El rendimiento académico en educación básica se ve afectado por factores como las inasistencias, el apoyo familiar y la salud mental. Este estudio predice el riesgo académico de estudiantes de Noveno Año de una institución secundaria de Quevedo, Ecuador, durante los períodos 2020-2021 a 2025-2026, mediante técnicas de minería de datos. Se siguió la metodología KDD con un enfoque cuantitativo predictivo sobre 695 estudiantes activos de seis cohortes. Se emplearon matrices de correlación, técnicas de agrupamiento (K-Means y DBSCAN) y modelos predictivos (regresión logística, árbol de decisión y redes neuronales), evaluados mediante validación cruzada estratificada con balanceo de clases y exclusión de variables con fuga de información. Los resultados evidenciaron una asociación alta entre comportamiento, inasistencias y riesgo académico. La Regresión Logística fue el modelo más confiable (AUC-ROC = 0.94), superando al Árbol de Decisión (AUC = 0.90) y a las Redes Neuronales (AUC = 0.70). Se concluye que la minería de datos combinada con variables socioemocionales permite anticipar el riesgo académico y diseñar intervenciones oportunas, aunque se recomienda validar el modelo en otras instituciones antes de su uso operativo.