MODELO DE GESTIÓN DE RIESGOS USANDO
APRENDIZAJE AUTOMÁTICO Y ANÁLISIS DE
DATOS PARA LA ESCUELA DE POSGRADO DE LA
UNS
RISK MANAGEMENT MODEL USING MACHINE LEARNING
AND DATA ANALYTICS FOR THE GRADUATE SCHOOL OF
THE UNIVERSIDAD NACIONAL DEL SANTA
Lizbeth Dora Briones Pereyra
Universidad Nacional del Santa
Carlos Eugenio Vega Moreno
Universidad Nacional del Santa
Camilo Ernesto Suarez Rebaza
Universidad Nacional del Santa
pág. 9394
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25955
Modelo de gestión de riesgos usando aprendizaje automático y análisis de
datos para la escuela de posgrado de la UNS
Lizbeth Dora Briones Pereyra1
lbriones@uns.edu.pe
https://orcid.org/0000-0003-0626-7227
Universidad Nacional del Santa
Perú
Carlos Eugenio Vega Moreno
cvega@uns.edu.pe
https://orcid.org/0000-0003-2955-0674
Universidad Nacional del Santa
Perú
Camilo Ernesto Suarez Rebaza
csuarez@uns.edu.pe
https://orcid.org/0000-0002-6870-4296
Universidad Nacional del Santa
Perú
RESUMEN
La Escuela de Posgrado de la Universidad Nacional del Santa cumple un rol fundamental en la
formación de profesionales especializados, es por ello que es muy importante cuidar la seguridad,
integridad de la información juntamente con la infraestructura, Uno de los problemas que atraviesa la
escuela de posgrado que es mantener la seguridad de los riegos que existen día a día. El objetivo de la
investigación es desarrollar un modelo de gestión de riesgos aplicando las normas ISO 31000 y usando
análisis de datos que permitirá mitigar los riesgos en la escuela de posgrado de la UNS. La metodología
que se utilizó el enfoque mixto, integrando métodos cualitativos y cuantitativos. Los resultados del
estudio desarrollado permitieron construir una matriz con 29 riesgos clasificados en siete categorías, de
los cuales 7 son críticos concentrándose principalmente en aspectos estratégicos, financieros y
regulatorios. El riesgo más relevante corresponde a la insuficiencia presupuestal, seguido por la
captación de estudiantes, cumplimiento de estándares SUNEDU y falta de docentes con grado de doctor.
Las medidas de control propuestas permiten proyectar una reducción cercana al 60% del riesgo residual.
Al aplicar el aprendizaje automático indica que la ejecución de los planes de mitigación permitiría
reducir progresivamente la severidad promedio institucional desde 15.67 hasta aproximadamente 6.33
puntos, representando una disminución cercana al 60% del riesgo global que coincide con la evaluación
del riesgo residual.
Palabras clave: Gestión de riesgos; aprendizaje automático; análisis de datos; mitigar riesgos.
1 Autor principal
Correspondencia: lbriones@uns.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25955
Modelo de gestión de riesgos usando aprendizaje automático y análisis de
datos para la escuela de posgrado de la UNS
Lizbeth Dora Briones Pereyra1
lbriones@uns.edu.pe
https://orcid.org/0000-0003-0626-7227
Universidad Nacional del Santa
Perú
Carlos Eugenio Vega Moreno
cvega@uns.edu.pe
https://orcid.org/0000-0003-2955-0674
Universidad Nacional del Santa
Perú
Camilo Ernesto Suarez Rebaza
csuarez@uns.edu.pe
https://orcid.org/0000-0002-6870-4296
Universidad Nacional del Santa
Perú
RESUMEN
La Escuela de Posgrado de la Universidad Nacional del Santa cumple un rol fundamental en la
formación de profesionales especializados, es por ello que es muy importante cuidar la seguridad,
integridad de la información juntamente con la infraestructura, Uno de los problemas que atraviesa la
escuela de posgrado que es mantener la seguridad de los riegos que existen día a día. El objetivo de la
investigación es desarrollar un modelo de gestión de riesgos aplicando las normas ISO 31000 y usando
análisis de datos que permitirá mitigar los riesgos en la escuela de posgrado de la UNS. La metodología
que se utilizó el enfoque mixto, integrando métodos cualitativos y cuantitativos. Los resultados del
estudio desarrollado permitieron construir una matriz con 29 riesgos clasificados en siete categorías, de
los cuales 7 son críticos concentrándose principalmente en aspectos estratégicos, financieros y
regulatorios. El riesgo más relevante corresponde a la insuficiencia presupuestal, seguido por la
captación de estudiantes, cumplimiento de estándares SUNEDU y falta de docentes con grado de doctor.
Las medidas de control propuestas permiten proyectar una reducción cercana al 60% del riesgo residual.
Al aplicar el aprendizaje automático indica que la ejecución de los planes de mitigación permitiría
reducir progresivamente la severidad promedio institucional desde 15.67 hasta aproximadamente 6.33
puntos, representando una disminución cercana al 60% del riesgo global que coincide con la evaluación
del riesgo residual.
Palabras clave: Gestión de riesgos; aprendizaje automático; análisis de datos; mitigar riesgos.
1 Autor principal
Correspondencia: lbriones@uns.edu.pe
pág. 9395
Risk Management Model Using Machine Learning and Data Analytics for
the Graduate School of the Universidad Nacional del Santa
ABSTRACT
The Graduate School of the National University of Santa plays a key role in training specialized
professionals, which is why it is very important to take care of security and information integrity along
with the infrastructure. One of the problems the graduate school faces is maintaining the security of the
risks that exist every day. The goal of the research is to develop a risk management model by applying
ISO 31000 standards and using data analysis, which will help mitigate risks at the UNS graduate school.
The methodology used was a mixed approach, integrating both qualitative and quantitative methods.
The results of the study allowed the construction of a matrix with 29 risks classified into seven
categories, of which 7 are critical, focusing mainly on strategic, financial, and regulatory aspects. The
most relevant risk is budget shortfall, followed by student enrollment, compliance with SUNEDU
standards, and the lack of teachers with a doctoral degree. The proposed control measures suggest a
projected reduction of about 60% in residual risk. Using machine learning, it shows that executing
mitigation plans would gradually reduce the average institutional severity from 15.67 to around 6.33
points, representing a decrease of roughly 60% of the overall risk, which aligns with the residual risk
assessment.
Keywords: Risk management; machine learning; data analysis; risk mitigation.
Artículo recibido 20 julio 2026
Aceptado para publicación: 20 agosto 2026
Risk Management Model Using Machine Learning and Data Analytics for
the Graduate School of the Universidad Nacional del Santa
ABSTRACT
The Graduate School of the National University of Santa plays a key role in training specialized
professionals, which is why it is very important to take care of security and information integrity along
with the infrastructure. One of the problems the graduate school faces is maintaining the security of the
risks that exist every day. The goal of the research is to develop a risk management model by applying
ISO 31000 standards and using data analysis, which will help mitigate risks at the UNS graduate school.
The methodology used was a mixed approach, integrating both qualitative and quantitative methods.
The results of the study allowed the construction of a matrix with 29 risks classified into seven
categories, of which 7 are critical, focusing mainly on strategic, financial, and regulatory aspects. The
most relevant risk is budget shortfall, followed by student enrollment, compliance with SUNEDU
standards, and the lack of teachers with a doctoral degree. The proposed control measures suggest a
projected reduction of about 60% in residual risk. Using machine learning, it shows that executing
mitigation plans would gradually reduce the average institutional severity from 15.67 to around 6.33
points, representing a decrease of roughly 60% of the overall risk, which aligns with the residual risk
assessment.
Keywords: Risk management; machine learning; data analysis; risk mitigation.
Artículo recibido 20 julio 2026
Aceptado para publicación: 20 agosto 2026
pág. 9396
INTRODUCCIÓN
El desarrollar el aprendizaje automático constituye una herramienta complementaria a la metodología
ISO 31000 para la gestión de riesgos. Mediante técnicas de clasificación basadas en árboles de decisión,
es posible analizar las variables de probabilidad e impacto identificadas en la matriz de riesgos para
predecir el nivel de criticidad de los eventos evaluados. Esta capacidad predictiva proporciona
información útil para priorizar acciones de mitigación y fortalecer el proceso de toma de decisiones en
la Escuela de Posgrado de la Universidad Nacional del Santa.
Para lograr este objetivo se tuvo que identificar el objeto de estudio siendo, el objeto de la investigación
los riesgos encontrados en la escuela de posgrado, para poder analizarlos y mitigarlos.
Estos objetivos pretenden resolver el problema de investigación formulado como: ¿El modelo de gestión
de riesgos usando análisis de datos permitirá, mitigar los riesgos en la Escuela de Postgrado de la UNS?.
Se planteó la hipótesis: desarrollar un modelo de gestión de riesgos usando análisis de datos que
permitirán mitigar los riesgos en la Escuela de Postgrado de la UNS.
La investigación tiene como principal objetivo desarrollar un modelo de gestión de riesgos aplicando la
norma ISO 31000 y usando análisis de datos que permitirá mitigar los riesgos en la escuela de postgrado
de la UNS. Siendo los objetivos específicos: Identificar y analizar los riesgos en la escuela de postgrado
de la UNS, identificar los riesgos con alto puntaje critico que podrían afectar a la Escuela de postgrado
de la UNS, realizar una Matriz de evaluación riesgos y presentar un tratamiento para mitigar los riesgos
más críticos.
Para alcanzar el propósito de esta investigación, se formula la hipótesis de investigación que al
desarrollar un modelo de gestión de riesgos usando aprendizaje automático y análisis de datos permitirá
mitigar los riesgos en la Escuela de Postgrado de la UNS.
El método de investigación utilizado es la observación, según el diseño de investigación, el estudio es
de tipo descriptivo y emplea un enfoque mixto, integrando métodos cualitativos y cuantitativos ya que
se hace uso de diversas variables ponderadas y uso de matrices. La presente investigación se justifica
socialmente porque contribuirá al fortalecimiento institucional y al prestigio de la escuela de posgrado
de la Universidad Nacional del Santa. La implementación de un modelo de gestión de riesgos basado en
la norma ISO 31000, complementado con técnicas de análisis de datos y aprendizaje automático,
INTRODUCCIÓN
El desarrollar el aprendizaje automático constituye una herramienta complementaria a la metodología
ISO 31000 para la gestión de riesgos. Mediante técnicas de clasificación basadas en árboles de decisión,
es posible analizar las variables de probabilidad e impacto identificadas en la matriz de riesgos para
predecir el nivel de criticidad de los eventos evaluados. Esta capacidad predictiva proporciona
información útil para priorizar acciones de mitigación y fortalecer el proceso de toma de decisiones en
la Escuela de Posgrado de la Universidad Nacional del Santa.
Para lograr este objetivo se tuvo que identificar el objeto de estudio siendo, el objeto de la investigación
los riesgos encontrados en la escuela de posgrado, para poder analizarlos y mitigarlos.
Estos objetivos pretenden resolver el problema de investigación formulado como: ¿El modelo de gestión
de riesgos usando análisis de datos permitirá, mitigar los riesgos en la Escuela de Postgrado de la UNS?.
Se planteó la hipótesis: desarrollar un modelo de gestión de riesgos usando análisis de datos que
permitirán mitigar los riesgos en la Escuela de Postgrado de la UNS.
La investigación tiene como principal objetivo desarrollar un modelo de gestión de riesgos aplicando la
norma ISO 31000 y usando análisis de datos que permitirá mitigar los riesgos en la escuela de postgrado
de la UNS. Siendo los objetivos específicos: Identificar y analizar los riesgos en la escuela de postgrado
de la UNS, identificar los riesgos con alto puntaje critico que podrían afectar a la Escuela de postgrado
de la UNS, realizar una Matriz de evaluación riesgos y presentar un tratamiento para mitigar los riesgos
más críticos.
Para alcanzar el propósito de esta investigación, se formula la hipótesis de investigación que al
desarrollar un modelo de gestión de riesgos usando aprendizaje automático y análisis de datos permitirá
mitigar los riesgos en la Escuela de Postgrado de la UNS.
El método de investigación utilizado es la observación, según el diseño de investigación, el estudio es
de tipo descriptivo y emplea un enfoque mixto, integrando métodos cualitativos y cuantitativos ya que
se hace uso de diversas variables ponderadas y uso de matrices. La presente investigación se justifica
socialmente porque contribuirá al fortalecimiento institucional y al prestigio de la escuela de posgrado
de la Universidad Nacional del Santa. La implementación de un modelo de gestión de riesgos basado en
la norma ISO 31000, complementado con técnicas de análisis de datos y aprendizaje automático,
pág. 9397
permitirá identificar, evaluar y priorizar los riesgos que pueden afectar el cumplimiento de los objetivos
académicos, administrativos y financieros de la institución.
Asimismo, la predicción de riesgos facilitará la toma de decisiones oportunas y la aplicación de medidas
preventivas y correctivas dirigidas a reducir la probabilidad de ocurrencia y el impacto de los riesgos
más críticos. De esta manera, se contribuirá a mejorar la calidad del servicio educativo, proteger los
recursos institucionales, garantizar la continuidad de las actividades académicas y fortalecer la confianza
de estudiantes, docentes y personal administrativo en la gestión de la Escuela de Posgrado.
En lo que respecta a la literatura, el marco teórico, la teoría
La gestión de riesgos, es un proceso fundamental para cualquier organización, ya que permite identificar,
evaluar y tratar los riesgos que pueden afectar su misión, objetivos y operaciones (ISO 31000:2018).
La ISO 31000 (2018) define el riesgo como el efecto de la incertidumbre sobre los objetivos
organizacionales, pudiendo ser negativo amenaza o positiva oportunidad, su objetivo principal es
mejorar la toma de decisiones, incrementar la probabilidad de alcanzar los objetivos y fortalecer la
gobernanza organizacional mediante un enfoque sistemático y proactivo frente a la incertidumbre.
Respecto a los modelos de gestión de riesgos, existen varios modelos de gestión de riesgos, entre ellos:1.
Modelo de gestión de riesgos de la ISO 31000 (2018), que establece un enfoque sistemático y
estructurado para la gestión de riesgos.,2. Modelo de gestión de riesgos de la COSO (2017), que
establece un enfoque integral para la gestión de riesgos. Siendo las etapas gestión de riesgos: 1.
Identificación de riesgos, 2. Evaluación de riesgos, 3. Tratamiento de riesgos , 4. Monitoreo y revisión
de riesgos.
Las herramientas y técnicas de gestión de riesgos son entre ellas: 1. Análisis de riesgos, 2. Evaluación
de impacto, 3. Análisis de sensibilidad, 4. Simulación de riesgos (ISO 31000, 2018).
La matriz de riesgos es una herramienta utilizada para evaluar y priorizar riesgos en una organización
los componentes de la matriz de riesgos se componen de los siguientes componentes: 1. Probabilidad
de ocurrencia: se refiere a la probabilidad de que un riesgo se materialice, 2. Impacto: se refiere al efecto
que tendría un riesgo en la organización si se materializara, 3. Nivel de riesgo: se refiere al resultado de
combinar la probabilidad de ocurrencia y el impacto de un riesgo. La evaluación del riesgo consiste en
permitirá identificar, evaluar y priorizar los riesgos que pueden afectar el cumplimiento de los objetivos
académicos, administrativos y financieros de la institución.
Asimismo, la predicción de riesgos facilitará la toma de decisiones oportunas y la aplicación de medidas
preventivas y correctivas dirigidas a reducir la probabilidad de ocurrencia y el impacto de los riesgos
más críticos. De esta manera, se contribuirá a mejorar la calidad del servicio educativo, proteger los
recursos institucionales, garantizar la continuidad de las actividades académicas y fortalecer la confianza
de estudiantes, docentes y personal administrativo en la gestión de la Escuela de Posgrado.
En lo que respecta a la literatura, el marco teórico, la teoría
La gestión de riesgos, es un proceso fundamental para cualquier organización, ya que permite identificar,
evaluar y tratar los riesgos que pueden afectar su misión, objetivos y operaciones (ISO 31000:2018).
La ISO 31000 (2018) define el riesgo como el efecto de la incertidumbre sobre los objetivos
organizacionales, pudiendo ser negativo amenaza o positiva oportunidad, su objetivo principal es
mejorar la toma de decisiones, incrementar la probabilidad de alcanzar los objetivos y fortalecer la
gobernanza organizacional mediante un enfoque sistemático y proactivo frente a la incertidumbre.
Respecto a los modelos de gestión de riesgos, existen varios modelos de gestión de riesgos, entre ellos:1.
Modelo de gestión de riesgos de la ISO 31000 (2018), que establece un enfoque sistemático y
estructurado para la gestión de riesgos.,2. Modelo de gestión de riesgos de la COSO (2017), que
establece un enfoque integral para la gestión de riesgos. Siendo las etapas gestión de riesgos: 1.
Identificación de riesgos, 2. Evaluación de riesgos, 3. Tratamiento de riesgos , 4. Monitoreo y revisión
de riesgos.
Las herramientas y técnicas de gestión de riesgos son entre ellas: 1. Análisis de riesgos, 2. Evaluación
de impacto, 3. Análisis de sensibilidad, 4. Simulación de riesgos (ISO 31000, 2018).
La matriz de riesgos es una herramienta utilizada para evaluar y priorizar riesgos en una organización
los componentes de la matriz de riesgos se componen de los siguientes componentes: 1. Probabilidad
de ocurrencia: se refiere a la probabilidad de que un riesgo se materialice, 2. Impacto: se refiere al efecto
que tendría un riesgo en la organización si se materializara, 3. Nivel de riesgo: se refiere al resultado de
combinar la probabilidad de ocurrencia y el impacto de un riesgo. La evaluación del riesgo consiste en
pág. 9398
comparar los resultados del análisis con los criterios de riesgo establecidos por la organización, con el
fin de determinar cuáles requieren tratamiento prioritario y cuáles pueden ser aceptados o monitoreados.
Dado que los riesgos cambian con el tiempo, el monitoreo debe ser continuo y planificado. Comprende
el seguimiento de los controles implementados y la vigilancia del contexto para detectar cambios que
modifiquen la exposición (Ramírez y Ortiz, 2011). El tratamiento del riesgo es el proceso iterativo de
seleccionar e implementar opciones para abordar los riesgos evaluados. La selección implica equilibrar
los beneficios de reducir el riesgo frente a los costos de implementación, y las opciones pueden
combinarse entre sí (ISO, 2018).
El riesgo residual que permanece tras el tratamiento debe documentarse y monitorearse, considerando
además que el propio tratamiento puede introducir riesgos secundarios (ISO, 2018).
El análisis de datos es una técnica que permite extraer conocimientos y patrones de los datos (Hastie,
Tibshirani, & Friedman, 2009).
El análisis de datos es el proceso de examinar y transformar datos en información útil y significativa
para la toma de decisiones (Ridgers, 2020).
Aprendizaje Automático Machine Learning es una rama de la inteligencia artificial que permite a los
sistemas informáticos aprender patrones a partir de los datos sin ser programados explícitamente para
cada tarea específica. Mediante algoritmos matemáticos y estadísticos, los modelos pueden identificar
relaciones entre variables, realizar clasificaciones y generar predicciones que apoyan la toma de
decisiones en diferentes contextos organizacionales (Mitchell, 1997).
Aprendizaje Automático en la Gestión de Riesgos, la aplicación del aprendizaje automático en la gestión
de riesgos permite analizar grandes volúmenes de datos para identificar patrones que podrían indicar la
ocurrencia futura de eventos adversos. (Bishop, 2006).
Modelos predictivos son técnicas analíticas que utilizan información histórica para estimar la
probabilidad de ocurrencia de eventos futuros. (Han et al., 2022).
Árboles de Decisión constituyen una de las técnicas más utilizadas en aprendizaje automático debido a
su facilidad de interpretación. Este algoritmo genera reglas lógicas basadas en características de entrada
para clasificar o predecir resultados. En gestión de riesgos, permiten determinar cómo variables como
la probabilidad y el impacto influyen en la severidad del riesgo identificado (Quinlan, 1993).
comparar los resultados del análisis con los criterios de riesgo establecidos por la organización, con el
fin de determinar cuáles requieren tratamiento prioritario y cuáles pueden ser aceptados o monitoreados.
Dado que los riesgos cambian con el tiempo, el monitoreo debe ser continuo y planificado. Comprende
el seguimiento de los controles implementados y la vigilancia del contexto para detectar cambios que
modifiquen la exposición (Ramírez y Ortiz, 2011). El tratamiento del riesgo es el proceso iterativo de
seleccionar e implementar opciones para abordar los riesgos evaluados. La selección implica equilibrar
los beneficios de reducir el riesgo frente a los costos de implementación, y las opciones pueden
combinarse entre sí (ISO, 2018).
El riesgo residual que permanece tras el tratamiento debe documentarse y monitorearse, considerando
además que el propio tratamiento puede introducir riesgos secundarios (ISO, 2018).
El análisis de datos es una técnica que permite extraer conocimientos y patrones de los datos (Hastie,
Tibshirani, & Friedman, 2009).
El análisis de datos es el proceso de examinar y transformar datos en información útil y significativa
para la toma de decisiones (Ridgers, 2020).
Aprendizaje Automático Machine Learning es una rama de la inteligencia artificial que permite a los
sistemas informáticos aprender patrones a partir de los datos sin ser programados explícitamente para
cada tarea específica. Mediante algoritmos matemáticos y estadísticos, los modelos pueden identificar
relaciones entre variables, realizar clasificaciones y generar predicciones que apoyan la toma de
decisiones en diferentes contextos organizacionales (Mitchell, 1997).
Aprendizaje Automático en la Gestión de Riesgos, la aplicación del aprendizaje automático en la gestión
de riesgos permite analizar grandes volúmenes de datos para identificar patrones que podrían indicar la
ocurrencia futura de eventos adversos. (Bishop, 2006).
Modelos predictivos son técnicas analíticas que utilizan información histórica para estimar la
probabilidad de ocurrencia de eventos futuros. (Han et al., 2022).
Árboles de Decisión constituyen una de las técnicas más utilizadas en aprendizaje automático debido a
su facilidad de interpretación. Este algoritmo genera reglas lógicas basadas en características de entrada
para clasificar o predecir resultados. En gestión de riesgos, permiten determinar cómo variables como
la probabilidad y el impacto influyen en la severidad del riesgo identificado (Quinlan, 1993).
pág. 9399
Aprendizaje Supervisado es un método de entrenamiento en el que el algoritmo utiliza datos previamente
etiquetados para aprender relaciones entre las variables de entrada y los resultados esperados. (Russell
& Norvig, 2021).
Respecto a los antecedentes,en la escuela de posgrado existe un trabajo titulado, modelo para la
predicción del éxito profesional en egresados de la UNS mediante aprendizaje automático basado en
datos académicos y socioeconómicos, mas no que tenga que ver con analisis de riesgos. López Heredia,
J. M. A. (2026).
METODOLOGÍA
Para el presente trabajo se usará un enfoque mixto cualitativo y cuantitativo ya que se hace uso de
diversas variables ponderadas y uso de matrices
Población y Muestra
- Población
La población sería el personal docente, administrativo y alumnos de la escuela de postgrado,
- Muestra
La muestra seria probabilístico, donde el investigador escoge de acuerdo a su conveniencia, seria
10 docentes, 10 estudiantes y 2 administrativos de la escuela de posgrado, siendo un total de 22
personas.
- Variables de Estudio
Variable Independiente: Modelo de Gestión de Riesgos usando Aprendizaje Automático y
Análisis
de Datos.
Variable Dependiente: Mitigación de Riesgos en la Escuela de Posgrado de la UNS.
Técnicas e Instrumentos de Recolección de Datos
Para la recopilación de la información se utilizaron dos técnicas: Observación, Encuestas.
Para las técnicas estadísticas se utilizará el Power Bi que es una herramienta de análisis de datos, luego
de procesar los datos se observará y analizará los resultados para mostrar la predicción de los riesgos
que puedan existir y poder plantear soluciones, para el procedimientos para la recolección de datos serán
los siguientes: Revisar la información obtenida de posgrado, realizar entrevistas o encuestas a los
Aprendizaje Supervisado es un método de entrenamiento en el que el algoritmo utiliza datos previamente
etiquetados para aprender relaciones entre las variables de entrada y los resultados esperados. (Russell
& Norvig, 2021).
Respecto a los antecedentes,en la escuela de posgrado existe un trabajo titulado, modelo para la
predicción del éxito profesional en egresados de la UNS mediante aprendizaje automático basado en
datos académicos y socioeconómicos, mas no que tenga que ver con analisis de riesgos. López Heredia,
J. M. A. (2026).
METODOLOGÍA
Para el presente trabajo se usará un enfoque mixto cualitativo y cuantitativo ya que se hace uso de
diversas variables ponderadas y uso de matrices
Población y Muestra
- Población
La población sería el personal docente, administrativo y alumnos de la escuela de postgrado,
- Muestra
La muestra seria probabilístico, donde el investigador escoge de acuerdo a su conveniencia, seria
10 docentes, 10 estudiantes y 2 administrativos de la escuela de posgrado, siendo un total de 22
personas.
- Variables de Estudio
Variable Independiente: Modelo de Gestión de Riesgos usando Aprendizaje Automático y
Análisis
de Datos.
Variable Dependiente: Mitigación de Riesgos en la Escuela de Posgrado de la UNS.
Técnicas e Instrumentos de Recolección de Datos
Para la recopilación de la información se utilizaron dos técnicas: Observación, Encuestas.
Para las técnicas estadísticas se utilizará el Power Bi que es una herramienta de análisis de datos, luego
de procesar los datos se observará y analizará los resultados para mostrar la predicción de los riesgos
que puedan existir y poder plantear soluciones, para el procedimientos para la recolección de datos serán
los siguientes: Revisar la información obtenida de posgrado, realizar entrevistas o encuestas a los
pág. 9400
administrativos, docentes y alumnos de posgrado, aplicar la metodología del análisis de riesgos, analizar
la información recopilada de la matriz de riesgos, crear un plan de tratamiento para mitigar los riesgos,
aplicar Power BI a los datos obtenidos para la predicción de riesgos, mostrar la predicción de datos,
aplicar el aprendizaje automático para la predicción de riesgos, y por ultimo los aspectos éticos y
regulatorios como la protección de datos, transparencia y rendición de cuentas, no discriminación y
equidad, respeto a la propiedad intelectual, seguridad y protección de la información:
RESULTADOS Y DISCUSIÓN
Para mostrar los resultados se analizó La Escuela de Posgrado de la Universidad Nacional del Santa y
se aplicó la metodología de Gestión de riesgos, usando la norma ISO 31000, para luego aplicar el
análisis de datos usando Power BI y realizar una predicción de los riesgos.
Tabla 1
Análisis de la Lista de riesgos por tipo de riesgos
Tipo de Riesgo Núm. Nombre del Riesgo
1
Falta de alineación de los programas de posgrado con las necesidades del
mercado laboral regional.
2
Baja demanda de estudiantes por escasa difusión y posicionamiento
institucional.
Riesgos
Estratégicos
3
Incumplimiento de condiciones básicas de calidad exigidas por la SUNEDU
para el licenciamiento de programas de posgrado.
4
Dependencia de docentes sin el grado mínimo exigido para dictar en sus
diferentes niveles de maestría o doctorados.
5
Ausencia de convenios interinstitucionales vigentes con universidades
nacionales e internacionales.
Tipo de Riesgo Núm. Nombre del Riesgo
6
Retrasos en la entrega de grados y títulos por procesos administrativos lentos o
burocráticos.
administrativos, docentes y alumnos de posgrado, aplicar la metodología del análisis de riesgos, analizar
la información recopilada de la matriz de riesgos, crear un plan de tratamiento para mitigar los riesgos,
aplicar Power BI a los datos obtenidos para la predicción de riesgos, mostrar la predicción de datos,
aplicar el aprendizaje automático para la predicción de riesgos, y por ultimo los aspectos éticos y
regulatorios como la protección de datos, transparencia y rendición de cuentas, no discriminación y
equidad, respeto a la propiedad intelectual, seguridad y protección de la información:
RESULTADOS Y DISCUSIÓN
Para mostrar los resultados se analizó La Escuela de Posgrado de la Universidad Nacional del Santa y
se aplicó la metodología de Gestión de riesgos, usando la norma ISO 31000, para luego aplicar el
análisis de datos usando Power BI y realizar una predicción de los riesgos.
Tabla 1
Análisis de la Lista de riesgos por tipo de riesgos
Tipo de Riesgo Núm. Nombre del Riesgo
1
Falta de alineación de los programas de posgrado con las necesidades del
mercado laboral regional.
2
Baja demanda de estudiantes por escasa difusión y posicionamiento
institucional.
Riesgos
Estratégicos
3
Incumplimiento de condiciones básicas de calidad exigidas por la SUNEDU
para el licenciamiento de programas de posgrado.
4
Dependencia de docentes sin el grado mínimo exigido para dictar en sus
diferentes niveles de maestría o doctorados.
5
Ausencia de convenios interinstitucionales vigentes con universidades
nacionales e internacionales.
Tipo de Riesgo Núm. Nombre del Riesgo
6
Retrasos en la entrega de grados y títulos por procesos administrativos lentos o
burocráticos.
pág. 9401
7
Infraestructura física insuficiente o inadecuada para el dictado de clases de
posgrado.
Riesgos
Operativos
8 Plan de estudio, curricular desactualizadas de maestrías y doctorados.
9 Inadecuada gestión de la documentación académica y administrativa.
10 Rotación frecuente del personal administrativo del área.
Tipo de Riesgo Núm. Nombre del Riesgo
11 Presupuesto institucional insuficiente asignado al área de posgrado.
12
Morosidad o deserción de estudiantes que afecta los ingresos propios de la
unidad.
Riesgos
Financieros
13 Dependencia del financiamiento del Estado sin fuentes alternativas de ingresos.
14 Irregularidades en la gestión de pagos de pensiones y tasas académicas.
Tipo de Riesgo Núm. Nombre del Riesgo
15
Incumplimiento de la Ley Universitaria N° 30220 en requisitos para programas
de posgrado.
16 No acreditación de los programas ante organismos como el SINEACE.
Riesgos de
Cumplimiento
/ Legales
17
Riesgo de sanciones por parte de la SUNEDU ante observaciones no
levantadas.
18 Contratación de docentes sin el perfil requerido (grado de maestro o doctor).
Tipo de Riesgo Núm. Nombre del Riesgo
19 Plataformas virtuales (Campus Virtual) con fallas técnicas o desactualizadas.
7
Infraestructura física insuficiente o inadecuada para el dictado de clases de
posgrado.
Riesgos
Operativos
8 Plan de estudio, curricular desactualizadas de maestrías y doctorados.
9 Inadecuada gestión de la documentación académica y administrativa.
10 Rotación frecuente del personal administrativo del área.
Tipo de Riesgo Núm. Nombre del Riesgo
11 Presupuesto institucional insuficiente asignado al área de posgrado.
12
Morosidad o deserción de estudiantes que afecta los ingresos propios de la
unidad.
Riesgos
Financieros
13 Dependencia del financiamiento del Estado sin fuentes alternativas de ingresos.
14 Irregularidades en la gestión de pagos de pensiones y tasas académicas.
Tipo de Riesgo Núm. Nombre del Riesgo
15
Incumplimiento de la Ley Universitaria N° 30220 en requisitos para programas
de posgrado.
16 No acreditación de los programas ante organismos como el SINEACE.
Riesgos de
Cumplimiento
/ Legales
17
Riesgo de sanciones por parte de la SUNEDU ante observaciones no
levantadas.
18 Contratación de docentes sin el perfil requerido (grado de maestro o doctor).
Tipo de Riesgo Núm. Nombre del Riesgo
19 Plataformas virtuales (Campus Virtual) con fallas técnicas o desactualizadas.
pág. 9402
Riesgos
Tecnológicos
20
Insuficiente conectividad a internet en el campus para el desarrollo de clases
híbridas o virtuales.
21
Riesgo de pérdida o filtración de datos de estudiantes y docentes
(ciberseguridad).
22
Falta de capacitación docente en el uso de herramientas tecnológicas
educativas.
Tipo de Riesgo Núm. Nombre del Riesgo
23
Quejas o denuncias públicas de estudiantes por mala calidad del servicio
educativo.
Riesgos de
Imagen /
Reputacionales
24 Publicaciones negativas en redes sociales que afecten la matrícula.
25 Escándalos por posibles irregularidades en procesos de admisión o evaluación.
Tipo de Riesgo Núm. Nombre del Riesgo
26
Falta de un plan de contingencia para Sismos u otros desastres naturales propios
de la región Ancash que afecten la continuidad académica.
Riesgos de
Contexto /
Externos
27
Cambios normativos abruptos del MINEDU o SUNEDU que obliguen a
reestructurar programas.
28
Crisis económicas regionales que reduzcan la capacidad de pago de los
estudiantes.
Nota. Luego de identificar los riesgos, se realizó un análisis de riesgos en la escuela de posgrado de la UNS, en el cual se
Priorizaron Riesgos Críticos, tras la aplicación de la metodología de evaluación cuantitativa a los escenarios de riesgo
identificados, se procedió a clasificar los resultados según su nivel de exposición (Probabilidad × Impacto). De acuerdo con
los umbrales definidos en el marco metodológico, aquellos riesgos que alcanzan una puntuación igual o superior a 15 puntos
se catalogan formalmente bajo el nivel de "Inaceptable".
Riesgos
Tecnológicos
20
Insuficiente conectividad a internet en el campus para el desarrollo de clases
híbridas o virtuales.
21
Riesgo de pérdida o filtración de datos de estudiantes y docentes
(ciberseguridad).
22
Falta de capacitación docente en el uso de herramientas tecnológicas
educativas.
Tipo de Riesgo Núm. Nombre del Riesgo
23
Quejas o denuncias públicas de estudiantes por mala calidad del servicio
educativo.
Riesgos de
Imagen /
Reputacionales
24 Publicaciones negativas en redes sociales que afecten la matrícula.
25 Escándalos por posibles irregularidades en procesos de admisión o evaluación.
Tipo de Riesgo Núm. Nombre del Riesgo
26
Falta de un plan de contingencia para Sismos u otros desastres naturales propios
de la región Ancash que afecten la continuidad académica.
Riesgos de
Contexto /
Externos
27
Cambios normativos abruptos del MINEDU o SUNEDU que obliguen a
reestructurar programas.
28
Crisis económicas regionales que reduzcan la capacidad de pago de los
estudiantes.
Nota. Luego de identificar los riesgos, se realizó un análisis de riesgos en la escuela de posgrado de la UNS, en el cual se
Priorizaron Riesgos Críticos, tras la aplicación de la metodología de evaluación cuantitativa a los escenarios de riesgo
identificados, se procedió a clasificar los resultados según su nivel de exposición (Probabilidad × Impacto). De acuerdo con
los umbrales definidos en el marco metodológico, aquellos riesgos que alcanzan una puntuación igual o superior a 15 puntos
se catalogan formalmente bajo el nivel de "Inaceptable".
pág. 9403
Esta categoría agrupa a las amenazas más críticas que demandan una intervención institucional
prioritaria e inmediata, dado que comprometen directamente la sostenibilidad financiera, el
cumplimiento normativo y la excelencia académica de la organización.
Tabla 2
Identificación de los riesgos críticos en la Escuela de Posgrado
Riesgo Descripción Probabilidad Impacto Severidad Impacto Crítico
R1
Pérdida de relevancia de
los programas de
posgrado al no responder
a las necesidades del
mercado laboral
regional.
4 4 16
Baja inserción laboral
de egresados,
Obsolescencia
profesional y pérdida
de prestigio y
competitividad frente a
otras universidades.
R2
Disminución en la
captación de estudiantes
por difusión y
posicionamiento
institucional
insuficientes
4 4 16
Bajas tasas de matrícula
y ratios financieros
negativos, cierre de
programas por
inviabilidad
económica, pérdida de
talento humano docente
e investigador.
R3
Incumplimiento de las
condiciones básicas de
calidad exigidas por la
SUNEDU para el
licenciamiento de
programas de posgrado.
5 3 15
Denegación de
licencias
institucionales,
obligando al cierre
progresivo de
actividades académicas
de la EPG.
R4
Compromiso de la
calidad académica por
dependencia excesiva de
docentes sin el grado de
doctor requerido.
4 4 16
Aumento de la
deserción estudiantil,
deterioro severo de la
reputación de la escuela
y multas del ente
regulador.
Esta categoría agrupa a las amenazas más críticas que demandan una intervención institucional
prioritaria e inmediata, dado que comprometen directamente la sostenibilidad financiera, el
cumplimiento normativo y la excelencia académica de la organización.
Tabla 2
Identificación de los riesgos críticos en la Escuela de Posgrado
Riesgo Descripción Probabilidad Impacto Severidad Impacto Crítico
R1
Pérdida de relevancia de
los programas de
posgrado al no responder
a las necesidades del
mercado laboral
regional.
4 4 16
Baja inserción laboral
de egresados,
Obsolescencia
profesional y pérdida
de prestigio y
competitividad frente a
otras universidades.
R2
Disminución en la
captación de estudiantes
por difusión y
posicionamiento
institucional
insuficientes
4 4 16
Bajas tasas de matrícula
y ratios financieros
negativos, cierre de
programas por
inviabilidad
económica, pérdida de
talento humano docente
e investigador.
R3
Incumplimiento de las
condiciones básicas de
calidad exigidas por la
SUNEDU para el
licenciamiento de
programas de posgrado.
5 3 15
Denegación de
licencias
institucionales,
obligando al cierre
progresivo de
actividades académicas
de la EPG.
R4
Compromiso de la
calidad académica por
dependencia excesiva de
docentes sin el grado de
doctor requerido.
4 4 16
Aumento de la
deserción estudiantil,
deterioro severo de la
reputación de la escuela
y multas del ente
regulador.
pág. 9404
R6
Retrasos en la entrega de
grados y títulos por
procesos administrativos
lentos o burocráticos.
4 4 16
Insatisfacción
estudiantil; retrasos en
inserción laboral
R11
Insuficiencia del
presupuesto institucional
asignado a la EPG para
cubrir sus necesidades
operativas y académicas
básicas debido a la alta
dependencia de recursos
ordinarios y
restricciones
presupuestales del
Estado.
4 4 16
Paralización forzosa de
la inversión en
infraestructura
tecnológica y
congelamiento de la
apertura de nuevas
maestrías.
R26
Sismos u otros desastres
naturales propios de la
región Ancash que
afecten la continuidad
académica.
3 5 15
Interrupción total de
actividades
académicas; daños a
infraestructura
Nota. El contenido de los riesgos muestra que la principal preocupación de la Escuela de Posgrado no se limita a aspectos
operativos, sino que se concentra en su capacidad para mantener la calidad académica, asegurar su sostenibilidad financiera,
preservar el cumplimiento normativo y fortalecer su competitividad en el mercado educativo. Los riesgos relacionados con la
pertinencia de los programas, la captación de estudiantes, el cumplimiento de estándares de calidad y la disponibilidad de
recursos económicos conforman un conjunto de amenazas estratégicas que podrían comprometer el crecimiento y la
permanencia de la Escuela en el largo plazo. Asimismo, los riesgos administrativos y los asociados a desastres naturales resaltan
la importancia de desarrollar capacidades institucionales para garantizar la continuidad y eficiencia de los servicios académicos.
R6
Retrasos en la entrega de
grados y títulos por
procesos administrativos
lentos o burocráticos.
4 4 16
Insatisfacción
estudiantil; retrasos en
inserción laboral
R11
Insuficiencia del
presupuesto institucional
asignado a la EPG para
cubrir sus necesidades
operativas y académicas
básicas debido a la alta
dependencia de recursos
ordinarios y
restricciones
presupuestales del
Estado.
4 4 16
Paralización forzosa de
la inversión en
infraestructura
tecnológica y
congelamiento de la
apertura de nuevas
maestrías.
R26
Sismos u otros desastres
naturales propios de la
región Ancash que
afecten la continuidad
académica.
3 5 15
Interrupción total de
actividades
académicas; daños a
infraestructura
Nota. El contenido de los riesgos muestra que la principal preocupación de la Escuela de Posgrado no se limita a aspectos
operativos, sino que se concentra en su capacidad para mantener la calidad académica, asegurar su sostenibilidad financiera,
preservar el cumplimiento normativo y fortalecer su competitividad en el mercado educativo. Los riesgos relacionados con la
pertinencia de los programas, la captación de estudiantes, el cumplimiento de estándares de calidad y la disponibilidad de
recursos económicos conforman un conjunto de amenazas estratégicas que podrían comprometer el crecimiento y la
permanencia de la Escuela en el largo plazo. Asimismo, los riesgos administrativos y los asociados a desastres naturales resaltan
la importancia de desarrollar capacidades institucionales para garantizar la continuidad y eficiencia de los servicios académicos.
pág. 9405
Tabla 3
Matriz de análisis de probabilidad por impacto
5
MUY
ALTO
5 10 R3, R26 (15) 20 25
4 ALTO 4 8 12
R1, R2,
R4, R6,
R11 (16)
20
Posibilida
d de
Ocurrenci
a
3
MEDI
O
3 6 9 12 15
2 BAJO 2 4 6 8 10
1
MUY
BAJO
1 2 3 4 5
INSIGNIFICANT
E
MENO
R
MODERAD
O
MAYO
R
CATASTRÓFIC
O
1 2 3 4 5
IMPACTO
Nota: La matriz de evaluación evidencia que los riesgos identificados se concentran en niveles altos de exposición. Los riesgos
R1, R2, R4, R6 y R11 alcanzan una valoración de 16, mientras que los riesgos R3 y R26 obtienen una valoración de 15. Estos
resultados indican una elevada probabilidad de ocurrencia y un impacto significativo sobre los objetivos institucionales, por lo
que requieren la implementación prioritaria de medidas de control, monitoreo continuo y estrategias de mitigación que permitan
reducir su nivel de exposición a rangos aceptables.
Se aplico el tratamiento de los riesgos de la Escuela de Posgrado de la UNS, en el cual su al realizar la
evaluación del riesgo residual Una vez definidas las estrategias de respuesta para las amenazas más
críticas, es necesario medir qué tan efectivas serán. En la gestión de riesgos, a esto se le conoce como
evaluar el riesgo residual; es decir, el nivel de peligro que permanece en la institución después de aplicar
los nuevos controles y mitigaciones de este informe.
Tabla 3
Matriz de análisis de probabilidad por impacto
5
MUY
ALTO
5 10 R3, R26 (15) 20 25
4 ALTO 4 8 12
R1, R2,
R4, R6,
R11 (16)
20
Posibilida
d de
Ocurrenci
a
3
MEDI
O
3 6 9 12 15
2 BAJO 2 4 6 8 10
1
MUY
BAJO
1 2 3 4 5
INSIGNIFICANT
E
MENO
R
MODERAD
O
MAYO
R
CATASTRÓFIC
O
1 2 3 4 5
IMPACTO
Nota: La matriz de evaluación evidencia que los riesgos identificados se concentran en niveles altos de exposición. Los riesgos
R1, R2, R4, R6 y R11 alcanzan una valoración de 16, mientras que los riesgos R3 y R26 obtienen una valoración de 15. Estos
resultados indican una elevada probabilidad de ocurrencia y un impacto significativo sobre los objetivos institucionales, por lo
que requieren la implementación prioritaria de medidas de control, monitoreo continuo y estrategias de mitigación que permitan
reducir su nivel de exposición a rangos aceptables.
Se aplico el tratamiento de los riesgos de la Escuela de Posgrado de la UNS, en el cual su al realizar la
evaluación del riesgo residual Una vez definidas las estrategias de respuesta para las amenazas más
críticas, es necesario medir qué tan efectivas serán. En la gestión de riesgos, a esto se le conoce como
evaluar el riesgo residual; es decir, el nivel de peligro que permanece en la institución después de aplicar
los nuevos controles y mitigaciones de este informe.
pág. 9406
Tabla 4
Evaluación y Proyección del Riesgo Residual
Núm.
Riesgo
Descripción del
Escenario de
Riesgo
Acción de
Tratamiento
Aplicada
Probabilidad Impacto Severidad Estado Final
R11
Insuficiencia del
presupuesto
institucional
asignado a la EPG.
Implementación
de un fondo de
contingencia
mediante la
diversificación de
ingresos
(consultorías
externas y
maestrías
autofinanciadas).
2 4 8
Tolerable
(Mitigado)
R4
Compromiso de la
calidad académica
por falta de
docentes con grado
de doctor.
Creación de un
programa
institucional de
becas y
convenios para
que los docentes
actuales financien
sus estudios de
doctorado.
2 3 6
Tolerable
(Mitigado)
R3
Incumplimiento de
las Condiciones
Básicas de Calidad
ante la SUNEDU.
Creación de un
Comité Técnico
Permanente de
Control de
1 5 5
Aceptable
(Controlado)
Tabla 4
Evaluación y Proyección del Riesgo Residual
Núm.
Riesgo
Descripción del
Escenario de
Riesgo
Acción de
Tratamiento
Aplicada
Probabilidad Impacto Severidad Estado Final
R11
Insuficiencia del
presupuesto
institucional
asignado a la EPG.
Implementación
de un fondo de
contingencia
mediante la
diversificación de
ingresos
(consultorías
externas y
maestrías
autofinanciadas).
2 4 8
Tolerable
(Mitigado)
R4
Compromiso de la
calidad académica
por falta de
docentes con grado
de doctor.
Creación de un
programa
institucional de
becas y
convenios para
que los docentes
actuales financien
sus estudios de
doctorado.
2 3 6
Tolerable
(Mitigado)
R3
Incumplimiento de
las Condiciones
Básicas de Calidad
ante la SUNEDU.
Creación de un
Comité Técnico
Permanente de
Control de
1 5 5
Aceptable
(Controlado)
pág. 9407
Calidad
Académica que
realiza auditorías
internas
trimestrales.
Nota: Como se puede observar en el balance de la tabla, las acciones propuestas atacan directamente los puntos débiles de la
Escuela de Posgrado. En el aspecto financiero y de calidad docente, las estrategias se enfocan en reducir la probabilidad de
ocurrencia, ya que al abrir nuevas fuentes de ingresos y capacitar internamente al personal, disminuye drásticamente la
frecuencia de estos problemas.
Por otro lado, frente al riesgo normativo ante SUNEDU, la fiscalización interna constante reduce las
posibilidades de cometer faltas a un nivel mínimo (P = 1). Aunque el impacto de una sanción siempre
seguirá siendo alto debido a la rigurosidad de la ley, mantener la probabilidad bajo control garantiza que
la escuela opere en una zona segura y con un riesgo residual plenamente aceptable. Esto demuestra que
las soluciones planteadas en este informe no son solo teóricas, sino que tienen un beneficio directo y
medible para la estabilidad de la institución.
Análisis de Datos: Dashboard ejecutivo de riesgos: Evaluación y Proyección del Riesgo Residual
Tabla 5
Resumen General de Riesgos
Indicador Valor
Total de riesgos identificados 29
Riesgos Inaceptables (Críticos) 7
Riesgos Importantes 16
Riesgos Moderados 6
Riesgos Aceptables 0
Riesgos Estratégicos 5
Riesgos Operativos 5
Riesgos Financieros 4
Riesgos Legales 4
Riesgos Tecnológicos 4
Calidad
Académica que
realiza auditorías
internas
trimestrales.
Nota: Como se puede observar en el balance de la tabla, las acciones propuestas atacan directamente los puntos débiles de la
Escuela de Posgrado. En el aspecto financiero y de calidad docente, las estrategias se enfocan en reducir la probabilidad de
ocurrencia, ya que al abrir nuevas fuentes de ingresos y capacitar internamente al personal, disminuye drásticamente la
frecuencia de estos problemas.
Por otro lado, frente al riesgo normativo ante SUNEDU, la fiscalización interna constante reduce las
posibilidades de cometer faltas a un nivel mínimo (P = 1). Aunque el impacto de una sanción siempre
seguirá siendo alto debido a la rigurosidad de la ley, mantener la probabilidad bajo control garantiza que
la escuela opere en una zona segura y con un riesgo residual plenamente aceptable. Esto demuestra que
las soluciones planteadas en este informe no son solo teóricas, sino que tienen un beneficio directo y
medible para la estabilidad de la institución.
Análisis de Datos: Dashboard ejecutivo de riesgos: Evaluación y Proyección del Riesgo Residual
Tabla 5
Resumen General de Riesgos
Indicador Valor
Total de riesgos identificados 29
Riesgos Inaceptables (Críticos) 7
Riesgos Importantes 16
Riesgos Moderados 6
Riesgos Aceptables 0
Riesgos Estratégicos 5
Riesgos Operativos 5
Riesgos Financieros 4
Riesgos Legales 4
Riesgos Tecnológicos 4
pág. 9408
Riesgos Reputacionales 3
Riesgos Externos 4
Tabla 6
Distribución de Riesgos por Nivel
Nivel Cantidad %
Inaceptable 7 24%
Importante 16 55%
Moderado 6 21%
Aceptable 0 0%
Nota: Interpretación Ejecutiva: El 24% de los riesgos se encuentra en zona crítica, el 55% requiere seguimiento y planes de
mitigación, Ningún riesgo se encuentra completamente controlado
Tabla 7
Top Riesgos Críticos
Ranking Riesgo Severidad
1 R1 Pertinencia de programas 16
2 R2 Captación de estudiantes 16
3 R4 Falta de docentes con doctorado 16
4 R6 Retraso de grados y títulos 16
5 R11 Presupuesto insuficiente 16
6 R3 Incumplimiento SUNEDU 15
7 R26 Sismos y desastres naturales 15
Riesgos Prioritarios para Rectorado
• Presupuesto institucional insuficiente.
• Licenciamiento y cumplimiento SUNEDU.
• Calidad académica docente.
• Atracción de nuevos estudiantes.
Riesgos Reputacionales 3
Riesgos Externos 4
Tabla 6
Distribución de Riesgos por Nivel
Nivel Cantidad %
Inaceptable 7 24%
Importante 16 55%
Moderado 6 21%
Aceptable 0 0%
Nota: Interpretación Ejecutiva: El 24% de los riesgos se encuentra en zona crítica, el 55% requiere seguimiento y planes de
mitigación, Ningún riesgo se encuentra completamente controlado
Tabla 7
Top Riesgos Críticos
Ranking Riesgo Severidad
1 R1 Pertinencia de programas 16
2 R2 Captación de estudiantes 16
3 R4 Falta de docentes con doctorado 16
4 R6 Retraso de grados y títulos 16
5 R11 Presupuesto insuficiente 16
6 R3 Incumplimiento SUNEDU 15
7 R26 Sismos y desastres naturales 15
Riesgos Prioritarios para Rectorado
• Presupuesto institucional insuficiente.
• Licenciamiento y cumplimiento SUNEDU.
• Calidad académica docente.
• Atracción de nuevos estudiantes.
pág. 9409
• Continuidad académica ante desastres.
Tabla 8
Mapa de Calor de Riesgos
Impacto \
Probabilidad
1 2 3 4 5
5 R17,R25,R29 R15,R21 R26,R3
4 R14 R7,R12,R16,R18,R20,R23,R27,R28 R1,R2,R4,R6,R11
3 R5,R8,R24 R9,R13,R19,R22
2 R10
1
Nota: Leyenda: 15-25 = Inaceptable, 9-14 = Importante, 5-8 = Moderado, 1-4 = Aceptable
Tabla 9
Riesgos por Categoría
Categoría
Riesgos
Críticos
Estratégicos 4
Operativos 1
Financieros 1
Legales 0
Tecnológicos 0
Reputacionales 0
Externos 1
• Continuidad académica ante desastres.
Tabla 8
Mapa de Calor de Riesgos
Impacto \
Probabilidad
1 2 3 4 5
5 R17,R25,R29 R15,R21 R26,R3
4 R14 R7,R12,R16,R18,R20,R23,R27,R28 R1,R2,R4,R6,R11
3 R5,R8,R24 R9,R13,R19,R22
2 R10
1
Nota: Leyenda: 15-25 = Inaceptable, 9-14 = Importante, 5-8 = Moderado, 1-4 = Aceptable
Tabla 9
Riesgos por Categoría
Categoría
Riesgos
Críticos
Estratégicos 4
Operativos 1
Financieros 1
Legales 0
Tecnológicos 0
Reputacionales 0
Externos 1
pág. 9410
Tabla 10
Estado del Riesgo Residual
Riesgo Inicial Residual Variación
R11 16 8 -50%
R4 16 6 -62.50%
R3 15 5 -66.70%
Nota: Los riesgos residuales es la reducción del riesgo después de aplicar los controles. La tabla muestra el porcentaje de lo
que ha disminuido el riesgo.
Tabla 11
Indicador Global.
Indicador Valor
Severidad inicial promedio 15.67
Severidad residual
promedio
6.33
Reducción alcanzada 59.60%
Nota: Las medidas propuestas reducen el riesgo crítico en aproximadamente 60%.
Semáforo Ejecutivo: Los riesgos críticos como R1 Pertinencia de programas, R2 Captación de
estudiantes, R3 Cumplimiento SUNEDU, R4 Calidad docente, R6 Retrasos administrativos,R11
Presupuesto, R26 Desastres naturales, Riesgos ImportantesR5, R7, R8, R9, R12, R13, R15, R16, R18,
R19, R20, R21, R22, R23, R24, R27, R28, Riesgos Moderados R10, R14, R17, R25, R29.
Tabla 12
Indicadores KRI (Key Risk Indicators)
Indicador Global Resultado
% riesgos críticos 24%
% riesgos estratégicos 17%
% riesgos financieros críticos 14%
% riesgos mitigados 43%
% riesgos con tratamiento definido 100%
Riesgos residuales tolerables 67%
Tabla 10
Estado del Riesgo Residual
Riesgo Inicial Residual Variación
R11 16 8 -50%
R4 16 6 -62.50%
R3 15 5 -66.70%
Nota: Los riesgos residuales es la reducción del riesgo después de aplicar los controles. La tabla muestra el porcentaje de lo
que ha disminuido el riesgo.
Tabla 11
Indicador Global.
Indicador Valor
Severidad inicial promedio 15.67
Severidad residual
promedio
6.33
Reducción alcanzada 59.60%
Nota: Las medidas propuestas reducen el riesgo crítico en aproximadamente 60%.
Semáforo Ejecutivo: Los riesgos críticos como R1 Pertinencia de programas, R2 Captación de
estudiantes, R3 Cumplimiento SUNEDU, R4 Calidad docente, R6 Retrasos administrativos,R11
Presupuesto, R26 Desastres naturales, Riesgos ImportantesR5, R7, R8, R9, R12, R13, R15, R16, R18,
R19, R20, R21, R22, R23, R24, R27, R28, Riesgos Moderados R10, R14, R17, R25, R29.
Tabla 12
Indicadores KRI (Key Risk Indicators)
Indicador Global Resultado
% riesgos críticos 24%
% riesgos estratégicos 17%
% riesgos financieros críticos 14%
% riesgos mitigados 43%
% riesgos con tratamiento definido 100%
Riesgos residuales tolerables 67%
pág. 9411
Riesgos residuales aceptables 33%
Tabla 13
Proyección del Riesgo Residual 2027-2029
Año Índice Residual Promedio
2026 15.7
2027 11.2
2028 8.4
2029 6
Nota: Considerando la implementación de las acciones propuestas y tendencia esperada, disminución progresiva del riesgo
institucional, mayor reducción en riesgos financieros y estratégicos, estabilización de riesgos regulatorios y de calidad
académica.
Aplicación de Aprendizaje Automático para la Predicción de Riesgos
Al aplicar la metodología de la ISO 31000 y un análisis de dato, se implementó un modelo predictivo
basado en aprendizaje automático y se utilizó el árbol de Decisión, Random Forest, Regresión Logística
para clasificar el nivel de riesgo en la Escuela de Posgrado de la Universidad Nacional del Santa. Para
ello se utilizaron las variables: Tipo de riesgo, probabilidad de ocurrencia, nivel de impacto, nivel de
exposición, nivel de riesgo y riesgo residual proyectado.
La base de datos fue estructurada con los 29 riesgos identificados y procesada mediante herramientas
de análisis de datos empleando Power BI y técnicas de Machine Learning supervisado.
Se utilizó un modelo de clasificación basado en Árboles de Decisión (Decision Tree) debido a su
facilidad de interpretación y aplicabilidad en entornos de gestión de riesgos. Siendo como un modelo
exploratorio de apoyo a la toma de decisiones.
El modelo fue entrenado para clasificar los riesgos en cuatro categorías: aceptable, moderado,
importante, inaceptable. La variable objetivo fue el nivel de riesgo obtenido de la matriz de evaluación,
los resultados obtenidos muestran que las variables con mayor influencia en la predicción fueron:
impacto del riesgo, probabilidad de ocurrencia, tipo de riesgo, riesgo residual, proyectado, asimismo, el
modelo identificó que los riesgos: R1: Pertinencia de programas, R2: Captación de estudiantes, R3:
Riesgos residuales aceptables 33%
Tabla 13
Proyección del Riesgo Residual 2027-2029
Año Índice Residual Promedio
2026 15.7
2027 11.2
2028 8.4
2029 6
Nota: Considerando la implementación de las acciones propuestas y tendencia esperada, disminución progresiva del riesgo
institucional, mayor reducción en riesgos financieros y estratégicos, estabilización de riesgos regulatorios y de calidad
académica.
Aplicación de Aprendizaje Automático para la Predicción de Riesgos
Al aplicar la metodología de la ISO 31000 y un análisis de dato, se implementó un modelo predictivo
basado en aprendizaje automático y se utilizó el árbol de Decisión, Random Forest, Regresión Logística
para clasificar el nivel de riesgo en la Escuela de Posgrado de la Universidad Nacional del Santa. Para
ello se utilizaron las variables: Tipo de riesgo, probabilidad de ocurrencia, nivel de impacto, nivel de
exposición, nivel de riesgo y riesgo residual proyectado.
La base de datos fue estructurada con los 29 riesgos identificados y procesada mediante herramientas
de análisis de datos empleando Power BI y técnicas de Machine Learning supervisado.
Se utilizó un modelo de clasificación basado en Árboles de Decisión (Decision Tree) debido a su
facilidad de interpretación y aplicabilidad en entornos de gestión de riesgos. Siendo como un modelo
exploratorio de apoyo a la toma de decisiones.
El modelo fue entrenado para clasificar los riesgos en cuatro categorías: aceptable, moderado,
importante, inaceptable. La variable objetivo fue el nivel de riesgo obtenido de la matriz de evaluación,
los resultados obtenidos muestran que las variables con mayor influencia en la predicción fueron:
impacto del riesgo, probabilidad de ocurrencia, tipo de riesgo, riesgo residual, proyectado, asimismo, el
modelo identificó que los riesgos: R1: Pertinencia de programas, R2: Captación de estudiantes, R3:
pág. 9412
Cumplimiento SUNEDU, R4: Calidad docente, R6: Retraso en grados y títulos, R11: Presupuesto
insuficiente, R26: Desastres naturales, presentan la mayor probabilidad de permanecer en la categoría
"Inaceptable" si no se implementan las acciones de control propuestas.
Predicción institucional
La simulación realizada con el modelo indica que la ejecución de los planes de mitigación permitiría
reducir progresivamente la severidad promedio institucional desde 15.67 hasta aproximadamente 6.33
puntos, representando una disminución cercana al 60% del riesgo global. Este resultado coincide con la
evaluación del riesgo residual obtenida mediante la metodología ISO 31000, validando la utilidad del
aprendizaje automático como herramienta de apoyo a la toma de decisiones
Árbol de Decisión: Variables de entrada, probabilidad, impacto, tipo de riesgo y variable de salida:
Nivel de Riesgo: Moderado, Importante, Inaceptable.
Árbol de decisión para clasificación de riesgos
El modelo de aprendizaje automático identificó que las variables de mayor importancia para clasificar
los riesgos fueron el impacto y la probabilidad de ocurrencia. Los nodos terminales muestran la categoría
de riesgo esperada, permitiendo predecir si un nuevo evento será clasificado como moderado, importante
o inaceptable.
Los resultados indican que los riesgos con impacto igual o mayor a 4 y probabilidad superior a 3 tienen
alta probabilidad de ubicarse en la zona crítica de la matriz, coincidiendo con los riesgos R1, R2, R4,
R6 y R11.
El modelo Random Forest
Se determinó que el impacto representa aproximadamente el 60% de la capacidad predictiva del modelo,
mientras que la probabilidad representa el 40% restante. Esto evidencia que la severidad de las
consecuencias constituye el principal factor para la clasificación de los riesgos institucionales.
Riesgo Residual
Usando el cuadro de la tendencia del riesgo residual con BI y aplicando el modelo predictivo,
muestra una tendencia decreciente del índice de riesgo institucional, pasando de 15.7 puntos en 2026 a
6 puntos en 2029. Esto permite proyectar una reducción aproximada del 62%, producto de la
implementación de las medidas de mitigación planteadas. Tomando como base la tabla 20, tenemos los
Cumplimiento SUNEDU, R4: Calidad docente, R6: Retraso en grados y títulos, R11: Presupuesto
insuficiente, R26: Desastres naturales, presentan la mayor probabilidad de permanecer en la categoría
"Inaceptable" si no se implementan las acciones de control propuestas.
Predicción institucional
La simulación realizada con el modelo indica que la ejecución de los planes de mitigación permitiría
reducir progresivamente la severidad promedio institucional desde 15.67 hasta aproximadamente 6.33
puntos, representando una disminución cercana al 60% del riesgo global. Este resultado coincide con la
evaluación del riesgo residual obtenida mediante la metodología ISO 31000, validando la utilidad del
aprendizaje automático como herramienta de apoyo a la toma de decisiones
Árbol de Decisión: Variables de entrada, probabilidad, impacto, tipo de riesgo y variable de salida:
Nivel de Riesgo: Moderado, Importante, Inaceptable.
Árbol de decisión para clasificación de riesgos
El modelo de aprendizaje automático identificó que las variables de mayor importancia para clasificar
los riesgos fueron el impacto y la probabilidad de ocurrencia. Los nodos terminales muestran la categoría
de riesgo esperada, permitiendo predecir si un nuevo evento será clasificado como moderado, importante
o inaceptable.
Los resultados indican que los riesgos con impacto igual o mayor a 4 y probabilidad superior a 3 tienen
alta probabilidad de ubicarse en la zona crítica de la matriz, coincidiendo con los riesgos R1, R2, R4,
R6 y R11.
El modelo Random Forest
Se determinó que el impacto representa aproximadamente el 60% de la capacidad predictiva del modelo,
mientras que la probabilidad representa el 40% restante. Esto evidencia que la severidad de las
consecuencias constituye el principal factor para la clasificación de los riesgos institucionales.
Riesgo Residual
Usando el cuadro de la tendencia del riesgo residual con BI y aplicando el modelo predictivo,
muestra una tendencia decreciente del índice de riesgo institucional, pasando de 15.7 puntos en 2026 a
6 puntos en 2029. Esto permite proyectar una reducción aproximada del 62%, producto de la
implementación de las medidas de mitigación planteadas. Tomando como base la tabla 20, tenemos los
pág. 9413
resultados del riesgo residual usando Python que es un lenguaje de programación que se utiliza
comúnmente para el análisis de datos (Python Software Foundation, 2020).
Figura 1
Predicción del Riesgo Residual 2026-2029
Nota: La proyección obtenida muestra una tendencia decreciente del índice de riesgo institucional. El riesgo promedio pasa de
15.7 en 2026 a 6.0 en 2029, lo que representa una reducción aproximada del 62%. Este comportamiento evidencia que la
implementación progresiva de las medidas de mitigación propuestas contribuiría significativamente a disminuir la exposición
institucional y fortalecer la sostenibilidad de la Escuela de Posgrado.
Figura 2
Árbol de Decisión para Predicción de Riesgos
Nota: El algoritmo de Árbol de Decisión utilizó las variables Probabilidad e Impacto para clasificar automáticamente los riesgos
en las categorías Moderado, Importante e Inaceptable. Los resultados muestran que la probabilidad de ocurrencia constituye la
principal variable de decisión del modelo. Cuando la probabilidad supera determinados umbrales y el impacto es alto, los
riesgos tienden a clasificarse como Inaceptables, coincidiendo con los riesgos críticos identificados mediante la metodología
ISO 31000.
resultados del riesgo residual usando Python que es un lenguaje de programación que se utiliza
comúnmente para el análisis de datos (Python Software Foundation, 2020).
Figura 1
Predicción del Riesgo Residual 2026-2029
Nota: La proyección obtenida muestra una tendencia decreciente del índice de riesgo institucional. El riesgo promedio pasa de
15.7 en 2026 a 6.0 en 2029, lo que representa una reducción aproximada del 62%. Este comportamiento evidencia que la
implementación progresiva de las medidas de mitigación propuestas contribuiría significativamente a disminuir la exposición
institucional y fortalecer la sostenibilidad de la Escuela de Posgrado.
Figura 2
Árbol de Decisión para Predicción de Riesgos
Nota: El algoritmo de Árbol de Decisión utilizó las variables Probabilidad e Impacto para clasificar automáticamente los riesgos
en las categorías Moderado, Importante e Inaceptable. Los resultados muestran que la probabilidad de ocurrencia constituye la
principal variable de decisión del modelo. Cuando la probabilidad supera determinados umbrales y el impacto es alto, los
riesgos tienden a clasificarse como Inaceptables, coincidiendo con los riesgos críticos identificados mediante la metodología
ISO 31000.
pág. 9414
Los resultados obtenidos demostraron que ambas variables poseen una alta capacidad predictiva para
determinar si un riesgo puede clasificarse como Moderado, Importante o Inaceptable.
Adicionalmente, se realizó una proyección temporal del riesgo residual institucional para el período
2026-2029, observándose una reducción progresiva del índice de riesgo promedio como consecuencia
de la implementación de las estrategias de mitigación propuestas.
DISCUSIÓN
Los resultados obtenidos evidencian que la aplicación de la metodología ISO 31000 permitió identificar
y evaluar de manera sistemática los riesgos que afectan a la Escuela de Posgrado de la Universidad
Nacional del Santa. Se identificaron 29 riesgos agrupados en siete categorías, observándose una mayor
concentración de riesgos críticos en las dimensiones estratégica, financiera y regulatoria. Este hallazgo
confirma que las principales amenazas para la sostenibilidad institucional no se encuentran únicamente
en los procesos operativos, sino en factores que pueden comprometer la continuidad, competitividad y
desarrollo futuro de la organización.
Los riesgos críticos identificados, relacionados con la insuficiencia presupuestal, la captación de
estudiantes, el cumplimiento de las condiciones básicas de calidad exigidas por SUNEDU y la
disponibilidad de docentes con grado de doctor, coinciden con los principales desafíos que enfrentan
actualmente las instituciones de educación superior en América Latina. En este sentido, los resultados
son consistentes con lo señalado por Hopkin (2018), quien sostiene que los riesgos estratégicos
asociados a recursos, gobernanza y cumplimiento regulatorio suelen tener un impacto significativo sobre
la capacidad institucional para alcanzar sus objetivos.
Asimismo, la evaluación mediante la matriz de probabilidad e impacto permitió determinar que siete
riesgos alcanzan la categoría de inaceptables, lo que representa aproximadamente el 24% del total de
riesgos identificados. Este porcentaje refleja una exposición institucional considerable y confirma la
necesidad de establecer mecanismos permanentes de monitoreo y control. Los resultados obtenidos son
coherentes con los principios de la ISO 31000 (2018), que señalan que la gestión del riesgo debe
enfocarse en la identificación temprana de amenazas para facilitar la adopción oportuna de medidas
preventivas.
Los resultados obtenidos demostraron que ambas variables poseen una alta capacidad predictiva para
determinar si un riesgo puede clasificarse como Moderado, Importante o Inaceptable.
Adicionalmente, se realizó una proyección temporal del riesgo residual institucional para el período
2026-2029, observándose una reducción progresiva del índice de riesgo promedio como consecuencia
de la implementación de las estrategias de mitigación propuestas.
DISCUSIÓN
Los resultados obtenidos evidencian que la aplicación de la metodología ISO 31000 permitió identificar
y evaluar de manera sistemática los riesgos que afectan a la Escuela de Posgrado de la Universidad
Nacional del Santa. Se identificaron 29 riesgos agrupados en siete categorías, observándose una mayor
concentración de riesgos críticos en las dimensiones estratégica, financiera y regulatoria. Este hallazgo
confirma que las principales amenazas para la sostenibilidad institucional no se encuentran únicamente
en los procesos operativos, sino en factores que pueden comprometer la continuidad, competitividad y
desarrollo futuro de la organización.
Los riesgos críticos identificados, relacionados con la insuficiencia presupuestal, la captación de
estudiantes, el cumplimiento de las condiciones básicas de calidad exigidas por SUNEDU y la
disponibilidad de docentes con grado de doctor, coinciden con los principales desafíos que enfrentan
actualmente las instituciones de educación superior en América Latina. En este sentido, los resultados
son consistentes con lo señalado por Hopkin (2018), quien sostiene que los riesgos estratégicos
asociados a recursos, gobernanza y cumplimiento regulatorio suelen tener un impacto significativo sobre
la capacidad institucional para alcanzar sus objetivos.
Asimismo, la evaluación mediante la matriz de probabilidad e impacto permitió determinar que siete
riesgos alcanzan la categoría de inaceptables, lo que representa aproximadamente el 24% del total de
riesgos identificados. Este porcentaje refleja una exposición institucional considerable y confirma la
necesidad de establecer mecanismos permanentes de monitoreo y control. Los resultados obtenidos son
coherentes con los principios de la ISO 31000 (2018), que señalan que la gestión del riesgo debe
enfocarse en la identificación temprana de amenazas para facilitar la adopción oportuna de medidas
preventivas.
pág. 9415
La implementación de estrategias de tratamiento permitió proyectar una reducción del riesgo residual
promedio desde 15.67 hasta 6.33 puntos, equivalente a una disminución cercana al 60%. Este resultado
demuestra la efectividad potencial de las acciones propuestas, especialmente aquellas orientadas a la
diversificación de fuentes de financiamiento, fortalecimiento de la calidad docente y creación de
mecanismos de seguimiento del cumplimiento normativo. Estos hallazgos concuerdan con lo planteado
por Hubbard (2020), quien afirma que los programas de gestión de riesgos generan valor cuando logran
disminuir tanto la probabilidad de ocurrencia como el impacto de los eventos adversos.
Desde la perspectiva del análisis de datos, la utilización de Power BI permitió consolidar indicadores,
tableros de control y reportes ejecutivos que facilitan el seguimiento de los riesgos institucionales. La
visualización de la información proporcionó una comprensión más clara de la distribución de riesgos y
de sus tendencias temporales, fortaleciendo el proceso de toma de decisiones. Este resultado confirma
la importancia del análisis de datos como herramienta de soporte para la gestión institucional, tal como
señalan Hastie, Tibshirani y Friedman (2009), quienes destacan que la transformación de datos en
información útil constituye un elemento fundamental para la gestión moderna.
Por otra parte, la incorporación de técnicas de aprendizaje automático representa uno de los aportes más
relevantes de la investigación. El modelo basado en Árboles de Decisión demostró que las variables
probabilidad e impacto poseen una elevada capacidad predictiva para clasificar los riesgos en categorías
de moderado, importante e inaceptable. Estos resultados coinciden con los estudios de Fahd et al. (2021)
y Goren, Cohen y Rubinstein (2024), quienes encontraron que los algoritmos de aprendizaje automático
permiten identificar patrones complejos y anticipar escenarios de riesgo en instituciones de educación
superior.
La predicción realizada también evidenció que los riesgos relacionados con la pertinencia de los
programas, captación de estudiantes, cumplimiento de estándares SUNEDU (2015), calidad docente,
retrasos administrativos, insuficiencia presupuestal y desastres naturales presentan una alta probabilidad
de mantener niveles críticos si no se implementan medidas correctivas. Esta capacidad de anticipación
constituye una ventaja significativa frente a los enfoques tradicionales de gestión del riesgo, ya que
permite actuar preventivamente antes de que ocurran eventos que puedan afectar el desempeño
institucional.
La implementación de estrategias de tratamiento permitió proyectar una reducción del riesgo residual
promedio desde 15.67 hasta 6.33 puntos, equivalente a una disminución cercana al 60%. Este resultado
demuestra la efectividad potencial de las acciones propuestas, especialmente aquellas orientadas a la
diversificación de fuentes de financiamiento, fortalecimiento de la calidad docente y creación de
mecanismos de seguimiento del cumplimiento normativo. Estos hallazgos concuerdan con lo planteado
por Hubbard (2020), quien afirma que los programas de gestión de riesgos generan valor cuando logran
disminuir tanto la probabilidad de ocurrencia como el impacto de los eventos adversos.
Desde la perspectiva del análisis de datos, la utilización de Power BI permitió consolidar indicadores,
tableros de control y reportes ejecutivos que facilitan el seguimiento de los riesgos institucionales. La
visualización de la información proporcionó una comprensión más clara de la distribución de riesgos y
de sus tendencias temporales, fortaleciendo el proceso de toma de decisiones. Este resultado confirma
la importancia del análisis de datos como herramienta de soporte para la gestión institucional, tal como
señalan Hastie, Tibshirani y Friedman (2009), quienes destacan que la transformación de datos en
información útil constituye un elemento fundamental para la gestión moderna.
Por otra parte, la incorporación de técnicas de aprendizaje automático representa uno de los aportes más
relevantes de la investigación. El modelo basado en Árboles de Decisión demostró que las variables
probabilidad e impacto poseen una elevada capacidad predictiva para clasificar los riesgos en categorías
de moderado, importante e inaceptable. Estos resultados coinciden con los estudios de Fahd et al. (2021)
y Goren, Cohen y Rubinstein (2024), quienes encontraron que los algoritmos de aprendizaje automático
permiten identificar patrones complejos y anticipar escenarios de riesgo en instituciones de educación
superior.
La predicción realizada también evidenció que los riesgos relacionados con la pertinencia de los
programas, captación de estudiantes, cumplimiento de estándares SUNEDU (2015), calidad docente,
retrasos administrativos, insuficiencia presupuestal y desastres naturales presentan una alta probabilidad
de mantener niveles críticos si no se implementan medidas correctivas. Esta capacidad de anticipación
constituye una ventaja significativa frente a los enfoques tradicionales de gestión del riesgo, ya que
permite actuar preventivamente antes de que ocurran eventos que puedan afectar el desempeño
institucional.
pág. 9416
Finalmente, la proyección temporal del riesgo residual para el periodo 2026-2029 mostró una tendencia
decreciente del índice de riesgo institucional, pasando de 15.7 a 6 puntos. Esta reducción confirma que
la integración de la metodología ISO 31000, el análisis de datos y el aprendizaje automático constituye
un enfoque viable para fortalecer la gestión de riesgos en instituciones de educación superior. En
consecuencia, los resultados obtenidos respaldan la hipótesis planteada en la investigación y demuestran
que el modelo propuesto puede contribuir significativamente a mejorar la sostenibilidad académica,
financiera, tecnológica y administrativa de la Escuela de Posgrado de la Universidad Nacional del Santa.
CONCLUSIONES
1. Se identificaron y analizaron 29 riesgos institucionales agrupados en siete categorías:
estratégicos, operativos, financieros, legales, tecnológicos, reputacionales y externos. El análisis
evidenció que los riesgos estratégicos y financieros representan la mayor exposición para la
Escuela de Posgrado, debido a su impacto directo sobre la sostenibilidad académica, económica
y administrativa de la institución.
2. La evaluación permitió determinar siete riesgos críticos clasificados como inaceptables, siendo
los más relevantes la insuficiencia presupuestal, la baja captación de estudiantes, el
incumplimiento de las condiciones básicas de calidad exigidas por SUNEDU, la insuficiencia
de docentes con grado de doctor, los retrasos en la entrega de grados y títulos y los riesgos
asociados a desastres naturales. Estos riesgos constituyen las principales amenazas para el
cumplimiento de los objetivos institucionales.
3. La aplicación de la matriz de evaluación basada en la metodología ISO 31000 permitió priorizar
los riesgos según su nivel de probabilidad e impacto, facilitando la formulación de estrategias
de tratamiento específicas para cada escenario identificado. Las acciones de mitigación
propuestas lograron proyectar una reducción del riesgo residual cercana al 60%, trasladando los
principales riesgos desde niveles inaceptables hacia niveles tolerables o aceptables y
fortaleciendo la capacidad de respuesta institucional.
4. La implementación de técnicas de aprendizaje automático indica que la ejecución de los planes
de mitigación permitiría reducir progresivamente la severidad promedio institucional desde
15.67 hasta aproximadamente 6.33 puntos, representando una disminución cercana al 60% del
Finalmente, la proyección temporal del riesgo residual para el periodo 2026-2029 mostró una tendencia
decreciente del índice de riesgo institucional, pasando de 15.7 a 6 puntos. Esta reducción confirma que
la integración de la metodología ISO 31000, el análisis de datos y el aprendizaje automático constituye
un enfoque viable para fortalecer la gestión de riesgos en instituciones de educación superior. En
consecuencia, los resultados obtenidos respaldan la hipótesis planteada en la investigación y demuestran
que el modelo propuesto puede contribuir significativamente a mejorar la sostenibilidad académica,
financiera, tecnológica y administrativa de la Escuela de Posgrado de la Universidad Nacional del Santa.
CONCLUSIONES
1. Se identificaron y analizaron 29 riesgos institucionales agrupados en siete categorías:
estratégicos, operativos, financieros, legales, tecnológicos, reputacionales y externos. El análisis
evidenció que los riesgos estratégicos y financieros representan la mayor exposición para la
Escuela de Posgrado, debido a su impacto directo sobre la sostenibilidad académica, económica
y administrativa de la institución.
2. La evaluación permitió determinar siete riesgos críticos clasificados como inaceptables, siendo
los más relevantes la insuficiencia presupuestal, la baja captación de estudiantes, el
incumplimiento de las condiciones básicas de calidad exigidas por SUNEDU, la insuficiencia
de docentes con grado de doctor, los retrasos en la entrega de grados y títulos y los riesgos
asociados a desastres naturales. Estos riesgos constituyen las principales amenazas para el
cumplimiento de los objetivos institucionales.
3. La aplicación de la matriz de evaluación basada en la metodología ISO 31000 permitió priorizar
los riesgos según su nivel de probabilidad e impacto, facilitando la formulación de estrategias
de tratamiento específicas para cada escenario identificado. Las acciones de mitigación
propuestas lograron proyectar una reducción del riesgo residual cercana al 60%, trasladando los
principales riesgos desde niveles inaceptables hacia niveles tolerables o aceptables y
fortaleciendo la capacidad de respuesta institucional.
4. La implementación de técnicas de aprendizaje automático indica que la ejecución de los planes
de mitigación permitiría reducir progresivamente la severidad promedio institucional desde
15.67 hasta aproximadamente 6.33 puntos, representando una disminución cercana al 60% del
pág. 9417
riesgo global que coincide con la evaluación del riesgo residual. Mediante el algoritmo de árbol
de decisión demostró que las variables de probabilidad e impacto poseen una alta capacidad
predictiva para clasificar los riesgos en categorías de moderado, importante e inaceptable.
Asimismo, las proyecciones realizadas evidenciaron una disminución progresiva del índice de
riesgo institucional entre los años 2026 y 2029, confirmando la utilidad del aprendizaje
automático como herramienta de apoyo para la toma de decisiones y la gestión preventiva de
riesgos en la Escuela de Posgrado.
5. Se concluye que el modelo de gestión de riesgos basado en la norma ISO 31000, complementado
con análisis de datos y aprendizaje automático, permitió identificar, evaluar, priorizar y mitigar
eficazmente los riesgos de la Escuela de Posgrado de la Universidad Nacional del Santa,
validando la hipótesis de investigación y contribuyendo al fortalecimiento de la sostenibilidad
académica, financiera, tecnológica y administrativa de la institución.
REFERENCIAS BIBLIOGRÁFICAS
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Fahd, K., Venkatraman, S., Miah, S. J., & Ahmed, K. (2021). Application of machine learning in higher
education to assess student academic performance, at-risk, and attrition: A meta-analysis of
literature. Education and Information Technologies, 26, 6803-6833.
https://doi.org/10.1007/s10639-021-10741-7
Goren, O., Cohen, L., & Rubinstein, A. (2024). Early Prediction of Student Dropout in Higher Education
Using Machine Learning Models. Proceedings of the International Conference on Educational
Data Mining.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining,
inference, and prediction (2nd ed.). Springer
Han, J., Kamber, M., & Pei, J. (2022). Data mining: Concepts and techniques (4th ed.). Morgan
Kaufmann.
Hopkin, P. (2018). Fundamentals of risk management: Understanding, evaluating and implementing
effective risk management (5th ed.). Kogan Page.
Hubbard, D. W. (2020). The failure of risk management: Why it's broken and how to fix it (2nd ed.).
riesgo global que coincide con la evaluación del riesgo residual. Mediante el algoritmo de árbol
de decisión demostró que las variables de probabilidad e impacto poseen una alta capacidad
predictiva para clasificar los riesgos en categorías de moderado, importante e inaceptable.
Asimismo, las proyecciones realizadas evidenciaron una disminución progresiva del índice de
riesgo institucional entre los años 2026 y 2029, confirmando la utilidad del aprendizaje
automático como herramienta de apoyo para la toma de decisiones y la gestión preventiva de
riesgos en la Escuela de Posgrado.
5. Se concluye que el modelo de gestión de riesgos basado en la norma ISO 31000, complementado
con análisis de datos y aprendizaje automático, permitió identificar, evaluar, priorizar y mitigar
eficazmente los riesgos de la Escuela de Posgrado de la Universidad Nacional del Santa,
validando la hipótesis de investigación y contribuyendo al fortalecimiento de la sostenibilidad
académica, financiera, tecnológica y administrativa de la institución.
REFERENCIAS BIBLIOGRÁFICAS
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Fahd, K., Venkatraman, S., Miah, S. J., & Ahmed, K. (2021). Application of machine learning in higher
education to assess student academic performance, at-risk, and attrition: A meta-analysis of
literature. Education and Information Technologies, 26, 6803-6833.
https://doi.org/10.1007/s10639-021-10741-7
Goren, O., Cohen, L., & Rubinstein, A. (2024). Early Prediction of Student Dropout in Higher Education
Using Machine Learning Models. Proceedings of the International Conference on Educational
Data Mining.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining,
inference, and prediction (2nd ed.). Springer
Han, J., Kamber, M., & Pei, J. (2022). Data mining: Concepts and techniques (4th ed.). Morgan
Kaufmann.
Hopkin, P. (2018). Fundamentals of risk management: Understanding, evaluating and implementing
effective risk management (5th ed.). Kogan Page.
Hubbard, D. W. (2020). The failure of risk management: Why it's broken and how to fix it (2nd ed.).
pág. 9418
John Wiley & Sons
International Organization for Standardization. (2018). ISO 31000:2018 Risk management: Guidelines.
ISO. https://www.iso.org/standard/65694.html.
ISO (2018). ISO 31000:2018. Gestión de riesgos. Principios y directrices.
López Heredia, J. M. A. (2026). Modelo para la predicción del éxito profesional en egresados de la UNS
mediante aprendizaje automático basado en datos académicos y socioeconómicos [Tesis
doctoral, Universidad Nacional del Santa, Escuela de Posgrado]. Repositorio Institucional UNS.
Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
Python Software Foundation. (2020). Python. Recuperado de (link unavailable).
Quinlan, J. R. (1993). C4.5: Programs for machine learning. Morgan Kaufmann.
Ramírez, C., & Ortiz, B. (2011). Gestión de riesgos tecnológicos basada en ISO 31000. Ingeniería, 16(2),
56–66.
Superintendencia Nacional de Educación Superior Universitaria (SUNEDU). (2015). Modelo de
licenciamiento y su implementación en el sistema universitario peruano. SUNEDU.
Ridgers, M. (2020, 5 de julio). 5 Big Trends in Data Analytics. KDnuggets.
https://www.kdnuggets.com/2020/07/5-big-trends-data-analytics.html
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
John Wiley & Sons
International Organization for Standardization. (2018). ISO 31000:2018 Risk management: Guidelines.
ISO. https://www.iso.org/standard/65694.html.
ISO (2018). ISO 31000:2018. Gestión de riesgos. Principios y directrices.
López Heredia, J. M. A. (2026). Modelo para la predicción del éxito profesional en egresados de la UNS
mediante aprendizaje automático basado en datos académicos y socioeconómicos [Tesis
doctoral, Universidad Nacional del Santa, Escuela de Posgrado]. Repositorio Institucional UNS.
Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
Python Software Foundation. (2020). Python. Recuperado de (link unavailable).
Quinlan, J. R. (1993). C4.5: Programs for machine learning. Morgan Kaufmann.
Ramírez, C., & Ortiz, B. (2011). Gestión de riesgos tecnológicos basada en ISO 31000. Ingeniería, 16(2),
56–66.
Superintendencia Nacional de Educación Superior Universitaria (SUNEDU). (2015). Modelo de
licenciamiento y su implementación en el sistema universitario peruano. SUNEDU.
Ridgers, M. (2020, 5 de julio). 5 Big Trends in Data Analytics. KDnuggets.
https://www.kdnuggets.com/2020/07/5-big-trends-data-analytics.html
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.