Segmentación de estudiantes universitarios mediante clustering para la planificación académica - Martín de los Santos Antoñanzas, Carlos

Abstract

Este Trabajo de Fin de Grado surge del interés por comprender la diversidad real del alumnado que accede a la universidad y de explorar cómo el análisis de datos puede ayudar a mejorar la toma de decisiones académicas. El objetivo principal del estudio es identificar grupos homogéneos de estudiantes a partir de información académica y sociodemográfica, con el fin de proponer estrategias de gestión y planificación basadas en evidencias. La metodología integra una revisión de la literatura con un enfoque cuantitativo aplicado al dataset ‘UCM-Acceso’. Tras un análisis exploratorio exhaustivo, se aplicó el algoritmo k-prototypes como técnica principal de clustering para datos mixtos, complementado de forma exploratoria con k-medoids y distancia de Gower. La evaluación mediante silhouette score permitió validar la coherencia de la segmentación obtenida. El análisis reveló la existencia de dos perfiles claramente diferenciados de estudiantes, cuyas características permiten diseñar estrategias orientadas tanto al apoyo académico como a la planificación institucional. Asimismo, el estudio identificó tendencias estructurales, como la evolución de la demanda por ramas de estudio, los cambios en el nivel socioeconómico del alumnado o el aumento de las notas de acceso, que aportan información valiosa para la gestión de recursos universitarios. En conjunto, el trabajo pone de manifiesto la utilidad del análisis de datos propio del ámbito de Business Analytics para comprender la heterogeneidad del alumnado y para fundamentar decisiones académicas en datos reales, abriendo la puerta a enfoques más personalizados y a líneas futuras de investigación en predicción y análisis educativo.

This Final Degree Project stems from an interest in understanding the real diversity of students entering university and exploring how data analysis can support academic decision-making. The main objective of the study is to identify homogeneous groups of students based on academic and sociodemographic information, in order to propose evidence-based strategies for management and planning. The methodology combines a literature review with a quantitative approach applied to the ‘UCM-Acceso’ dataset. Following an exhaustive exploratory analysis, the k-prototypes algorithm was implemented as the primary clustering technique for mixed data, complemented by an exploratory application of k-medoids with Gower distance. The segmentation obtained was validated through the silhouette score. The analysis revealed two clearly differentiated student profiles, whose characteristics support the design of strategies aimed at both academic support and institutional planning. In addition, the study identified several structural trends, such as the evolution of demand across fields of study, changes in students’ socioeconomic level, and the rise in admission grades, which provide valuable insights for the allocation of university resources. Overall, the results highlight the usefulness of data analysis within the field of Business Analytics as a tool to understand student heterogeneity and to inform academic decisions using real data. The findings open the door to more personalized management approaches and future research in educational prediction and analytics.