Final Project Topic: World Universities ranking analysis

---

Corporate Big Data Analysis 
Final Project 
Topic: World Universities ranking analysis 
 
Name: Maftuna 
ID: 12215034 

---

I.
 
Introduction/ Overview 
From the medieval age university quality has been widely known by writings of students, greats 
names of professors and academic reputation of universities. But since the last quarter of the 
twentieth century, university ranking systems have widely observed international universities 
and updated world universities ranking annually. 
During recent years, university rankings have gained a considerable importance not only among 
the academia but also amongst students, parents, industry and businesses. Also, I want to see 
the impact of these rankings and how they influence the stakeholders, which are winners of each 
of these global university rankings, from want countries or regions. Global university rankings 
tend to focus more on the research area and less on teaching and learning environment. After 
the results of these rankings and others, all universities whether small or large, can improve 
practices that will make them stronger. For the contemporary society it is also important for a 
university to be able to innovate and help industry and businesses with consultancy and 
innovations. 
The Academic Ranking of World Universities, also known as the Shanghai Ranking, is an equally 
influential ranking. It was founded in China in 2003 and has been criticized for focusing on raw 
research power and for undermining humanities and quality of instruction. The Center for World 
University Rankings, is a less well known listing that comes from Saudi Arabia, it was founded in 
2012. To further extend my analyses, I’ve also included two sets of supplementary data. The 
purpose of this project is to analyze Top universities in the world depending on various factors, 
to make relation among data’s and predict in the future what kind of universities could be top 
and what kind of factors could influence to be that. 
To further extension, supplementary dataset has included. It contains information about public 
and private direct expenditure on education across the nations. This data comes from the 
National Center for education statistics. 
II.
 
Problem Formulation 
It is really time –consuming and boring process that students go through when analyzing and choosing 
right universities for themselves to continue study. The process might start with a search for a particular 
interested university from which several links to different universities are returned. The student typically 
visits each website to check different factors such as Programs Offered, Cost of Living, Tution fees, 
Quality of Educational Degree etc. This could involve considering alternate universities from an online 
catalog, program and courses availability, location options etc. After all relevant information is gathered, 
the student will then enroll into university for getting himself admitted to it using a educational 
qualification as a gateway. It should be noted whenever the student want to get admission into any 
university through online from any source he/she does visit the many Universities websites for getting 
the desirable interest fields and information about the university which will help the student in his 
decision making process whether to opt for that university or not. Like this student surf lots of time in 

---

visiting of universities websites for getting admission into desired university or affiliated program. The 
student not only surfs lots of time in visiting of university sites, and affiliated programs, but also he/she 
suffers from limited option to choose the programs offered. 
1.
Specific objectives: 
Find out which of these categories has most impact on national rank 
Which of these categories the highest and least influence on the reputation of universities 
Finding correlation among attributes, such as national rank of university and quality of 
education, alumni employment, quality of faculty, publication etc. 
Observing similarity of Shanghai ranking and CWUR ranking among universities. 
Find a number of top 500 universities among countries’ public and private expenditure on 
education and number of people in this countries 
Exploring highest percentage of international students among countries and universities
Prediction of further top countries within the highest rank of universities. 
Creating new table among other column.2 
Translation into analytical methods: For the project many analytical methods have been used for 
problem translation: 
Correlation for finding relationship between national rank and university and quality of 
education, alumni employment, quality of faculty, publication and other sub-categories 
Regression analysis 
2.
Translation into analytical methods. 
Statistical analysis
: making histogram to show the similarity of two data set and exploring highest 
percentage of international student. And making table for school and country. 
Predictive modeling: 
In my data the major factors will be analyzed and identified which factor has 
high impact on world rank of universities.
Case: past performance of universities’ reputation 
Input: circumstance of universities between 2011 and 2016 
Target: performance rank, influential factors, country level during 2011-2016 
Action: identifying future reputation and pattern of performance. 
The methodology for this comparative analysis contains: 
o
Selection of university rankings TOP-100 
o
Ranking Criteria and Weights for each selected international ranking 
o
Definition of Indicators 
o
Data Sources 
o
Top 15 best universities – similitudes and differences between the selected rankings 
o
Comparative analysis, regarding the ranking criteria and weights, top universities, 
statistics by regions and by countries. 

---

III.
 
Data explanation 
In my data I took 3 different datasets from kaggle.com The 
Times Higher Education World University 
Ranking
 (later called Timesdata) is widely regarded as one of the most influential and widely observed 
university measures. Founded in the United Kingdom in 2010, it has been criticized for its 
commercialization and for undermining non-English-instructing institutions. 
The 
Academic Ranking of World Universities
, (later called Shanghai data) also known as the Shanghai 
Ranking, is an equally influential ranking. It was founded in China in 2003 and has been criticized for 
focusing on raw research power and for undermining humanities and quality of instruction. 
The 
Center for World University Rankings
, (later called Cwur data) is comes from Saudi Arabia, it was 
founded in 2012. 
Variables.
In Cwur data Universities rank is given from 2012 to 2015 with other ranks such as national rank, quality 
of education, alumni employment, quality of faculty publications, influence, citations, patents, score 
ranks. 
In Timesdata all universities variables are given in the form of percentage in terms of teaching, 
international, research, citations, international students. Even number of students also given from 2011 
to 2016 
In Shanghai data national rank alumni in percentages award, hici, ns, pub, pcp, are given from 2005 to 
2015. 
IV.
 
Data preparation
Extracting and sampling data from the operational database of the database or data warehouse 
(kaggle.com) 
Data is extracted from three official websites and sampled only data from 2011 to 2016, sorted 3 
datasets. The original data has educational attainment dataset which taken from UNESCO institute for 
statistics and barro-lee dataset and Shanghai ranking and CWUR ranking among universities. Among 
them Shanghai and CWUR ranking datasets are taken for analyzing.