Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 59 de 73
Journal of Scientific and Technological Research Industrial
Implementación de un sistema web basado en la metodología ICONIX,
orientado a optimizar la gestión y administración de los servicios de ti en
el Ministerio Público
Implementation of a web-based system based on the ICONIX methodology, aimed at optimizing the
management and administration of IT services in the Public Ministry
Mónica M. Navarro Pajuelo
Universidad Nacional Federico Villarreal, Perú
Resumen
El objetivo principal de la investigación fue optimizar la gestión y administración
de los servicios de TI en el Ministerio Público mediante la implementación de un
sistema web basado en la metodología ICONIX.
El estudio se clasificó como aplicado, con un enfoque predominantemente
cuantitativo complementado con técnicas cualitativas, y se utilizó un diseño
preexperimental de un solo grupo con medición pretest–postest, lo que permitió
evaluar el impacto de la propuesta tecnológica. La población considerada en la
metodología presenta inconsistencias, pues se definió en el manuscrito como los
requerimientos de TI del Ministerio Público con una muestra de 80 registros.
En cuanto a los resultados cuantitativos, las pruebas de hipótesis mostraron un
valor de significancia p = 0.000 (< 0.05) con un nivel de confianza del 95%,
evidenciando diferencias estadísticamente significativas y confirmando los efectos
positivos del modelo predictivo en la reducción de la deserción. Se concluye que
el uso de machine learning es pertinente y efectivo, siempre que exista una
adecuada gestión de datos y una implantación institucional sólida.
Palabras claves: ICONIX, gestión de servicios TI, sistema web, Ministerio
Público.
Abstract
The main objective of the research was to optimize the management and
administration of IT services in the Public Prosecutor's Office by implementing a
web-based system based on the ICONIX methodology.
The study was classified as applied, with a predominantly quantitative approach
complemented by qualitative techniques. A single-group pre-experimental design
with pretest–posttest measurements was used, allowing for the evaluation of the
impact of the technological proposal. The population considered in the
methodology presents inconsistencies, as it was defined in the manuscript as the
IT requirements of the Public Prosecutor's Office with a sample of 80 records.
Regarding the quantitative results, hypothesis tests showed a significance value of
p = 0.000 (< 0.05) with a 95% confidence level, demonstrating statistically
significant differences and confirming the positive effects of the predictive model
in reducing attrition. It is concluded that the use of machine learning is relevant
and effective, provided there is adequate data management and a solid institutional
implementation.
Keywords: ICONIX, IT service management, web system, Public Prosecutor's
Office.
Publicado: 20/10/2025
Aceptado: 20/10/2025
Recibido: 10/09/2025
Open Access
Article scientific
https://doi.org/10.47422/jstri.v6i2.68
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 60 de 73
Journal of Scientific and Technological Research Industrial
Introducción
La gestión eficiente de los servicios de Tecnologías de la
Información (TI) constituye un eje estratégico para
garantizar la modernización del Estado y la calidad de los
servicios públicos. Sin embargo, diversas instituciones en
América Latina presentan limitaciones en este ámbito,
caracterizadas por procesos fragmentados, registros
inconsistentes, escasa trazabilidad de incidencias y uso
ineficiente de los recursos tecnológicos, lo que afecta la
transparencia institucional y la satisfacción de los usuarios
[1], [2] y [3]. En el caso del Perú, el Ministerio Público
enfrenta una problemática similar, ya que gran parte de la
gestión de servicios TI se realiza mediante procesos
manuales o semiautomatizados con baja integración entre
áreas, lo que genera duplicidad de tareas, pérdida de
información, demoras en la atención de incidencias y
ausencia de indicadores objetivos de desempeño. Estas
deficiencias no solo afectan la productividad interna, sino
que también limitan la capacidad institucional para
responder de manera oportuna a sus funciones misionales,
en contravención con normativas como la Ley N.º 27658,
Ley Marco de Modernización de la Gestión del Estado, y
la Ley N.º 30056, que promueve el uso obligatorio de
medios digitales en la gestión pública. En este contexto,
surge la necesidad de implementar soluciones digitales que
fortalezcan la gestión de servicios de TI y permitan superar
las debilidades estructurales existentes. Una de las
principales carencias identificadas es la falta de un sistema
estandarizado para la gestión de incidencias y
requerimientos tecnológicos, lo cual limita la trazabilidad
de los tickets, incrementa los tiempos de respuesta y genera
insatisfacción entre los usuarios internos. La ausencia de
plataformas modernas contradice, además, los
lineamientos de la Secretaría de Gobierno y
Transformación Digital de la PCM, que establecen como
principio del Estado peruano la progresiva digitalización de
procesos internos. En consecuencia, se plantea como
problema general determinar en qué medida la
implementación de un sistema web basado en la
metodología ICONIX optimiza la gestión y administración
de los servicios de TI en el Ministerio Público, con
objetivos específicos orientados a reducir tiempos de
resolución, mejorar la trazabilidad de tickets, incrementar
la productividad operativa y elevar la satisfacción de los
usuarios internos.
Estudios previos internacionales y nacionales respaldan la
pertinencia de abordar esta problemática mediante
soluciones tecnológicas estructuradas. Investigaciones
como las de [4], enfocadas en la automatización de
clasificación de tickets con Machine Learning, por otro
lado, [2] menciona sobre la evaluación de usabilidad y
seguridad en sitios web gubernamentales, destacan la
relevancia de sistemas que garanticen eficiencia,
trazabilidad y seguridad. Del mismo modo, antecedentes
locales como los de [5], [6] evidencian mejoras
significativas en los tiempos de atención y en la
satisfacción del usuario tras la implementación de sistemas
de mesa de ayuda basados en metodologías de desarrollo
estructurado. Estos aportes refuerzan la pertinencia de la
presente investigación, al proponer un sistema web
desarrollado bajo ICONIX, metodología semi-ágil que
permite un modelado estructurado y controlado de los
requerimientos, asegurando precisión en el diseño y
flexibilidad en la implementación.
La justificación de este estudio se sustenta en tres
dimensiones: teórica, práctica y metodológica. En el lado
práctico, este trabajo responde a la necesidad concreta del
Ministerio Público de contar con una plataforma que
mejore la gestión de servicios TI, optimizando recursos y
elevando la satisfacción de los usuarios internos, con
impacto indirecto en la calidad de los servicios a la
ciudadanía [7]. Metodológicamente, se justifica como una
investigación aplicada con diseño preexperimental,
sustentada en la implementación de una solución en un
entorno real, midiendo objetivamente indicadores de
desempeño como tiempos de atención, trazabilidad,
productividad y satisfacción del usuario.
Marco teórico
Teoría general de sistemas
La Teoría General de Sistemas (TGS), formulada por
Ludwig von Bertalanffy en 1968, propone que todo sistema
está compuesto por partes interrelacionadas que forman un
todo estructurado. La teoría general de los sistemas (TGS)
aseguraba que el comportamiento de un sistema no puede
entenderse sólo a partir del estudio de sus componentes,
sino que debe analizarse en el todo [8]. Por lo tanto, la TGS
se aplica en ciencias sociales, administración, informática
y desarrollo organizacional; ya que produce un marco para
comprender la complejidad y la organización de los
procesos interdependientes. La teoría general de los
sistemas se relaciona directamente con la presentación del
sistema web en el MP, puesto que dicho sistema presenta
múltiples módulos funcionales que interactúan entre sí y
con el entorno institucional, es decir, módulos de registro
de tickets, seguimiento, asignación, cierre, reportes [9].
Aplicar la TGS permite modelar el sistema como un
conjunto organizado, con entradas (ticket o
requerimientos), procesos internos (automatización,
trazabilidad) y salidas (resolución de incidencias,
satisfacción del usuario); asimismo, en la integración con
los flujos de trabajo del área de TI; ya que eso implica
entender el sistema como un sistema de mayor orden:
gestión pública tecnológica.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 61 de 73
Journal of Scientific and Technological Research Industrial
Teoría sociotécnica
La teoría sociotécnica, desarrollada por Eric Trist y sus
colaboradores en el Instituto Tavistock (Reino Unido),
sostiene que las organizaciones deben diseñarse teniendo
en cuenta dos subsistemas: el técnico (tecnologías,
procesos y estructuras) y el social (personas, roles, cultura
organizacional) [10]. Un sistema óptimo no se logra
priorizando uno sobre el otro, sino integrando ambos para
obtener eficiencia y satisfacción humana simultáneamente
[11]. La implementación de un sistema web en una entidad
pública como el Ministerio Público no solo implica una
mejora técnica, sino también una adaptación humana. Los
procesos automatizados y estructurados por medio de
ICONIX deben ser utilizados por personal que
tradicionalmente podría estar habituado a métodos
manuales o fragmentados. Aquí, la teoría sociotécnica
aporta el sustento para comprender que el éxito del sistema
dependerá tanto de su diseño técnico como de su
aceptación y uso por parte de los usuarios internos. Esto
justifica acciones complementarias como capacitación,
diseño centrado en el usuario y retroalimentación durante
el desarrollo.
Teoría del cambio organizacional
La teoría del cambio organizacional analiza cómo las
instituciones adoptan nuevas prácticas, procesos o
estructuras, y qué factores facilitan o dificultan esa
transición. Todo cambio sigue tres fases: descongelamiento
(preparar a la organización), cambio (introducción de
nuevas prácticas) y descongelamiento (consolidación del
cambio) [12]. Otros modelos actuales incluyen factores
como liderazgo, comunicación efectiva, y participación del
personal. El cambio de un sistema tradicional de gestión de
tickets hacia una solución web estructurada implica una
transformación en la forma en que se gestionan los
servicios de TI dentro del Ministerio Público. La teoría del
cambio organizacional sustenta metodológicamente los
desafíos y estrategias que acompañan la implementación
del sistema basado en ICONIX [13]. Por ejemplo, se
justifica la necesidad de sensibilización del personal, la
capacitación técnica, el diseño iterativo con validaciones
parciales, y la incorporación de retroalimentación para
asegurar la adopción sostenible del nuevo sistema.
Tecnologías de la información en la gestión pública
La gestión y administración de los servicios de TI en las
instituciones públicas se ha transformado
significativamente gracias al avance de las Tecnologías de
la Información y la Comunicación (TIC). La incorporación
de sistemas informáticos para la atención de
requerimientos tecnológicos, tales como plataformas de
soporte, gestión de tickets y automatización de procesos,
permite reducir tiempos de respuesta, estandarizar
procedimientos y aumentar la trazabilidad de los servicios
ofrecidos por las áreas de TI internas [14]. En ese sentido,
la digitalización de operaciones de soporte permite el
procesamiento de patrones de solicitudes, su
categorización, la tarea de su asignación y la tarea de su
resolución de manera formal y organizada, con el
incremento de la productividad de la operación y un
aumento de la percepción de calidad de los servicios
ofrecidos por esta área tecnológica a sus usuarios internos.
Uno de los fundamentos de este proceso es la capacidad de
las tecnologías para estructurar los datos organizacionales
y convertirlos en información útil para la toma de
decisiones. Un sistema de información bien implementado
asegura que los datos tomados sean los correctos,
actualizados, accesibles y seguros [14]. En el caso de las
entidades públicas, estas condiciones se ven todavía más
exigidas debido al impacto que tienen sobre la continuidad
de los servicios institucionales. En concreto, el sector
público enfrenta una serie de retos estructurales para una
implementación tecnológica eficiente, desde la resistencia
al cambio hasta la falta de integración con sistemas
heredados o la falta de formación del personal para realizar
la administración de plataformas digitales [15]. Estos retos
requieren metodologías que garanticen resultados
llevaderos, seguros y que sean de fácil adopciónEs aquí
donde las tecnologías web, el modelado estructurado y la
arquitectura de microservicios se vuelven estratégicamente
relevantes, junto con el uso de herramientas de gestión de
tickets web, como el sistema que se propone en esta
investigación, que permiten concretar flujos automatizados
de atención con trazabilidad total sobre los mismos. Y al
estar basadas en tecnologías accesibles a través de la
navegadora y en potencial enfangado en entornos cloud,
permiten aligerar la carga de mantenimiento de
infraestructura. En el plano funcional, el hecho de usar
tecnologías que registran automáticamente las métricas
operativas (tiempos de atención, carga de trabajo de cada
técnico, tickets resueltos, etc.) y permiten elaborar reportes
de calidad para evaluar el funcionamiento del área de TI,
facilita en gran medida la toma de decisiones basada en
datos. Por otra parte, estas herramientas permiten mejorar
la productividad interna, según los autores en un porcentaje
superior al 40 %, así como una reducción de los tiempos de
respuesta de hasta en un 60 %, especialmente en
instituciones que antes de la adopción de estas tecnologías
operaban con procesos manuales o fraccionados [16]. No
obstante, la adopción de estas tecnologías no está exenta de
condiciones críticas para su éxito. Tal como remarcan [17],
debe existir una fuerte normativa, procesos institucionales
estandarizados, así como una estrategia de implantación
gradual con necesaria formación del personal y evaluación
continua. Sólo así se puede asegurar que la digitalización
de los servicios de TI produciría impactos positivos
sostenidos a lo largo del tiempo. En breve, las tecnologías
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 62 de 73
Journal of Scientific and Technological Research Industrial
aplicadas a la gestión y administración de los servicios de
TI en el contexto del sector público no constituyen
solamente una herramienta de modernización, sino que
son, además, una palanca estratégica para lograr una
mejora en la eficiencia institucional, la transparencia de las
operaciones y la satisfacción del uso por parte de los
usuarios internos. El sistema web pertinente basado en la
metodología ICONIX que se ha propuesto en esta tesis, se
articula precisamente en virtud de esos principios,
orientándose a fortalecer el funcionamiento de la Mesa de
Ayuda del Ministerio Público con planteamientos de una
solución tecnológica funcional, trazable, escalable y acorde
a los estándares de la actual gestión pública.
Gobierno de T.I.
El Gobierno de TI es el conjunto de estructuras, los
procesos y los mecanismos de liderazgo que permiten
tomar decisiones estratégicas sobre las TI en una
institución pública. Su principal objetivo es el de garantizar
que las inversiones en tecnología generen valor, que estén
alineadas con los objetivos institucionales y que cuenten
con el seguimiento necesario para su sostenibilidad [18].
En el marco del Gobierno de TI, dicha solución permite
llevar a cabo un registro, un seguimiento y un análisis de
los tickets del soporte de forma transparente y trazable,
permitiendo, por tanto, disponer de una evidencia objetiva
para la toma de decisiones estratégicas en el alto mando.
Gestión de T.I.
La Gestión de TI tiene una clara orientación a la
administración operativa de los recursos tecnológicos, es
decir, incluye la planificación, la implementación y el
mantenimiento de los sistemas de información. Implica,
además, la concepción y ejecución de procesos eficientes
que garanticen la continuidad de los servicios tecnológicos,
así como la mejora paulatina de los mismos [20]. El sistema
web desarrollado bajo ICONIX permite obtener una mejora
directa en la gestión de los servicios TI, especialmente en
el funcionamiento de la Mesa de Ayuda. Al automatizar
flujos de atención, sistematizar el registro de tickets y
ofrecer indicadores en tiempo real, se optimizan los
procesos internos, tales como asignaciones, el cierre de
incidencias o la resolución de las mismas; y la trazabilidad
proporcionada concede una serie de ventajas en cuanto a
auditorías, control de calidad y cumplimiento de los niveles
de servicio definidos (SLAs).
Mejora continua
La Mejora Continua es un principio obligado en el modelo
SIGETSIv2, ya que se refiere a la capacidad de la
institución para evaluar periódicamente sus procesos, para
identificar brechas y oportunidades, y para aplicar acciones
correctivas y/o preventivas que incrementan la eficiencia,
la eficacia y la calidad del servicio [20]. La propia
metodología ICONIX también permite la mejora
continua, dado que el desarrollo del sistema web se
estructura a partir de los requerimientos reales recogidos,
para ejecutar posteriormente ajustes progresivos eligiendo
entre las validaciones parciales. Cuando el sistema entra en
producción, este produce las métricas más relevantes
(tiempo de respuesta, satisfacción del usuario, volumen de
tickets atendidos), los cuales retroalimentan los procesos de
mejora en base a la evidencia empírica de los resultados
obtenidos. De este modo, el sistema no solo resuelve
problemas actuales, sino que se convierte en una
plataforma de evolución continua de la gestión tecnológica
institucional.
Planificación estratégica eficaz
La planificación estratégica eficaz se entiende como el
proceso mediante el cual una organización define sus metas
a largo plazo, establece prioridades, asigna recursos, y
diseña planes de acción que [21] le permitan alcanzar esos
objetivos en un entorno cambiante. Tal y como afirman
[22], la planificación también debe ser técnica, pero
también debe ser política, participativa y realista; debe
considerar los recursos, los actores y las exigencias
normativas que dificultan la toma de decisiones.
Figura 1. Planificación estratégica eficaz de T.I.
Metodología CRISPDM
La metodología CRISP-DM (Cross Industry Standard
Process for Data Mining) es un proceso estructurado para
proyectos de minería de datos que proporciona un marco
estandarizado y ampliamente aceptado para el desarrollo de
modelos predictivos [23]. Este enfoque consta de seis fases
principales: comprensión del negocio, comprensión de los
datos, preparación de los datos, modelado, evaluación y
despliegue. Según [24], una de sus principales fortalezas es
la naturaleza iterativa y cíclica del proceso, que permite
ajustar continuamente las decisiones metodológicas en
función de los resultados obtenidos y del conocimiento
progresivo de los datos. CRISP-DM ha sido reconocido
como un estándar de facto en proyectos de ciencia de datos
debido a su flexibilidad y aplicabilidad a distintos
dominios, desde sectores empresariales hasta el ámbito
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 63 de 73
Journal of Scientific and Technological Research Industrial
educativo [25]. Su aplicación asegura que las fases de
preparación y modelado estén estrechamente vinculadas
con los objetivos institucionales de retención estudiantil, y
que los resultados obtenidos puedan traducirse en
estrategias de intervención concretas y sustentadas en
evidencia empírica. Finalmente, el uso de CRISP-DM
contribuye a la producción de documentación y reportes
sistemáticos incrementando la sostenibilidad y
replicabilidad del modelo predictivo en futuras
investigaciones y en procesos de gestión educativa.
Figura 2. Metodología ICONIX.
Marco legal institucional
Ministerio Público del Perú:
Como parte del sistema judicial, su función se extiende a la
lucha contra la criminalidad, la protección de víctimas y
testigos, así como el control de la legalidad de los actos
administrativos [5].
Constitución Política del Perú de 1993
La Constitución establece principios fundamentales
aplicables al uso de tecnologías en la gestión pública [26]:
• Artículo 39°: Todos los funcionarios y trabajadores
públicos están al servicio de la Nación. Esta
disposición refuerza la responsabilidad de las entidades
del Estado en la mejora continua de sus servicios hacia
el ciudadano.
• Artículo 44°: El Estado promueve el bienestar general
que se fundamenta en la justicia y en el desarrollo
integral y equilibrado de la Nación.
Estos artículos brindan el marco constitucional que
justifica la incorporación de sistemas de información
orientados a mejorar la eficiencia, la trazabilidad y la
transparencia en los servicios del Estado, como lo plantea
esta investigación aplicada al Ministerio Público.
Ley N.º 27658 – Ley Marco de Modernización de la
Gestión del Estado
Promueve el uso intensivo de tecnologías de la información
y la comunicación (TIC) en los procesos institucionales,
con el fin de optimizar la eficiencia de las entidades
públicas, fomentar una administración pública orientada al
ciudadano y fortalecer el enfoque de resultados [27], [28].
La implementación del sistema web de gestión de tickets
TI se enmarca como una acción concreta dentro del proceso
de modernización del Estado, mejorando el desempeño del
área de TI mediante la automatización de procesos y la
trazabilidad de atenciones internas.
Decreto Supremo N.º 050-2021-PCM – Política Nacional
de Transformación Digital
Establece los lineamientos para la transformación digital en
las entidades públicas, promoviendo el uso de soluciones
digitales para optimizar los servicios públicos, reducir la
burocracia y mejorar la relación entre el Estado y los
ciudadanos [27].
Decreto Legislativo N.° 1412 – Ley de Gobierno Digital
Las entidades públicas deben establecer una estrategia
digital institucional, promoviendo la interoperabilidad, la
transparencia, la ciberseguridad y la mejora continua de los
servicios digitales [29].
Directiva N.º 001-2021-PCM/SGTI – Lineamientos para el
Modelo de Gobierno y Gestión de las Tecnologías de la
Información (SIGETSI)
Las entidades públicas deben adoptar un modelo de
gobierno y gestión de TI estructurado en tres pilares:
gobierno de TI, gestión de TI y mejora continua [30].
Ley N.º 27806 – Ley de Transparencia y Acceso a la
Información Pública
Se trata de una norma que dispone que toda entidad pública
debe poner a disposición del ciudadano información veraz,
clara y oportuna respecto a su funcionamiento, sus recursos
y los servicios que presta [31].
Resoluciones institucionales del Ministerio Público sobre
modernización tecnológica
Durante los últimos años, el Ministerio Público emitió
reportes internos en los que se privilegia la innovación
digital, la seguridad de la información y la mejora de sus
servicios internos por medio de sistemas informáticos [32].
Tiempo promedio de resolución de tickets
Este indicador representa la cantidad de tiempo
(generalmente expresado en horas o días hábiles) que pasa
entre la apertura de un ticket y la resolución y cierre final
del mismo. El tiempo promedio de resolución es un
indicador clave de la gestión de incidencias, en la medida
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 64 de 73
Journal of Scientific and Technological Research Industrial
que muestra la capacidad del equipo de soporte para
aceptar y resolver las solicitudes de manera oportuna [33].
En este trabajo ese indicador es clave para determinar si
con la implementación del sistema web, se logran reducir
los tiempos de atención mediante la automatización de los
procesos de asignaciones de tareas o el de notificación de
estados [34]. Una reducción significativa de este tiempo,
confirmaría una mejora en la eficiencia operativa del área
de soporte del Ministerio Público.
Nivel de seguimiento de cada solicitud
Esta propiedad se refiere al grado en que un ticket o
requerimiento puede ser trazado desde su nacimiento hasta
su cierre, pasando por las etapas de cierre [33]. Este
seguimiento puede ir acompañando de registros
automáticos, de actualización del estado, o de quien puede
acceder al historial, tanto el usuario como el equipo
técnico; es decir, se puede determinar la trazabilidad del
ticket bajo el sistema en cuestión. Una trazabilidad
completa garantiza una mayor transparencia y control de la
TI, un criterio fundamental en instituciones públicas como
el caso del Ministerio Público, de la que forma parte la
Institución. La habilitación de flujos de trabajo
automatizados y la sistematización de la documentación de
cada etapa / acción, junto con el hecho de que el usuario
esté conforme de la toma de decisiones, favorecen el
cumplimiento de este criterio.
Número de tickets gestionados en un periodo determinado
Este dato permitirá contrastar el rendimiento del equipo
antes y después de la implementación del sistema web [35].
Un aumento en el número de tickets resueltos implicaría
que el sistema optimiza la carga operativa, mejora la
asignación automática y reduce los tiempos improductivos
[33]. Por tanto, se vincula directamente con la dimensión
de productividad operativa.
Nivel de satisfacción con la atención recibida por TI
Este indicador busca medir la percepción del usuario
interno sobre el servicio llegado a través del área de soporte
técnico, considerando aspectos como rapidez, amabilidad,
claridad en la exposición, efectividad de la resolución de la
solicitud, etc. A menudo se mide a través de encuestas con
escala Likert [36]. La satisfacción del usuario final en las
entidades públicas es uno de los elementos claves para
poder validar o no el éxito del sistema informático
implantado [35]. A través de este indicador, se requiere
poder determinar si el sistema web aplicado proporciona
una buena experiencia del usuario en la gestión de sus
requerimientos tecnológicos. La mejora en esta métrica
reflejará el impacto positivo del sistema en la percepción
de calidad del servicio institucional.
Resultados
Características organizativas y tecnológicas del
Ministerio Público.
Descripción de la estructura interna del Ministerio Público
y cómo se gestionan actualmente los servicios de TI
El análisis se realizó a partir de una base de datos
institucional que contenía información relevante sobre los
estudiantes matriculados en el Ministerio Público, con un
enfoque en la gestión de los servicios de TI. El objetivo de
esta etapa fue identificar los factores clave que, de manera
individual o combinada, pudieran estar asociados con la
eficiencia operativa de los servicios de TI y proporcionar
insumos para el diseño de modelos predictivos basados en
técnicas de machine learning.
Factores socioeconómicos
En esta dimensión se analizaron variables vinculadas al
entorno familiar y financiero del estudiante. Se encontró
que los alumnos con dificultades en el pago de pensiones o
con deudas acumuladas al inicio del semestre presentaban
mayor probabilidad de abandono. Por el contrario, aquellos
beneficiarios de becas completas o parciales mostraron una
tendencia superior a continuar y concluir sus estudios. Otro
aspecto relevante fue el nivel educativo y la ocupación de
los padres, que condicionaron el acceso a recursos de apoyo
académico y económico. Se observó que los estudiantes
provenientes de hogares con menor estabilidad laboral o
ingresos limitados tenían mayor propensión a interrumpir
su formación.
Factores académicos
El rendimiento académico constituyó uno de los
determinantes más fuertes de la deserción. Variables como
el número de asignaturas aprobadas en los primeros
periodos, el promedio de calificaciones y la participación
en evaluaciones completas se relacionaron directamente
con la permanencia. Un bajo desempeño inicial fue un
predictor temprano de riesgo de abandono. Asimismo, se
observó que el turno de estudios influía en la trayectoria:
los estudiantes matriculados en horarios nocturnos
registraron mayores niveles de deserción, probablemente
debido a la necesidad de compatibilizar actividades
laborales con las exigencias académicas.
Factores personales
L En cuanto a las características personales, la edad y el
género mostraron patrones diferenciados. Los estudiantes
de mayor edad presentaron mayores dificultades de
continuidad, atribuibles a responsabilidades familiares y
laborales. Respecto al género, aunque las mujeres
mostraron un rendimiento académico ligeramente superior,
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 65 de 73
Journal of Scientific and Technological Research Industrial
enfrentaron mayores barreras vinculadas a
responsabilidades domésticas, lo que en algunos casos
incidió en su permanencia. La nacionalidad y la condición
de desplazamiento geográfico también representaron
factores relevantes: estudiantes que migraban desde otras
provincias o países tenían mayor riesgo de abandono,
especialmente cuando carecían de redes de apoyo en el
entorno local.
Implicación para el modelo predictivo
El análisis de los factores socioeconómicos, académicos y
personales permitió configurar un perfil de riesgo de
deserción con alto potencial predictivo. Estos hallazgos
justificaron la construcción de un modelo supervisado,
donde la variable Target representaba las posibles
trayectorias del estudiante (Dropout, Enrolled, Graduate).
Las variables previamente identificadas como
determinantes (rendimiento académico, deuda financiera,
edad, turno de estudio, apoyo mediante becas, entre otras)
se utilizaron como predictores en los algoritmos de
clasificación, lo que permitió evaluar con precisión su peso
relativo en la predicción del abandono. De esta manera, la
integración de múltiples dimensiones garantizó que el
modelo desarrollado capturara la complejidad del
fenómeno de deserción, ofreciendo un enfoque robusto
para la detección temprana de casos de riesgo y la
formulación de estrategias institucionales de retención
estudiantil.
Evaluación inicial de los indicadores de TI antes de la
implementación del sistema.
Descripción general del dataset
El conjunto de datos cargado en la investigación
corresponde a un DataFrame de pandas compuesto por
4,424 registros (filas) y 35 columnas (atributos). Cada
registro representa a un estudiante matriculado en el
Instituto Tecnológico durante los periodos 2020-1 al 2025-
1, mientras que las columnas recogen información de tipo
demográfico, académico, socioeconómico, familiar y
macroeconómico.
Figura 3. Vista general del dataset
De acuerdo con la inspección inicial mediante el comando
data.info (), se obtuvo lo siguiente:
✓ Cantidad de registros: 4,424 estudiantes, lo que
constituye una muestra robusta para el desarrollo de
modelos de predicción y análisis estadístico.
✓ Número de variables: 35 columnas, que se distribuyen
en diferentes tipos de datos:
a) 29 variables de tipo entero (int64): utilizadas
principalmente para representar categorías
codificadas o recuentos (por ejemplo, Application
mode, Gender, Displaced, Debtor, número de
asignaturas inscritas o aprobadas).
b) 5 variables de tipo decimal (float64): relacionadas
con calificaciones promedio, tasas
macroeconómicas y notas finales de los estudiantes
(como Curricular units 1st sem (grade)).
c) Una variable de tipo objeto (object):
correspondiente a la columna Target, que clasifica
el estado académico final del estudiante como
Graduate, Enrolled o Dropout.
En términos de completitud de datos, se verificó que todas
las columnas poseen 4424 valores no nulos, es decir, no
existen datos faltantes. Este aspecto constituye una ventaja
importante para el preprocesamiento, ya que elimina la
necesidad de imputación o eliminación de registros,
garantizando así una mayor integridad y consistencia en los
análisis posteriores. El uso de memoria estimado por la
estructura del dataset es de aproximadamente 1.2 MB, lo
que indica que se trata de un archivo de tamaño manejable,
apto para ser procesado en entornos de análisis de datos sin
requerir técnicas de optimización avanzadas. En síntesis, el
dataset cuenta con la suficiente amplitud, diversidad y
calidad para explorar las relaciones entre variables y
construir modelos predictivos orientados a la detección
temprana de la deserción académica.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 66 de 73
Journal of Scientific and Technological Research Industrial
Descripción general del dataset
La fase inicial de carga y exploración de datos fue el primer
paso fundamental y necesario para desarrollar el modelo
predictivo para prevenir el abandono académico.
Para ello, utilizamos la biblioteca Pandas de Python, que
nos permitió importar y manipular el archivo que contiene
la base de datos de la descripción de las variables
seleccionadas resulta fundamental para comprender el
alcance del modelo predictivo y la forma en que cada
atributo contribuye a explicar el fenómeno de la deserción
académica. En la figura se presentan los campos
considerados en el dataset, junto con su significado y tipo
de dato.
A continuación, se describen de manera detallada:
a) Factores personales y sociodemográficos
✓ Marital status: Estado civil del estudiante al momento
de la matrícula. Este atributo puede estar asociado a
mayores responsabilidades familiares que condicionen
la permanencia académica.
✓ Nationality: Nacionalidad declarada por el estudiante.
Puede reflejar la diversidad cultural y la posible
existencia de estudiantes extranjeros con condiciones
particulares de adaptación.
✓ Gender: Género del estudiante. Esta variable permite
identificar posibles brechas o diferencias en el
comportamiento académico y en los índices de
deserción.
✓ Age at enrollment: Edad del estudiante al momento de
iniciar estudios superiores. Una edad mayor puede
estar vinculada con mayores compromisos laborales o
familiares que incidan en la continuidad.
✓ Displaced: Indica si el estudiante se encuentra en
condición de desplazado, lo que podría estar
relacionado con factores de vulnerabilidad social y
económica.
✓ International: Señala si el estudiante proviene de un
contexto internacional, lo que implica potenciales retos
de adaptación cultural y financiera.
✓ Educational special needs: Registro de necesidades
educativas especiales, lo cual puede demandar apoyos
adicionales y constituir un factor de riesgo si no existen
recursos institucionales suficientes.
b) Factores complementarios
✓ Application mode: Mecanismo de postulación
utilizado (admisión regular, traslado, convalidación,
entre otros). El tipo de acceso puede influir en el grado
de compromiso y preparación académica inicial.
✓ Application order: Orden de preferencia en el que el
estudiante aplicó. Un mayor orden puede reflejar que
la carrera elegida no fue su primera opción, lo cual
podría impactar en la motivación.
✓ Course: Carrera o especialidad matriculada. Permite
analizar diferencias en los índices de deserción entre
programas académicos.
✓ Daytime/evening attendance: Modalidad de estudio
(diurna o nocturna). La elección de horario está
asociada al perfil del estudiante y a su compatibilidad
con otras responsabilidades, como el trabajo.
✓ Previous qualification: Nivel de estudios alcanzado
antes de ingresar. Este antecedente constituye un
indicador del nivel de preparación previa y puede
incidir en el desempeño académico inicial.
✓ Curricular units 1st sem (credited): Número de
asignaturas convalidadas en el primer semestre.
Refleja la existencia de estudios previos reconocidos
por la institución.
✓ Curricular units 1st sem (enrolled): Total de
asignaturas en las que se matriculó el estudiante en el
primer semestre. Permite medir la carga académica
asumida inicialmente.
✓ Curricular units 1st sem (evaluations): Cantidad de
asignaturas evaluadas en el primer semestre, indicador
del grado de avance efectivo en las materias inscritas.
✓ Curricular units 1st sem (approved): Número de
asignaturas aprobadas durante el primer semestre,
considerado un predictor clave del rendimiento
académico temprano.
c) Factores familiares y económicos
✓ Mother's qualification / Father's qualification: Nivel
educativo alcanzado por la madre y el padre. Este dato
refleja el capital cultural familiar y puede estar
relacionado con el acompañamiento académico.
✓ Mother's occupation / Father's occupation: Ocupación
laboral de los padres. Proporciona información sobre la
situación socioeconómica del hogar y las condiciones
de apoyo al estudiante.
✓ Debtor: Condición de morosidad en pagos a la
institución. Representa un factor crítico, pues la
inestabilidad financiera se asocia directamente con el
riesgo de deserción.
✓ Tuition fees up to date: Estado de los pagos de
matrícula y pensiones. El cumplimiento puntual de las
obligaciones económicas constituye un indicador de
estabilidad académica.
d) Variable objetivo
✓ Target: Estado académico final del estudiante, que
puede tomar tres categorías: Graduate (graduado),
Enrolled (aún matriculado) o Dropout (desertor). Esta
variable se constituye como el eje central del modelado
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 67 de 73
Journal of Scientific and Technological Research Industrial
predictivo y, para efectos del análisis, fue recodificada
en formato numérico.
Preprocesamiento de datos
El preprocesamiento constituyó una etapa crítica para
asegurar la integridad, coherencia y utilidad del conjunto
de datos antes de su aplicación en modelos de predicción.
Esta fase incluyó la corrección de etiquetas de variables,
verificación de valores nulos, transformación de la variable
objetivo y análisis de correlación.
Corrección y estandarización de nombres de columnas
Durante la inspección inicial se identificó que algunas
variables presentaban errores de escritura en su
denominación original, como Nacionality en lugar de
Nationality, o Age at enrollment en lugar de Age.
Figura 4. Código de renombramiento a ciertos atributos
del dataset
Dichos atributos fueron renombrados mediante la
instrucción data.rename(), con el fin de estandarizar la
nomenclatura y facilitar su manipulación en las siguientes
etapas del análisis.
Verificación de valores nulos
A continuación, se evaluó la presencia de datos faltantes a
través de la instrucción.
Figura 5. Instrucción de evaluación de valores nulos
Los resultados arrojaron que ninguna de las 35 variables
contenía valores nulos, lo cual constituye una ventaja
considerable, dado que evita recurrir a procesos de
imputación o eliminación de registros. Este hallazgo
asegura un mayor nivel de integridad en la base de datos,
lo que incrementa la confiabilidad de los modelos
predictivos construidos posteriormente.
Transformación de la variable objetivo (Target)
La variable dependiente Target, en su forma original, se
encontraba codificada como texto, con tres categorías:
Dropout, Graduate y Enrolled. Para permitir su utilización
en algoritmos de aprendizaje automático, se aplicó un
mapeo numérico que asignó los siguientes valores:
✓ Dropout → 0
✓ Enrolled → 1
✓ Graduate → 2
Figura 6. Mapeo numérico de los estados de la variable
objetivo
De esta manera, la variable pasó de un formato de texto
(object) a un formato numérico (int64), facilitando su uso
en cálculos matriciales y en algoritmos de clasificación
supervisada.
3.2.3.4. Análisis de correlación
Con el objetivo de identificar las variables más
relacionadas con el estado académico final del estudiante,
se calculó la matriz de correlación de Pearson y se
representó gráficamente en un mapa de calor en la siguiente
figura.
Figura 7. Mapa de calor de las variables del dataset
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 68 de 73
Journal of Scientific and Technological Research Industrial
Los resultados evidenciaron que las variables con mayor
correlación positiva respecto a la permanencia o
graduación son principalmente de carácter académico:
✓ Curricular units 2nd sem (approved) (0.62)
✓ Curricular units 2nd sem (grade) (0.56)
✓ Curricular units 1st sem (approved) (0.53)
✓ Curricular units 1st sem (grade) (0.48)
✓ Tuition fees up to date (0.41)
En contraste, se identificaron variables con correlaciones
negativas hacia la graduación, y por ende más asociadas al
abandono:
✓ Debtor (-0.24)
✓ Age (-0.24)
✓ Gender (codificado) (-0.22)
✓ Application mode (-0.21)
✓ Previous qualification (-0.09)
Estos resultados permiten destacar que el rendimiento
académico temprano (número de materias aprobadas y
calificación promedio en los primeros semestres)
constituye el predictor más sólido de éxito o abandono
estudiantil. Asimismo, variables administrativas como el
estado de pago de las pensiones (Tuition fees up to date) y
la condición de deudor reflejan la importancia de los
factores financieros en la permanencia. Finalmente,
características personales como la edad de matrícula y
ciertas variables sociodemográficas poseen un peso
moderado, pero relevante, en la predicción del fenómeno
de la deserción.
Análisis Exploratorio de los Datos (EDA)
Con el propósito de comprender mejor las características
de los estudiantes y su relación con las trayectorias
académicas, se realizó un análisis exploratorio de los datos
(EDA). Esta fase permitió identificar patrones generales,
distribuciones de variables y posibles asociaciones entre
factores académicos, demográficos y el resultado final del
estudiante, clasificado en tres categorías: abandono
(Dropout), inscrito (Enrolled) y graduado (Graduate).
Distribución de la variable objetivo (Target)
En la figura se muestra la distribución de la variable
objetivo. Se observa que la mayoría de los estudiantes
pertenecen a la categoría graduado (2209 casos), seguida
por los estudiantes que abandonaron (1421 casos) y
finalmente aquellos que permanecen inscritos al momento
del corte del estudio (794 casos).
Figura 8. Cuantificación de los estados de la variable
objetivo
Este resultado evidencia una alta proporción de estudiantes
que logran culminar sus estudios, aunque también se revela
un número significativo de abandono académico que
constituye aproximadamente un tercio de la muestra.
Figura 9. Gráfica de la variación de los estados de la
variable objetivo
Dicho hallazgo reafirma la importancia de investigar los
factores asociados al riesgo de deserción, con el fin de
orientar estrategias institucionales de prevención.
Correlación de variables con el desempeño académico
El análisis de correlaciones permitió identificar qué
variables guardan mayor relación con el Target. Entre ellas
destacan los indicadores académicos vinculados al avance
curricular:
✓ Unidades curriculares aprobadas en primer y segundo
semestre y promedio de calificaciones presentan las
correlaciones más altas con el desenlace académico, lo
que era esperable, pues reflejan directamente el
rendimiento del estudiante en los primeros periodos de
estudio.
✓ En contraste, factores demográficos como edad de
matrícula, género y estado civil muestran correlaciones
más débiles con el resultado académico, lo cual sugiere
que si bien influyen, su efecto es menos determinante
que el desempeño académico temprano.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 69 de 73
Journal of Scientific and Technological Research Industrial
✓ Adicionalmente, las variables relacionadas con la
situación financiera del estudiante (ser deudor, tener
las cuotas al día, condición de becario) mostraron
asociaciones significativas, lo que indica que la
estabilidad económica es un componente relevante
para la permanencia y éxito académico.
Figura 10. Variables o características del dataset con
mayor relevancia por su correlación
Estos hallazgos refuerzan la hipótesis de que el primer año
académico constituye un periodo crítico para el pronóstico
de éxito o abandono estudiantil.
Análisis de la variable edad
La figura siguiente se presenta la distribución de la edad de
los estudiantes. La mayoría se concentra en el rango de 18
a 25 años, lo cual corresponde al perfil típico de ingreso a
la educación superior. Sin embargo, se identificó un grupo
minoritario de estudiantes mayores de 30 años, cuya
proporción disminuye progresivamente con el incremento
de la edad. Además, en esta figura se representa el
comportamiento de la edad en función del resultado
académico. Se observa que los estudiantes graduados e
inscritos presentan una distribución concentrada en edades
tempranas, mientras que los estudiantes que abandonan
exhiben una mayor dispersión, incluyendo casos de mayor
edad. Esto sugiere que la edad avanzada puede estar
asociada con un mayor riesgo de abandono, posiblemente
debido a factores externos como responsabilidades
familiares, laborales o económicas, que dificultan la
permanencia en el sistema educativo.
División del conjunto de datos
Finalmente, el dataset fue dividido en dos subconjuntos:
✓ Conjunto de entrenamiento (train set): utilizado para
ajustar los parámetros de los modelos.
✓ Conjunto de prueba (test set): reservado para evaluar el
desempeño real del modelo sobre datos no vistos.
La partición se realizó empleando una proporción 70% para
entrenamiento y 30% para prueba, asegurando así un
balance adecuado entre cantidad de datos para el
aprendizaje y robustez en la evaluación.
Entrenamiento y validación de modelos
Con el conjunto de datos ya depurado y preparado, se
procedió a la etapa de entrenamiento y validación de
modelos predictivos, cuyo objetivo fue identificar la
técnica más adecuada para predecir la probabilidad de que
un estudiante abandone, se gradúe o permanezca inscrito
en el programa académico.
Selección de algoritmos
Dado que el problema corresponde a una tarea de
clasificación multiclase (tres categorías en la variable
Target), se seleccionaron algoritmos comúnmente
utilizados en este tipo de contextos educativos por su
capacidad de capturar relaciones no lineales y manejar
datos heterogéneos. Se implementaron diferentes
algoritmos representativos de distintas familias de
clasificación:
✓ Decision Tree Classifier (DT): modelo basado en
reglas jerárquicas.
✓ Random Forest Classifier (RFC): método de
ensamble con múltiples árboles de decisión.
✓ Logistic Regression (LR): modelo estadístico lineal
utilizado como baseline.
✓ K-Nearest Neighbors (KNN): clasificador basado en
proximidad.
✓ AdaBoost Classifier (ABC): algoritmo de boosting
que combina clasificadores débiles.
✓ Extreme Gradient Boosting (XGBoost, XBC):
técnica de boosting optimizada para alto rendimiento.
✓ Support Vector Machine (SVM): con kernel lineal y
probabilidad estimada.
Adicionalmente, se construyeron dos modelos de votación
en ensamble:
✓ Voting Classifier Soft (ENS1): combina predicciones
mediante promedios ponderados de probabilidades.
✓ Voting Classifier Hard (ENS2): decide la clase final
por mayoría de votos.
Figura 11. Algoritmos elegidos para el entrenamiento
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 70 de 73
Journal of Scientific and Technological Research Industrial
Estos algoritmos son sensibles a la escala de las variables
(LR, KNN y SVM), se aplicó normalización mediante
StandardScaler. Esta diversidad de algoritmos permitió
comparar enfoques estadísticos, basados en reglas,
métodos de ensamble y redes neuronales, ofreciendo una
visión integral del comportamiento predictivo.
Métricas de evaluación
Dado el carácter multiclase del problema, se utilizaron
métricas específicas que permiten capturar distintos
aspectos del rendimiento:
✓ Accuracy (exactitud): proporción de predicciones
correctas sobre el total.
✓ Precision, Recall y F1-score por clase: evaluadas
individualmente para las tres categorías (Dropout,
Enrolled, Graduate), con el fin de identificar posibles
sesgos hacia alguna clase mayoritaria.
✓ Matriz de confusión: para analizar detalladamente los
aciertos y errores de clasificación en cada clase.
✓ ROC-AUC multiclase: empleada como métrica
complementaria para evaluar la capacidad
discriminativa global del modelo.
Resultados de desempeño
La evaluación de los modelos se llevó a cabo mediante la
métrica de Accuracy sobre el conjunto de prueba. Los
resultados obtenidos se resumen en la siguiente tabla.
Tabla 1
Exactitud obtenida por los modelos de clasificación
Modelo
Accuracy (%)
Decision Tree (DT)
69.38
Random Forest (RFC)
80.56
Logistic Regression (LR)
76.38
K-Nearest Neighbors (KNN)
34.12
AdaBoost (ABC)
75.48
XGBoost (XBC)
78.98
Support Vector Machine (SVM)
75.82
Voting Classifier Soft (ENS1)
80.23
Voting Classifier Hard (ENS2)
79.66
Análisis comparativo
Los resultados muestran claras diferencias en la capacidad
predictiva de los algoritmos:
• Random Forest alcanzó el mejor desempeño individual
(80.56%), superando a otros métodos de boosting
como XGBoost (78.98%) y AdaBoost (75.48%).
• Logistic Regression y SVM se ubicaron en un rango
intermedio (75–76%), confirmando su utilidad como
modelos de referencia, aunque con limitaciones en la
captura de relaciones no lineales.
• KNN presentó un bajo rendimiento (34.12%),
evidenciando su inadecuación en este caso,
probablemente debido a la alta dimensionalidad del
dataset y a la falta de patrones de vecindad bien
definidos.
• Los modelos de ensamble (ENS1 y ENS2) mostraron
desempeños cercanos al Random Forest, aunque sin
superarlo de forma significativa (80.23% y 79.66%
respectivamente).
Estos resultados confirman que los métodos de ensamble
basados en árboles de decisión (RFC y XGBoost) son los
más adecuados para abordar la predicción de deserción,
permanencia y graduación en este contexto.
Consideraciones adicionales
Durante el entrenamiento se registraron advertencias
técnicas relacionadas con la convergencia en la Regresión
Logística, atribuibles al límite de iteraciones del solver
utilizado. Asimismo, se observaron diferencias en la
necesidad de escalamiento de características, lo que resalta
la importancia de un preprocesamiento diferenciado según
el algoritmo aplicado. En general, los modelos mostraron
un desempeño aceptable, con exactitudes superiores al 75%
en la mayoría de los casos, lo que evidencia la viabilidad
del aprendizaje automático como herramienta predictiva en
la gestión del riesgo de deserción estudiantil.
Determinar el impacto positivo del modelo de ML en la
optimización de la gestión de los servicios de TI del
Ministerio Público.
En esta fase de la investigación se evaluó la influencia de
las políticas institucionales y las condiciones tecnológicas
en la gestión de los servicios de TI. Para ello, se analizaron
variables relacionadas con el uso de los servicios
tecnológicos, como el tipo de solicitud realizada
(incidencias tecnológicas, mantenimiento de equipos,
solicitudes de soporte), el tiempo de resolución de los
tickets, la frecuencia de uso de las plataformas, y la
participación en programas de capacitación o inducción
sobre el uso de tecnologías. Estas características fueron
contrastadas con los registros históricos de atención,
tiempos de respuesta y satisfacción del usuario interno.
Estos hallazgos permitieron concluir que las políticas
tecnológicas y las condiciones institucionales no solo
afectan la gestión de los servicios de TI, sino que
determinan en gran medida la eficiencia operativa y la
satisfacción de los usuarios internos, constituyendo
factores clave en la optimización de los servicios de TI.
Identificar las estrategias de intervención para disminuir el
riesgo de deserción estudiantil.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 71 de 73
Journal of Scientific and Technological Research Industrial
A partir de los resultados del modelo predictivo, que
identificó a los estudiantes en diferentes niveles de riesgo
de abandono (alto, medio y bajo), se planteó un conjunto
de estrategias de intervención orientadas a disminuir la
deserción y mejorar la retención estudiantil. Estas
estrategias fueron diseñadas considerando los factores más
relevantes detectados en el análisis: desempeño académico,
situación socioeconómica, condiciones institucionales y
aspectos psicoemocionales.
Las propuestas se organizaron en tres ejes de acción, con la
finalidad de atender de manera integral las diversas causas
del abandono académico y optimizar el uso de los recursos
institucionales.
Acompañamiento académico personalizado
Este eje tiene como objetivo fortalecer el rendimiento
académico de los estudiantes en riesgo, con énfasis en
quienes fueron clasificados en el nivel alto de probabilidad
de deserción. Las acciones contempladas fueron:
✓ Tutorías personalizadas o en grupos pequeños, con
planes de seguimiento académico individualizado,
dirigidos por docentes especializados en asignaturas
críticas.
✓ Sesiones de reforzamiento académico en cursos con
mayor índice de desaprobación, principalmente en los
primeros ciclos, como matemáticas, física y
comunicación.
✓ Monitoreo mensual del rendimiento académico
mediante reportes de notas y asistencia, orientado a
detectar tempranamente caídas en el desempeño y
activar intervenciones inmediatas.
Apoyo psicoemocional y orientación vocacional
Este eje se centró en atender factores emocionales y
motivacionales que inciden directamente en la continuidad
académica. Las actividades propuestas incluyeron:
✓ Talleres de manejo de estrés, autoestima académica y
técnicas de estudio, dirigidos a estudiantes de riesgo
medio y alto.
✓ Sesiones de consejería individual con psicólogos
educativos para facilitar la adaptación al entorno
académico y la resolución de conflictos personales.
✓ Programas de orientación vocacional que permitan a
los estudiantes evaluar la pertinencia de su elección
profesional y, en caso necesario, reorientar su
trayectoria académica sin llegar al abandono.
Fortalecimiento de condiciones institucionales
En este eje se plantearon medidas orientadas a mejorar la
infraestructura, los recursos y los servicios de apoyo
institucional, con acciones como:
✓ Ampliación del acceso a bibliotecas, laboratorios y
plataformas virtuales, con disponibilidad suficiente de
materiales y equipos.
✓ Reducción de la sobrepoblación en aulas mediante la
reorganización de secciones y la apertura de grupos
adicionales en asignaturas de alta demanda.
Implementación de programas de mentoría entre pares,
donde estudiantes avanzados acompañen a los de ciclos
iniciales, fomentando la integración y la motivación.
Discusión
La aplicación del modelo predictivo basado en Machine
Learning evidenció un impacto positivo en distintos
indicadores de permanencia académica, mostrando
reducciones significativas tanto en el riesgo de deserción
(de 53,33% a 14,44%) como en la ratio de repetición (de
49,82% a 24,91%), además de un incremento sustancial en
la frecuencia de evaluaciones rendidas (de 37,77% a
86,66%), todos con diferencias estadísticamente
significativas (p = 0,000). Estos resultados confirman la
efectividad de los algoritmos de predicción para la
identificación temprana de estudiantes en riesgo, en línea
con lo planteado por Ramya et al. (2021), quienes sostienen
que los modelos de clasificación superan los enfoques
manuales y mejoran la toma de decisiones en contextos
educativos. Asimismo, la evidencia empírica se
corresponde con lo señalado por Suárez et al. (2020),
respecto a la capacidad de los modelos predictivos
construidos con información académica y socioeconómica
para anticipar patrones de abandono, y con lo expuesto por
Elisa (2020), en relación con la necesidad de sistemas
educativos digitales que prioricen eficiencia y trazabilidad.
Del mismo modo, la mejora en la participación en
evaluaciones guarda relación con lo descrito por Subiyakto
et al. (2021) y por Mahlangu y Ruhode (2021), quienes
destacan la relevancia de sistemas inteligentes que
promuevan la participación activa y reduzcan brechas de
desempeño. En este sentido, el aporte central de la
investigación trasciende la validación técnica, pues
demuestra que, incluso en contextos regionales con
limitaciones estructurales y tecnológicas, la integración de
modelos predictivos no solo optimiza la detección de
riesgos, sino que también incide directamente en la mejora
de la permanencia estudiantil y consolida el rol de la
analítica educativa como herramienta estratégica en la
gestión académica.
Conclusiones
La implementación del modelo predictivo para la
identificación temprana de estudiantes en riesgo de
deserción demostró un impacto significativo en la
retención académica, incrementando del 49,90% al 81,61%
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 72 de 73
Journal of Scientific and Technological Research Industrial
la permanencia estudiantil. Este hallazgo valida la eficacia
del algoritmo en la anticipación de factores de abandono,
confirmando la relevancia de los atributos
socioeconómicos y académicos como variables críticas en
la predicción. No obstante, la experiencia evidencia que la
calidad de los datos, su representatividad y la integración
de dimensiones psicosociales resultan determinantes para
optimizar la precisión del modelo. En consecuencia, se
recomienda fortalecer los procesos de depuración y
actualización de los registros institucionales, así como
integrar técnicas avanzadas de validación cruzada y
métricas de desempeño robustas, con el propósito de
consolidar el modelo como una herramienta de gestión
estratégica en la prevención de la deserción.
El modelo predictivo aplicado al análisis de la repetición
de asignaturas evidenció una disminución sustancial en la
ratio de cursos repetidos, reduciendo la media del 49,82%
al 24,91% tras la implementación de la solución. Este
resultado confirma la capacidad del algoritmo para
identificar de manera temprana a los estudiantes con riesgo
de bajo rendimiento y activar mecanismos preventivos que
favorezcan la continuidad en los estudios. Sin embargo, se
identifican desafíos asociados a la calidad de los datasets,
el tamaño muestral y la adecuada ponderación de variables,
aspectos que pueden incidir en la generalización de los
resultados. Por ello, se recomienda integrar datos
longitudinales, aplicar regularización en los modelos de
aprendizaje y fortalecer la representatividad de la muestra,
con el fin de robustecer la capacidad del sistema para
contribuir de manera sostenida a la reducción de la
repetición en contextos tecnológicos similares.
El análisis del tercer indicador reveló un incremento
notable en la frecuencia de evaluaciones rendidas, pasando
del 37,77% al 86,66%, lo cual refleja que la aplicación del
modelo de Machine Learning no solo reduce la deserción y
la repetición, sino que también fomenta un mayor
compromiso académico a través de la asistencia a
instancias evaluativas. Este hallazgo respalda la pertinencia
de incorporar la analítica predictiva en la gestión educativa,
al ofrecer alertas tempranas que permiten diseñar
estrategias de acompañamiento para mejorar la
participación estudiantil. Sin embargo, la evidencia
también señala la necesidad de fortalecer la integración de
variables de comportamiento y motivación estudiantil, ya
que factores externos a lo académico pueden influir en la
asistencia a evaluaciones. Por ende, se sugiere ampliar el
modelo con técnicas de aprendizaje supervisado y no
supervisado, así como integrar herramientas de analítica
institucional en tiempo real, con el objetivo de consolidar
la frecuencia de evaluaciones rendidas como un indicador
clave de permanencia académica.
Reconocimiento
Para esta investigación, me gustaría agradecer a los colegas
de la universidad por brindarme los recursos necesarios
para la elaboración de este artículo, a mis colegas que me
dieron el conocimiento para desarrollar el modelo de
Machine Learning y a nuestra familia, quienes me dieron
la fuerza para seguir adelante con esta investigación.
Referencias Bibliográficas
[1] A. Subiyakto, R. Aisy, B. Sudarsono, M. Sihotang, D.
Setiyadi, y A. Sani, Empirical evaluation of user
experience using lean product and process
development: A public institution case study in
Indonesia, vol. 2331. 2021. doi: 10.1063/5.0041676.
[2] N. Elisa, «Usability, Accessibility and Web Security
Assessment of E-government Websites in Tanzania»,
25 de junio de 2020, arXiv: arXiv:2006.14245. doi:
10.48550/arXiv.2006.14245.
[3] G. Mahlangu y E. Ruhode, «Factors Enhancing E-
Government Service Gaps in a Developing Country
Context», 2021, arXiv. doi:
10.48550/ARXIV.2108.09803.
[4] R. Ramya, P. S. P, y S. K. S, «Classifying the
Unstructured IT Service Desk Tickets Using
Ensemble of Classifiers», 2021, arXiv. doi:
10.48550/ARXIV.2103.15822.
[5] C. A. Ramos Núñez, Historia Del Derecho Peruano,
1st ed. Lima: Palestra Editores S.A.C, 2020.
[6] A. A. K. Meliza, C. S. A. H. Roy, y D. L. F. T. Julia,
«Propuesta de un Sistema Web de Mesa de Ayuda
Para la Atención al Usuario en el Hospital Nacional
Guillermo Almenara Irigoyen 2021», Universidad
Peruana de Ciencias Informáticas, 2023. Accedido: 30
de junio de 2025. [En línea]. Disponible en:
http://repositorio.upci.edu.pe/handle/upci/775
[7] J. Andrade Salazar y R. Pérez, «Epistemología en la
educación: apuestas y desafíos contemporáneos», Rev.
Divers. Científica, vol. 1, pp. 1-21, jul. 2024, doi:
10.36314/diversidad.v4i1.102.
[8] S. Ramírez Castañeda, Teoría general de sistemas de
Ludwig von Bertalanffy. México: UNAM, Centro de
Investigaciones Interdisciplinarias en Ciencias y
Humanidades, 1999.
[9] J. M. García, Ciencias de la complejidad: Teoría
General de Sistemas, Pensamiento Sistémico y sus
aplicaciones prácticas en las ciencias económicas,
ambientales y sociales.
[10] R. Hoda, Qualitative Research with Socio-Technical
Grounded Theory: A Practical Guide to Qualitative
Data Analysis and Theory Development in the Digital
World, 1st ed. 2024. Cham: Springer International
Publishing, 2024. doi: 10.1007/978-3-031-60533-8.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 6 N.º 2
(July - December, 2025)
Página 73 de 73
Journal of Scientific and Technological Research Industrial
[11] T. Iyamu, The Application of Sociotechnical Theories
in Information Systems Research.
[12] J. Hodges, Managing and Leading People Through
Organizational Change: The Theory and Practice of
Sustaining Change Through People, 2nd ed. London:
Kogan Page, Limited, 2021.
[13] G. García, Gestión de Cambios Organizacionales:
Modelo Integrado: Factores Transformacionales y
Transaccionales, 1st ed. en Colección Cátedra Series.
Barcelona: Alfa Digital, 2018.
[14] L. F. Moreno, W. I. Gallo Aponte, y V. C. L. López
Valle, Eds., Tecnología, administración pública y
regulación, Primera edición. Bogotá: Universidad
Externado de Colombia, 2021.
[15] C. Contreras, El papel del gobierno en la era digital:
un enfoque de economía pública. Madrid: Editorial
Universitaria Ramón Areces, 2017.
[16] C. Ramió, Inteligencia artificial y Administración
pública: robots y humanos compartiendo el servicio
público. Los libros de la Catarata, 2025.
[17] D. Cuadra-Martínez, D. Pérez-Zapata, J. Sandoval-
Díaz, y J. Rubio-González, «Clima escolar y factores
asociados: modelo predictivo de ecuaciones
estructurales», Rev. Psicol., vol. 40, n.
o
2, pp. 685-709,
jul. 2022, doi: 10.18800/psico.202202.002.
[18] M. Hadi, C. Martel, F. Huayta, R. Rojas, y J. Arias,
Metodología de la investigación: Guía para el
proyecto de tesis, 1.
a
ed. Instituto Universitario de
Innovación Ciencia y Tecnología Inudi Perú, 2023.
doi: 10.35622/inudi.b.073.
[19] J. C. Auza-Santiváñez, A. A. Quispe Cornejo, J. P.
Hayes Dorado, y B. Díaz Pérez, «Science education
from the approach of innovation, science and
technology», Salud Cienc. Tecnol., vol. 2, p. 64, jul.
2022, doi: 10.56294/saludcyt202264.
[20] L. • P. por el Derecho, «Constitución Política del Perú
(actualizada 2025)», LP. Accedido: 24 de septiembre
de 2025. [En línea]. Disponible en:
https://lpderecho.pe/constitucion-politica-peru-
actualizada/
[21] J. J. G. Millán y M. T. R. Díaz, Manual práctico de
planeación estratégica. Madrid, 2019.
[22] Y. B. Aycaya-Paco, L. D. Vilca-Mamani, y F. Torres-
Cruz, «Peru Mining: Analysis and Forecast of Mining
Production in Peru Using Time Series and Data
Science Techniques», 2023, arXiv. doi:
10.48550/ARXIV.2307.06293.
[23] «Metodología CRISP-DM: Guía para Científicos de
Datos». Accedido: 24 de septiembre de 2025. [En
línea]. Disponible en: https://proceso-
seleccion.bsginstitute.com/bs-
campus/blog/Metodolog%C3%ADa-CRISP-DM-
Gu%C3%ADa-para-Cient%C3%ADficos-de-Datos-0
[24] R. Wirth y J. Hipp, «CRISP-DM: Towards a standard
process model for data mining», Proc. 4th Int. Conf.
Pract. Appl. Knowl. Discov. Data Min., ene. 2000.
[25] G. Mariscal, O. Marbán, y C. Fernández, «A survey of
data mining and knowledge discovery process models
and methodologies», Knowl. Eng Rev., vol. 25, pp.
137-166, jun. 2010, doi:
10.1017/S0269888910000032.
[26] C. C. Democrático, CONSTITUCIÓN POLÍTICA
DEL PERÚ.
[27] J. G. González, Á. A. Lozano, G. M. Rodríguez, R. M.
Gonçalves, y F. D. S. Veiga, Eds., El derecho público
y privado ante las nuevas tecnologías, 1.
a
ed.
Dykinson, 2020. doi: 10.2307/j.ctv153k4rn.
[28] R. Leyva-Flores, Manual sobre los aspectos legales
de la regulación de los servicios públicos económicos.
Palestra Editores, 2021.
[29] C. Velazco Ramos, Ed., Los principios rectores de las
Naciones Unidas en el Perú: 10 años después,
Primera edición. en Empresas y Derechos Humanos,
no. 1. Lima: Palestra Editores S.A.C, Universidad
ESAN, 2022.
[30] M. G. Piattini Velthuis y F. Ruiz González, Gobierno
y gestión de las tecnologías y los sistemas de
información. Paracuellos de Jarama, Madrid: Ra-Ma,
2020.
[31] «The Organisation for Economic Co-operation and
Development | OECD». Accedido: 24 de septiembre
de 2025. [En línea]. Disponible en:
https://www.oecd.org/
[32] J. Saavedra Chanduví, ESTAMOS TARDE;UNA
MEMORIA PARA RECOBRAR LA EDUCACION EN
EL PERU. S.l.: DEBATE, 2023.
[33] P. Stjernstrom, ITIL® 4 Foundation Courseware -
Español. Zaltbommel: Van Haren Publishing, 2019.
[34] S. Covey, 4 Disciplinas de la Ejecución / The 4
Disciplines of Execution. ES: Conecta, 2024.
[35] M. Maleshkova, Smart Service Management: Design
Guidelines and Best Practices. Cham: Springer
International Publishing AG, 2021.
[36] S. Nair, The Service Desk Handbook – A guide to
service desk implementation, management and
support. IT Governance Ltd, 2020.
