Data Scientist para Análisis de Comportamiento Estudiantil y Predicción de Abandono

Se requiere un Data Scientist con experiencia para un proyecto de formación enfocado en el análisis del comportamiento estudiantil.
Las tareas principales incluyen:

Clusterización y Perfilado (Aprendizaje No Supervisado):

Aplicación de algoritmos como K-Means, DBSCAN o Hierarchical Clustering para identificar patrones de comportamiento y agrupar estudiantes en perfiles (p. Ej., Alumno en riesgo por inactividad progresiva, estudiante pragmático enfocado solo en evaluaciones, alumno hiperactivo con bajas calificaciones).

Modelos de Alerta Temprana (Aprendizaje Supervisado):

Construcción de modelos de clasificación (Random Forest, XGBoost, Regresión Logística) utilizando variables de aprobados, bajas e historial previo para predecir la probabilidad de abandono (churn) o fracaso con semanas de antelación.

Feature Engineering Específico:

Transformación de eventos temporales en métricas con significado pedagógico, como frecuencia de accesos, días transcurridos entre entrega de ejercicios y revisión de material, y ratio de interacción en foros vs. Consultas pasivas.

El objetivo es mejorar la retención y el rendimiento académico a través de insights basados en datos.