RESUMEN:

El estudio aplicó técnicas de minería de datos (K-Means y Apriori) bajo la metodología CRISP-DM para identificar estudiantes en riesgo de deserción en Ingeniería en Sistemas Computacionales del ITO, analizando registros académicos históricos (2015-2024) y un cuestionario aplicado a 260 estudiantes activos.

Los principales hallazgos fueron, a través de clustering (o agrupamiento de datos), se identificaron tres perfiles diferenciados de riesgo (alto, medio y bajo). Los estudiantes de riesgo alto presentan promedios bajos, alta reprobación, escaso avance reticular, estrés elevado y percepción limitada de apoyo institucional. Las reglas de asociación revelaron que el bajo rendimiento no opera de forma aislada, sino que coexiste frecuentemente con factores como la necesidad de trabajar, estrés académico sostenido y baja percepción de acompañamiento institucional. La combinación “promedio bajo + reprobación alta + estrés alto” mostró la mayor fuerza de asociación con la intención de abandono. Asimismo, se evidenció que el 56.9% de los encuestados identificó las dificultades con materias o contenidos como el principal obstáculo, seguido de falta de motivación (35.8%) y dificultades económicas (33.9%). El factor “trabaja actualmente” fue el detonante más frecuente de alertas tempranas. Los resultados confirman que la deserción es un fenómeno multicausal donde variables académicas, socioeconómicas, institucionales y de salud mental interactúan y se refuerzan mutuamente, y que la minería de datos permite detectar estos patrones antes de que se materialice el abandono.

Palabras clave: Deserción Universitaria, Minería de datos educativa, Metodología CRISP-DM