Aprender 2017 — Dashboard de rendimiento educativo en Argentina

Análisis y visualización interactiva (Power BI) de los resultados de la evaluación nacional Aprender 2017 para estudiantes del último año del nivel secundario, en Lengua y Matemática. Modelado de datos en R (modelo relacional) y medidas en DAX.

Interactive Power BI dashboard analyzing Argentina's national "Aprender 2017" secondary-education assessment (Math & Language), with a relational data model built in R and DAX measures.

Proyecto final de la Carrera de Data Science (CoderHouse) — Germán A. Tessmer.

---

De qué se trata

Aprender es el dispositivo nacional que evalúa los aprendizajes de estudiantes de primaria y secundaria en Argentina (debut en 2016, sucesor de los ONE). Además de medir desempeño en Lengua y Matemática, releva condiciones socioeconómicas de los alumnos y de los establecimientos.

Este proyecto toma la base poblacional, de corte transversal, de los estudiantes del último año del secundario evaluados en 2017, y construye un tablero que permite explorar las brechas de rendimiento por distrito y por características socioeconómicas.

• Fuente: Secretaría de Evaluación Educativa — Ministerio de Educación. datos.gob.ar/dataset/educacion-aprender-2017

Pregunta, objetivo e hipótesis

• Objetivo. Analizar las diferencias de rendimiento educativo (Lengua y Matemática) a nivel regional (provincias) y por tipo de gestión del establecimiento (estatal / privado), para egresados del secundario en 2017.
• Hipótesis. Una parte significativa de las diferencias de rendimiento se correlaciona con características socioeconómicas de la familia (p. ej. el nivel educativo de la madre y la posibilidad de elegir gestión privada) y con factores estructurales de cada distrito.

Pipeline / metodología

1. Preparación de datos en R (doc R/coder_aprender.R): etiquetado de la base cruda, creación de claves (id_alumno, id_hogar, id_escuela, id_jurisdiccion, id_pais), selección y renombrado de variables, y partición en un modelo relacional (tablas alumno, hogar, escuela, jurisdicción, país) según un Diagrama Entidad-Relación.
2. Modelado en Power BI: importación de las tablas, tratamiento de errores, columnas calculadas (educacion_madre2, rdo_lengua, rdo_mates) y medidas DAX (rendimiento general, cruzado por sexo y por tipo de gestión, conteos y medidas parametrizadas), más un shape map de provincias.
3. Tablero de 4 páginas con segmentadores y un mapa interactivo.

El tablero

Resultados generales — panorama nacional y comparación entre distritos.

Resultados por provincia — perfil de cada distrito (incluye mapa de formas).

Educación de la madre — rendimiento según el máximo nivel educativo materno.

Tipo de escuela — brechas según gestión estatal o privada.

Hallazgos principales

• El piso es bajo en todo el país: tomando 600 puntos (≈ 6/10) como umbral de contenidos mínimos, ningún distrito lo supera ni en Lengua ni en Matemática.
• Brecha territorial moderada: entre el distrito más rezagado (Chaco) y el de mejor desempeño (CABA) la diferencia es de 101,4 puntos en Matemática (+22,6 %) y 97,0 puntos en Lengua (+20,5 %).
• Educación de la madre: existe una correlación positiva entre el nivel educativo materno y el rendimiento de los alumnos en ambas áreas.
• Tipo de gestión: al incorporar la gestión del establecimiento (estatal/privado), las brechas se profundizan —sobre todo dentro de cada distrito—, lo que respalda la hipótesis del trabajo.

Stack técnico

R (tidyverse, readr, stringr) · Power BI (Power Query, DAX, shape map) · modelo de datos relacional.

Estructura del repositorio

├─ Aprender 2017 - Tessmer.pbix     Tablero final (Power BI)
├─ Aprender 2017 - Tessmer.pdf      Documentación de diseño completa (metodología, DER, DAX, decisiones)
├─ Aprender 2017 - Tessmer.xlsx     Base etiquetada (fuente del tablero)
├─ doc R/coder_aprender.R           Preparación de datos y armado del modelo relacional
├─ doc aprender/                    Diccionarios de variables, ponderación, gráfica
├─ doc proyecto/                    Mockups, mapa de provincias (GeoJSON), assets, rúbrica
├─ img/                             Capturas del tablero (para este README)
└─ versiones/                       Iteraciones previas (no versionadas)

Cómo abrir / reproducir

1. Tablero: abrir Aprender 2017 - Tessmer.pbix con Power BI Desktop.

   ⚠️ Las fuentes de datos del .pbix apuntan a rutas locales del equipo original. Para que abra en otra máquina hay que reapuntar el origen (Power Query → Configuración de origen de datos) a Aprender 2017 - Tessmer.xlsx de este repo.

2. Preparación de datos: el armado del modelo relacional a partir del microdato crudo de Aprender 2017 está en doc R/coder_aprender.R.
3. Detalle metodológico completo: ver Aprender 2017 - Tessmer.pdf (incluye DER, diccionarios, columnas/medidas DAX y decisiones de diseño).

Créditos y fuente

Proyecto final de la Carrera de Data Science (CoderHouse, 2022), por Germán A. Tessmer. Datos: dispositivo Aprender 2017, Secretaría de Evaluación Educativa, Ministerio de Educación de la Nación (Argentina). Análisis descriptivo, sin pretensión causal.