Open Data en educación: de dos GeoJSON a un mapa que ayuda a decidir

El Open Data en educación puede convertir un inventario de centros y una capa territorial en una herramienta de análisis. Pero antes de dibujar el primer punto sobre el mapa hay una pregunta más incómoda: ¿qué pueden afirmar realmente esos datos?

Mayo tiene su propio protocolo en muchas familias de la Comunitat Valenciana. Se abre el calendario de admisión, aparecen las zonas de influencia y empezamos a calcular puntos como si estuviéramos depurando una regla de negocio que nadie termina de explicar del todo.

Miramos listados. Abrimos mapas. Comparamos centros. Preguntamos si habrá plaza cerca de casa.

Los datos existen, pero cada respuesta vive en un sitio distinto. Un portal publica la localización de los centros. Otro ofrece indicadores por barrio. La convocatoria regula el proceso. Las plazas disponibles siguen otro calendario. La distancia real depende de la red peatonal, no de una línea recta.

El problema no es la ausencia de información. Es que todavía no tenemos un modelo que la conecte sin deformarla.

Índice de contenidos

1. Qué significa Open Data en educación cuando toca construirlo
2. La pregunta correcta va antes que GeoPandas
3. Auditar los datasets: la parte que evita un mapa convincente y falso
4. Qué puede decir el mapa y qué debe callarse
5. Arquitectura de Open Data en educación: separar para poder cambiar
6. Cómo descargar los GeoJSON de València
7. Prueba de concepto con GeoPandas: unir centros y barrios
8. Controles de calidad que deberían romper el pipeline
9. De la PoC a un producto geoespacial mantenible
10. Un plan de dos semanas para validar la idea
11. Preguntas frecuentes sobre Open Data en educación

Qué significa Open Data en educación cuando toca construirlo

En una definición rápida, el Open Data en educación consiste en reutilizar conjuntos de datos públicos para analizar, planificar o mejorar servicios educativos. En un proyecto real, la definición necesita más piezas.

Un dataset no es útil solo porque pueda descargarse. Necesita una licencia comprensible, un formato procesable, metadatos suficientes, una cobertura conocida y un nivel de calidad compatible con la decisión que queremos apoyar.

La capa geoespacial es especialmente valiosa porque añade el dónde. Pero también es peligrosa: un color intenso sobre un barrio parece una conclusión, aunque solo represente un indicador antiguo, incompleto o mal interpretado.

El mapa no elimina la incertidumbre. La hace visible. Y, si está bien diseñado, también muestra de dónde viene.

La pregunta correcta va antes que GeoPandas

“Crear un mapa educativo” no es una pregunta de negocio. Es una solución anticipada.

Una pregunta útil debe señalar una población, un territorio, una unidad de análisis y una decisión. Por ejemplo:

• ¿Cómo se distribuye el inventario de centros entre barrios con distinto contexto demográfico?
• ¿Qué zonas requieren revisar si los recursos educativos existentes son suficientes?
• ¿Dónde tiene sentido contrastar datos cuantitativos con equipos municipales, centros y familias?

En cambio, “¿qué colegio tiene plaza cerca de mi casa?” exige datos que nuestros dos GeoJSON no contienen: vacantes por nivel, calendario, preferencias, baremo, zonas de influencia vigentes y, probablemente, una red de desplazamiento.

Auditar los datasets: la parte que evita un mapa convincente y falso

El portal de Open Data del Ajuntament de València publica los centros educativos en GeoJSON, SHP y CSV bajo licencia CC BY 4.0. El recurso incluye coordenadas y atributos como código, denominación, tipo de centro, régimen y dirección.

El mismo portal mantiene el conjunto Vulnerabilidad por barrios 2021, con geometrías de barrio e índices de equipamientos, demografía, socioeconomía y vulnerabilidad global.

Nota sobre los tipos de datos: antes de continuar, inspecciona las columnas reales de cada dataset. En particular, el campo que usaremos para colorear los barrios (Vul_Dem en este ejemplo) puede ser una cadena categórica («alta», «media», «baja») o un valor numérico. El código de visualización debe adaptarse a ese tipo. Más adelante verás cómo manejarlo.

Qué puede decir el mapa y qué debe callarse

Antes de escribir código, conviene dejar claro qué lecturas son sostenibles y cuáles no. Esta tabla debe acompañar al producto final y guiar los textos de la interfaz.

Esta tabla debería formar parte de la documentación del producto. También debería influir en los textos de la interfaz, los filtros disponibles y las decisiones que el sistema permite iniciar.

Arquitectura de Open Data en educación: separar para poder cambiar

Una PoC puede vivir en un notebook. Un servicio institucional no debería depender de que una URL siga devolviendo exactamente las mismas columnas.

La arquitectura necesita separar la adquisición, la normalización, el modelo analítico y la presentación. Es una división poco espectacular. También es la diferencia entre un prototipo y un sistema que sigue funcionando tres meses después.

Cómo descargar los GeoJSON de València

Los dos conjuntos de datos se obtienen manualmente desde el portal de Open Data del Ajuntament de València. No usamos descarga programática en esta PoC para que el proceso sea transparente y quede registro de la versión exacta que estamos procesando.

Pasos para descargar los archivos:

1. Accede al dataset de Centros Educativos en València.
2. Busca la sección de Recursos o Descargas.
3. Localiza el archivo en formato GeoJSON. Si hay varias versiones, elige la más reciente o la que incluya geometrías de puntos para los centros.
4. Descárgalo y guárdalo en la carpeta data/raw/ con el nombre exacto: centros-educativos-en-valencia.geojson.
5. Repite el proceso para el dataset de Vulnerabilidad por barrios 2021.
6. Guarda el GeoJSON de barrios como vulnerabilidad-por-barrios.geojson en la misma carpeta.

La estructura de carpetas quedará así:

proyecto/
├── data/
│   └── raw/
│       ├── centros-educativos-en-valencia.geojson
│       └── vulnerabilidad-por-barrios.geojson
├── output/
└── script_mapa.py

proyecto/
├── data/
│   └── raw/
│       ├── centros-educativos-en-valencia.geojson
│       └── vulnerabilidad-por-barrios.geojson
├── output/
└── script_mapa.py

Si los nombres de archivo descargados son distintos, renómbralos o ajusta las rutas en el script. Los portales de datos abiertos a veces cambian la estructura o el nombre exacto de los recursos; lo importante es conservar la procedencia y el formato.

Prueba de concepto con GeoPandas: unir centros y barrios

Un entorno mínimo puede instalarse con:

python -m venv .venv
source .venv/bin/activate
pip install geopandas folium branca pyogrio shapely

python -m venv .venv
source .venv/bin/activate
pip install geopandas folium branca pyogrio shapely

En Windows, activa el entorno con .venv\Scripts\activate. Para versiones reproducibles, crea un requirements.txt con las salidas de pip freeze.

El primer script no dibuja todavía. Comprueba que las capas tienen geometría, normaliza el sistema de coordenadas y realiza el cruce espacial. Para evitar la circularidad descrita antes, conserva las dimensiones demográfica y socioeconómica, no el índice global.

from pathlib import Path
import geopandas as gpd

RAW = Path("data/raw")
OUT = Path("data/curated")
OUT.mkdir(parents=True, exist_ok=True)

centros = gpd.read_file(RAW / "centros-educativos-en-valencia.geojson")
barrios = gpd.read_file(RAW / "vulnerabilidad-por-barrios.geojson")

if centros.crs is None or barrios.crs is None:
    raise ValueError("Las dos capas deben declarar su CRS")

centros = centros.to_crs(epsg=4326)
barrios = barrios.to_crs(epsg=4326)

columnas_barrio = [
    "Nombre",
    "Distrito",
    "Vul_Dem",
    "Vul_Econom",
    "geometry",
]

centros_con_contexto = centros.sjoin(
    barrios[columnas_barrio],
    how="left",
    predicate="within",
)

centros_con_contexto.to_file(
    OUT / "centros-con-contexto.geojson",
    driver="GeoJSON",
)

from pathlib import Path
import geopandas as gpd

RAW = Path("data/raw")
OUT = Path("data/curated")
OUT.mkdir(parents=True, exist_ok=True)

centros = gpd.read_file(RAW / "centros-educativos-en-valencia.geojson")
barrios = gpd.read_file(RAW / "vulnerabilidad-por-barrios.geojson")

if centros.crs is None or barrios.crs is None:
    raise ValueError("Las dos capas deben declarar su CRS")

centros = centros.to_crs(epsg=4326)
barrios = barrios.to_crs(epsg=4326)

columnas_barrio = [
    "Nombre",
    "Distrito",
    "Vul_Dem",
    "Vul_Econom",
    "geometry",
]

centros_con_contexto = centros.sjoin(
    barrios[columnas_barrio],
    how="left",
    predicate="within",
)

centros_con_contexto.to_file(
    OUT / "centros-con-contexto.geojson",
    driver="GeoJSON",
)

Filtrar antes de contar

El dataset municipal reúne muchas enseñanzas: infantil, primaria, secundaria, formación profesional, adultos, música, danza e idiomas. Contarlas juntas produciría una cifra correcta y una lectura casi inútil.

etapas_objetivo = (
    centros_con_contexto["dgenerica"]
    .fillna("")
    .str.contains("INFANTIL|PRIMÀRIA|PRIMARIA", case=False, regex=True)
)

centros_infantil_primaria = centros_con_contexto[etapas_objetivo].copy()

# Normalizamos régimen para evitar problemas de mayúsculas/acentos
centros_infantil_primaria["regimen_norm"] = (
    centros_infantil_primaria["regimen"]
    .astype(str)
    .str.strip()
    .str.lower()
)

resumen = (
    centros_infantil_primaria
    .groupby(["Distrito", "Nombre"], dropna=False)
    .agg(
        centros=("codcen", "nunique"),
        publicos=("regimen_norm", lambda s: s.eq("público").sum()),
    )
    .reset_index()
)

etapas_objetivo = (
    centros_con_contexto["dgenerica"]
    .fillna("")
    .str.contains("INFANTIL|PRIMÀRIA|PRIMARIA", case=False, regex=True)
)

centros_infantil_primaria = centros_con_contexto[etapas_objetivo].copy()

# Normalizamos régimen para evitar problemas de mayúsculas/acentos
centros_infantil_primaria["regimen_norm"] = (
    centros_infantil_primaria["regimen"]
    .astype(str)
    .str.strip()
    .str.lower()
)

resumen = (
    centros_infantil_primaria
    .groupby(["Distrito", "Nombre"], dropna=False)
    .agg(
        centros=("codcen", "nunique"),
        publicos=("regimen_norm", lambda s: s.eq("público").sum()),
    )
    .reset_index()
)

Este resumen describe presencia. No mide capacidad, plazas, demanda ni calidad. Ponerle el nombre correcto al indicador forma parte de la implementación.

Crear el mapa interactivo sin ocultar sus límites

Folium encaja bien en esta fase porque genera un HTML autocontenido y permite iterar rápido con usuarios de dominio. La capa territorial puede mostrar una dimensión contextual y los puntos pueden filtrar la etapa educativa.

Antes de pintar, inspecciona el tipo de dato de Vul_Dem:

print(barrios["Vul_Dem"].dtype)
print(barrios["Vul_Dem"].unique()[:20])

print(barrios["Vul_Dem"].dtype)
print(barrios["Vul_Dem"].unique()[:20])

Dependiendo del resultado, usaremos una paleta categórica o continua. Aquí mostramos ambos enfoques. Adapta el que corresponda.

Opción A: si Vul_Dem es categórica

import folium
from folium import Element

mapa = folium.Map(
    location=[39.4699, -0.3763],
    zoom_start=12,
    tiles="CartoDB positron",
)

def color_vulnerabilidad(feature):
    valor = str(feature["properties"].get("Vul_Dem", "")).strip().lower()
    if "alta" in valor:
        return "#f97316"
    if "media" in valor:
        return "#facc15"
    if "baja" in valor:
        return "#22c55e"
    return "#cbd5e1"

folium.GeoJson(
    barrios[["Nombre", "Vul_Dem", "geometry"]],
    name="Contexto demográfico 2021",
    style_function=lambda feature: {
        "fillColor": color_vulnerabilidad(feature),
        "color": "#0f2742",
        "weight": 1,
        "fillOpacity": 0.35,
    },
    tooltip=folium.GeoJsonTooltip(fields=["Nombre", "Vul_Dem"]),
).add_to(mapa)

# Añadir atribución y leyenda
html_attribution = """
<div style="position: fixed; left: 10px; bottom: 10px; z-index: 9999;
 background: rgba(255,255,255,0.9); padding: 6px 10px; font-size: 12px;
 border-radius: 4px; box-shadow: 0 1px 4px rgba(0,0,0,0.2);">
Fuente: Ajuntament de València · Open Data | CC BY 4.0<br>
Centros: consulta 11/08/2026 · Vulnerabilidad: 2021
</div>
"""

leyenda_html = """
<div style="position: fixed; right: 10px; bottom: 50px; z-index: 9999;
 background: rgba(255,255,255,0.92); padding: 10px; border-radius: 6px;
 font-size: 12px; line-height: 1.5;">
<strong>Vulnerabilidad demográfica</strong><br>
<span style="color:#22c55e;">■</span> Baja<br>
<span style="color:#facc15;">■</span> Media<br>
<span style="color:#f97316;">■</span> Alta<br>
<span style="color:#cbd5e1;">■</span> Sin dato
</div>
"""

mapa.get_root().html.add_child(Element(html_attribution))
mapa.get_root().html.add_child(Element(leyenda_html))

for _, centro in centros_infantil_primaria.iterrows():
    folium.CircleMarker(
        location=[centro.geometry.y, centro.geometry.x],
        radius=4,
        color="#0e7490",
        fill=True,
        fill_opacity=0.85,
        tooltip=centro.get("dlibre", "Centro educativo"),
    ).add_to(mapa)

folium.LayerControl(collapsed=False).add_to(mapa)

from pathlib import Path
OUTPUT_DIR = Path("output")
OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
mapa.save(OUTPUT_DIR / "mapa-educativo-valencia.html")

import folium
from folium import Element

mapa = folium.Map(
    location=[39.4699, -0.3763],
    zoom_start=12,
    tiles="CartoDB positron",
)

def color_vulnerabilidad(feature):
    valor = str(feature["properties"].get("Vul_Dem", "")).strip().lower()
    if "alta" in valor:
        return "#f97316"
    if "media" in valor:
        return "#facc15"
    if "baja" in valor:
        return "#22c55e"
    return "#cbd5e1"

folium.GeoJson(
    barrios[["Nombre", "Vul_Dem", "geometry"]],
    name="Contexto demográfico 2021",
    style_function=lambda feature: {
        "fillColor": color_vulnerabilidad(feature),
        "color": "#0f2742",
        "weight": 1,
        "fillOpacity": 0.35,
    },
    tooltip=folium.GeoJsonTooltip(fields=["Nombre", "Vul_Dem"]),
).add_to(mapa)

# Añadir atribución y leyenda
html_attribution = """
<div style="position: fixed; left: 10px; bottom: 10px; z-index: 9999;
 background: rgba(255,255,255,0.9); padding: 6px 10px; font-size: 12px;
 border-radius: 4px; box-shadow: 0 1px 4px rgba(0,0,0,0.2);">
Fuente: Ajuntament de València · Open Data | CC BY 4.0<br>
Centros: consulta 11/08/2026 · Vulnerabilidad: 2021
</div>
"""

leyenda_html = """
<div style="position: fixed; right: 10px; bottom: 50px; z-index: 9999;
 background: rgba(255,255,255,0.92); padding: 10px; border-radius: 6px;
 font-size: 12px; line-height: 1.5;">
<strong>Vulnerabilidad demográfica</strong><br>
<span style="color:#22c55e;">■</span> Baja<br>
<span style="color:#facc15;">■</span> Media<br>
<span style="color:#f97316;">■</span> Alta<br>
<span style="color:#cbd5e1;">■</span> Sin dato
</div>
"""

mapa.get_root().html.add_child(Element(html_attribution))
mapa.get_root().html.add_child(Element(leyenda_html))

for _, centro in centros_infantil_primaria.iterrows():
    folium.CircleMarker(
        location=[centro.geometry.y, centro.geometry.x],
        radius=4,
        color="#0e7490",
        fill=True,
        fill_opacity=0.85,
        tooltip=centro.get("dlibre", "Centro educativo"),
    ).add_to(mapa)

folium.LayerControl(collapsed=False).add_to(mapa)

from pathlib import Path
OUTPUT_DIR = Path("output")
OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
mapa.save(OUTPUT_DIR / "mapa-educativo-valencia.html")

Opción B: si Vul_Dem es numérica

Si el campo es un índice o porcentaje, usa una escala continua con branca. Añade la leyenda automáticamente con el rango de valores.

import folium
import branca.colormap as cm

# Crear mapa base
mapa = folium.Map(location=[39.4699, -0.3763], zoom_start=12, tiles="CartoDB positron")

vmin = barrios["Vul_Dem"].min()
vmax = barrios["Vul_Dem"].max()
colormap = cm.LinearColormap(
    colors=["#22c55e", "#facc15", "#f97316"],
    vmin=vmin,
    vmax=vmax,
)
colormap.caption = "Vulnerabilidad demográfica (índice)"
colormap.add_to(mapa)

folium.GeoJson(
    barrios[["Nombre", "Vul_Dem", "geometry"]],
    name="Contexto demográfico 2021",
    style_function=lambda feature: {
        "fillColor": colormap(feature["properties"]["Vul_Dem"]),
        "color": "#0f2742",
        "weight": 1,
        "fillOpacity": 0.35,
    },
    tooltip=folium.GeoJsonTooltip(fields=["Nombre", "Vul_Dem"]),
).add_to(mapa)

# Atribución y leyenda continua
from folium import Element
html_attribution = "<div style='position:fixed;left:10px;bottom:10px;z-index:9999;background:rgba(255,255,255,.9);padding:6px 10px;font-size:12px;border-radius:4px;box-shadow:0 1px 4px rgba(0,0,0,.2)'>Fuente: Ajuntament de València · Open Data | CC BY 4.0<br>Centros: consulta 11/08/2026 · Vulnerabilidad: 2021</div>"
mapa.get_root().html.add_child(Element(html_attribution))

# Puntos
for _, centro in centros_infantil_primaria.iterrows():
    folium.CircleMarker(
        location=[centro.geometry.y, centro.geometry.x],
        radius=4,
        color="#0e7490",
        fill=True,
        fill_opacity=0.85,
        tooltip=centro.get("dlibre", "Centro educativo"),
    ).add_to(mapa)

folium.LayerControl(collapsed=False).add_to(mapa)
from pathlib import Path
OUTPUT_DIR = Path("output")
OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
mapa.save(OUTPUT_DIR / "mapa-educativo-valencia.html")

import folium
import branca.colormap as cm

# Crear mapa base
mapa = folium.Map(location=[39.4699, -0.3763], zoom_start=12, tiles="CartoDB positron")

vmin = barrios["Vul_Dem"].min()
vmax = barrios["Vul_Dem"].max()
colormap = cm.LinearColormap(
    colors=["#22c55e", "#facc15", "#f97316"],
    vmin=vmin,
    vmax=vmax,
)
colormap.caption = "Vulnerabilidad demográfica (índice)"
colormap.add_to(mapa)

folium.GeoJson(
    barrios[["Nombre", "Vul_Dem", "geometry"]],
    name="Contexto demográfico 2021",
    style_function=lambda feature: {
        "fillColor": colormap(feature["properties"]["Vul_Dem"]),
        "color": "#0f2742",
        "weight": 1,
        "fillOpacity": 0.35,
    },
    tooltip=folium.GeoJsonTooltip(fields=["Nombre", "Vul_Dem"]),
).add_to(mapa)

# Atribución y leyenda continua
from folium import Element
html_attribution = "<div style='position:fixed;left:10px;bottom:10px;z-index:9999;background:rgba(255,255,255,.9);padding:6px 10px;font-size:12px;border-radius:4px;box-shadow:0 1px 4px rgba(0,0,0,.2)'>Fuente: Ajuntament de València · Open Data | CC BY 4.0<br>Centros: consulta 11/08/2026 · Vulnerabilidad: 2021</div>"
mapa.get_root().html.add_child(Element(html_attribution))

# Puntos
for _, centro in centros_infantil_primaria.iterrows():
    folium.CircleMarker(
        location=[centro.geometry.y, centro.geometry.x],
        radius=4,
        color="#0e7490",
        fill=True,
        fill_opacity=0.85,
        tooltip=centro.get("dlibre", "Centro educativo"),
    ).add_to(mapa)

folium.LayerControl(collapsed=False).add_to(mapa)
from pathlib import Path
OUTPUT_DIR = Path("output")
OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
mapa.save(OUTPUT_DIR / "mapa-educativo-valencia.html")

Hay un detalle deliberado: la leyenda nombra “Contexto demográfico 2021”. No dice “necesidad actual”, “calidad educativa” ni “riesgo del centro”. Una buena etiqueta protege mejor que una nota al pie que nadie leerá.

Controles de calidad que deberían romper el pipeline

Los fallos más peligrosos no siempre generan una excepción. A veces el proceso termina, publica el mapa y coloca varios centros en el mar porque se intercambiaron latitud y longitud. O acepta un fichero vacío con un HTTP 200. O convierte una categoría nueva en “sin datos”.

Por eso la calidad debe expresarse como reglas ejecutables:

assert len(centros) > 0, "La fuente de centros está vacía"
assert centros["codcen"].is_unique, "Hay códigos de centro duplicados"
assert centros.geometry.notna().all(), "Hay centros sin geometría"
assert centros.geometry.is_valid.all(), "Hay geometrías de centro no válidas"
assert barrios.geometry.is_valid.all(), "Hay polígonos de barrio no válidos"

minx, miny, maxx, maxy = centros.total_bounds
assert -0.55 < minx < -0.20 and -0.55 < maxx < -0.20
assert 39.30 < miny < 39.60 and 39.30 < maxy < 39.60

sin_barrio = centros_con_contexto["Nombre"].isna().mean()
assert sin_barrio < 0.03, "Demasiados centros no intersectan ningún barrio"

assert len(centros) > 0, "La fuente de centros está vacía"
assert centros["codcen"].is_unique, "Hay códigos de centro duplicados"
assert centros.geometry.notna().all(), "Hay centros sin geometría"
assert centros.geometry.is_valid.all(), "Hay geometrías de centro no válidas"
assert barrios.geometry.is_valid.all(), "Hay polígonos de barrio no válidos"

minx, miny, maxx, maxy = centros.total_bounds
assert -0.55 < minx < -0.20 and -0.55 < maxx < -0.20
assert 39.30 < miny < 39.60 and 39.30 < maxy < 39.60

sin_barrio = centros_con_contexto["Nombre"].isna().mean()
assert sin_barrio < 0.03, "Demasiados centros no intersectan ningún barrio"

Los umbrales son un contrato del proyecto, no valores universales. Hay que justificarlos con el dominio y revisarlos cuando cambie la cobertura.

Para trazabilidad, genera un hash de los archivos originales:

import hashlib

def sha256(path):
    return hashlib.sha256(path.read_bytes()).hexdigest()

for f in [RAW / "centros-educativos-en-valencia.geojson", RAW / "vulnerabilidad-por-barrios.geojson"]:
    print(f.name, sha256(f))

import hashlib

def sha256(path):
    return hashlib.sha256(path.read_bytes()).hexdigest()

for f in [RAW / "centros-educativos-en-valencia.geojson", RAW / "vulnerabilidad-por-barrios.geojson"]:
    print(f.name, sha256(f))

De la PoC a un producto geoespacial mantenible

El notebook cumple su función cuando demuestra que la pregunta tiene valor y que las fuentes pueden conectarse. A partir de ahí, industrializar no consiste en mover el mismo script a un cron.

Para visualizaciones web con más volumen, MapLibre puede consumir GeoJSON y evolucionar a teselas vectoriales. PostGIS facilita filtros, cruces y consultas espaciales en el servidor. GeoParquet funciona bien para intercambio analítico. Ninguna pieza es obligatoria desde el día uno.

Mi criterio sería sencillo: cambiar de tecnología cuando aparezca un límite medido —tiempo de carga, volumen, concurrencia, actualización o complejidad de consulta—, no para que la arquitectura parezca más seria en un diagrama.

Un plan de dos semanas para validar la idea

Al final de las dos semanas, la decisión no tiene por qué ser “construir el producto”. También puede ser buscar otra fuente, reducir la ambición, reformular la pregunta o detener el proyecto. Una PoC que evita una inversión equivocada también ha funcionado.

Conclusión: el valor no está en pintar el mapa

Con dos GeoJSON y unas pocas líneas de Python podemos obtener una visualización en una tarde. Esa es la parte fácil.

Lo difícil es decidir qué significa cada capa, detectar que un indicador contiene parte de la variable que queremos analizar, explicar que los datos pertenecen a momentos distintos y evitar que un usuario confunda inventario con disponibilidad.

Ahí empieza el trabajo de arquitectura.

El Open Data en educación merece la pena cuando amplía el contexto sin fingir certeza. Cuando deja trazabilidad. Cuando ayuda a formular una pregunta mejor. Y cuando el mapa señala dónde mirar, pero no decide por las personas que viven al otro lado de los datos.

Preguntas frecuentes sobre Open Data en educación