Há muito estudamos a questão do Data Based Marketing como ferramenta de Marketing Educacional.
Essa é uma disciplina moderna, aderente a Tecnologia da Informação. Ainda que puristas digam que o uso da Caderneta no Varejo seria um modelo prosaico, e que é possível operar verdadeiros milagres no Excell, entendemos que somente com o processamento profissional de informações, torna-se aceitável o risco de tomar decisões com base em Dados.
Em nossa visão pueril, propusemos no artigo Churn: Profissionalizando a Retenção de Alunos (antes da popularização do Big Data) a criação de um modelo precognitivo no qual, por meio de um processo de regressão, permitisse classificar os alunos em nível de risco de evasão.
O modelo, claro, tinha erros. Estávamos arranhando a superfície de uma nova disciplina.
O principal ponto a ser melhorado era que o modelo propunha, ainda que com ressalvas, um peso para cada uma das dimensões analisadas, na tentativa de criar uma formula uniforme que poderia ser aplicada em IES distintas em todos os mercados. O número de dimensões, também, era um limitante.
De 2010 até hoje muita água passou por debaixo desse viaduto!
Fora do Brasil o Big Data para Instituições de Ensino já é uma realidade e uma das mais importantes táticas de Marketing Educacional, adotada com sucesso por grandes grupos e pequenas instituições privadas de ensino presencial e ensino a distância. Por lá os alunos são classificados como AT RISK e um aluno ao entrar em uma IES já possui um quociente de evasão (o percentual de risco por enquadrar-se ou não nas dimensões estabelecidas no modelo).
Muitas dessas dimensões não fazem sentido para a realidade brasileira, mas mostram que em Big Data, são os detalhes que contam:
– Where does the student live? On campus, in a fraternity/sorority, off campus? Etc.
– US Citizen yes or no
– Visits are the number of times the prospect visited campus before enrolling. Visits must be greater than or equal to the number of open houses.
Analisando os modelos de dados de dezenas de universidades, fora do país, e tropicalizando os mesmo, inserindo indicadores do nosso mercado, chegamos ao seguinte conjunto de dimensões componentes de um modelo estruturado para evasão:
Algumas premissas dessa proposta.
O número e o peso dado para cada dimensão irá variar de acordo com uma série de fatores.
Como o nome diz, em Big Data o importante são os dados! E o maior desafio para implantar um sistema como esse é exatamente a coleta e manutenção desses insumos.
a) coleta inicial de dados;
b) coleta sequencial de dados;
c) ações de contingenciamento para listas de alunos com risco de evasão.
A Instituição somente irá desenvolver um “algoritmo” personalizado e com segurança, depois de um período de um ano mensurando a evasão.
Então, para cada evasão, a Instituição irá arquivar a ficha do aluno evadido de forma a criar a massa critica de dados, sobre a qual irá fazer a primeira regressão para a extração da informação.
Dessa forma, ao consolidar os dados dos evadidos, saberá quanto UM KM de distância da residência ou do local de trabalho pesa percentualmente na probabilidade de um aluno se evadir. Também, entre outros:
– Quanto cada amigo que ele possui pesa na sua retenção.
– Quanto fazer parte de atividades complementares na IES, influi na hora de ir embora.
Existe uma literatura farta desses indicadores.
O trabalho de estruturação de um modelo de Big Data para Marketing Educacional divide-se, portanto, em cinco fases:
1- Criação de um “Super Cadastro” (que em um primeiro momento deverá ser aplicado aos ingressantes, de forma a facilitar sua manutenção)
2- Manutenção desse “Super Cadastro”.
3- Desenvolvimento de uma rotina de revisões com atualização dos dados sazonais
4- Primeira regressão e Analise dos dados Históricos
5- Criação de políticas de contingenciamento da evasão (para cada uma das grandes dimensões que influem no risco de saída).