etiquetados para garantizar una mayor similitud
dentro del grupo y una menor similitud entre grupos (Ahmad et al., 2007). Este enfoque permite
obtener una comprensión más profunda y significativa de los conjuntos de datos, mejorando
así la utilidad de la minería de datos en el contexto del big data.
Lenguaje de Aprendizaje y Análisis de Agrupamiento: El proceso de análisis de
agrupamiento, comparado con el aprendizaje, implica un comportamiento predictivo específico
asociado con el aprendizaje no supervisado en conjuntos de datos sin etiquetar (Alguliyev et
al., 2021). Este enfoque se integra perfectamente con el título "Lenguaje de Aprendizaje", ya
que ambos se centran en la interpretación y comprensión de patrones en datos no estructurados.
El análisis de conglomerados ha demostrado éxito en diversas áreas, desde la ciencia médica
hasta la aviación, resolviendo problemas de agrupación de datos (Ikotun et al., 2023). Este éxito
destaca la versatilidad y aplicabilidad de los métodos de análisis de agrupamiento en el
contexto de grandes conjuntos de datos, uniendo así la eficacia del aprendizaje no supervisado
con la resolución de problemas en diversas disciplinas.
Los algoritmos para la agrupación de datos se dividen en dos categorías principales:
jerárquicos y particionales. Los jerárquicos dividen los objetos de datos de manera ascendente
o descendente, y la representación visual mediante dendrogramas muestra la jerarquía de
conglomerados (Huang et al., 2021). Este proceso, esencial en la agrupación de datos, se
asemeja al método de agrupamiento de K-medias propuesto por varios investigadores en las
décadas de 1950 y 1960 (Jain, 2010). Así, la interconexión entre el análisis de agrupamiento y
el aprendizaje se manifiesta en la adaptabilidad de estos métodos a diversas disciplinas,
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
738
ofreciendo un enfoque integral para la interpretación y aplicación efectiva de grandes conjuntos
de datos en el contexto de la evolución y optimización continua del aprendizaje.
En conclusión, la convergencia entre el lenguaje de aprendizaje, el análisis de
agrupamiento, el marketing educativo y la identificación de perfiles estudiantiles crea un
enfoque integral para mejorar la educación. Utilizando el análisis de agrupamiento y el lenguaje
de aprendizaje, se pueden identificar patrones significativos en grandes conjuntos de datos
estudiantiles, proporcionando la base para estrategias de marketing educativo más efectivas.
Al comprender los perfiles estudiantiles y sus estilos de vida, las instituciones pueden
personalizar la oferta educativa, satisfaciendo las necesidades individuales. Esta integración no
solo optimiza la segmentación y estrategias de marketing, sino que también mejora la
experiencia educativa, impulsando el crecimiento académico y personal de los estudiantes. En
resumen, este enfoque holístico contribuye a un sistema educativo más efectivo y centrado en
el estudiante.
Metodología
Capacitación Inicial: El docente proporcionó una capacitación inicial al estudiante en
técnicas de análisis de datos y uso de herramientas de Big Data y Machine Learning.
Recopilación y Entendimiento de los Datos: Se recopiló el Dataset de Factores
Asociados a Estudiantes. Se realizó un análisis preliminar para entender las características y
propiedades de los datos.
Preparación y Limpieza de los Datos: Se eliminaron las variables con más del 50%
de datos nulos. Se realizó la limpieza de datos para eliminar valores nulos e inconsistentes,
codificados como 999999. Se aplicó la reducción de dimensionalidad para seleccionar las
variables más relevantes.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
739
Análisis y Segmentación: Se utilizaron métodos de clustering como el Codo de Jambú,
Silueta, Mini k-means y Dendograma para determinar el número óptimo de clústeres. El
algoritmo K-means con 4 clústeres fue seleccionado y aplicado al Dataset.
Generación de Informes: Se generaron informes detallados de los segmentos
estudiantiles, destacando sus características socioeconómicas, demográficas y académicas.
Desarrollo de Estrategias de Marketing: Basándose en los segmentos identificados,
se desarrollaron estrategias de marketing específicas para cada perfil estudiantil.
Evaluación y Mejora Continua: Se evaluó la efectividad de las estrategias de
marketing implementadas. Se identificaron áreas de mejora y se ajustaron las estrategias según
los resultados obtenidos.
Participación Activa del Estudiante: El estudiante participó activamente en todas las
etapas del proyecto, desde la preparación y limpieza de los datos hasta el desarrollo de modelos
de clustering y la generación de informes. Se fomentó el aprendizaje práctico y la aplicación
de conceptos teóricos en un entorno real.
Análisis de Estudios
Segmentación de Estudiantes Utilizando Clustering. Estudio: Medina et al. (2023).
Revista: Journal of Educational Technology & Society. Resumen: Este estudio utilizó técnicas
de clustering, específicamente el algoritmo K-means, para segmentar a los estudiantes de una
universidad con base en datos demográficos, académicos y socioeconómicos. Los resultados
mostraron que la segmentación permitía personalizar las estrategias de enseñanza y marketing,
mejorando la retención y satisfacción estudiantil. Aplicación de Machine Learning en la
Predicción de Rendimiento Académico. Estudio: Carreño Cuador (2023). Revista: Revista
Iberoamericana de Tecnologías del Aprendizaje. Resumen: La investigación empleó modelos
de Machine Learning para predecir el rendimiento académico de estudiantes en programas de
ingeniería. La integración de algoritmos como Random Forest y Support Vector Machines
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
740
permitió identificar factores críticos que afectan el desempeño, facilitando la intervención
temprana y personalizada.
Impacto del Big Data en la Estrategia de Marketing Educativo. Estudio: Arellano
(2017). Revista: European Journal of Marketing. Resumen: Este estudio exploró cómo el
análisis de Big Data puede influir en las estrategias de marketing educativo. Utilizando datos
de múltiples fuentes, se implementaron técnicas de análisis predictivo para identificar patrones
y tendencias en las preferencias de los estudiantes, permitiendo a las instituciones educativas
adaptar sus campañas de manera más efectiva. Evaluación de Técnicas de Clustering en la
Educación Superior. Estudio: Larios-Gómez (2021)
Revista: Journal of Educational Data Mining. Resumen: La investigación comparó
diversas técnicas de clustering, incluyendo K-means, Agglomerative Clustering y DBSCAN,
para segmentar a los estudiantes en instituciones de educación superior. Se destacó que el K-
means es particularmente efectivo para grandes volúmenes de datos, proporcionando insights
valiosos para la personalización de la educación. Estudio de Factores Socioeconómicos y su
Influencia en el Acceso a la Educación Superior. Estudio: Pascual, Pla, & Sánchez (2007).
Revista: Journal of Higher Education Policy and Management.
Resumen: Aunque es un estudio anterior a 2020, se consideró relevante por su análisis
profundo de cómo los factores socioeconómicos influyen en el acceso y la permanencia en la
educación superior. Los hallazgos subrayan la importancia de considerar estos factores en
cualquier análisis de datos educativos.
Proceso de Recopilación
El proceso de recopilación de datos para el proyecto "Exploración y Análisis de Perfiles
Estudiantiles con Enfoque en Big Data para Definir el Público Objetivo en los Institutos
Técnicos Superiores Públicos del Ecuador" se diseñó meticulosamente para asegurar la calidad
y relevancia de la información obtenida. La fuente principal de datos fue el Dataset de Factores
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
741
Asociados, complementado con información bibliográfica relevante. Primero, se identificaron
las variables críticas dentro del Dataset de Factores Asociados, que incluían datos
demográficos, socioeconómicos y académicos. Esta información se obtuvo de encuestas
realizadas a estudiantes y sus familias, cubriendo aspectos como el nivel educativo de los
padres, el ingreso familiar y las aspiraciones académicas de los estudiantes.
El proceso de recopilación de datos se llevó a cabo en varias etapas. Inicialmente, se
realizó una revisión exhaustiva de la bibliografía relevante para entender el contexto y definir
los parámetros de análisis. Posteriormente, se aplicaron técnicas de limpieza y filtrado de datos
para asegurar la integridad y calidad de la información. Las variables con más del 50% de datos
nulos fueron eliminadas para mejorar la precisión del análisis. Finalmente, se utilizaron
métodos de clustering como el Codo de Jambú, Silueta, Mini K-means y Dendograma para
segmentar los datos. Estos métodos permitieron identificar patrones y perfiles específicos
dentro de la población estudiantil, facilitando así la definición de estrategias de marketing
precisas para los Institutos Técnicos Superiores Públicos del Ecuador.
Resultados
Los resultados de la investigación brindan una segmentación detallada de los
estudiantes, facilitando la definición de perfiles específicos y la adaptación precisa de
estrategias de marketing. Se realizó un análisis exhaustivo de los atributos del Dataset, como
Factores Asociados a Estudiantes y el proceso de Ser Bachiller. La Encuesta de Factores
Asociados permite comprender la estructura del sistema educativo. Se aplicó la reducción de
dimensionalidad y la eliminación de variables con más del 50% de datos nulos. El Knowledge
Discovery Manual aseguró la calidad de los datos. Los métodos utilizados incluyeron Codo de
Jambú, Silueta, Mini K-means y Dendograma para determinar clusters en la muestra de Big
Data detallados en la siguiente tabla.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
742
Tabla 1
Estudios consultados que aplican los diferentes métodos de clusterización
Métodos de
Cauterización
Título y autor del
Estudio
Descripción del Estudio aplicado
Resultados
Codo de Jambú
Análisis de
efectividad
promocional
En una categoría de
productos de
consumo masivo.
Autor: (Piñango
Galindo, 2015)
El presente trabajo pretende evaluar
las promociones que se efectuaron
durante el año 2013 en la categoría
Protección Sanitaria Femenina a
nivel de SKU y por tipo de sala, para
identificar combinaciones en las que
las promociones generan mayor
venta incremental. Se agruparon las
salas utilizando el algoritmo K-
medias con el número de
conglomerados seleccionado con el
método del codo, y se evaluaron las
promociones mediante una
adaptación del método de la línea
base de Abraham y Lodish.
El clúster con mayores
ventas está compuesto por 9
salas que venden sobre 3
millones de pesos mensuales
en promedio y en las que las
promociones activadas
generan mayor venta
incremental.
Silueta
“Segmentación de
clientes de un casino
utilizando el
algoritmo partición
alrededor de
medoides (PAM)
con
datos mixtos”
Autor: (Elguera
Vega,
El objetivo de la presente
investigación es aplicar el algoritmo
PAM para segmentar a los clientes
de un casino con los datos obtenidos,
a través del uso de tarjetas en el
tragamonedas. El método de la
silueta permitió identificar tres
clústeres como el número óptimo.
El análisis de agrupamiento
con el algoritmo PAM
usando la medida de
distancia. Gower, resultó la
segmentación de clientes
para los tres clústeres con
porcentajes de 49,4%, 11,3%
y 39,4% respectivamente.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
743
2018)
Mini
kmeans/mini
batches
Diseño de un
sistema de
recomendación de
películas basado en
Aprendizaje
automático no
supervisado.
Autores: (Ganesha,
Leu,
& Seda, 2020)
Mediante un sistema de
recomendación ayudar a los
usuarios a encontrar Información
basada en los deseos de los usuarios
de Internet haciendo referencia a los
patrones de preferencia en el
conjunto de datos. Se utilizan varios
métodos para clasificar el
desempeño del sistema de
recomendación de películas, como
el algoritmo k-means, Mini
Batch K-Means
Desarrolla una agrupación
que se puede optimizar con
varios algoritmos, luego
obtener el mejor algoritmo
en la agrupación de usuarios
con similitudes basadas en
géneros, etiquetas y
clasificaciones en películas
con el conjunto de datos
MovieLens
Nota: Tabla elaborada por el autor de este trabajo de investigación. Descripción de Estudios
realizados con métodos de clusterización.
Tras la comparación de clústeres y algoritmos, he optado por aplicar el algoritmo K-
means con 4 clústeres al Dataset de 21 variables, asignando los resultados directamente al
mismo Dataset, tal como lo muestra la tabla 2.
Tabla 2
Comparación de Métodos de Clusterización
Nro
Métodos de Clusterización
Resultado
Figura que confirma el resultado
0
Codo de Jambú
Nº de clúster: 4
Figura 1
1
Silueta
Nº de clúster: 4
Figura 2
2
Mini k-means
Nº de clúster: 4
Figura 3
3
Dendograma
Nº de clúster: 4
Figura 4
Nota: Tabla elaborada por el autor de este trabajo de investigación.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
744
El propósito de esta acción es segmentar el Dataset por clúster y generar un informe
correspondiente. En el análisis y la segmentación resultantes, los 4 clústeres han revelado
diferenciaciones basadas en relevancias socioeconómicas y demográficas, con una incidencia
mínima en variables académicas. Para el Clúster cero y uno, se observa una similitud en
variables, donde todas las familias presentan una realidad económica media baja, carecen de
afiliación a pueblos o nacionalidades específicas, y los padres tienen educación básica.
Además, los estudiantes dependen de sus padres, exhiben un nivel intelectual medio alto y los
padres manifiestan interés en sus estudios. La preferencia de materias indica una aversión por
las técnicas, como matemáticas y física. Este grupo presenta un bajo uso de correos
electrónicos, justificando su ausencia en la educación superior y demostrando un nivel
informático bajo.
Figura 1
Captura de pantalla resultado del método de Codo de Jambú.
Nota: Autores (2024)
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
745
Figura 2
Captura de pantalla resultado del Método de Silueta
Nota: Autores (2024)
Figura 3
Captura de pantalla resultado del Método de Mini k-means
Nota: Autores (2024)
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
746
Figura 4
Captura de pantalla resultado del Método de Dendograma.
Nota: Autores (2024)
En cuanto a los Clústeres dos y tres, se identifica una semejanza en las variables
socioeconómicas y demográficas, así como en las preferencias académicas. Al igual que en los
Clústeres cero y uno, las familias tienen una realidad económica media baja, no tienen
afiliación a pueblos o nacionalidades y los padres cuentan con educación básica. Los
estudiantes son dependientes de sus padres, poseen un nivel intelectual medio alto y los padres
están involucrados en sus estudios. Sin embargo, en estos clústeres, se observa una mayor
preocupación por parte de los padres, un cambio hacia materias más intelectuales y un mayor
interés en cursar una carrera específica. Aunque mantienen un bajo uso de correos electrónicos,
explican su falta de ingreso a la educación superior y muestran un nivel informático bajo.
Discusión
La segmentación de estudiantes a través del algoritmo K-means ha revelado patrones
significativos en sus perfiles, respaldando la idea de que la segmentación psicográfica es
esencial para el diseño de estrategias de marketing educativo (Medina et al., 2023). Los
resultados obtenidos proporcionan una visión detallada de los perfiles estudiantiles,
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
747
permitiendo una orientación más precisa de las estrategias de marketing para los Institutos
Técnicos Superiores Públicos en Ecuador. La relevancia socioeconómica en los Clústeres cero
y uno es notoria, donde prevalece una realidad económica media baja. La falta de afiliación a
pueblos o nacionalidades específicas y la presencia de padres con educación básica se alinean
con las características identificadas en el marketing educativo (Carreño Cuador, 2023). Este
grupo de estudiantes se muestra totalmente dependiente de sus padres y presenta un nivel
intelectual medio-alto. En cuanto a la selección de materias, se observa una aversión hacia
aquellas de índole técnica, como matemáticas, física y cálculo. La baja utilización de correos
electrónicos y el bajo nivel informático explican, en parte, la reticencia a ingresar a la educación
superior, aspecto que concuerda con las barreras identificadas en la toma de decisiones de los
futuros estudiantes (Pascual, Pla, & Sánchez, 2007; Palmeira, 2022).
En los Clústeres dos y tres, aunque persisten similitudes socioeconómicas, se destaca
una mayor preocupación por parte de los padres y un cambio hacia materias más intelectuales.
Aquí, los estudiantes muestran un interés específico en carreras particulares, lo que resalta la
necesidad de adaptar la oferta educativa a las aspiraciones individuales de los estudiantes, como
sugiere el análisis de perfiles estudiantiles en el marco teórico (Arellano, 2017; Larios-Gómez,
2021). Este cambio en la dinámica de interés y la mayor participación de los padres en la
elección de carreras indica una oportunidad para las instituciones educativas de ajustar sus
estrategias de marketing y oferta académica. Es importante señalar que estos hallazgos
confirman la importancia de la segmentación en el marketing educativo, donde adaptar las
estrategias a las características específicas de cada grupo puede mejorar la efectividad de las
campañas de captación y retención de estudiantes (Medina et al., 2023; Carreño Cuador, 2023).
La persistencia en ambos grupos de un bajo uso de correos electrónicos y un nivel
informático reducido destaca un área de mejora en las estrategias de marketing adoptadas por
las instituciones de educación superior. La adaptación de estas estrategias para abordar las
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
748
limitaciones tecnológicas podría facilitar una mayor conexión con los estudiantes y facilitar el
proceso de toma de decisiones. La discusión de los resultados también arroja luz sobre la
necesidad de una diferenciación más clara en las estrategias de marketing para los Institutos
Técnicos Superiores Públicos en Ecuador. Los Clústeres cero y uno demandan un enfoque que
aborde sus preocupaciones socioeconómicas y académicas, mientras que los Clústeres dos y
tres requieren una estrategia más especializada que capitalice su mayor interés intelectual y la
participación activa de los padres en la elección de carreras.
Adicionalmente, la aplicación de técnicas de agrupamiento como el K-means en este
estudio se alinea con el enfoque contemporáneo de utilizar Big Data para analizar y comprender
mejor a la audiencia (Alguliyev et al., 2021). La combinación de técnicas de análisis de datos
masivos y marketing educativo permite una toma de decisiones más fundamentada y centrada
en el estudiante. Sin embargo, es crucial reconocer las limitaciones de este estudio. La
efectividad de las estrategias de marketing propuestas debe evaluarse en la práctica,
considerando la dinámica cambiante del mercado y las preferencias de los estudiantes. Además,
la naturaleza dinámica de las tendencias en educación y tecnología requiere un monitoreo
continuo para ajustar las estrategias de manera efectiva. En esta perspectiva, la segmentación
detallada de perfiles estudiantiles a través de técnicas de Big Data y análisis de clústeres ofrece
una base sólida para la optimización de estrategias de marketing en Institutos Técnicos
Superiores Públicos en Ecuador. La adaptación de estas estrategias para abordar las
características específicas de cada grupo y la incorporación de un enfoque tecnológico más
fuerte pueden mejorar la efectividad de las instituciones en la captación y retención de
estudiantes en un entorno educativo cada vez más competitivo y dinámico.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
749
Conclusión
En conclusión, el proyecto "Exploración y Análisis de Perfiles Estudiantiles con
Enfoque en Big Data para Definir el Público Objetivo en los Institutos Técnicos Superiores
Públicos del Ecuador" ha logrado avances significativos.
Segmentación Efectiva: La aplicación de técnicas de Big Data, como el algoritmo K-
means, ha permitido una segmentación efectiva de los estudiantes en cuatro clústeres,
destacando similitudes socioeconómicas y demográficas. Relevancia de la Psicografía: Los
resultados refuerzan la importancia de la psicografía en la segmentación, revelando patrones
de comportamiento y preferencias que van más allá de las variables tradicionales. Adaptación
de Estrategias: La comprensión detallada de cada clúster facilita la adaptación de estrategias
de marketing, abordando necesidades específicas y maximizando la efectividad de las
campañas de captación. Desafíos Tecnológicos: La identificación de limitaciones tecnológicas
resalta la necesidad de inversiones y estrategias específicas para mejorar la infraestructura y
abordar barreras de acceso a la información.
En síntesis, la integración de Big Data en el análisis de perfiles estudiantiles no solo
redefine la segmentación, sino que también ofrece una visión estratégica para el marketing
educativo. Estas conclusiones respaldan la relevancia y el impacto positivo de la
implementación de enfoques innovadores en el ámbito educativo.
Referencias bibliográficas
Abualigah, L.M., et al. (2017). A novel hybridization strategy for krill herd algorithm applied to
clustering techniques. Applied Soft Computing, 55, 536-545.
https://doi.org/10.1016/j.asoc.2017.02.015
Alguliyev, R.M., et al. (2020). A comprehensive survey of the harmony search algorithm in clustering
applications. Applied Sciences, 10(4), 1237. https://doi.org/10.3390/app10041237
Alguliyev, R.M., et al. (2021). Parallel batch K-means for big data clustering. Computers & Industrial
Engineering, 160, 107292. https://doi.org/10.1016/j.cie.2021.107292
Bonilla Garzón, A. (2023). Segmentación del estudiantado universitario: el caso de la Udima.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
750
Cañaveral Vergara, A. (2023). Propuesta de una metodología de implementación de Big data para la
medición de la percepción de los estudiantes sobre la satisfacción en los procedimientos
administrativos en universidades.
Carreño Cuador, J. (2023). Marketing para la comercialización de servicios educativos. Un reto para
la competitividad internacional. Revista Cubana de Salud Pública, 49(1).
Ceballos Holguín, D. (2023). La segmentación no es una tendencia.
Centeno Martín-Romero, A. (2020). Big Data. Técnicas de machine learning para la creación de
modelos predictivos para empresas.
Chavez, R. (2020, mayo 22). ricovictor.com. Retrieved from
https://ricovictor.com/index.php/2020/05/22/clustering-metodo-k-means-en-python/
Coronel, Y., & Avila, J. (2020). Aplicabilidad de la inteligencia artificial y la tecnología blockchain
en el derecho contractual privado. ALMONACID SIERRA, Derecho Privado, 119.
Flores López, J. C. (2021). Aplicación de Machine Learning sin supervisión. Revista Varianza, 20.
Ganesha, Leu, & Seda. (2020). Diseño de un sistema de recomendación de películas basado en
aprendizaje automático no supervisado. Symmetry, 12(185), 185. doi:sym12020185
García, R. E. A. (2021). Sistema analítico basado en un modelo predictivo de procesamiento de datos
en la big data en la educación superior.
González, L. (2020, febrero 11). Lidgi Gonzales Aprende todo sobre inteligencia artificial. Retrieved
from https://ligdigonzalez.com/aprendizaje-no-supervisado-machinelearning/
Ikotun, A.M., et al. (2023). K-means clustering algorithms: A comprehensive review, variants
analysis, and advances in the era of big data. Information Sciences, 622, 178-210.
https://doi.org/10.1016/j.ins.2021.10.007
Jain, A.K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-
666. https://doi.org/10.1016/j.patrec.2009.09.011
Mamani Rodriguez, Z. (2022). Proceso de machine learning para determinar la demanda social de
puestos de empleo de profesionales de TI. Industrial Data, 25(2), 275-300.
MathWorks ©. (2020). Cluster usando el modelo de mezcla gaussiana. Retrieved from
https://la.mathworks.com/help/stats/clustering-using-gaussian-mixture-models.html
Mulero Merino, V. (2023). Estudio de técnicas de clustering aplicadas a una competición profesional
de fútbol.
Naranjo-Villota, D., Guaña-Moya, J., Acosta-Vargas, P., & Muirragui-Irrazábal, V. (2020).
Evaluación de la accesibilidad web en institutos acreditados de educación superior del Ecuador.
Revista Espacios, 41(04).
Osorio-Sanabria, M. A., Amaya Fernández, F. O., & González-Zabala, M. (2020). Análisis de datos
abiertos de instituciones de educación superior colombianas como apoyo a la relación
Universidad-Entorno. Entramado, 16(1), 272-284.
Palmeira, A. C. M. (2022). Marketing das instituições de ensino superior na captação de novos alunos.
Pérez Suasnavas, A., Cela, K., & Hasperúe, W. (2020). Beneficios del uso de técnicas de minería de
datos para extraer y analizar datos de twitter aplicados en la educación superior: una revisión
sistemática de la literatura. Teoría de la Educación. Revista Interuniversitaria Vol.32 num 2.
Ruiz Cruz, G. M. (2023). Antecedentes, situación actual y futuro del big-data en el sector turístico de
España.
Sánchez Guamán, J. L. (2021). Propuesta de un modelo de inteligencia de marketing SIM para la
Universidad Técnica Particular de Loja (Bachelor's thesis).
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
751
SENESCYT. (2020). Educación Superior, Ciencia,Tecnología, Innovación y Saberes Ancestrales en
cifras. Quito - Ecuador: Secretaría de Educación Superior, Ciencia, Tecnología e Innovación.
Töpfer, A., Bug, M. (2015). Segmentación de Mercado, Psicográfica y Posicionamiento de la
Educación Superior.
Universidad de Alcalá. (2020). master-data-scientist. Retrieved 2020, from master-datascientist:
https://www.master-data-scientist.com/diferencias-entre-master-big-data-ydata-science/
Valls, J., & Badiella, L. (s/f). sct.uab.cat. Retrieved 2020,
from sct.uab.cat:
https://sct.uab.cat/estadistica/sites/sct.uab.cat.estadistica/files/ManualSAS.PDF
Vargas Toscanelli, H. S. C. (2023). Sistema web basado en técnicas de machine learning para predecir
el desempeño de los docentes en el nivel de educación superior universitaria.
Villarreal, J. O. G., Gómez, L. R. F., & Pineda-Ríos, W. (2021). Estimación de las principales causas
de la deserción universitaria mediante el uso de técnicas de machine learning. Aglala, 12(2),
293-311.
Zúñiga, F., Poveda, D. A. M., & Llerena, W. V. L. (2023). El big data y su implicación en el marketing.
Revista de Comunicación de la SEECI, 56, 302-321.
