1. Planteamiento del Problema y Preparación de Datos

El presente informe analiza la oferta académica de Educación Superior en Colombia (SNIES) para apoyar la toma de decisiones de vicerrectorías académicas, oficinas de aseguramiento de la calidad y entes reguladores (MEN).

df <- read_excel("C:/Users/Julian830/Downloads/PROGRAMAS_EDUCACION_SUPERIOR_COMPLETA.xlsx")

# Limpieza residual de codificación y validación de variables clave
df <- df %>%
  mutate(
    es_programa_activo = ifelse(nombreestadoprograma == "Activo", 1, 0),
    es_alta_calidad = ifelse(nombretipoacreditacion == "Acreditación de alta calidad", 1, 0),
    anios_acreditacion_limpios = ifelse(flag_anios_acreditacion_imposibles == 1, NA, anios_acreditacion_validos)
  )

cat("Total de registros cargados:", nrow(df), "| Total de variables:", ncol(df))
## Total de registros cargados: 27005 | Total de variables: 52

2. Estadística Descriptiva Sólida y Prescriptiva

2.1 Comparación de Calidad y Vigencia según Origen Institucional

resumen_origen <- df %>%
  filter(nombreorigeninstitucional %in% c("Oficial", "Privado")) %>%
  group_by(nombreorigeninstitucional) %>%
  summarise(
    Total_Programas = n(),
    Pct_Activos = mean(es_programa_activo, na.rm = TRUE),
    Pct_Alta_Calidad = mean(es_alta_calidad, na.rm = TRUE)
  ) %>%
  select(nombreorigeninstitucional, Pct_Activos, Pct_Alta_Calidad) %>%
  pivot_longer(cols = starts_with("Pct"), names_to = "Metrica", values_to = "Porcentaje") %>%
  mutate(Metrica = recode(Metrica,
                          "Pct_Activos" = "% Programas Activos",
                          "Pct_Alta_Calidad" = "% Acreditación Alta Calidad"))

ggplot(resumen_origen, aes(x = nombreorigeninstitucional, y = Porcentaje, fill = Metrica)) +
  geom_col(position = position_dodge(width = 0.6), width = 0.5) +
  geom_text(aes(label = percent(Porcentaje, accuracy = 0.1)),
            position = position_dodge(width = 0.6), vjust = -0.5, fontface = "bold", size = 4) +
  scale_fill_manual(values = c(col_morado, col_turquesa)) +
  scale_y_continuous(labels = percent_format(), limits = c(0, 1)) +
  labs(
    title = "Las IES Oficiales presentan mayor proporción de Alta Calidad",
    subtitle = "Comparación de tasa de actividad y acreditación de alta calidad por origen institucional",
    x = "Origen Institucional",
    y = "Porcentaje del Total de Programas",
    fill = ""
  ) +
  tema_kl()

Insight de Alto Nivel: Aunque las instituciones privadas concentran el mayor volumen absoluto de programas ofertados en Colombia, las IES Oficiales exhiben una tasa proporcionalmente superior de Acreditación de Alta Calidad. Esto evidencia una oferta pública más consolidada frente a una oferta privada más atomizada y concentrada en registro calificado.

Recomendación Prescriptiva: * Para Directivos de IES Privadas: Priorizar planes de autoevaluación en pregrados con más de 8 años de vigencia para obtener Acreditación de Alta Calidad y diferenciarse en el mercado. * Para el Ministerio de Educación (MEN): Focalizar incentivos técnicos en regiones periféricas donde la oferta activa depende de seccionales públicas con registro calificado básico.

2.2 Distribución de Créditos por Nivel de Formación

df_niveles <- df %>%
  filter(!is.na(creditos_validos), creditos_validos > 0, creditos_validos <= 350,
         !nombrenivelformacion %in% c("No Aplica", "Especialización técnico profesional")) %>%
  mutate(Grupo_Nivel = case_when(
    nombrenivelformacion %in% c("Formación técnica profesional", "Tecnológica") ~ "Técnica y Tecnológica",
    nombrenivelformacion == "Universitaria" ~ "Pregrado Universitario",
    nombrenivelformacion == "Especialización universitaria" ~ "Especialización",
    nombrenivelformacion == "Maestría" ~ "Maestría",
    nombrenivelformacion == "Doctorado" ~ "Doctorado",
    TRUE ~ "Otro"
  )) %>%
  filter(Grupo_Nivel != "Otro")

df_niveles$Grupo_Nivel <- factor(df_niveles$Grupo_Nivel,
                                 levels = c("Técnica y Tecnológica", "Pregrado Universitario",
                                            "Especialización", "Maestría", "Doctorado"))


ggplot(df_niveles, aes(x = Grupo_Nivel, y = creditos_validos, fill = Grupo_Nivel)) +
  geom_boxplot(alpha = 0.85, outlier.color = col_magenta, outlier.alpha = 0.4) +
  scale_fill_manual(values = c(col_gris, col_morado, col_turquesa, col_magenta, "#6C5CE7")) +
  labs(
    title = "Estructura clara de créditos por ciclo propedéutico y posgrado",
    subtitle = "Distribución de créditos académicos válidos según nivel de formación (excluyendo valores >350)",
    x = "Nivel de Formación",
    y = "Cantidad de Créditos Académicos"
  ) +
  tema_kl() +
  theme(legend.position = "none")

Insight de Alto Nivel: Las Especializaciones se concentran entre 24 y 30 créditos, las Maestrías alrededor de 48–56 créditos y los Pregrados Universitarios entre 150 y 175 créditos. Los valores atípicos superiores (en magenta) corresponden a medicina y especializaciones médico-quirúrgicas.

2.3 Flexibilización Metodológica por Área de Conocimiento

df_met <- df %>%
  filter(!nombreareaconocimiento %in% c("No Aplica", "Sin clasificar"),
         nombremetodologia %in% c("Presencial", "Virtual", "A distancia")) %>%
  mutate(Modalidad_Flexible = ifelse(nombremetodologia %in% c("Virtual", "A distancia"),
                                     "Virtual / A Distancia", "Presencial")) %>%
  count(nombreareaconocimiento, Modalidad_Flexible) %>%
  group_by(nombreareaconocimiento) %>%
  mutate(Pct = n / sum(n)) %>%
  ungroup()

ggplot(df_met, aes(x = reorder(str_wrap(nombreareaconocimiento, 35), Pct), y = Pct, fill = Modalidad_Flexible)) +
  geom_col(width = 0.65) +
  coord_flip() +
  scale_fill_manual(values = c("Presencial" = col_gris, "Virtual / A Distancia" = col_magenta)) +
  scale_y_continuous(labels = percent_format()) +
  labs(
    title = "Economía y Educación lideran la flexibilización metodológica",
    subtitle = "Proporción de programas Presenciales vs. Virtuales/A Distancia por Área de Conocimiento",
    x = "",
    y = "Proporción de Programas",
    fill = "Metodología"
  ) +
  tema_kl() +
  theme(panel.grid.major.y = element_blank(), panel.grid.major.x = element_line())

Recomendación Prescriptiva: * Para Vicerrectorías Académicas: Aprovechar la baja saturación virtual en Ingeniería, Arquitectura y Urbanismo para lanzar maestrías y especializaciones virtuales en analítica de datos, desarrollo de software y gerencia de proyectos.

3. Indicador Sintético y Segmentación K-Means

3.1 Diseño del Indicador: Índice de Consolidación y Calidad Académica (ICCA)

Diseñamos el ICCA (0 a 100 puntos) para medir la solidez y respaldo de cada programa:

\[$text{ICCA} = 0.35 $cdot ($text{Activo}) + 0.35 $cdot ($text{Alta Calidad}) + 0.15 $cdot ($text{Años Acreditación Norm.}) + 0.15 $cdot ($text{Antigüedad Norm.})\]

df <- df %>%
  mutate(
    anio_creacion = as.numeric(substr(as.character(fechacreacion), 1, 4)),
    antiguedad = ifelse(!is.na(anio_creacion) & anio_creacion >= 1950 & anio_creacion <= 2026,
                        2026 - anio_creacion, 0),
    norm_antiguedad = pmin(antiguedad / 25, 1),
    norm_anios_acred = ifelse(!is.na(anios_acreditacion_limpios),
                              pmin(anios_acreditacion_limpios / 10, 1), 0),
    ICCA = round((0.35 * es_programa_activo +
                  0.35 * es_alta_calidad +
                  0.15 * norm_anios_acred +
                  0.15 * norm_antiguedad) * 100, 1)
  )

ranking_icca <- df %>%
  filter(es_programa_activo == 1, !nombreareaconocimiento %in% c("No Aplica", "Sin clasificar")) %>%
  group_by(nombreareaconocimiento) %>%
  summarise(
    Programas_Activos = n(),
    ICCA_Promedio = mean(ICCA, na.rm = TRUE)
  ) %>%
  arrange(desc(ICCA_Promedio))


ggplot(ranking_icca, aes(x = reorder(str_wrap(nombreareaconocimiento, 35), ICCA_Promedio), y = ICCA_Promedio)) +
  geom_col(fill = col_turquesa, width = 0.6) +
  geom_text(aes(label = round(ICCA_Promedio, 1)), hjust = -0.2, fontface = "bold", color = col_morado) +
  coord_flip() +
  ylim(0, 85) +
  labs(
    title = "Ranking del Índice de Consolidación y Calidad Académica (ICCA)",
    subtitle = "Puntaje promedio (0-100) en programas activos por Área de Conocimiento",
    x = "",
    y = "Puntaje ICCA Promedio"
  ) +
  tema_kl() +
  theme(panel.grid.major.y = element_blank(), panel.grid.major.x = element_line())

3.2 Segmentación de Programas mediante K-Means

# Filtrar programas activos con datos numéricos válidos
df_cluster_base <- df %>%
  filter(es_programa_activo == 1,
         !is.na(creditos_validos), creditos_validos > 0, creditos_validos <= 350,
         !is.na(periodos_validos), periodos_validos > 0, periodos_validos <= 20,
         !is.na(es_alta_calidad), !is.na(es_posgrado), !is.na(antiguedad)) %>%
  select(codigoinstitucion, nombreinstitucion, nombreprograma, nombreareaconocimiento,
         nombrenivelformacion, nombreorigeninstitucional,
         creditos_validos, periodos_validos, es_alta_calidad, es_posgrado, antiguedad, ICCA) %>%
  na.omit()

# Estandarización Z-score
datos_escalados <- df_cluster_base %>%
  select(creditos_validos, periodos_validos, es_alta_calidad, es_posgrado, antiguedad) %>%
  scale()

# Método del Codo para justificar k = 4
set.seed(123)
muestra_idx <- sample(1:nrow(datos_escalados), min(3000, nrow(datos_escalados)))
fviz_nbclust(datos_escalados[muestra_idx, ], kmeans, method = "wss", k.max = 8,
             linecolor = col_morado) +
  labs(title = "Justificación del Número de Clústeres (Método del Codo)",
       subtitle = "Se selecciona k = 4 donde la reducción de varianza intra-clúster se estabiliza",
       x = "Número de Clústeres (k)",
       y = "Suma de Cuadrados Intra-Clúster (WSS)") +
  tema_kl()

# Modelo K-Means definitivo (k = 4)
set.seed(123)
modelo_km <- kmeans(datos_escalados, centers = 4, nstart = 25)
df_cluster_base$Cluster <- as.factor(modelo_km$cluster)

# Tabla de perfilamiento
perfil_clusters <- df_cluster_base %>%
  group_by(Cluster) %>%
  summarise(
    Cantidad_Programas = n(),
    Creditos_Prom = round(mean(creditos_validos), 1),
    Periodos_Prom = round(mean(periodos_validos), 1),
    Pct_Alta_Calidad = percent(mean(es_alta_calidad), accuracy = 0.1),
    Pct_Posgrado = percent(mean(es_posgrado), accuracy = 0.1),
    Antiguedad_Prom = round(mean(antiguedad), 1),
    ICCA_Prom = round(mean(ICCA), 1)
  )

kable(perfil_clusters, caption = "Perfilamiento de los 4 Segmentos Identificados por K-Means")
Perfilamiento de los 4 Segmentos Identificados por K-Means
Cluster Cantidad_Programas Creditos_Prom Periodos_Prom Pct_Alta_Calidad Pct_Posgrado Antiguedad_Prom ICCA_Prom
1 1643 155.4 8.8 100.0% 9.5% 8.3 82.6
2 3037 45.3 2.9 1.9% 93.3% 11.8 43.0
3 3599 42.1 3.0 3.9% 98.0% 7.0 40.9
4 5026 137.8 8.0 0.0% 4.4% 9.2 40.5
ggplot(df_cluster_base, aes(x = periodos_validos, y = creditos_validos, color = Cluster)) +
  geom_jitter(alpha = 0.45, size = 1.8, width = 0.25) +
  scale_color_manual(values = c("1" = col_morado, "2" = col_magenta,
                                "3" = col_turquesa, "4" = "#7F8C8D")) +
  labs(
    title = "Segmentación de la Oferta Académica Activa (K-Means, k = 4)",
    subtitle = "Relación entre duración (periodos) y carga académica (créditos) por clúster",
    x = "Cantidad de Periodos",
    y = "Cantidad de Créditos",
    color = "Clúster"
  ) +
  tema_kl()

Interpretación de los Segmentos: * Posgrados de Ciclo Corto: Programas de 2 a 4 periodos y 25–55 créditos, enfocados en especialización profesional con registro calificado. * Pregrados Tradicionales (Registro Calificado): Carreras de 8 a 10 semestres (~160 créditos) sin acreditación de alta calidad. * Pregrados Élite Consolidados: Carreras universitarias de alta trayectoria que cuentan con Acreditación de Alta Calidad y alcanzan los puntajes ICCA más altos. * Ciclo Técnico/Tecnológico y Especializaciones Clínicas: Programas cortos de 6 semestres (~95 créditos) o especializaciones médico-quirúrgicas de alta densidad.

# Exporta la base lista para conectar en Power BI
write_csv(df_cluster_base, "snies_enriquecido_powerbi.csv")

4. Evaluación Crítica, Ética y Limitaciones

4.1 Revisión de Sesgos y Accesibilidad Visual

  • Sesgo de Volumen vs. Proporción: Comparar conteos brutos favorecería visualmente a las IES Privadas por su mayor volumen de registros. Se mitigó utilizando porcentajes normalizados dentro de cada grupo para evaluar equitativamente la tasa de acreditación de alta calidad.
  • Integridad de Escalas: Todos los gráficos de barras parten estrictamente del cero (0) para evitar distorsiones visuales en las magnitudes.
  • Accesibilidad Cromática: Se aplicó la paleta institucional (#351AF4 morado, #D9006C magenta, #168C86 turquesa y #D9D6DD gris), garantizando alto contraste y evitando combinaciones problemáticas para personas con daltonismo (deuteranopía/protanopía).

4.2 Limitaciones del Análisis y Mejoras Futuras

  • Anomalías en la Fuente (SNIES): Se identificaron errores de digitación en aniosacreditados (como registros de 85 o 1603 años) y valores faltantes en cantidadcreditos en programas históricos, los cuales fueron depurados mediante reglas de validación (flag_anios_acreditacion_imposibles) para evitar sesgar el indicador ICCA.
  • Restricciones de K-Means: Al emplear distancia euclidiana sobre variables mixtas (continuas y binarias), el algoritmo tiende a formar grupos esféricos y puede agrupar especializaciones médicas extensas junto con pregrados largos.
  • Mejoras Futuras: Integrar datos del Observatorio Laboral para la Educación (OLE) (tasa de cotizantes y salario de enganche) y estadísticas de deserción (SPADIES) para que el indicador ICCA refleje resultados de impacto estudiantil y no solo atributos administrativos.