Estamos en la era en la que varios procesos necesitan estar en línea. Sin embargo, los datos de las plataformas de aprendizaje digital aún están subutilizados en la educación superior, aunque contienen patrones de aprendizaje de los estudiantes, cuya conciencia contribuiría al desarrollo educativo. Además, el conocimiento del progreso de los estudiantes informaría a los educadores si podrían mitigar las condiciones de enseñanza para los estudiantes con un rendimiento crítico. Menos conocimiento de los patrones de rendimiento limita el desarrollo de mecanismos de enseñanza y aprendizaje adaptativos. En este artículo, se propone un modelo para la explotación de datos para estudiar dinámicamente el progreso de los estudiantes. Se definen variables para determinar el progreso actual de los estudiantes y se utilizan para agrupar a los estudiantes en diferentes clústeres. Se propone un modelo para el agrupamiento dinámico y se analiza la migración de clústeres relacionada para aislar a los estudiantes de menor o mayor rendimiento. Se realiza un agrupamiento K-means en datos reales que consisten en estudiantes de una institución terciaria sudafricana. Se aplica el modelo propuesto para el análisis de migración de clústeres y se revelan los patrones de aprendizaje correspondientes.