7
Resumen
En este artรญculo se realiza un diagnรณstico del estado actual de la enseรฑanza de las tรฉcnicas modernas asociadas a la analรญtica y la ciencia
de datos en las universidades, para sentar las bases de una propuesta de formaciรณn profesional que permita que los estudiantes universi-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
mundo moderno. Desde el punto de vista de la gestiรณn curricular, estas orientaciones pueden conducir a la actualizaciรณn de los planes de
estudio de asignaturas de tipo cuantitativo, como por ejemplo los cursos de estadรญstica que se imparten en las distintas carreras, de cara a
enfrentar las necesidades de la sociedad digital, o en la propuesta de nuevos cursos, distintos que los cursos tradicionales en contenido y
en metodologรญas de aprendizaje. El estudio incluye: Los tipos de habilidades analรญticas que estรก requiriendo el medio laboral, y cรณmo รฉste
๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎
Palabras claves: Analรญtica avanzada, Ciencia de Datos, formaciรณn profesional, transiciรณn profesional, carreras sustentables, carre-
๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎
Abstract
This article makes a diagnosis of the current teaching status of modern techniques associated with analytics and data science in univer-
sities, in order to lay the foundations of a professional training proposal that allows university students to acquire greater mastery of
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๏ถ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
culum management, these guidelines can lead to update the study plans of quantitative subjects, such as statistics courses taught on di-
๏ต๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๏ต๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
only in content but also on learning methodologies. The study includes: Types of analytical skills that the working environment requi-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
and data science within the current plans of study and guidelines for a new pedagogical model that ensures the success of these changes.
Keywords: ๎ค๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ง๎๎๎๎๎ถ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฆ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎
La analรญtica y la ciencia de datos en la
formaciรณn profesional
Analytics and Data Science in vocational training
Recibido: 25-10-2019 Aceptado: 20-03-2020
๎ฐ๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎๎๎๎๎ณ๎๎๎๎ง๎๎
1
1
๎๎๎๎๎๎๎๎๎ฃ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ง๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎ฆ๎๎๎๎๎๎๎๎๎ฑ๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎ฉ๎๎๎๎๎๎๎
๎จ๎๎๎๎๎๎๎๎ณ๎๎๎๎๎ฐ๎๎๎๎๎๎๎ถ๎๎๎๎๎๎๎๎๎๎๎๎๎ฏ๎๎๎๎๎๎๎
ISSN: XXXXXXXXXXXXX
https://journal.espe.edu.ec/ojs/index.php/investigacion-educativa/
DOI: XXXXXXXXXXXXXXXXXXXXXXXXXX
REIE Vol. 1, Num 1 - abril 2022
8
Revista Ecuatoriana de Investigaciรณn Educativa
I. ๎ฌ๏๏๏๏๏ฝ๏๏ผ๏ผ๏๏ฌ๏
E
l boom de las tecnologรญas digitales en los รบltimos aรฑos
y la importancia creciente que tienen en toda actividad
humana, han impulsado no solo la apariciรณn de nuevas ne-
cesidades dentro de las empresas sino tambiรฉn de nuevos
๎๎๎๎ฟ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎ ๎๎๎ ๎๎๎๎๎๎๎ ๎๎
๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎ ๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎ ๎ฏ๎๎๎ ๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎
๎๎๎ ๎๎๎๎ ๎๎๎ ๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎
๎๎-
na e informaciรณn falsa, el modo de aplicar lo que se tiene
entre manos, el de conectar diferentes รกreas o actividades,
๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎น๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎ ๎๎๎๎
datos a la toma de decisiones en la acciรณn profesional, y
comprender el impacto que tiene en nuestras profesiones y
nuestras vidas. La sociedad actual necesita que se formen
ciudadanos de datos y son las tรฉcnicas analรญticas las que lo
hacen posible.
Las tรฉcnicas analรญticas y la ciencia de datos es algo so-
bre lo que todos hemos oรญdo hablar, pero pocos conocen o
๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎ ๎๎๎
๎๎๎ ๎๎๎ ๎๎๎๎๎ ๎๎๎๎๎๎ฟ๎๎๎๎๎๎ ๎ฏ๎๎
que si hay es un consenso de que esto es algo nuevo con su
propio conjunto de habilidades y metodologรญas, y no sim-
plemente otra palabra para la estadรญstica o la inteligencia
de negocios (Coleen & Ceyhun, 2015). El propรณsito de este
estudio no es debatir estas cuestiones, sino mรกs bien po-
sicionar las analรญticas o la ciencia de datos, con cualquier
nombre que se les dรฉ, en los planes de estudio de las uni-
versidades de la mejor manera para enfrentar los retos de la
sociedad digital.
La sociedad se estรก transformando rรกpidamente, y to-
das las empresas y organizaciones estรกn necesitando de
๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎ฟ๎๎๎๎๎ ๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎ ๎๎ฐ๎๎๎๎๎๎๎
digitales, analรญticas y ciencia de datos, e incluso estรกn re-
quiriendo que todo su personal, independientemente de su
ocupaciรณn, tenga unas habilidades analรญticas mรญnimas, en
todos los niveles y procesos de la empresa, pues quieren
transformarse en organizaciones que se manejan con datos
y que toman sus decisiones, en todo nivel, basadas en in-
formaciรณn, y toda la evidencia sugiere que las analรญticas y
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎
aรฑos.
Las empresas estรกn convergiendo rรกpidamente a pro-
cesos de transformaciรณn digital, y segรบn (Kolski, 2014)
la transformaciรณn digital no es solamente una etiqueta de
moda, sino que implica una transformaciรณn real y profun-
da de todos sus procesos, desde tener un buen marketing
digital, o tener dispositivos inteligentes para hacer tareas y
recabar datos o implementar una herramienta de colabora-
ciรณn, hasta la automatizaciรณn de las decisiones para hacer
๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
maciรณn digital es poder tener la cultura, gente, procesos, y
๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
po real en una ventaja competitiva.
Ahora bien, ยฟCuรกles son las implicaciones para la edu-
caciรณn universitaria? la principal tarea de las universidades
es asegurase de que podamos capacitar a profesionales con
las habilidades necesarias en este campo, debemos ver la
ciencia de datos como un campo de estudio sobre el que
todos necesitan aprender algo. Al igual que todos los profe-
sionales que forman las universidades requieren algรบn tipo
de instrucciรณn en matemรกticas, lenguaje y habilidades de
escritura, tambiรฉn requieren algรบn tipo de conocimiento en
tรฉcnicas analรญticas y comprensiรณn de datos. En ese sentido
la ciencia de los datos se estรก convirtiendo, en esencia, en
un arte liberal, necesario para todos los profesionales y no
solo para los especialistas.
Un estudio reciente โInvesting in Americaโs Data
Science and Analytics Talent: The Case for Actionโ (The
๎ฅ๎๎๎๎๎๎๎๎๎ซ๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ธ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
empleadores y las habilidades que poseen los graduados.
El estudio encontrรณ que mientras el 69% de los empleado-
res esperan candidatos con habilidades de anรกlisis de datos,
sรณlo el 23% de los lรญderes universitarios aseguran que sus
graduados tendrรกn esas habilidades.
Algunas universidades ya estรกn tomando medidas al
respecto y han estado trabajando para hacer que la analรญtica
de datos sea un requisito para todas las profesiones. La ana-
lรญtica de datos no es sรณlo para los estudiantes de ciencias,
realmente es algo que se estรก requiriendo en todas las รกreas
del conocimiento. Este estudio tambiรฉn presenta ejemplos
de cรณmo muchas instituciones ya estรกn trabajando en este
tema y cita varias maneras en las que las universidades
pueden fomentar el estudio de analรญticas de datos, desde
determinar recomendaciones pedagรณgicas propias para la
enseรฑanza efectiva de la analรญtica y ciencia de datos, pro-
porcionar mรกs capacitaciรณn y apoyo a los profesores, hasta
crear cursos introductorios que sean atractivos para todos
los estudiantes.
II. ๎ฐ๏บ๏๏ผ๏๎๏๏พ๏ฌ๏๏๏ผ๏
2.1 El cambio curricular
Los cambios curriculares en las universidades son pro-
cesos de innovaciรณn que se producen en tres niveles dis-
tintos:
1. El primer nivel se corresponde con los cambios que
se realizan en los procesos operativos y mรฉtodos
que los profesores utilizan, sin llegar a establecer
cambios el modelo educativo vigente, limitando
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
acciรณn del docente y su entorno cercano.
2. El segundo nivel pertenece a los cambios en los
ambientes de aprendizaje y los patrones organizati-
vos, que terminan transformando tambiรฉn las prรกc-
ticas docentes.
3. ๎ณ๎๎๎๎พ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
les en su conjunto y con vistas a un futuro. Es en
este plano de las polรญticas institucionales donde se
9
N.
o
1 - 2022
producen los procesos de revisiรณn y rediseรฑo cu-
rricular, lo cual requiere de un compromiso inte-
gral con el cambio que permita la implementaciรณn
de nuevos modelos pedagรณgicos, nuevas ofertas
de formaciรณn profesional y nuevos ambientes de
aprendizaje.
En sรญntesis, โllevar la innovaciรณn a la estructura curri-
cular requiere aprender a mirar de otra manera los procesos
formativos, a cambiar de paradigma en relaciรณn con la or-
ganizaciรณn de los estudios y la generaciรณn de ambientes de
aprendizaje en la universidadโ (Zabalza, 2012). Sin duda,
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
cias de la sociedad digital, por su complejidad y alcance,
corresponde al tercer nivel.
2.2 Contexto social
En pleno desarrollo de la cuarta revoluciรณn industrial,
es decir, de la intervenciรณn de las nuevas tecnologรญas digi-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎
๎น๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎
los procesos econรณmicos, industriales y sociales, las uni-
versidades tienen el reto de que la educaciรณn proporcionada
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
sean tales que permitan a los nuevos profesionales integrar-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ-
caciรณn y dominio de competencias transversales como el
dominio de nuevas tecnologรญas, un nuevo esquema mental
para enfrentar los problemas, la capacidad de innovaciรณn
y la capacidad de adaptaciรณn a esas innovaciones. Ese es
el desafรญo crucial que las universidades deben afrontar, to-
mando decisiones audaces, si quieren ser competitivas en
lo que resta del siglo XXI.
La generaciรณn, transmisiรณn y adquisiciรณn de conoci-
miento dejaron de ser lentas, escasas y estables: hasta 1900
๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎
๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
cada siglo; hoy sucede al menos cada 13 meses, y organi-
zaciones como IBM estiman que en el 2020 el conocimien-
to se duplicarรก cada 12 horas (Committee on Revitalizing
Graduate STEM, 2018) lo que introduce enorme presiรณn
en el diseรฑo curricular de las carreras universitarias, pues el
conocimiento que imparten las instituciones de educaciรณn
superior se volverรก rรกpidamente obsoleto.
๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎-
tiginosa que hace que, segรบn la OCDE, 8 de cada 10 nuevos
puestos se estรฉn creando en campos con un componente im-
portante de innovaciรณn y de mediano y alto valor agregado,
los cuales no necesariamente estรกn siendo proveรญdos por
las universidades tradicionales, lo cual ha llevado a muchos
a considerar que las universidades, al menos tal como las
๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎
๎ฏ๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎น๎๎๎๎ฉ๎๎๎๎๎๎๎๎-
da en el mundo acadรฉmico, es la aplicaciรณn de procesos y
tรฉcnicas que transforman los datos en bruto en informaciรณn
๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ค๎๎๎๎๎๎๎
de estas tรฉcnicas, como la descripciรณn de datos, la regresiรณn
y la optimizaciรณn han sido tradicionalmente parte princi-
pal de los planes de estudio en las universidades. Mientras
que otras herramientas de la analรญtica, como la minerรญa de
datos, no han sido incluidas. Estas omisiones junto con el
aumento de la demanda de profesionales conocedores de
datos son argumentos vรกlidos y poderosos para una revi-
siรณn curricular.
Segรบn las simulaciones realizadas por investigadores
del McKinsey Global Institute (Bughin, 2018), las compa-
รฑรญas โde vanguardiaโ que desarrollan y adoptan tecnologรญas
๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎ฌ๎๎๎๎๎๎๎๎๎๎๎๎๎ค๎๎๎๎ฟ๎๎๎๎๎๎๎ฌ๎ค๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
y 2030, mientras que los โrezagadosโ que no adoptan tec-
๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
El impacto en todo el mundo serรก enorme: para 2030, la
๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
mente un 16%, a la producciรณn mundial.
Estos requerimientos y urgencias en el mundo empresa-
rial han hecho eco en los campus universitarios, la deman-
da de clases en analรญtica y รกreas de estudio relacionadas se
ha disparado en universidades top, junto con el nรบmero de
estudiantes de pregrado en estos campos del conocimiento.
En la Universidad de Harvard, por ejemplo, el nรบmero de
โconcentratorsโ de pregrado en ciencias de la computaciรณn
๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎พ๎๎๎๎๎ ๎๎๎
โconcentratorsโ en analรญtica y ciencia de datos se multiplicรณ
por diez. Los cursos CS50: introducciรณn a la informรกtica,
y Stat 110: introducciรณn a la probabilidad, se convirtieron
en los cursos de pregrado mรกs populares (Garber, 2019).
Tal comportamiento indica que los estudiantes saben que
el mercado del talento en analรญticas y ciencia de datos es
un mercado muy prometedor. Las universidades deben res-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎
๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎
satisfacer la demanda de cursos que prepararรกn a sus estu-
diantes para un futuro impulsado por su uso masivo.
Actualmente hay en el mundo un nรบmero creciente de
๎๎๎๎๎๎๎๎๎๎ ๎๎๎ ๎๎ด๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎๎ฟ๎๎๎๎๎๎ ๎๎๎
ciencia y analรญtica de datos en los niveles de licenciatura
y posgrado, pero la tendencia ahora es que esto debe rea-
lizarse fundamentalmente en el tercer nivel. Una revisiรณn
reciente de programas de pregrado en analรญtica y ciencia de
๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎
Unidos (Aasheim, Williams, & Rutner, 2014). Desde ese
aรฑo se han desarrollado muchรญsimos mรกs programas. Sin
embargo, poco se sabe actualmente sobre los detalles de las
habilidades cubiertas en esos programas o si estos progra-
mas son comparables, aunque ya en algunas universidades
se han realizado revisiones de los planes de estudio para
incorporar las analรญticas en la formaciรณn universitaria de
grado (Wilder & Ozgur, 2015).
10
Revista Ecuatoriana de Investigaciรณn Educativa
III. ๎ฌ๏๏๏๏๏๏๏พ๏๏๏๏๎๏ฝ๏พ๎๏๏พ๏ฝ๏๏ฝ๏บ
La pertinencia, es entendida cรณmo la adecuaciรณn entre
lo que la sociedad espera de las instituciones y lo que รฉs-
tas hacen (Tรผnnermann, 2003). Esta supone un alto gra-
do de correspondencia entre el quehacer institucional con
respecto al proyecto educativo enunciado en los objetivos
y misiรณn institucionales, asรญ como con la responsabilidad
del sistema de educaciรณn superior con el resto del sistema
educativo.
๎ฆ๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎-
nes curriculares se realizaron dos tareas fundamentales:
1. ๎จ๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
to a las habilidades en analรญtica y ciencia de datos,
para lo cual se aplicรณ una encuesta a 365 empresas
de la zona 5 durante los meses de septiembre y oc-
tubre de 2019. El mรฉtodo de la encuesta fue perso-
nal, la poblaciรณn objetiva fueron 365 ejecutivos de
estas empresas, en puestos directivos jerรกrquicos a
cargo de jefaturas de departamento, o sus equiva-
lentes, o superiores, la tรฉcnica de muestreo es pro-
๎
๎๎
๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
muestreo del 5% por el orden de ยฑ 5%, con un ni-
๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎
fueron seleccionados debido a las condiciones de
las posibles muestras. Los estratos correspondieron
a sectores industriales o de negocio distintos, des-
de empresas e instituciones de educaciรณn superior
๎๎๎๎๎๎๎ฒ๎ฑ๎ช๎ถ๎๎
2. ๎จ๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎น๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
un anรกlisis del estado del arte de los planes de es-
tudio en universidades que han incorporado estos
cambios, fundamentalmente en EEUU, incluyendo
las asignaturas propuestas, las nuevas metodolo-
gรญas pedagรณgicas apropiadas, e incluso los ambien-
tes de aprendizaje recomendados para la imple-
mentaciรณn de estos tรณpicos. Esta investigaciรณn es
de tipo documental y con consulta a los sitios web
de las universidades analizadas.
IV. ๎ต๏พ๏๏๏
๏๏บ๏ฝ๏๏
4.1 Justi๎ฟcaciรณn empresarial
La tarea de una revisiรณn curricular se origina siempre
๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
y empresarial, porque sin eso no hay razรณn para continuar;
๎๎๎๎๎ธ๎๎๎ ๎๎๎ ๎๎๎๎๎๎ ๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎ ๎๎๎๎๎๎ฐ๎๎ ๎๎ ๎๎๎๎๎๎๎๎๎
serรญa inรบtil. El diagnรณstico curricular puede ser entendido
como una evaluaciรณn del funcionamiento de la oferta edu-
cativa, que se orientan a un producto de calidad, a travรฉs
de una recopilaciรณn de datos acerca de dicho sistema. Su
๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎ ๎๎ ๎ฟ๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎๎ด๎๎๎ ๎๎๎๎
๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎
que deberรก desempeรฑarse el futuro profesional o profesio-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
y establecer los cambios necesarios en el plan de estudios.
๎ฆ๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
del entorno sobre las necesidades de las tรฉcnicas analรญticas
y la ciencia de datos en la formaciรณn de profesionales por
parte de las universidades en el Ecuador, se realizรณ una en-
cuesta a mandos directivos de empresas de diferentes sec-
tores, en el formulario se pidiรณ a los entrevistados contestar
๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎ ๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
en la era digital y los retos de las universidades en forma-
ciรณn profesional en la era de las analรญticas.
En lo siguiente se presentan los resultados que se obtu-
vieron en algunas preguntas del formulario dirigido a eje-
cutivos de grandes empresas.
โข Pregunta: ยฟTiene conocimiento sobre la importan-
cia de la analรญtica y la ciencia de datos para la em-
presa moderna?:
Las respuestas a esta pregunta fueron mayoritariamente
๎ณ๎ฐ๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎ณ๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎
decir, se puede considerar que hay algรบn conocimiento so-
bre la importancia de las analรญticas y ciencia de datos en la
empresa moderna.
โข Pregunta: Al seleccionar profesionales para traba-
๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎
considera que los aspirantes tengan conocimiento
de tรฉcnicas de analรญtica de datos.
Segรบn los resultados a esta pregunta (4.36 sobre 5), las
empresas u organizaciones consideran al conocimiento en
analรญtica de datos una habilidad importante a la hora de se-
leccionar empleados.
โข Pregunta: En tรฉrminos generales, considera que
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎ข๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎
nuevos profesionales son capaces de seleccionar,
๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎๎๎๎๎๎
cantidades masivas de datos de cualquier tipo, de
manera รฉtica y responsable, para la toma de deci-
siones inteligentes y para la resoluciรณn de proble-
mas reales de las empresas y organizaciones:
11
N.
o
1 - 2022
๎ธ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎
โข Pregunta: ยฟCuรกles son las prioridades tecnolรณgicas
para las empresas y las organizaciones en general
en su transformaciรณn digital? (ordenar desde la
mรกs prioritaria a la menos prioritaria):
๎ฏ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎
la inteligencia de negocios como la prioridad tecnolรณgica
nรบmero 1, con un 60% como primera opciรณn y 19% como
segunda opciรณn, muy por delante de las otras opciones
como la automatizaciรณn, la ciberseguridad, etc.
En la siguiente pregunta el 94% de los consultados
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ-
cientes profesionales en รกreas de estudio relacionadas con
analรญtica y ciencia de datos.
En cuanto a la cuestiรณn de en quรฉ nivel de formaciรณn
acadรฉmica se debe formar el talento en analรญtica y ciencia
de datos, la opciรณn preferida fue en el tercer nivel (pregra-
do), con un 55%, seguido del posgrado (maestrรญas) con un
28%.
๎ธ๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎ฟ๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎ฟ๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎-
๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
laboral, profesional y empresarial del Ecuador para hacer
una revisiรณn curricular en las universidades para adecuar
las nuevas tecnologรญas digitales en sus planes de estudio.
๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎ฟ๎๎๎๎๎น๎๎
Cuando se pidiรณ a los consulados ordenar por priorida-
des, las tareas mรกs importantes para un cambio curricular
que incluya tรฉcnicas analรญticas, lo mรกs importante se consi-
derรณ la โCapacitaciรณn de los profesores en las nuevas tรฉc-
nicas analรญticasโ, seguido de โIncluir asignaturas nuevas
como analรญtica de datos, minerรญa de datos, otrasโ, y โUn
nuevo modelo pedagรณgico para enfatizar en la resoluciรณn
de problemas, trabajo en equipo, y habilidades comunica-
tivasโ.
12
Revista Ecuatoriana de Investigaciรณn Educativa
Cuando se solicitรณ a los consultados que indiquen el
grado de importancia de algunos cursos de analรญtica de da-
tos dentro de los planes de estudio de cualquier carrera,
la idea es determinar que asignaturas pueden considerarse
importantes para proporcionar una competencia transver-
sal a todos los profesionales universitarios. Las asignaturas
mรกs importantes fueron las siguientes: รtica, privacidad y
aspectos regulatorios, Analรญtica predictiva y Visualizaciรณn
de datos.
๎จ๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎
laboral y empresarial de que es necesario abordar desde los
planes de estudio de las universidades el aprendizaje de las
tรฉcnicas analรญticas y de ciencia de datos, y que esto corres-
ponde con dos niveles: Un primer nivel es entender que
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎
que deben ser parte de la formaciรณn de todo profesional,
independientemente de su campo de estudio. El siguiente
nivel es la necesidad de que las universidades formen un
profesional especializado en ciencia de datos, que se en-
cargue de desarrollar de manera profunda este campo de
estudio. Tambiรฉn se destaca que hay un consenso sobre la
urgencia de formal este tipo de profesionales (en el lapso
๎๎๎ ๎๎๎๎ ๎๎๎น๎๎๎๎๎๎ ๎๎ ๎๎ธ๎๎๎๎๎ ๎๎ ๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎น๎๎ ๎๎๎๎๎๎๎๎๎-
de principalmente al tercer nivel: licenciatura o ingenierรญa.
๎ณ๎๎๎๎พ๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
profesionales (independientemente del campo) deberรญan
adquirir conocimientos sobre รtica, privacidad y aspectos
regulatorios, Analรญtica predictiva, Visualizaciรณn de datos y
Analรญtica descriptiva.
4.2 Justi๎ฟcaciรณn acadรฉmica
Las universidades deben responder a la demanda de
profesionales con habilidades para el anรกlisis de datos
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฏ๎๎๎๎๎๎๎๎๎๎๎๎๎-
res educativos a menudo observan su entorno para obtener
pistas y seรฑales para futuros programas. Como se reporta
๎๎๎๎๎บ๎๎๎
๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎ฉ๎๎๎๎ ๎๎๎๎จ๎๎๎๎๎๎๎น๎๎ ๎ถ๎๎๎-
๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎ฅ๎ซ๎จ๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎
EEUU de empresas y educaciรณn superior dedicada a pro-
poner soluciones para la Educaciรณn universitaria estadou-
๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎ฟ๎๎น๎ ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎ด๎ ๎๎๎๎๎
las habilidades requeridas de los graduados. En 2013, hubo
๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ง๎๎๎๎๎ค๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎
๎ธ๎๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎๎ ๎ค๎๎๎๎๎๎๎๎๎ ๎ฟ๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎
ocupaciones que tรญpicamente requieren un tรญtulo en nego-
๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
analistas de datos bรกsicos (matemรกticas o profesiones cuan-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎ค๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎บ๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎-
do conjuntos de habilidades para los trabajos de analรญtica
de datos, incluyendo conocimiento equilibrado de paquetes
๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎ถ๎ณ๎ถ๎ถ๎๎๎ถ๎ค๎ถ๎๎๎ต๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎ฒ๏ถ๎๎๎๎๎ณ๎๎๎๎๎ณ๎๎๎๎๎
๎๎๎จ๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎ฟ๎๎๎๎๎น๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
ciรณn, habilidades de pensamiento crรญtico, y una habilidad
para comunicar resultados.
La educaciรณn en analรญtica y ciencia de datos ha comen-
zado a atraer la atenciรณn de los acadรฉmicos desde hace al-
gunos aรฑos. La comunidad de Data Science reporta en su
๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
tos, en universidades ranqueadas, de los cuales 434 fueron
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎น๎๎๎๎๎๎
su mayorรญa en el nivel Master), 58 programas de licencia-
tura y 23 programas de doctorado (College & University
Data Science Degrees, 2019).
Segรบn la informaciรณn proporcionada por (Aasheim,
Williams, & Rutner, Big Data Analytics and Data Scien-
๎๎๎๎ธ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ง๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฏ๎๎๎๎๎๎๎๎ด๎๎๎๎๎
los programas fueron ofrecidos por escuelas de negocios
(31%), facultades de Computer Science (21%), seguido de
facultades de matemรกticas y estadรญstica (14%), y solo el
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
embargo, la vรญa interdisciplinaria se estรก volviendo mรกs co-
mรบn para este tipo de formaciรณn. Si la facultad que ofrecรญa
13
N.
o
1 - 2022
el plan de estudios era de negocios, entonces el programa
probablemente fue llamado Analรญtica de datos, mientras
que, si la facultad era de informรกtica, ciencias o matemรก-
ticas, entonces el programa se llamaba Ciencia de Datos.
๎ค๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎ด๎๎๎๎๎
ciencia de datos se ofrecieron en paรญses de habla inglesa.
En cuanto a contenidos de analรญtica de datos en los pla-
nes de estudio de las carreras de tercer nivel o de grado en
el Ecuador, en general no se han incluido asignaturas bajo
la etiqueta de analรญtica de datos, pero puede ser que algu-
nas tรฉcnicas de analรญtica descriptiva, predictiva y prescrip-
tiva sean parte del contenido de cursos como estadรญstica,
estadรญstica inferencial e investigaciรณn de operaciones. En
cambio asignaturas como minerรญa de datos o Data Ware-
housing si han venido siendo parte de los planes de estudio
de carreras relacionadas con la informรกtica y las ciencias de
la computaciรณn en la mayorรญa de las universidades ecuato-
rianas que ofrecen carreras de ingenierรญa en sistemas.
Al ser un fenรณmeno relativamente nuevo, y consideran-
do que en el paรญs los procesos de innovaciรณn nos llegan
con cierto retraso, la introducciรณn de las analรญticas de datos
dentro de los planes de estudio de las universidades todavรญa
no se ha puesto como prioridad en las discusiones de los
principales actores del sistema de educaciรณn superior del
paรญs, ni autoridades, ni los organismos que rigen el sistema
de educaciรณn superior, han considerado la urgencia de este
๎๎๎ฉ๎๎๎๎๎๎๎๎ค๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎
se han realizado en las universidades procesos de revisiรณn
curricular dirigidos a implementar la enseรฑanza de analรญti-
ca y ciencia de datos en sus planes de estudio.
V. ๎ณ๏๏๏๏๏พ๏๏๏บ๏๎๏ผ๏๏๏๏๏ผ๏๏
๏บ๏๏พ๏๎๏๏บ๏๏บ๎๏
๏บ๎๏บ๏๏บ๏
๏ง๏๏๏ผ๏บ๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๏๎๏
๏บ๎๏ผ๏๏พ๏๏ผ๏๏บ๎๏ฝ๏พ๎๏ฝ๏บ๏๏๏
De acuerdo a (University, 2019), (Wilder & Ozgur,
2015), y en otras investigaciones reportadas en la literatura,
en la mayorรญa de las universidades en las carreras de pre-
๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎ฉ๎๎ ๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎
cursos que abordan los tรณpicos relacionados a la analรญtica
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
das, en las que la analรญtica ya estรก siendo considerada parte
importante de los planes de estudio de todas las profesio-
nes.
En esta investigaciรณn proponemos algunos de estos cur-
sos para ser incluidos en los planes de estudio de las univer-
sidades ecuatorianas:
5.1 Propuestas de asignaturas
Curso: Gestiรณn de datos (Data Management)
El objetivo de este curso es asegurar que los estudian-
tes adquieran las habilidades y conocimientos para reunir,
almacenar y manipular los datos para realizar un estudio
analรญtico. Se introduce el papel de los datos en el ciclo de
vida del proyecto. Se discute el impacto de big data en es-
tudios analรญticos. Los temas pueden incluir, entre otros, los
siguientes: arquitectura, almacenamiento, formatos, pro-
piedad, privacidad, metadatos, cubos de datos, herramien-
๎๎๎๎ ๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎จ๎ท๎ฏ๎ ๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎
de consulta estructurado (SQL), limpieza de datos y รฉtica.
Este curso generalmente no tiene prerrequisitos.
Curso: Analรญtica descriptiva (Descriptive Analytics)
El objetivo de este curso es asegurar que los estudiantes
adquieran habilidades y conocimientos para describir con
๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎
๎๎๎๎๎๎๎๎๎ฐ๎๎๎-
sis en la presentaciรณn de los resultados en una variedad de
formatos. Los temas del curso pueden incluir, pero no se
limitan a: estadรญstica descriptiva, distribuciones de frecuen-
cia, distribuciones discretas, distribuciones continuas, dis-
tribuciones muestrales e inferencia estadรญstica. Aunque este
curso puede ser enseรฑado sin un curso de requisito previo,
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎ฟ๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎ ๎๎๎๎๎-
temรกticas como un requisito previo para asegurar que los
estudiantes tengan mรกs fortalezas para resolver problemas.
El contenido cubierto en este curso es tรญpicamente el
que se ve en un curso tradicional de Estadรญstica Empresa-
rial como requisito bรกsico de la mayorรญa de las escuelas de
๎๎๎๎๎๎๎๎๎๎๎ฑ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
plia cobertura de la analรญtica. Es importante que el enfoque
del curso sea la interpretaciรณn y presentaciรณn de datos y no
los cรกlculos.
Curso: Visualizaciรณn de datos (Data Visualization)
๎จ๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎
para presentar una amplia variedad de datos para el propรณ-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎-
tivo. Se abordan prรกcticas estรกndar para la visualizaciรณn de
datos. La tecnologรญa se utiliza ampliamente para producir
interpretaciones visuales de diversos conjuntos de datos.
Se discuten y se diferencian conceptos como Indicadores
๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎ฎ๎ณ๎ฌ๎ถ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎
๎๎๎๎๎๎๎
Serรกn los estudiantes los que critiquen varias muestras de
ejemplos histรณricos y reportes recientes. Los temas pueden
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎ฟ๎๎๎๎๎๎๎๎๎
de color y formato, y storytelling. Este curso no suele tener
prerrequisitos.
๎ฆ๎๎๎๎๎๎๎ค๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎ค๎๎๎๎๎๎๎๎๎
El objetivo de este curso es asegurar que los estudiantes
adquieran las habilidades y conocimientos para reconocer
las oportunidades para enfoques analรญticos predictivos y
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฏ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎-
los predictivos simples en un esfuerzo por mejorar su com-
prensiรณn de las tรฉcnicas. Se enfatiza el problema del nego-
cio y en la comunicaciรณn de los resultados, especialmente
en un lenguaje no tรฉcnico. Se discuten las implicaciones del
modelo, el impacto y los supuestos como pertenecientes a
una variedad de problemas de negocios. Los temas que se
๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ค๎ฑ๎ฒ๎น๎ค๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎-
14
Revista Ecuatoriana de Investigaciรณn Educativa
ciรณn, series de tiempo y mรฉtodos no paramรฉtricos. Un pre-
rrequisito para este curso es analรญtica descriptiva.
Los contenidos de este curso son tรญpicamente cubiertos
en un curso de Estadรญstica Empresarial avanzada. Una va-
riedad de aplicaciones debe ser utilizados para ilustrar el
valor y versatilidad de las metodologรญas.
๎ฆ๎๎๎๎๎๎๎ค๎๎๎๎ด๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎ค๎๎๎๎๎๎๎๎๎
El objetivo de este curso es asegurar que los estudiantes
adquieran las habilidades y conocimientos para reconocer
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
plotar los resultados. Los estudiantes construirรกn modelos
simples en un esfuerzo por mejorar su comprensiรณn de las
tรฉcnicas. Se hace hincapiรฉ en el problema del negocio y la
comunicaciรณn de los resultados, especialmente en un len-
guaje no tรฉcnico.
Se discuten las fortalezas y las debilidades de cada tรฉc-
nica utilizando ejemplos. Se discuten las implicaciones del
modelo, el impacto, y los supuestos en lo que respecta a
una gran variedad de problemas empresariales. Los temas
pueden incluir, pero no se limitan a: cรกlculo, optimizaciรณn
y simulaciรณn. Un prerrequisito para este curso es analรญtica
descriptiva, pues se necesitan conceptos y tรฉcnicas estadรญs-
ticas clรกsicas.
La optimizaciรณn es abordada tรญpicamente en un curso
de investigaciรณn de operaciones, el cรกlculo en un curso
con su mismo nombre, y la simulaciรณn como una optativa.
Es importante que el รฉnfasis aquรญ es el reconocimiento de
problemas y la interpretaciรณn mas no la mecรกnica de las
๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
gramaciรณn lineal involucra operaciones con matrices para
obtener una soluciรณn รณptima; esto es un proceso tedioso
para el cual se debe utilizar software.
Curso: Minerรญa de Datos (Data Mining)
El objetivo de este curso es asegurar que los estudian-
tes obtengan habilidades y conocimientos para reconocer
oportunidades para los enfoques de minerรญa de datos y la
๎๎๎๎๎๎๎๎๎๎น๎๎ ๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎ถ๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎
๎๎๎๎๎๎ด๎๎ ๎๎๎ ๎๎๎๎๎๎ ๎๎๎๎๎ ๎ฆ๎ต๎ฌ๎ถ๎ณ๎๎ง๎ฐ๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎ฉ๎๎๎๎๎ ๎๎๎
la industria para la minerรญa de datos) y SEMMA (muestrea,
๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฏ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
grandes conjuntos de datos para construir modelos simples
en un esfuerzo por mejorar su comprensiรณn de las tรฉcnicas
y desafรญos de trabajar con Big Data. Se hace hincapiรฉ en el
problema del negocio y la comunicaciรณn de los resultados
usando especialmente en lenguaje no tรฉcnico. Se discuten
las implicaciones del modelo, las suposiciones, el impac-
to y los supuestos y como se relacionan con una amplia
variedad de problemas de negocios. Entre los temas que
๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎ฉ๎ฟ๎๎๎๎๎ช๎ฌ๎ถ๎๎๎๎๎๎ฉ๎๎
๎๎๎๎๎
de decisiรณn (incluido el teorema de Bayes). Un prerrequisi-
to para este curso es analรญtica descriptiva. Estas tรฉcnicas no
han sido tradicionalmente abordadas en un plan de estudios
de carreras de negocios o de administraciรณn de empresas.
๎ฆ๎๎๎๎๎๎๎ค๎๎๎๎ด๎๎๎๎๎๎ณ๎๎ฉ๎๎๎๎๎๎๎๎ค๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎
El objetivo de este curso es asegurar que los estudian-
tes adquieran las habilidades y conocimientos para ges-
tionar e implementar un proyecto de analรญtica; sirve como
una piedra angular, siendo un curso integrador. Se cubren
conceptos bรกsicos de gestiรณn de proyectos conjuntamen-
te con prรกcticas de consultorรญa, รฉtica y prรกcticas estรกndar.
Se requiere que los estudiantes escojan una metodologรญa
apropiada para un problema dado; esta tarea varรญa de cursos
tradicionales, en los que se da una tรฉcnica junto con el pro-
blema. Los estudiantes terminan el curso con un proyecto
real para un negocio operativo en el cual es muy probable
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
fectos. Los estudiantes deben haber completado todos los
cursos anteriores antes de tomar este curso.
Curso: optativas
Algunas materias optativas pueden completar el plan de
estudios y profundizar el contenido de analรญticas que ven
los alumnos en algunas carreras profesionales. Algunos de
estos cursos deben ser funcionales tales como investiga-
ciรณn de mercados o analรญtica deportiva; otros pueden cubrir
tรฉcnicas no cubiertas en los cursos bรกsicos tales como ana-
lรญtica web (web analytics), teorรญa de juegos, visualizaciรณn
avanzada o modelos de hoja de cรกlculo. El nรบmero de ma-
terias optativas, por supuesto, variarรก segรบn los requisitos
de cada carrera y la universidad.
En este estudio utilizamos los tรฉrminos analรญtica des-
criptiva, analรญtica predictiva y analรญtica prescriptiva para
nombrar a los cursos รบnicamente para mostrar que se debe
cubrir con todo el espectro de la analรญtica con asignaturas
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎
no es necesario crear tales cursos de manera obligatoria,
sino que, en los cursos actuales, se pueden incluir dentro de
sus contenidos mรญnimos los mรฉtodos y conceptos propios
de los cursos seรฑalados en esta secciรณn.
5.2 Implementaciรณn y modelo pedagรณgico
๎ถ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
en el que se incluye temas de analรญtica y ciencia de datos
para las distintas carreras profesionales estรก en la imple-
mentaciรณn. Muchos de los tรณpicos cubiertos en el currรญculo
propuesto tambiรฉn podrรญan encajar en cursos tradicionales;
es la pedagogรญa y el รฉnfasis lo que los diferencia. El propรณ-
sito de esta secciรณn es proporcionar a los educadores algu-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
5.2.1 La pedagogรญa para la enseรฑanza de analรญtica de datos
Cuando se estรก tratando incluir analรญticas en los planes
de estudio, se deben tambiรฉn revisar los modelos pedagรณ-
gicos utilizados, pues un buen aprendizaje de las analรญticas
puede estar ligado a mucho trabajo autรณnomo o digital rea-
lizado por el estudiante. Este cambio debe ser visto como
๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎
15
N.
o
1 - 2022
vigente en la universidad, de esta manera se recomienda
que las pedagogรญas tambiรฉn sean revisadas, los cursos de-
ben estar orientados a proyectos y basados en la investiga-
ciรณn utilizando la tecnologรญa para realizar cรกlculos de alto
nivel. Hay que recalcar en esto, los cambios no se limitan a
aumentar o disminuir cursos, la pedagogรญa tambiรฉn estรก en
la lista. Muchas universidades estรกn utilizando el aprendi-
zaje basado en la investigaciรณn en sus cursos de estadรญstica,
๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎
๎๎๎๎
๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
(DCOVA), para enseรฑar estadรญstica. Este marco ayuda a los
estudiantes a conectar las diferentes tรฉcnicas estadรญsticas y
proporciona continuidad.
5.2.2 ยฟQuรฉ tipo de ejemplos se deben usar en las clases de
analรญtica?
En primer lugar, y, sobre todo, al impartir las asigna-
turas con fuerte contenido de analรญtica, se debe usar una
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
nes. Es imperativo que los cursos de analรญtica para el resto
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎
datos, pues estos รบltimos requieren de mayor profundidad
y otro รฉnfasis, en cambio la mayorรญa de las profesiones re-
querirรกn el contenido de las asignaturas en analรญtica mรกs
general y solo como un instrumento para la toma de deci-
siones. Es tentador enseรฑar conceptos generales para llegar
a un pรบblico mรกs amplio, pero la investigaciรณn ha demos-
๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎๎๎ ๎๎ฐ๎๎๎๎๎ ๎๎๎ ๎๎๎๎ฟ๎๎๎๎๎ ๎ฆ๎๎๎๎ ๎๎ฟ๎๎๎๎ ๎๎ฐ๎๎๎๎๎๎
2001) โlos profesores entrenados matemรกticamente a me-
๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎ ๎๎๎๎๎๎ ๎๎ฟ๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎
primero principios generales o estructuras, seguido por ca-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎
aprenden desde principios bรกsicos a casos especialesโ. La
mayorรญa de los profesionales, sobre todo aquellos que no
son del campo STEM estรกn en posiciones laborales que los
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎
ser capaces de reconocer esas oportunidades primero antes
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎-
gar de usar ejemplos generales, los educadores deben usar
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎
para que los estudiantes aprecien completamente el alcance
de su aplicaciรณn.
Un ejemplo de cรณmo puede trabajarse a este nivel en las
clases de las asignaturas relacionadas con analรญtica de datos
es la siguiente: el docente desarrolla sus clases a lo largo
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎
de empresas o simulaciones. En las clases el profesor utili-
za medios electrรณnicos y tradicionales para hacer bรบsque-
das de informaciรณn acerca de los problemas en cuestiรณn.
Asimismo, el profesor requerirรก de los alumnos el uso
correcto de modelos de analรญtica de datos, asรญ como estra-
tegias de presentaciรณn de informaciรณn de tipo profesional.
De manera paralela los estudiantes podrรญan ir desarrollando
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด-
๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ง๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
duraciรณn de un semestre, los alumnos cuentan con la opor-
tunidad de hacer correcciones a su trabajo a partir de las ob-
servaciones del profesor. De esta forma, se transciende una
forma de aprendizaje por retenciรณn. Aprendizajes que se
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎-
ca y las analรญticas de datos, capacidad de anรกlisis, sรญntesis y
evaluaciรณn, cultura de trabajo y cultura de calidad.
5.2.3 Guiarse siempre por el objetivo
๎ฑ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
auditores, profesionales de ciencias de la salud, gerentes
conocedores de datos (data-savvy managers), etc., y que
๎๎๎๎๎ฉ๎๎ ๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎ ๎ ๎ฆ๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎ ๎๎๎-
nolรณgico, la revoluciรณn digital, la nueva organizaciรณn del
trabajo y la evoluciรณn de las necesidades de la industria
y la sociedad en general, cambiaron las competencias im-
๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ธ๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
laboral. Dicho cambio implica repensar y redirigir la edu-
๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
paso por la universidad, asรญ como en su ingreso al mercado
de trabajo.
Es importante enfocarse en las habilidades de resolu-
๎๎๎น๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎ฑ๎๎
permitir que los cursos se vuelvan demasiado tรฉcnicos. Los
estudiantes de la mayorรญa de las profesiones necesitan desa-
๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
mizaciรณn, por ejemplo.
En (Economist, 2015) se reporta que el 50% de los em-
๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎-
lidad que mรกs requieren en su negocio, seguido de un 35%
que resaltรณ la capacidad de trabajar en equipo y el 32% que
๎๎๎๎๎๎๎๎น๎ ๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎น๎๎ ๎๎ฟ๎๎๎๎๎ ๎ค๎๎ด๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎
consideran a la resoluciรณn de problemas como la habilidad
mรกs demandada para el mercado laboral, y se pronostica
que en 3 aรฑos la resoluciรณn de problemas seguirรก puntera
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
las preferencias. El estudio se realizรณ tambiรฉn a docentes y
directivos de universidades, el 59% de ellos asegurรณ que se
estรก trabajando sobre el desarrollo de estas capacidades en
el aula en los รบltimos cinco aรฑos.
5.2.4 Trabajar en equipos multidisciplinarios
El trabajo multidisciplinario es algo cada vez mรกs va-
lorado en el mercado laboral, probablemente es una de
las habilidades mรกs buscadas, por tanto, es algo que debe
buscarse generar en los estudiantes en su formaciรณn, y las
analรญticas de datos son el terreno ideal para hacer trabajo
multidisciplinario, pues requiere de la participaciรณn de mu-
chos profesionales con distintos puntos de vista y aportes.
๎ถ๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎ฑ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎
16
Revista Ecuatoriana de Investigaciรณn Educativa
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎
los contenidos de las asignaturas. Un escenario ideal para
poner en prรกctica los conocimientos adquiridos en analรญtica
de datos es un proyecto de equipo en un curso integrador
๎ฟ๎๎๎๎๎
En el estudio (Economist, 2015) se determina como la
segunda habilidad mรกs importante en el mercado laboral
al trabajo en equipo. El alto valor otorgado al trabajo en
equipo, que se ubica en el segundo lugar de la lista de ha-
bilidades mรกs requeridas por el 35% de los ejecutivos y el
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
la forma cada vez mรกs interconectada en que vivimos nues-
tras vidas. La capacidad de apreciar perspectivas alternati-
vas e interactuar de manera constructiva con personas con
diferentes habilidades y puntos de vista es vital tanto dentro
como fuera del trabajo.
โLas empresas se estรกn orientando mรกs hacia el trabajo
๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎ช๎๎๏ถ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎จ๎๎๎๎๎๎๎น๎๎
(Evaluaciรณn) de la Universidad de Melbourne (Economist,
2015). Utiliza el ejemplo de un rompecabezas en el que las
piezas se dividen entre dos personas, ninguna de las cuales
puede completarla sin los recursos de la otra; o un crucigra-
ma, donde una de las partes tiene todas las pistas horizonta-
les y la otra tiene aquellas que van hacia abajo. Idealmente
estos equipos multidisciplinarios corresponderรญan a equi-
pos formados por estudiantes de distintas carreras, cada
uno de los cuales tiene ciertas habilidades y conocimientos
sobre analรญtica que han ido desarrollando a lo largo de su
carrera, y que aportan con su campo de estudio participan-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎
carrera que los habilite para su graduaciรณn.
En cuanto a la disponibilidad de bancos de datos o de
problemas reales, las instituciones de educaciรณn superior
con programas aceleradores tienen un banco de proyectos
del mundo real, que serรญan los problemas sobre los cuales
trabajarรญan los estudiantes en sus proyectos acadรฉmicos.
Las instituciones de educaciรณn superior que no tienen la
ventaja de disponer de estos programas aceleradores de ne-
gocios deben satisfacer este objetivo por otros medios.
Una opciรณn es que los estudiantes encuentren su pro-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
una empresa de mudanzas local para la cual los estudiantes
desarrollen un modelo para predecir el nรบmero de horas
requeridas para completar un trabajo de mudanza; diferen-
tes equipos podrรญan acercarse a diferentes empresas en la
zona a estudiar. Otra posibilidad es acudir a la literatura
๎๎๎๎๎๎ด๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฌ๎ฑ๎ฉ๎ฒ๎ต-
MS Transactions on Education, incluso un nรบmero de esta
๎๎๎
๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
diantiles (Lowe & Armacost, 2012).
5.2.5 Reorganizar los cursos de contenido analรญtico
Si es necesario, se debe reducir el nรบmero de temas cu-
biertos en los cursos para permitir a los estudiantes ganar
๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ช๎ฌ๎ถ๎๎๎๎๎๎๎๎๎๎๎
eliminado como uno de los temas en el curso de Data Mi-
ning para asignar mรกs tiempo a arboles de decisiรณn; la Uni-
versidad de Valparaรญso, por ejemplo, tiene un curso com-
pleto sobre el tema del SIG impartido por su departamento
de meteorologรญa. El curso no requiere ningรบn prerrequisito
y estรก abierto a estudiantes de otras carreras (Coleen &
Ceyhun, 2015).
Ademรกs, estรก el asunto de la tendencia a disminuir el
nรบmero de horas de clases presenciales que reciben los es-
tudiantes en las universidades, pues todo apunta a que el fu-
turo de la Universidad pasa por reducir las horas de asisten-
cia a clase, sustituyรฉndolas por trabajo autรณnomo de cada
estudiante. Esta disminuciรณn del nรบmero de horas de clases
presenciales obliga a reorganizar los cursos que se ofertan,
priorizando contenidos que van a guiar al estudiante.
5.2.6 Organizar competiciones
Una forma efectiva de lograr el interรฉs de los estudian-
tes en las tรฉcnicas analรญticas es desafรญa a los estudiantes
con competiciones, que tambiรฉn sirven para fortalecer sus
currรญculums. Las competiciones pueden ser dentro de la ca-
rrera o para toda la universidad, o interuniversitarias y pue-
den usarse conjuntamente con los proyectos de la materia
๎๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
se organizan alrededor del tema de la analรญtica y ciencia de
datos, dependiendo del nivel y objetivo de las mismas.
En esa lรญnea, en los รบltimos aรฑos se han popularizado
las competiciones denominadas Datathon. El Datathon
(Datathon, 2018) es un reto para resolver un problema real
basado en datos orientado a estudiantes de analรญtica o cien-
cia de datos que pone a prueba sus conocimientos en Inteli-
gencia de negocios, ciencia de datos, analรญticas y Big Data.
La competiciรณn suele consistir, en general, en desarrollar
un modelo a partir de un conjunto de datos, que se les pro-
porciona a los participantes al inicio de la jornada. A conti-
nuaciรณn, los participantes reciben otro conjunto (test) don-
de deberรกn aplicar el modelo obtenido para su validaciรณn.
VI. ๎ฆ๏๏๏ผ๏
๏๏๏๏๏๏พ๏
Las ideas presentadas estรกn direccionadas hacia la in-
clusiรณn de las analรญticas en los planes de estudio de las dis-
tintas carreras ofertadas por las universidades.
El diseรฑo de cambios en los programas curriculares,
que incluyan las nuevas tรฉcnicas analรญticas y potencialmen-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎-
๎๎๎ ๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎ ๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎๎-
dores, ya que sirven como una plantilla a seguir por otros
๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ด๎๎๎๎๎
de datos debe ser impulsado por aportes empresariales y li-
derazgo acadรฉmico que incorpore innovaciรณn en la teorรญa y
la prรกctica. Similar a muchos proyectos innovadores, todo
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
chas fuentes, la transformaciรณn de datos en informaciรณn y
la inteligencia para generar valor empresarial, y el recono-
17
N.
o
1 - 2022
cimiento de que actualmente hay muy pocos graduados con
las habilidades necesarias para hacer que esto suceda en el
futuro previsible.
En la literatura revisada se proponen en el corto plazo
algunos cambios en contenidos mรญnimos, y en el mediano
plazo la inclusiรณn de seis cursos principales y un curso bรก-
sico para cumplir los requisitos de un programa de pregra-
do que contenga los conocimientos mรญnimos de analรญtica de
datos que debe conocer todo profesional.
๎ฏ๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎ ๎๎๎๎๎๎๎๎ ๎๎๎๎ฉ๎ ๎๎๎๎๎๎๎ ๎๎ ๎๎๎๎๎ฟ๎๎๎๎๎-
nes pedagรณgicas para enfatizar en la resoluciรณn de proble-
mas, trabajo en equipo, y habilidades comunicativas. Es
recomendado que se revisen los contenidos de los cursos
cuantitativos actuales, sobre todo de asignaturas como es-
tadรญstica; el resultado es mover el contenido de estos cursos
tradicionales, y tal vez de otros mรกs como el curso de in-
vestigaciรณn de operaciones, introduciendo temas de analรญ-
tica de datos.
Es de gran importancia el anรกlisis y revisiรณn constante
del curricular es sus diversas formas e inferencias; ya que
es la รบnica forma que se podrรก crear un ambiente de sinto-
nรญa con los cambios que se dan en la sociedad, de tal forma
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
de formaciรณn profesional.
๎จ๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎ฉ๎๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎-
que estos cursos no han sido revisados en muchos aรฑos
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎น๎๎๎๎๎
ventaja competitiva. Los profesionales del futuro deben
๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฟ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎
alto nivel de comprensiรณn de las tรฉcnicas. Ademรกs, si van
๎๎ ๎๎๎๎๎๎๎๎๎ ๎๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎ ๎๎๎
๎๎๎ ๎๎๎๎๎๎ ๎๎๎๎ฟ๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎
mismas tรฉcnicas. Estas habilidades requieren una pedago-
๎๎ด๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
requieren.
๎ต๏พ๏ผ๏๏๏พ๏๏ฝ๏บ๏ผ๏๏๏๏พ๏
El alcance de este estudio abarca las necesidades de
incluir temas de analรญtica y ciencia de datos como una ha-
bilidad transversal dentro del currรญculo de formaciรณn de
pregrado, pero otros niveles de formaciรณn tambiรฉn pueden
ser considerados, como los cursos de educaciรณn continua o
los programas de posgrado. Esta revisiรณn debe complemen-
tarse con el software, repositorios de datos, ambientes de
aprendizaje y otros recursos necesarios para implementar
el programa planteado.
๎ต๏พ๏ฟ๏พ๏๏พ๏๏ผ๏๏บ๏
๎ค๎๎๎๎๎๎๎๎๎ฆ๎๎๎๎บ๎๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎๎ต๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎ฅ๎๎๎๎ง๎๎๎๎
Analytics and Data Science Undergraduate Degree
๎ณ๎๎๎๎๎๎๎๎๎๎ค๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎ ๎๎๎๎๎๎๎๎ง๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎๎๎๎
๎ฌ๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎ฅ๎๎๎๎๎๎๎๎ญ๎๎๎ถ๎๎๎๎๎๎๎๎๎๎๎ฑ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ค๎ฌ๎๎ฉ๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎
the Impact of AI on the World Economy. Recuperado
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
the-ai-frontier-modeling-the-impact-of-ai-on-the-
world-economy
Coleen, R., & Ceyhun, O. (2015). Business Analytics Cu-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎ธ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎ฌ๎ฑ๎ฉ๎ฒ๎ต๎ฐ๎ถ๎๎ท๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
College & University Data Science Degrees. (2019). Re-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
Committee on Revitalizing Graduate STEM. (2018). The
๎ฑ๎๎๎๎๎๎๎๎๎ค๎๎๎๎๎๎๎๎๎๎๎ท๎๎๎๎ฅ๎๎๎๎๎๎๎๎๎ซ๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎
and Workforce Committee on Revitalizing Graduate
STEM Education for the 21st. Recuperado el abril
๎๎๎ ๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
Datathon. (2018). Recuperado el 4 de julio de 2019, de
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎จ๎๎๎๎๎๎๎๎๎๎๎ท๎๎๎๎๎๎๎๎๎๎๎ง๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎
studentsfor the future. (G. f. education, Ed.) Econo-
mist Intelligence Unit report,, 1-24.
๎จ๎๎ณ๎๎๎๎๎๎๎๎๎๎๎๎๎๎ข๎จ๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ข๎๎ต๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฆ๎๎๎ฅ๎ฉ๎๎๎๎ฟ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
๎๎๎๎๎๎๎๎ฅ๎ฅ๎ท๎๎๎๎ต
Garber, A. (2019). Data Science: What the Educated Citi-
๎๎๎๎ ๎ฑ๎๎๎๎๎ ๎๎๎ ๎ฎ๎๎๎๎๎ ๎ซ๎๎๎๎๎๎๎ ๎ง๎๎๎๎ ๎ถ๎๎๎๎๎๎๎ ๎ต๎๎๎๎๎๎๎
๎ฒ๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
Lowe, J., & Armacost, A. (2012). Introduction to the spe-
๎๎๎๎๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฌ๎ฑ๎ฉ๎ฒ๎ต๎ฐ๎ถ๎๎
13(1), 1-100.
Moore, D. (2001). Undergraduate programs and the future
of academic statistics. American Statician, 55(1), 1-6.
๎ท๎๎๎๎ฅ๎๎๎๎๎๎๎๎๎ซ๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎ฉ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฌ๎๎๎๎๎๎๎๎๎
in Americaโs Data Science and Analytics Talent: The
Case for Action.
18
Revista Ecuatoriana de Investigaciรณn Educativa
๎ธ๎๎๎๎๎๎๎๎๎๎๎๎ฑ๎๎๎ผ๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฆ๎๎๎๎๎๎๎ง๎๎๎๎๎๎๎๎๎๎๎๎๎๎ฒ๎
-
๎๎๎๎๎๎๎ ๎๎๎ ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎-
requisites
Wilder, C., & Ozgur, C. (2015). Business Analytics Curri-
๎๎๎๎๎๎ ๎๎๎๎ ๎ธ๎๎๎๎๎๎๎๎๎๎๎๎๎ ๎ฐ๎๎๎๎๎๎๎ ๎ฌ๎ฑ๎ฉ๎ฒ๎ต๎ฐ๎ถ๎ ๎ท๎๎๎-
๎๎๎๎๎๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
๎บ๎๎๎
๎๎๎๎ฆ๎๎๎๎๎๎๎๎๎๎๎ฐ๎๎๎๎๎๎๎๎๎๎๎๎๎ฌ๎๎๎๎๎๎๎๎๎๎๎ณ๎๎๎๎๎๎๎๎๎ฌ๎๎๎-
sing Data Analytics into the Undergraduate Business
๎ฆ๎๎๎๎๎๎๎๎๎๎๎๎ฏ๎๎๎๎๎๎๎๎ฏ๎๎๎๎๎๎๎๎๎๎๎๎ฑ๎๎๎๎๎ถ๎๎๎๎๎๎๎๎ญ๎๎๎-
๎๎๎๎๎๎๎๎ฌ๎๎๎๎๎๎๎๎๎๎๎๎ถ๎๎๎๎๎๎๎๎จ๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
Zabalza, M. (2012). Articulaciรณn y rediseรฑo curricular: el
eterno desafรญo institucional. Revista de Docencia Uni-
๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎๎
