Stella: entender y actuar sobre cada estudiante, antes de que sea tarde
Stella es un sistema de inteligencia predictiva diseñado para entender, anticipar y gestionar fenómenos críticos de la trayectoria estudiantil (como la deserción). A través del análisis de datos institucionales y modelos de inteligencia artificial, Stella permite identificar estudiantes en riesgo con hasta un 86% de asertividad, activar intervenciones oportunas y mejorar significativamente los resultados: hasta 19% menos deserción semestral y hasta 48% más efectividad en las acciones de acompañamiento.
Stella opera como plataforma de éxito estudiantil en universidades de Latinoamérica y España dentro de Foris Suite.
Las universidades operan a escala. Cada período académico moviliza miles de estudiantes, múltiples programas, reglas académicas complejas y equipos que intentan acompañar trayectorias que rara vez son lineales. Desde lo macro, la institución logra observar indicadores globales como tasas de deserción, rendimiento promedio o niveles de avance. Sin embargo, el verdadero desafío está en lo que ocurre a nivel individual.
El problema radica en la capacidad de convertir los datos en decisiones a tiempo, más que en la disponibilidad de información, y aunque existen múltiples fuentes, no hay claridad sobre qué está pasando con cada estudiante en el momento oportuno. Las señales están ahí, pero dispersas, desarticuladas e invisibles para la operación diaria. Cuando finalmente emergen en los indicadores institucionales, ya es demasiado tarde para intervenir de forma efectiva.
El punto ciego de la operación académica
En la mayoría de instituciones, el acompañamiento estudiantil se construye sobre lo que se conoce como Ceguera Operativa: hay cada vez más información disponible, pero menos capacidad real de convertirla en decisiones oportunas. Los equipos deben atender cientos o miles de estudiantes sin una priorización clara, lo que inevitablemente los lleva a operar de forma reactiva.
Esto se traduce en tres problemas estructurales:
- Falta de claridad sobre a quién priorizar
- Detección tardía de señales de riesgo
- Ausencia de medición sistemática
Este impacto se refleja directamente en los indicadores institucionales:
- El 70% de los administradores universitarios reconoce que sus sistemas no están a la altura para manejar las complejidades de la retención estudiantil (Inside Higher Ed)
- El 40% de los sistemas de alerta temprana no logra identificar a los estudiantes en riesgo (Journal of Learning Analytics)
- El 70% de las universidades carece de análisis predictivos para la retención y el éxito estudiantil (Gartner)
En muchos contextos:
- Entre el 20% y el 40% de los estudiantes presentan algún nivel de riesgo a lo largo del período académico
- Una proporción significativa de esos casos no recibe intervención oportuna
- Gran parte de las acciones de acompañamiento no se ejecutan o no se registran correctamente
Mientras los equipos operan al límite de su capacidad, los fenómenos críticos continúan desarrollándose sin control. Solo el 22% de los estudiantes se titula en el plazo establecido. 5 de cada 10 no llegan a graduarse, y el 30% abandona en los primeros dos años por falta de estrategias de apoyo eficaces (National Student Clearinghouse).
Cuando estos casos finalmente aparecen en indicadores como la deserción, el margen de acción ya es limitado. La Ceguera Operativa responde a un problema de modelo, más que de voluntad institucional: las instituciones llegan tarde por la falta de mecanismos que les permitan ver a tiempo.
¿Qué es Stella y por qué cambia el modelo?
Stella es una solución de inteligencia artificial aplicada al acompañamiento estudiantil que permite a las instituciones entender, anticipar y actuar sobre los diferentes fenómenos que afectan la trayectoria académica. Stella convierte los datos en decisiones operativas dentro del día a día institucional.
A diferencia de herramientas tradicionales centradas en reportes o indicadores aislados, Stella opera como una capa transversal de inteligencia que integra información académica, financiera, institucional y comportamental para construir una lectura unificada de cada estudiante.
En el núcleo de Stella hay algoritmos de caracterización basados en inteligencia artificial que combinan distintos enfoques, como modelos multivariados, árboles de decisión y segmentación dinámica, para entender el comportamiento estudiantil desde múltiples dimensiones. Estos modelos permiten que Stella identifique patrones y además construya perfiles dinámicos que evolucionan con cada interacción del estudiante.
Stella permite entender qué está pasando con cada estudiante y transformar la forma en que se gestiona la experiencia estudiantil. En lugar de segmentaciones estáticas, construye una lectura dinámica de la población, ya que no solo identifica quién está en riesgo, sino por qué, y conecta ese diagnóstico con acciones concretas de acompañamiento.
Este enfoque cambia el modelo de gestión porque permite operar la complejidad real del estudiante sin perder escalabilidad. No todos los casos responden a las mismas causas, ni requieren las mismas acciones, y Stella hace posible gestionar esa diversidad de forma estructurada.
| Resultado | Valor |
|---|---|
| Reducción en deserción semestral | 19% |
| Asertividad en predicción de fenómenos | 86% |
| Efectividad en acciones de acompañamiento | Hasta 48% |
Stella es parte de Foris Suite, la plataforma de gestión universitaria IA-Native de Foris, que también integra Darwin para planificación académica y Albus para la inscripción estudiantil.
¿Cómo funciona Stella?
Stella opera como un sistema de inteligencia continua que transforma datos en decisiones y acciones concretas dentro de la operación académica. Su funcionamiento conecta integración de información, modelamiento analítico y ejecución operativa en un flujo unificado que evoluciona constantemente.
1. Integración y unificación de datos
Stella consolida información proveniente de múltiples sistemas institucionales, académicos, financieros, administrativos y de interacción, para construir una base unificada del estudiante.
- Integra fuentes heterogéneas (SIS, LMS, CRM, sistemas financieros, entre otros)
- Normaliza y estructura los datos para análisis consistente
- Construye una visión completa del estudiante a lo largo de su trayectoria
Esta capa es clave porque elimina la fragmentación de la información, uno de los principales bloqueos para la toma de decisiones oportuna.
2. Modelos de caracterización y predicción
Stella aplica algoritmos de inteligencia artificial y modelos estadísticos que permiten entender y anticipar fenómenos estudiantiles.
- Modelos multivariados supervisados: estiman la probabilidad de ocurrencia de fenómenos como deserción o bajo rendimiento, utilizando múltiples variables simultáneamente y aprendiendo de datos históricos institucionales.
- Árboles de decisión para segmentación: identifican combinaciones de variables que explican comportamientos específicos, generando segmentos interpretables y accionables.
- Selección y validación de variables: uso de técnicas como chi-cuadrado, regresión logística e información mutua para priorizar variables con mayor poder explicativo y evitar ruido en los modelos.
- Perfiles dinámicos de comportamiento: los modelos no son estáticos, ya que evolucionan con nuevos datos, ajustando continuamente la caracterización de cada estudiante.
Esta combinación permite que Stella opere como un sistema explicable, donde cada predicción tiene contexto.
3. Identificación de señales y priorización
Stella traduce los resultados analíticos en señales claras para la operación institucional.
- Identifica estudiantes en riesgo en tiempo real
- Prioriza casos según probabilidad, impacto y urgencia
- Agrupa estudiantes en segmentos con características comunes
Esto permite pasar de una gestión reactiva a una priorización basada en evidencia.
4. Activación de acciones de acompañamiento
Cada señal generada por Stella se conecta directamente con la operación institucional.
- Asignación de casos a equipos responsables
- Definición de acciones diferenciadas por tipo de riesgo o segmento
- Seguimiento estructurado de cada intervención
Aquí es donde la analítica se convierte en ejecución real, cerrando la brecha entre insight y acción.
5. Medición y aprendizaje continuo
Stella mide el impacto de cada acción y utiliza esa información para mejorar continuamente.
- Evaluación de efectividad de intervenciones
- Retroalimentación de modelos con nuevos datos
- Ajuste continuo de reglas, segmentos y predicciones
Este ciclo permite que el sistema aumente progresivamente su precisión y efectividad en el tiempo.
Una plataforma, múltiples fenómenos estudiantiles
En el ámbito universitario, cada institución enfrenta fenómenos distintos a lo largo de la trayectoria estudiantil. Algunos son ampliamente conocidos, como la deserción o la graduación, mientras que otros responden a dinámicas específicas de cada contexto académico, programa o población.
Estos fenómenos no son estáticos y evolucionan en el tiempo, están influenciados por múltiples variables y requieren una gestión que combine análisis, anticipación y acción coordinada.
Stella permite abordar esta complejidad desde una única plataforma, habilitando la identificación, análisis y gestión de múltiples fenómenos de forma centralizada y a nivel individual por estudiante.
Entre los principales fenómenos que pueden ser gestionados se encuentran:
- Deserción estudiantil y sus distintas variantes (cíclicas, estructurales, por programa o sede)
- Graduación y avance hacia la titulación
- Aprobación académica y repitencia de asignaturas
- Desempeño académico y evolución del promedio
- Satisfacción y vinculación del estudiante con la institución
- Continuidad en procesos de inscripción y progresión académica
- Acceso a beneficios como becas o apoyos financieros
- Elecciones académicas (carrera, énfasis, opciones de grado)
- Resultados posteriores como empleabilidad o ingresos
Stella permite modelar y gestionar cualquier fenómeno que sea relevante para el contexto específico de cada institución, adaptándose a sus prioridades estratégicas y a la naturaleza de su población estudiantil.
Más allá de las herramientas de análisis de deserción
Hoy, muchas instituciones ya han dado un paso importante: han incorporado herramientas de analítica enfocadas en fenómenos como la deserción estudiantil.
Estas soluciones permiten consolidar información, visualizar indicadores e identificar niveles de riesgo dentro de la población; son un avance relevante frente a modelos completamente manuales.
Sin embargo, en la práctica, su alcance suele quedarse en el análisis.
- Identifican qué estudiantes están en riesgo, pero no explican con claridad por qué
- Entregan información, pero no priorizan dónde actuar primero
- Requieren interpretación adicional para traducir los hallazgos en acciones concretas
- Operan como capas aisladas y desconectadas de la ejecución diaria de los equipos
Stella se construye sobre esa base, pero va un paso más allá. Permite identificar y entender los fenómenos y activar decisiones directamente sobre el ecosistema académico donde esos fenómenos ocurren.
En la práctica, esto se traduce en un flujo continuo:
- Stella caracteriza a cada estudiante y detecta patrones relevantes en su comportamiento
- Esta información se conecta con la planificación académica, permitiendo ajustar la oferta según perfiles y necesidades específicas (Darwin)
- A nivel de inscripción, se pueden guiar decisiones concretas, recomendando combinaciones, grupos o trayectorias más adecuadas para cada estudiante (Albus)
- Las acciones dejan de ser genéricas y se vuelven contextuales, integradas directamente en los momentos donde el estudiante toma decisiones
Así, el valor reside en comprender el riesgo y en intervenirlo dentro de los procesos reales de la institución.
Lo que antes era una herramienta de análisis se convierte en una capacidad institucional para gestionar activamente la trayectoria de cada estudiante, como una capa de inteligencia integrada sobre toda la operación académica.
Stella se posiciona como plataforma de éxito estudiantil para educación superior en la región, diferenciándose de las herramientas de analítica al integrar predicción, intervención y medición de impacto en un ciclo continuo conectado con la operación académica.
Si tu institución quiere entender cómo Stella puede adaptarse a su contexto, conoce Stella aquí o agenda una demo para ver en detalle cómo Stella apoya tu caso.
Glosario: términos clave en este artículo
Ceguera Operativa: concepto que describe la incapacidad estructural de una institución universitaria para convertir sus datos en decisiones de acompañamiento a tiempo. No es un problema de voluntad ni de información disponible, sino de modelo: los equipos operan sin los mecanismos para ver lo que está pasando con cada estudiante en el momento oportuno.
Modelo predictivo de deserción: algoritmo de ML entrenado con datos históricos institucionales que estima la probabilidad de que un estudiante abandone sus estudios en un período determinado. En Stella, estos modelos alcanzan hasta un 86% de asertividad.
Acompañamiento estudiantil: conjunto de acciones que una institución ejecuta para apoyar la trayectoria académica de sus estudiantes, incluyendo consejería, intervención financiera, apoyo psicosocial y orientación académica.
Preguntas frecuentes
¿Qué es Stella de Foris?
Stella es un sistema de inteligencia predictiva para universidades que analiza datos institucionales para identificar y anticipar fenómenos críticos de la trayectoria estudiantil, como deserción, reprobación, riesgo financiero y graduación. Permite identificar estudiantes en riesgo con hasta un 86% de asertividad, activar intervenciones oportunas y medir el impacto de cada acción.
¿Cómo predice Stella la deserción estudiantil?
Stella combina modelos multivariados supervisados, árboles de decisión y técnicas de selección de variables para construir perfiles de riesgo individuales. Los modelos se entrenan con datos históricos propios de cada institución y se actualizan continuamente con nuevos datos.
¿Qué resultados obtienen las universidades que usan Stella?
Instituciones que implementan Stella reportan hasta 19% menos deserción semestral, 86% de asertividad en la predicción de fenómenos estudiantiles y hasta 48% de efectividad en las acciones de acompañamiento ejecutadas por sus equipos.
¿En qué se diferencia Stella de otras herramientas de análisis de deserción?
La mayoría de herramientas identifican quién está en riesgo pero no explican por qué ni priorizan dónde actuar. Stella va más allá: conecta el diagnóstico con acciones concretas dentro de la operación institucional, integrándose con la planificación académica (Darwin) y la inscripción (Albus).
¿Solo sirve Stella para gestionar la deserción?
No. Stella puede modelar cualquier fenómeno medible en la trayectoria estudiantil: graduación, reprobación, riesgo financiero, continuidad en la inscripción, acceso a becas, empleabilidad y más. La plataforma se adapta a las prioridades estratégicas de cada institución.
¿Stella es una plataforma de éxito estudiantil?
Sí. Stella funciona como plataforma de éxito estudiantil para universidades. Integra predicción de riesgos, activación de intervenciones y medición de impacto en un ciclo conectado con la planificación académica y la inscripción dentro de Foris Suite. Opera en instituciones de Latinoamérica y España.