SEMINÁRIO. modelos preditivos de evasão

Transcrição

1 SEMINÁRIO modelos preditivos de evasão

2 introdução Gartner: Gasto com TI deve subir para US$ 125,3 bilhões em 2015; IP News: Instituições de ensino privadas do Brasil investem cerca de R$ 2 bilhões por ano em TI; Principais áreas de gastos: EAD Tablets Conteúdo

3 alguns desafios das IES Recrutamento/captação Quem são? Onde estão? Como alcança-los? Ensino/retenção Onde estão as dificuldades dos alunos? Ensino prestado condizente com a qualidade desejada? Qual o nível de satisfação? Como combater a evasão?

4 alguns desafios das IES Fidelização de egressos Que serviços adicionais desejam? Qual o perfil do egresso que retorna? Onde estão? Gestão Como responder às agências reguladoras? Onde hávariação de custos e gastos? Há retração de mercado? Quais as tendências de mercado? Quão eficiente a alocação dos recursos?

5 ciência de dados A descoberta dos cientistas de dados Jornal Valor Econômico Empresas intensificam busca por profissionais capazes de coletar, analisar e transformar em vantagem competitiva as informações geradas por seus clientes

6 ciência de dados Aplicações da ciência de dados na gestão estratégica: Gestão de Relacionamento com Clientes (CRM); Inteligência Competitiva; Sistemas de Inteligência de Negócio (BI); Mineração de dados;

7 ciência de dados Benefícios para a gestão estratégica Identificação de tendências; Descoberta de oportunidades ou identificação de riscos; Apoio àgestão e tomada de decisão; Prospecção e predição de comportamento;

8 modelos preditivos de evasão No mercado educacional a redução da evasão éuma vantagem competitiva chave.

9 modelos preditivos de evasão Principais causas de evasão: Problemas financeiras; Falta de orientação vocacional; Deficiências na formação básica; Conflitos de agenda / falta de tempo;

10 modelos preditivos de evasão A intenção de um aluno evadir geralmente é identificada pela IES somente quando o aluno dá entrada em um pedido de transferência ou após o abandono.

11 modelos preditivos de evasão O principal fator de retenção de estudantes é o fortalecimento da lealdade. Relação de confiança; Compromisso emocional; Satisfação; Expectativas; Reputação da IES;

12 modelos preditivos de evasão O modelo de predição de evasão utiliza técnicas e ferramentas de mineração de dados para identificar estudantes com elevado risco de evasão, permitindo engajamento personalizado.

13 modelos preditivos de evasão O modelo é preditivo, com precisão esperada de 90% de acerto para alunos indicados como propensos a graduar e 60% para evadir.

14 modelos preditivos de evasão Avalia propensão de alunos àpartir do 3º semestre; Avalia indicadores: Acadêmicos; Socioeconômicos; Financeiros;

15 modelos preditivos de evasão Principais indicadores: GPA(média de menção); Frequência; Nº reprovações; Tipo de processo seletivo; Idade de ingresso; Região de residência; Estado civil; Percentual de abatimentos na mensalidade; Tempo de pagamento das faturas (adiantamento/ atraso); Valor da mensalidade (relativo a salários mínimos);

16 modelos preditivos de evasão Reg. Acadêmico % Evasão % Graduação Predição 20500XXX 93,2 6,8 Evasão 20500XXX 9,7 90,3 Conclusão 20527XXX 29,4 70,6 Conclusão 20550XXX 16,2 83,8 Conclusão 20758XXX 48,6 51,4 Conclusão 20903XXX 92,8 7,2 Evasão 20502XXX 28,6 71,4 Conclusão 20502XXX 75,0 25,0 Evasão 20502XXX 1,6 98,4 Conclusão 20503XXX 4,9 95,1 Conclusão

17 conclusão Modelos de predição não explicam por que alunos abandonam, simplesmente apontam quais alunos tendem ao comportamento estudado; Remove da avaliação de um grupo viés e préconceitos, permitindo a identificação de propensões de comportamento baseada puramente em dados; Ao categorizar indivíduos, a organização pode usar eficientementeseus recursos, focando esforços naqueles alunos que apresentam maior risco;

18 OBRIGADO! Paulo Roberto Cobbe Lattes:

19 pesquisa de opinião População = 20 Amostra = 20 75% Vermelho 25% Azul Erro = 0% = 5 = 15

20 pesquisa de opinião População = 20 Amostra = 5 80% Vermelho 20% Azul Erro = 5% = 4 = 16

21 análise preditiva

22 análise preditiva