Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Analítica de Datos e Indicadores de Rendimiento para optimizar la
gestión Universitaria
Data Analytics and Key Performance Indicators to Optimize University Management
Richar Elider Pinargote Cárdenas 1
Andrea Alcívar Cedeño, PhD. 2
1Universidad Técnica de Manabí, Facultad de Ciencias Informáticas Portoviejo, Ecuador,
correo: rpinargote9842@utm.edu.ec, código Orcid: https://orcid.org/ 0009-0004-4115-
1910
2Universidad Técnica de Manabí, Facultad de Ciencias Informáticas, Portoviejo,
Ecuador, correo: andrea.alcivar@utm.edu.ec, código Orcid: https://orcid.org/0000-0001-
7437-197X
Contacto: rpinargote9842@utm.edu.ec
Recibido: 18 de abril de 2025 Aprobado: 20 de octubre de 2025
Resumen
La presente investigación se centró en la aplicación de la Analítica de Datos e Indicadores de
Rendimiento (KPIs) para optimizar la gestión universitaria. El objetivo de la investigación fue
mejorar la eficiencia mediante la integración y centralización de datos dispersos, provenientes de
múltiples fuentes como bases de datos MySQL, PostgreSQL, y archivos Excel, los cuales
presentaban riesgos de duplicidad, registros erróneos y falta de reportes en tiempo real. Este
estudio, de carácter aplicado y descriptivo, utilizó la metodología Kimball y el método científico
para recopilar, analizar y transformar dichos datos en información útil. Se implementó un proceso
de Extracción, Transformación y Carga (ETL) y se desarrolló un Data Mart que consolidó los
datos críticos. Como resultado, se logró una mayor eficiencia en la gestión, proporcionando a los
gestores una visión clara y actualizada de la situación académica y administrativa. Además de
mostrar datos relevantes con relación a la retención, género y etnia de los estudiantes y docentes.
Estos hallazgos demuestran que la integración de herramientas analíticas mejoró
significativamente la gestión educativa.
Palabras clave: Analítica de Datos; Indicadores de Rendimiento; Metodología Kimball;
Extracción, Transformación y Carga (ETL); Gestión Educativa
Abstract
This research focused on the application of Data Analytics and Key Performance Indicators
(KPIs) to optimize the management of the Information Technology program at the Technical
University of Manabí. The objective of the research was to improve efficiency by integrating and
centralizing dispersed data from multiple sources, including MySQL and PostgreSQL databases,
as well as Excel files, which presented risks of duplication, erroneous records, and a lack of real-
time reporting. This applied and descriptive study used the Kimball methodology and the
scientific method to collect, analyze, and transform this data into useful information. An Extract,
Transform, and Load (ETL) process was implemented, and Data Mart was developed to
consolidate critical data. As a result, greater management efficiency was achieved, providing
administrators with a clear and up-to-date view of the academic and administrative situation. It
also displayed relevant data regarding student and faculty retention, gender, and ethnicity. These
findings demonstrate that the integration of analytical tools significantly improved educational
management at UTM.
Keywords: Data Analytics; Key Performance Indicators; Kimball Methodology; Extraction,
Transformation, and Loading (ETL); Educational Management.
Introducción
A nivel europeo, los principios FAIR (Findable, Accessible, Interoperable, Reusable) impulsan
la creación de servicios de valor agregado que abarcan desde la visualización y el análisis de datos
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
hasta su preservación a largo plazo y el fomento de prácticas de ciencia abierta (Martínez, 2023).
Estos principios promueven el acceso eficiente y sostenible a la información científica.
En el ámbito académico, la transformación digital debe considerar a ciudadanos, sociedad civil y
empresas como actores clave en la transición hacia una organización orientada por datos. El auge
de la investigación basada en datos conlleva un elevado consumo de información, enfrentando
retos persistentes de disponibilidad y accesibilidad. Esta situación evidencia la necesidad de
modernizar la gestión universitaria mediante teorías y estructuras organizativas que incrementen
la eficiencia institucional (Michue Salguedo, 2023). En el caso de las universidades públicas
ecuatorianas, estos desafíos son aún más críticos debido a la presión por equilibrar calidad
académica y eficiencia administrativa en contextos de recursos limitados.
En este contexto, la toma de decisiones en las instituciones de educación superior se ha vuelto
cada vez más compleja, exigiendo enfoques innovadores y herramientas analíticas avanzadas. La
Universidad Técnica de Manabí (UTM) enfrenta esta realidad al gestionar una creciente oferta
académica, una población estudiantil diversa y mayores exigencias de transparencia y rendición
de cuentas (Castro, 2022).
Uno de los principales obstáculos es la fragmentación de datos, dispersos en múltiples sistemas y
plataformas, lo que impide su consolidación y análisis eficaz. Esta dispersión dificulta la
obtención de una visión integral para la toma de decisiones informadas (Canal, 2023). En la
gestión de la Carrera de Tecnología de Información de la UTM, esta fragmentación complica la
planificación académica, la administración de recursos y el monitoreo del rendimiento estudiantil.
Adicionalmente, la falta de herramientas analíticas integradas y accesibles limita la capacidad
institucional para aprovechar la analítica de datos. Muchas universidades, incluida la UTM, aún
no adoptan plenamente estas tecnologías, debido a la ausencia de un marco metodológico claro,
la escasez de habilidades analíticas y la falta de integración entre sistemas (Empresa, Revista
Digital GD, 2022). Esta situación reduce significativamente la efectividad de la gestión académica
y administrativa.
Ante este escenario, se plantea la implementación de una arquitectura de Business Intelligence
(BI) como estrategia para superar estos desafíos (Pyme, 2022). El presente trabajo propone
diseñar e implementar una arquitectura de BI para la gestión de la Carrera de Tecnología de
Información en la UTM, con el objetivo de mejorar los procesos mediante herramientas analíticas
que integren y consoliden datos dispersos, permitiendo una visión holística y precisa, así como el
análisis de los principales indicadores clave de rendimiento (KPIs).
La importancia de cerrar esta brecha es significativa. Una arquitectura de BI puede transformar la
gestión universitaria al facilitar la planificación, el monitoreo y la evaluación mediante
información precisa y oportuna (López A. L., 2024). Al centralizar y analizar los datos de forma
eficiente, la UTM podrá responder con mayor agilidad a los desafíos y aprovechar mejor las
oportunidades emergentes.
El trabajo realizado por Nassif Vertel (2024) se centra en entender los determinantes del abandono
estudiantil universitario mediante un enfoque multinivel. La investigación destaca que las tasas
de deserción universitaria en países iberoamericanos son significativas, con una media del 33%,
aunque con variaciones notables entre países. Las fortalezas de este estudio incluyen una visión
integral de los factores que influyen en la deserción, abordando aspectos financieros y
vocacionales. Sin embargo, su debilidad radica en el uso de datos agregados que podrían no
reflejar las circunstancias individuales de los estudiantes.
Otro estudio realizado por Gustavo Illescas (2022), de la Universidad Nacional del Centro de la
Provincia de Buenos Aires (UNCPBA), emplea técnicas avanzadas de minería de datos y
aprendizaje automático para mejorar la toma de decisiones académicas. La fortaleza de este
estudio radica en su enfoque innovador para identificar patrones útiles para la gestión educativa.
Sin embargo, enfrenta la limitación de depender de sistemas de gestión de datos actuales, que no
están siempre diseñados para un análisis profundo. Además, se propone la integración de nuevas
tecnologías, como un asistente virtual para Moodle, para mejorar el apoyo a los estudiantes en
plataformas de aprendizaje en línea.
De manera similar, el estudio de la UOC (Cerro, 2022) demostró la eficacia del Big Data en
educación mediante la aplicación de DIANA, una herramienta que analiza los mensajes de los
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
estudiantes para mejorar la docencia. DIANA, que respeta la privacidad de los estudiantes, ha
reducido la tasa de abandono en un 6% y aumentado la calificación media de los estudiantes en
casi un punto. Además, al ser de código abierto, puede ser implementada por cualquier institución,
proporcionando métricas individuales y grupales para mejorar el seguimiento y la evaluación de
los estudiantes.
En la Universidad Politécnica Estatal del Carchi (UNPC) en Ecuador, se emplearon técnicas
avanzadas de minería de datos y aprendizaje automático para optimizar la toma de decisiones
académicas, aunque también enfrentaron limitaciones en los sistemas de gestión de datos
existentes.
Dentro de los estudios que apoyan la metodología aplicada en este trabajo, que utiliza principios
de Business Intelligence (BI) para mejorar los procesos de toma de decisiones en la gestión
educativa. De forma similar, en la Universidad Laica Eloy Alfaro de Manabí (Manta, Ecuador),
se implementaron herramientas de inteligencia de negocios aplicando la metodología de Ralph
Kimball, con el uso de SQL Server 2019 y el desarrollo de cubos, lo que permitió reducir
significativamente el tiempo de obtención de información y mejorar la eficiencia en la toma de
decisiones durante el proceso de matriculación (Pin-Carreño, 2022).
En la Universidad Politécnica Salesiana, se diseñó una arquitectura BI para la gestión académica,
destacando la importancia de la calidad de los datos y la mejora de los procesos. Los resultados
demostraron que Oracle BI es una herramienta poderosa que ofrece diversas funcionalidades, lo
que permite mejorar los procesos académicos a través de la integración de datos (Loachamin
Quisilema, 2023).
Otro estudio realizado por López Robledo (2023) evaluó la utilidad de Power BI en instituciones
educativas de Puerto Rico. La investigación identificó tres principales usos de Power BI:
presentación de datos institucionales, resultados de investigaciones y evaluación del aprendizaje
estudiantil. Los resultados mostraron que Power BI facilita la toma de decisiones informadas y la
asignación eficiente de recursos, integrando datos de diversas fuentes y siendo accesible para
usuarios con poca experiencia técnica.
Materiales y Métodos
La investigación adoptó un enfoque aplicado y descriptivo, utilizando la metodología Kimball
como guía para el desarrollo e implementación de la solución de Business Intelligence (BI).
Además, se aplicó el método científico para la recopilación, análisis y transformación de los datos
en información útil. El estudio se llevó a cabo en la Universidad Técnica de Manabí (UTM)
durante el año 2024, con el objetivo de mejorar la gestión académica y administrativa de la Carrera
de Tecnología de la Información mediante la implementación de una arquitectura de BI.
El estudio se realizó en la UTM, ubicada en la ciudad de Portoviejo, Ecuador, durante un periodo
de seis meses. La muestra incluyó los registros académicos y administrativos de los estudiantes y
graduados de la Carrera de Tecnología de la Información. Los datos fueron recopilados de
diversas fuentes, como bases de datos MySQL y PostgreSQL, así como archivos Excel. Los
registros fueron seleccionados en función de su relevancia para los indicadores clave de
rendimiento (KPI) definidos en el estudio. Se utilizaron registros de estudiantes matriculados y
graduados durante los últimos cinco años, ya que este periodo permite una evaluación integral de
las tendencias y resultados que afectan la gestión de la carrera.
Para la implementación de la arquitectura de BI, se siguió la metodología Kimball (Figura 1). Se
emplearon herramientas tecnológicas específicas para el desarrollo de la solución. MySQL
versión 8 fue utilizada como la base de datos relacional para la creación y gestión del Data
Warehouse y Data Mart, que constituyen el núcleo del sistema. La plataforma Power BI (versión
2.131.1203.0, 64-bit, julio de 2024) se seleccionó como la herramienta principal para el análisis
de datos, visualización y creación de dashboards, debido a su capacidad de integración con
múltiples fuentes de datos, su interfaz intuitiva y sus avanzadas funcionalidades estadísticas.
Figura 1
Esquema de adaptación de la metodología Kimball aplicado en este proyecto
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Además, se utilizó Python versión 3.10 para automatizar la transferencia de registros a las tablas
de la base de datos. Esto facilitó el proceso de carga y aseguró la integridad y consistencia de los
datos. Para la manipulación de los datos, se empleó la librería Pandas, que permitió cargar la
información contenida en los archivos Excel como un objeto en Python. Posteriormente, se utilizó
la librería mysql-connector-python para establecer la conexión con la base de datos MySQL y
ejecutar las consultas SQL necesarias para introducir los datos de manera correcta.
Se diseñó un modelo dimensional utilizando el esquema estrella, que incluye tablas de hechos y
dimensiones. Las dimensiones identificadas fueron: datos personales, matrícula y graduados. Para
consolidar estos datos y facilitar su análisis, se desarrolló un Data Mart específico. Además, se
creó una tabla de hechos que incluye campos como la cédula y el número de semestre matriculado,
con el fin de estudiar la tasa de retención de los estudiantes de la carrera de Tecnología de la
Información.
Primera Fase: Análisis y Recolección de Requisitos.
En esta fase, se llevó a cabo un análisis detallado de la estructura y el funcionamiento actual de
la Carrera de Tecnología de la Información en la Universidad Técnica de Manabí, con el objetivo
de identificar los procesos clave y los desafíos que afectan la toma de decisiones. Se revisaron
documentos y se analizaron datos provenientes de listados y archivos del departamento
académico. El análisis reveló varios problemas críticos, entre los cuales se destacó la existencia
de múltiples fuentes de datos no integradas, como bases de datos en MySQL, PostgreSQL y
archivos en Excel. Esta fragmentación en la gestión de la información ha generado importantes
desafíos, tales como la duplicidad de datos, lo que resulta en inconsistencias en los informes;
errores en los registros debido a la falta de un sistema centralizado y estandarizado; y la ausencia
de reportes en tiempo real, lo que limita la capacidad de los administradores para tomar decisiones
oportunas.
La recolección de requisitos se centró en identificar las necesidades funcionales y no funcionales
para el desarrollo de una solución de Business Intelligence (BI) que aborde estos problemas. Este
proceso involucró a los usuarios finales —administradores, profesores y estudiantes— para
garantizar que la solución propuesta satisfaga las necesidades de todos los involucrados.
El modelo de esquema estrella presentado en la Figura 2 representa una estructura de base de
datos diseñada para gestionar de manera integral la información académica de los estudiantes de
la Universidad Técnica de Manabí (UTM). Este modelo incluye varias tablas clave, como
"estudiantes", "matriculaciones", "estudiantes-tics-online" y "graduados", cada una con atributos
que permiten un seguimiento detallado del historial académico de los estudiantes.
Adicionalmente, se incluyen tablas secundarias como "Mapeo_Género", "Tabla-Niveles", "Tabla-
Países" y "Tabla-Etnia", cuya función es mapear los datos entre las tablas sin modificar la
información original, asegurando la uniformidad en las nomenclaturas presentadas en los
dashboards finales.
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
La tabla "estudiante" almacena datos fundamentales de identificación y características personales,
tales como género, fecha de nacimiento, país de origen y posibles discapacidades, incluyendo un
identificador vinculado al Consejo Nacional para la Igualdad de Discapacidades. Las tablas
"matriculaciones" y "matriculación" registran el historial de inscripciones de los estudiantes,
abarcando desde el número de semestres matriculados hasta los créditos completados por período
académico. Finalmente, la tabla "estudiantes-tics-online" permite rastrear datos similares a los de
los estudiantes presenciales, como nivel académico, género y etnia.
Figura 2
Modelo del esquema estrella
Indicadores de rendimientos definidos
Indicador (KPI 1): Tasa de retención.
Este indicador es fundamental para medir la capacidad de la carrera para retener a los estudiantes
que inician su formación. La Tasa de Retención se calcula como el porcentaje de estudiantes que
comenzaron la carrera en un período determinado y que permanecen matriculados dos años
después. Para su cálculo, se utilizó la siguiente fórmula:

  (1)
Donde EST_pi representa el total de estudiantes matriculados en el período inicial, y EST_pact
es el total de estudiantes que permanecen en la carrera dos años posteriores. Este indicador fue
crucial en la investigación porque permitió identificar cuántos estudiantes continúan en la carrera,
lo cual es un reflejo de la calidad de la experiencia académica y el apoyo recibido.
Indicador (KPI 2): Distribución de estudiantes por género.
La distribución de estudiantes por género indica en forma porcentual la cantidad de docentes que
se identifican con diferentes géneros como: Masculino y Femenino. Cabe destacar que no hay
opción de géneros no binarios ya que las tablad proporcionadas no lo incorporaban. Entonces,
para ello se filtran los valores de la columna género para obtener EST_gen que indica la cantidad
de estudiantes según el género con el que se identifica, y luego se realiza la siguiente fórmula para
calcular el porcentaje:
 
  (2)
Este indicador fue utilizado para identificar la representación de género dentro del estudiantado
de la carrera de TICS, así como evaluar los patrones de deserción por nivel académico según el
género de los estudiantes.
Indicador (KPI 3): Distribución de estudiantes por etnia.
La distribución de estudiantes por etnia indica en forma porcentual la cantidad de estudiantes que
se identifican con diferentes etnias como: Indígena, Blanco, Montubio, Negro, Afroecuatoriano,
Mestizo o Mulato. Para ello se filtran los valores de la columna etnia para obtener EST_etn que
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
indica la cantidad de estudiantes según la etnia que se identifica, y luego se realiza la siguiente
fórmula para calcular el porcentaje:
 
  (3)
Este indicador fue utilizado para identificar la representación étnica dentro de la carrera de TICS,
así como los patrones de deserción por nivel académico según el origen étnico de los estudiantes.
Indicador (KPI 4): Distribución de docentes por género.
La distribución de docentes por género indica en forma porcentual la cantidad de docentes que se
identifican con diferentes géneros como: Masculino y Femenino. Para ello se filtran los valores
de la columna género para obtener DOC_gen que indica la cantidad de docentes según el género
con el que se identifica, y luego se realiza la siguiente fórmula para calcular el porcentaje:
 
  (4)
Este indicador fue utilizado para identificar la representación de género dentro del cuerpo docente
de la carrera de TICS, así como evaluar la equidad de género en la planta académica y su posible
influencia en el ambiente educativo de los estudiantes.
Indicador (KPI 5): Distribución de docentes por modalidad de trabajo.
La distribución de docentes por modalidad laboral indica en forma porcentual la cantidad de
docentes según su tipo de contratación como: Tiempo Completo, Tiempo Parcial, Contrato por
Horas, Ocasional, etc. Para ello se filtran los valores de la columna modalidad laboral para obtener
DOC_mod que indica la cantidad de docentes según la modalidad laboral bajo la cual están
contratados, y luego se realiza la siguiente fórmula para calcular el porcentaje:
 
  (4)
Este indicador fue utilizado para identificar la composición del cuerpo docente según su
modalidad de contratación dentro de la carrera de TICS, así como evaluar la estabilidad laboral
del personal académico y su posible impacto en la continuidad y calidad de los procesos de
enseñanza-aprendizaje.
Segunda Fase: Diseño de Data Mart (DM)
Se desarrolló un Data Mart específico para los estudiantes en las áreas antes descriptas, datos
personales (a), matricula_carrera (b) (ver Tabla 1).
Tabla 1
Estudiantes presenciales (1a) Estudiantes Online (1b)
Campo
Tipo_dato
Identificación
varchar
Nombre
varchar
Sexo
varchar
Fecha de Nacimiento
date
Pais Origen
varchar
Discapacidad
varchar
Porcentaje
Disponibilidad
int
Número Conadis
varchar
Etnia
varchar
Nacionalidad
varchar
Nivel académico
Int
Total Créditos
Int
Campo
Tipo_dato
Cédula estudiante
Varchar
Nombre estudiante
Varchar
Correo
Varchar
Género
Date
Nacionalidad
Date
Etnia
Date
Estado civil
Int
Nivel académico
Int
También se realizó un Data Marts de los Docentes de la carrera de TICS de la UTM (ver Tabla
2).
Tabla 2
Docentes
Campo
Cédula docente
Correo
Departamento
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Estado Civil
Etnia
Género
Nacionalidad
Categoría
Dedicación
Modalidad laboral
Todas estas tablas ayudarán a la elaboración de la base de datos en MySQL para su posterior
extracción.
Tercera Fase: Extracción, Transformación y Carga (ETL)
En esta fase, se implementó un proceso ETL (Extracción, Transformación y Carga) con el objetivo
de consolidar los datos dispersos provenientes de diferentes sistemas. Para ello, se utilizaron las
siguientes herramientas: MySQL: para la gestión de la base de datos central. Y, Python para
desarrollar scripts que automatizaron la transferencia de datos desde archivos Excel a las tablas
de la base de datos MySQL. Se utilizaron las bibliotecas Pandas y mysql-connector-python para
manejar la extracción, transformación y carga de datos.
El proceso ETL fue diseñado para garantizar la calidad y consistencia de los datos. Además, se
realizaron pruebas exhaustivas para validar la precisión de los datos cargados, asegurando que la
información fuera correcta y adecuada para su análisis posterior.
Cuarta Fase: Desarrollo de Informes y Herramientas Analíticas
En esta fase, se desarrollaron informes utilizando Power BI para visualizar y analizar los datos
consolidados. Los informes se enfocaron en indicadores clave, como la tasa de retención, la
distribución por género y etnia, así como la información desglosada por nivel académico y región.
Para garantizar la efectividad de los informes, se realizaron pruebas de usabilidad con los usuarios
finales, con el fin de asegurar que la información proporcionada fuera accesible, útil y fácil de
interpretar.
Resultados
De acuerdo con los datos obtenidos de la población estudiantil online (ver Figura 3), se observa
que: Existe una mayor proporción de estudiantes de género masculino (62,3%) frente a las
estudiantes de género femenino (37,1%). La tasa de retención es baja, con solo el 86,2% de los
estudiantes cursando menos de dos semestres. En cuanto a la autoidentificación étnica, la
categoría "Mestizo" predomina con un 78,9%, seguida de "Montubio" con un 15,4% y
"Afroecuatoriano" con un 2,2%. La mayoría de los estudiantes online provienen de Ecuador,
seguidos de Colombia, México, Venezuela, España y Chile, países que en conjunto representan
menos del 1% de la población estudiantil.
Figura 3: Dashboard KPI Estudiantes – Filtro Presencial
Respecto a la población estudiantil presencial (ver Figura 4), los datos revelan que: La proporción
de estudiantes de género masculino es mayor (66,7%) en comparación con las estudiantes de
género femenino (33,0%). La tasa de retención es del 63,5%, y el 36,5% de los estudiantes cursa
menos de dos semestres. En términos de autoidentificación étnica, la categoría "Mestizo" también
es la predominante con un 78,9%, seguida de "Montubio" con un 15,8% y "Afroecuatoriano" con
un 2,0%. La población estudiantil presencial está principalmente concentrada en Ecuador, con
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
presencia también de estudiantes de Venezuela, España, Colombia, Cuba, México y Chile, países
que representan en conjunto menos del 1,5% de la población estudiantil.
En cuanto a la población docente (ver Figura 5), los resultados indican que: Existe una mayor
proporción de docentes de género masculino (63,5%) frente a las docentes de género femenino
(36,4%). La distribución de modalidades de trabajo de los docentes está liderada por el "Contrato
bajo Código de Trabajo" (25,8%), seguido de "Nombramiento" (23,8%) y "Contrato de Servicios
Ocasionales" (21,9%). La mayoría de los docentes provienen de Ecuador, pero también hay
presencia de docentes de Colombia, Venezuela y Cuba.
Figura 4: Dashboard de KPI Estudiantes - filtro Online
Figura 5: Dashboard de KPI Docentes
Es importante destacar que todos los datos presentados en los dashboards son interactivos y
permiten ser filtrados según diferentes parámetros, lo que facilita un análisis más detallado y
exhaustivo de la información. Estos filtros permiten a los usuarios explorar los datos de manera
flexible y ajustar los análisis según sus necesidades específicas.
4. Discusión
La implementación de un modelo de Business Intelligence (BI) en la Universidad Técnica de
Manabí (UTM) ha demostrado ser fundamental para la mejora de la gestión académica y
administrativa de la Carrera de Tecnología de la Información. El uso de la metodología de Kimball
y la integración de fuentes de datos dispersas, como MySQL, PostgreSQL y archivos Excel,
permitió resolver problemas históricos relacionados con la fragmentación de la información,
mejorando la consistencia y precisión de los datos. Esto facilitó la centralización de la información
en un único Data Mart, lo que resultó en una gestión más eficiente y en la reducción de
duplicidades y errores en los registros, un aspecto crucial para la toma de decisiones informadas
(Ramos-Moscol, 2019).
La capacidad de generar dashboards interactivos con Power BI fue un aspecto clave en esta
implementación. Estos dashboards proporcionaron a los administradores un acceso rápido y en
tiempo real a los datos, mejorando significativamente la toma de decisiones y la planificación
institucional. La visualización de indicadores clave de rendimiento, como la tasa de retención, la
distribución por género y etnia, permitió identificar áreas problemáticas que requerían
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
intervención y optimizó la capacidad de los administradores para gestionar de manera proactiva
estos problemas.
La visualización en tiempo real permitió que las decisiones se basaran en datos actualizados,
favoreciendo una gestión más dinámica y ágil. Además, la trazabilidad del desempeño estudiantil,
facilitada por el modelo BI, ofreció una visión más detallada y precisa del progreso académico de
los estudiantes. Esta capacidad de seguimiento longitudinal ha sido esencial para evaluar los
factores que impactan en el éxito académico y en la graduación, proporcionando una base sólida
para la planificación estratégica a nivel institucional.
Los resultados de este estudio corroboran la eficacia del uso de herramientas de BI en entornos
académicos. En particular, la capacidad de integrar datos provenientes de diversas fuentes y la
personalización de Power BI fueron factores fundamentales que permitieron que tanto
administradores como profesores y estudiantes pudieran acceder y utilizar la herramienta con
facilidad, maximizando su utilidad para la toma de decisiones informadas.
Sin embargo, a pesar de los logros alcanzados, es necesario reconocer áreas de mejora. La
integración de fuentes de datos adicionales y la automatización de los procesos ETL son acciones
que podrían aumentar aún más la precisión y relevancia de los datos, particularmente en lo que
respecta a los datos en tiempo real. La automatización también podría reducir la carga de trabajo
manual y aumentar la eficiencia operativa. Además, la capacitación continua del personal en el
uso de estas herramientas tecnológicas es esencial para garantizar que el personal pueda
maximizar el potencial de la solución BI y asegurar la sostenibilidad del proyecto a largo plazo.
En comparación con otros estudios en el campo de la educación superior, como los realizados en
la Universidad Laica Eloy Alfaro (Pin-Carreño, 2022) y la Universidad Politécnica Salesiana
(Loachamin, 2023)., que también han implementado soluciones BI para mejorar la gestión
académica, los resultados de este estudio refuerzan la importancia de la calidad de los datos y la
mejora continua de los procesos educativos. Varios estudios (López D. M., 2023), han demostrado
que el uso de metodologías como Kimball, junto con herramientas como Power BI, puede facilitar
significativamente la toma de decisiones en instituciones educativas, especialmente al integrar
múltiples fuentes de datos y generar análisis detallados que apoyen la mejora de la calidad
educativa (Freire & Ocaña, 2023).
5. Conclusiones
El modelo de Business Intelligence (BI) implementado en la Universidad Técnica de Manabí
(UTM) ha demostrado ser una herramienta clave para la mejora de la gestión académica y
administrativa de la Carrera de Tecnología de la Información. La integración de datos previamente
dispersos en sistemas como MySQL, PostgreSQL y archivos Excel, centralizándolos en un único
Data Mart, ha resuelto problemas históricos de fragmentación de la información. Esto ha
permitido mejorar la consistencia y precisión de los datos, reduciendo significativamente la
duplicidad y los errores en los registros.
La implementación de dashboards interactivos con Power BI ha proporcionado a los
administradores acceso a datos en tiempo real, facilitando la toma de decisiones informadas. Esta
capacidad ha optimizado la planificación y el monitoreo de actividades académicas, permitiendo
una gestión más eficiente y centrada en datos actualizados. Además, la visualización de
indicadores clave de rendimiento, como la tasa de retención, la distribución por género y etnia,
ha permitido identificar áreas de mejora y gestionar de manera proactiva los problemas que
afectan a los estudiantes.
El análisis detallado del desempeño y el progreso académico de los estudiantes, posibilitado por
el modelo de BI, ha sido esencial para la toma de decisiones estratégicas y la planificación
institucional. El modelo ha facilitado la trazabilidad longitudinal de los estudiantes, lo que ha
proporcionado una base sólida para realizar estudios sobre los factores que influyen en el éxito
académico y la graduación.
Referencias
1. Canal, J. C. (2023). Analítica de datos en la universidad. (T. 3. Málaga, Ed.) Malaga,
Andalucia, España: TIC 360. Obtenido de https://www.crue.org/wp-
content/uploads/2023/10/TIC-360_2023_WEB.pdf
2. Castro, D. N. (02 de Abril de 2022). La gestión universitaria. Aportes desde la perspectiva
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
de Ecuador. (R. C. Cienfuegos, Ed.) Revista Científica de la Universidad de Cienfuegos
, 14(02), 542-547. Obtenido de http://scielo.sld.cu/scielo.php?pid=S2218-
36202022000200547&script=sci_arttext
3. Cerro, J. P. (2022). El big data ayuda a los docentes a mejorar el rendimiento de los
universitarios. Tesis doctoral, Universidad Oberta de Catalunya UOC, Barcelona.
Obtenido de https://www.uoc.edu/portal/es/news/actualitat/2022/030-elearning-bigdata-
investigacion.html
4. Empresa, Revista Digital GD. (10 de Febrero de 2022). Los KPI´s y su importancia en la
toma de decisiones. (R. D. Empresa, Ed.) GD Empresa, 1-2. Obtenido de
https://gdempresa.gesdocument.com/tendencias/kpi-indicadores-gestion
5. Enriquez Herrera, J. V., Lopez Goyez, J. P., & Zabala Villarreal, W. A. (15 de 05 de
2022). Business Intelligence & Data Analytics aplicado al proceso de seguimiento
curricular en la universidad UPEC. Revista Minerva: Multidisciplinaria de Investigación
Científica., 2023(2023), 9-20. Obtenido de
https://dialnet.unirioja.es/servlet/articulo?codigo=9016328
6. Ferruzo Fernandez, A. H. (2023). Gobierno Electronico y Toma de Decisiones en la
Municipalidad Provincial Daniel Alcides Carrion, Pasco – 2021. UNIVERSIDAD
PERUANA LOS ANDES, Facultad de Ciencias Administrativas y Contables, Escuela
Profesional de Administración y Sistemas. Huancayo – Perú: Repositorio Institucional.
Obtenido de https://repositorio.upla.edu.pe/handle/20.500.12848/5362
7. Freire, & Ocaña, L. (Junio de 2023). Uso de business intelligence para la evaluación de
desempeño a través de indicadores clave de rendimiento (KPI'S). Revista Científica de la
Universidad de Cienfuegos, 15 (S2), 160-168. Obtenido de
https://rus.ucf.edu.cu/index.php/rus/article/view/3876/3799
8. Gustavo Illescas, E. T. (2022 ). Aplicación de Analítica de Datos en espacios de
Educación Superior. Objeto de conferencia, Universidad Nacional del Centro de la
Provincia de Buenos Aires (UNCPBA), Facultad de Ciencias Exactas, Buenos Aires.
Obtenido de http://sedici.unlp.edu.ar/handle/10915/145097
9. Loachamin, K. J. (2023). Diseño de una arquitectura de solución de inteligencia de
negocios aplicado a los procesos académicos para la toma de decisiones en una institución
de educación superior. Caso de estudio, Universidad Central del Ecuador. Posgrado,
Universidad Politécnica Salesiana., Quito. Obtenido de
https://dspace.ups.edu.ec/bitstream/123456789/26141/1/MSQ685.pdf
10. López, A. L. (2024). Tema 1.2 Arquitectura de sistemas Business Intelligence.
Universidad de Alicante., Departamento de Lenguajes y Sistemas Informáticos. Alicante
: Repositorio Institucional de la Universidad de alicante. Obtenido de
https://rua.ua.es/dspace/handle/10045/142878
11. López, D. M. (2 de Mayo de 2023). Power BI para la visualización de datos en
instituciones educativas. HETS Online Journal, 13 (2 ), 8-20. Obtenido de
https://doi.org/10.55420/2693.9193.v13.n2.118
12. Martínez, R. M. (2023). TIC 360 La universidad española en el contexto de los Espacios
Europeos de datos. (T. 360, Ed.) Valencia, España: TIC 360. Obtenido de
https://www.crue.org/wp-content/uploads/2023/10/TIC-360_2023_WEB.pdf
13. Michue Salguedo, E. S. (27 de 09 de 2023). Importancia del sistema organizacional y
gestión académica en el personal administrativo de Universidad Nacional Mayor San
Marcos 2023. Revista de Investigación Científica y Tecnológica Alpha Centauri, 4(3),
15-23. Obtenido de
https://journalalphacentauri.com/index.php/revista/article/view/151/301
14. Montoya Sandi, S. M. (2023). Estudio de caso sobre la Acreditación de carreras de
Educación en Costa Rica: Valor Público, Articulaciones y Desafíos. Tesis Universidad
de Almería , Universidad de Almería, Almería . Obtenido de
https://repositorio.ual.es/bitstream/handle/10835/14624/01.Tesis.pdf?sequence=1&isAll
owed=y
15. Nassif Vertel, S. P. (2024). Análisis de los factores contribuyentes a la deserción
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
estudiantil en la facultad de ingeniería de la Universidad de la Costa utilizando
herramientas de analítica de datos. Barranquilla: Corporación Universidad de la Costa.
Obtenido de https://repositorio.cuc.edu.co/handle/11323/12858
16. Paul, L. V. (2024). Generación de indica-dores dinámicos e in-teractivos para la toma de
decisiones en las funciones sustantivas de la Facultad de Cien-cias Administrativas y
Económicas de la Uni-versidad Técnica de Cotopaxi. UNIVERSIDAD TÉCNICA DE
COTOPAXI , CARRERA DE SISTEMAS DE INFORMACIÓN. Latacunga:
UNIVERSIDAD TÉCNICA DE COTOPAXI. Obtenido de
https://repositorio.utc.edu.ec/handle/27000/12130
17. Pin-Carreño, V.-R. C.-C. (07 de 01 de 2022). Sistema de reportes gerenciales basados en
almacenes de datos, para el proceso de matriculación del Sistema de Gestión Académico
de la Universidad Laica Eloy Alfaro de Manabí. Revista Científica de Informática
ENCRIPTAR., 5(9), 26-36. Obtenido de
https://publicacionescd.uleam.edu.ec/index.php/encriptar/article/view/336/539
18. Pyme, A. (2022). Business Intelligence y analítica de datos. (A. Pyme, Ed.) Acelera
Pyme, 12-38. Obtenido de
https://comercio.acelerapyme.gob.es/sites/acelerapyme/files/2023-
05/Documento%20de%20referencia%20BI%20y%20anal%C3%ADtica%20de%20dato
s_2.pdf
19. Ramos-Moscol, P. (2019). Diseño de KPI para la mejora continua del proceso
enseñanza/aprendizaje del P.A IIS campus Piura. Universidad de Piura, Área
Departamental de Ingeniería Industrial y de Sistemas. Piura: Repositorio Institucional
PIRHUA. Obtenido de
https://pirhua.udep.edu.pe/backend/api/core/bitstreams/37cb6764-6c01-4b2a-af3d-
e9844c59426b/content
20. Vargas Lucero Alex Adrian, T. V. (2023). Implementación de un sistema de soporte de
decisiones para gestión académica de la UTMACH. Universidad Técnica de Machala ,
Facultad de Ingienería Civil, Carrera Tecnologías de la Información . Machala: Machala;
Universidad Técnica de Machala. Obtenido de
https://repositorio.utmachala.edu.ec/handle/48000/23109