Predictive Modeling for Course Demand and Revenue Forecasting on Edupro: Moving from Reactive to Proactive Planning

تخيل أنك تدير كشك ليموناضة رقمي عملاق، ولكن بدلاً من الليمون، أنت تبيع دورات تعليمية عبر الإنترنت. في عالم علم البيانات، يسمى هذا "النمذجة التنبؤية". فكر في الأمر كأنه توقعات الطقس، ولكن بدلاً من التنبؤ بالمطر أو أشعة الشمس، أنت تتنبأ بعدد الأشخاص الذين سيشترون الليموناضة الخاصة بك وكم من المال ستجنيه. الفكرة الكبيرة هنا بسيطة: بدلاً من مجرد النظر إلى مبيعات الأمس لتخمين ما سيحدث غداً، أنت تستخدم وصفة رياضية ذكية للنظر في "لماذا" اشترى الناس الليموناضة في المقام الأول — هل كان السعر؟ النكهة؟ الطقس؟ — واستخدام تلك الأدلة للتخطيط للمستقبل. هذا الأمر مهم لأنك إذا أخطأت في التخمين، فقد تشتري الكثير من الليمون وتضيع أموالك، أو لا تشتري ما يكفي فتفوت فرص البيع. بالنسبة لشركة مثل "إيدو برو" (EduPro)، فإن إتقان هذا الأمر يعني الفرق بين عمل مزدهر وكشك ليموناضة ينفد منه الأكواب.

---

قصة كشك الليموناضة الرقمي لشركة إيدو برو (EduPro)

"إيدو برو" هي شركة تعليم عبر الإنترنت كبيرة، تشبه إلى حد ما مدرسة ضخمة تعيش على الإنترنت. لفترة طويلة، كان الرؤساء في "إيدو برو" يديرون عملهم مثل قبطان يقود سفينة عبر النظر فقط إلى الأثر الذي تتركه خلفها. كانوا ينظرون إلى الدورات التي كانت شائعة الشهر الماضي ويقولون: "هيي، كانت تلك ناجحة! لننفق كل أموال التسويق عليها!" و"لنقم بتعيين هذا المعلم للدورة القادمة!". لكن استراتيجية "النظر إلى الوراء" هذه كانت تسبب المشا-كل. فقد كانوا يصبون الأموال في دورات كانت بالفعل شائعة جداً لدرجة أنها لم تعد قادرة على النمو (مثل محاولة ملء دلو ممتلئ بالفعل)، وكانوا يعينون معلمين لدورات لا تتناسب مع مهاراتهم، مثل وضع طاهٍ ماهر مسؤولاً عن حصة رياضيات.

ولإصلاح ذلك، قرر الباحثون في "إيدو برو" بناء كرة بلورية. لقد جمعوا بياناتهم: 10,000 عملية شراء من الطلاب، 60 دورة مختلفة، وقائمة بالمعلمين. قاموا بدمج كل هذه المعلومات معاً في جدول مرتب يحتوي على 60 صفاً فقط (صف واحد لكل دورة) لرؤية الصورة الكبيرة.

"سر الخلطة": مطابقة الخبرة

أحد أول الأشياء التي اكتشفوها كان لغزاً صغيراً. وجدوا أن بعض الدورات لا تحقق أي دخل، وتقبع على الرف كـ "مخزون ميت". كما لاحظوا شيئاً غريباً: مج-رد امتلاك المعلم لتقييم عالٍ لم يكن يعني بالضرورة أن دورته ستحقق المزيد من المال. اتضح أن الشركة كانت تعين المعلمين بشكل عشوائي، دون التحقق مما إذا كانوا يعرفون الموضوع بالفعل.

لذا، ابتكر الفريق حيلة جديدة تسمى "مطابقة_الخبرة" (Expertise_Match). تخيل أن لديك لغزاً (بازل)؛ إذا حاولت إدخال قطعة مربعة في فتحة مستديرة، فلن تناسبها. أنشأ الباحثون مفتاحاً بسيطاً بنظام (نعم أو لا): إذا كانت مهارات المعلم تتوافق مع موضوع الدورة، ينقلب المفتاح إلى "1" (نعم!)؛ وإذا لم يتوافق، يبقى عند "0" (لا!). وجدوا أن حوالي 35% إلى 45% من المرات، لم يكن المعلمون والدورات متطابقين. ومن خلال إصلاح عدم التطابق هذا، أملوا في جعل الدورات أكثر جاذبية للطلاب.

المواجهة الكبرى بين الخوارزميات: البسيط مقابل المعقد

الآن جاء الاختبار الكبير. أراد الفريق بناء نموذج حاسوبي للتنبؤ بشيئين: عدد الطلاب الذين سيسجلون (الطلب) وكم من المال ستحققه الدورة (الإيرادات). جربوا نهجين مختلفين.

أولاً، جربوا "الطريقة البسيطة": الانحدار الخطي (Linear Regression). فكر في هذا الأمر كأنه رسم خط مستقيم عبر مجموعة من النقاط على رسم بياني. إنها طريقة كلاسيكية ومباشرة تفترض أن العلاقة بين الأشياء (مثل السعر والمبيعات) هي مسار مستقيم.

ثم، جربوا "الطريقة المعقدة": الغابة العشوائية (Random Forest). هذا يشبه فريقاً من مئات المحققين الصغار والأذكياء جداً (أشجار القرار) الذين ينظر كل منهم إلى البيانات بطريقة مختلفة ثم يصوتون على الإجابة. عادة، في عالم علم البيانات، يُفترض أن يكون هذا الفريق المعقد هو البطل لأنه يمكنه العثور على أنماط خفية وصعبة قد تفوت على الخط البسيط.

لكن هنا تكمن المفاجأة: نظرًا لأن "إيدو برو" كانت تمتلك بيانات لـ 60 دورة فقط (وهو عدد صغير جداً ليتعلم منه الكمبيوتر)، فقد ارتبك الفريق المعقد. بدأوا في حفظ التفاصيل المحددة للـ 60 دورة بدلاً من تعلم القواعد العامة. وهذا ما يسمى بـ "الفرط في التخصيص" (Overfitting). إنه مثل طالب يحفظ إجابات اختبار تجريبي ولكنه يفشل في الامتحان الحقيقي لأنه لم يفهم المفاهيم. حقق نموذج "الغابة العشوائية" دقة بنسبة 94% فقط.

أما "الانحدار الخطي" البسيط، فقد كان هو الفائز المفاجئ. نظرًا لأن مجموعة البيانات كانت صغيرة والعلاقات كانت مباشرة إلى حد ما، فإن الخط المستقيم البسيط عمل بشكل مثالي. لقد حقق درجة دقة بلغت 98%، مما يعني أنه يمكنه تفسير 98% من تغيرات الإيرادات بمجرد النظر إلى العوامل التي أدخلناها إليه.

ما تخبرنا به الأرقام

كشف النموذج الفائز عن حقائق مفاجئة. بالنسبة لجذب الطلاب للتسجيل، كان تقييم المعلم مهماً جداً، لكن سعر الدورة كان أكثر أهمية (وبطريقة سلبية — فالأسعار الأعلى تعني طلاباً أقل). ومع ذلك، بالنسبة لتحقيق المال، كان السعر هو البطل. إذا رفعت السعر، ستحصل على طلاب أقل، ولكن المال الذي تجنيه من كل طالب يزدء في الارتفاع. يساعد النموذج المديرين في العثور على "النقطة المثالية" — وهو السعر الدقيق الذي يحققون من خلاله أكبر قدر من إجمالي المال دون تخويف الجميع.

كما قاموا ببناء لوحة تحكم تفاعلية رائعة (باستخدام أداة تسمى Streamlit) تبدو كأنها لوحة تحكم في لعبة فيديو. يمكن للمديرين تحريك شريط لتغيير السعر، أو استبدال معلم، وستخبرهم لوحة التحكم فوراً: "إذا فعلت هذا، ستحصل على X من الطلاب وستجني Y من الدولارات". كما تحتوي أيضاً على "محاكي المرونة" (Elasticity Simulator) الذي يسمح لهم بالتلاعب بأسعار مختلفة لرؤية كيف يتغير حجم الجمهور.

الخلاصة

تخلص الورقة البحثية إلى أن على "إيدو برو" التوقف عن التخمين والبدء في استخدام هذه الكرة البلورية القائمة على البيانات. يجب عليهم استخدام "مطابقة_الخبرة" للتأكد من أن المعلمين المناسبين يدرسون المواد المناسبة، ويجب عليهم استخدام أداة التسعير للعثور على التوازن المثالي بين مقدار ما يتقاضونه وعدد الطلاب الذين يحصلون عليهم. وبينما يعد النموذج دقيقاً للغاية في الوقت الحالي (98%)، يحذر المؤلف من أنه مع نمو الشركة والحصول على المزيد من البيانات، فسيحتاجون إلى تحديث النموذج باستمرار للحفاظ على حدته. أما في الوقت الحالي، فقد حولت هذه الرياضيات البسيطة "إيدو برو" من قبطان سفينة يستجيب للأحداث إلى ملاح استباقي، مستعد لتوجيه السفينة نحو مستقبل أكثر ربحية.