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

Stellen Sie sich vor, Sie betreiben einen riesigen, digitalen Limonadenstand, aber anstelle von Zitronen verkaufen Sie Online-Kurse. In der Welt der Datenwissenschaft nennt man das „Prädiktive Modellierung“. Es ist wie eine Wettervorhersage, aber anstatt Regen oder Sonnenschein vorherzusagen, sagt sie voraus, wie viele Leute Ihre Limonade kaufen werden und wie viel Geld Sie damit verdienen werden. Die Grundidee hierbei ist simpel: Anstatt nur auf die gestrigen Verkäufe zu schauen, um zu raten, was morgen passieren wird, nutzen Sie ein kluges mathematisches Rezept, um zu verstehen, warum die Leute eigentlich Limonade gekauft haben – war es der Preis? Der Geschmack? Das Wetter? – und nutzen diese Hinweise, um für die Zukunft zu planen. Das ist wichtig, denn wenn Sie falsch raten, kaufen Sie vielleicht zu viele Zitronen und verschwenden Geld, oder nicht genug und verpassen Umsätze. Für ein Unternehmen wie EduPro bedeutet es, dies richtig zu machen, den Unterschied zwischen einem florierenden Geschäft und einem Limonadenstand, dem die Becher ausgehen, auszumachen.

---

Die Geschichte von EduPros digitalem Limonadenstand

EduPro ist ein großes Online-Bildungsunternehmen, eine Art riesige Schule, die im Internet lebt. Lange Zeit steuerten die Chefs von EduPro ihr Geschäft wie ein Kapitän ein Schiff, indem sie nur auf das Kielwasser hinter ihnen blickten. Sie schauten sich an, welche Kurse im letzten Monat beliebt waren, und sagten: „Hey, der war ein Hit! Lasst uns unser gesamtes Marketinggeld in diesen stecken!“ und „Lasst uns diesen Lehrer für den nächsten Kurs einstellen!“ Aber diese „Rückblick-Strategie“ verursachte Probleme. Sie investierten Geld in Kurse, die bereits so populär waren, dass sie nicht mehr größer werden konnten (wie der Versuch, einen Eimer zu füllen, der bereits voll ist), und sie ordneten Lehrern Kurse zu, die nicht zu deren Fähigkeiten passten, als würde man einen Chefkoch für einen Mathematikunterricht einsetzen.

Um dies zu beheben, beschlossen die Forscher bei EduPro, ein Kristallorn zu bauen. Sie sammelten ihre Daten: 10.000 Transaktionen von Studenten, 60 verschiedene Kurse und eine Liste von Lehrern. Sie warfen all diese Informationen zusammen in eine ordentliche Tabelle mit nur 60 Zeilen (eine für jeden Kurs), um das große Ganze zu sehen.

Das Geheimnis der „Expertise_Match“-Sauce

Eines der ersten Dinge, die sie entdeckten, war ein kleines Rätsel. Sie fanden heraus, dass einige Kurse gar kein Geld einbrachten und wie „tote Lagerware“ im Regal lagen. Sie bemerkten auch etwas Merkwürdiges: Nur weil ein Lehrer eine hohe Bewertung hatte, bedeutete das nicht zwangslicherweise, dass sein Kurs mehr Umsatz generierte. Es stellte sich heraus, dass das Unternehmen die Lehrer eher zufällig zugewiesen hatte, ohne zu prüfen, ob sie tatsächlich das Fachgebiet beherrschten.

Also erfand das Team einen neuen Trick namens „Expertise_Match“. Stellen Sie sich vor, Sie haben ein Puzzle. Wenn Sie versuchen, ein quadratisches Teil in ein rundes Loch zu pressen, passt es nicht. Die Forscher erschufen einen einfachen Ja-oder-Nein-Schalter: Wenn die Fähigkeiten eines Lehrers zum Kursthema passten, sprang der Schalter auf „1“ (Ja!); wenn nicht, blieb er auf „0“ (Nein!). Sie fanden heraus, dass in etwa 35 % bis 45 % der Fälle die Lehrer und die Kurse nicht übereinstimmten. Durch die Behebung dieser Diskrepanz hofften sie, die Kurse für die Studenten attraktiver zu machen.

Das große Algorithmen-Duell: Der Einfache gegen den Komplexen

Nun kam der große Test. Das Team wollte ein Computermodell bauen, um zwei Dinge vorherzusagen: wie viele Studenten sich anmelden würden (Nachfrage/Demand) und wie viel Geld der Kurs einbringen würde (Umsatz/Revenue). Sie probierten zwei verschiedene Ansätze aus.

Zuerst versuchten sie es auf dem „einfachen Weg“: Lineare Regression. Denken Sie an das Zeichnen einer geraden Linie durch eine Punktwolke auf einem Diagramm. Es ist eine klassische, unkomplizierte Methode, die davon ausgeht, dass die Beziehung zwischen den Dingen (wie Preis und Absatz) einem geraden Pfad folgt.

Dann probierten sie den „komplexen Weg“: Random Forest. Dies ist wie ein Team aus hunderten winzigen, superintelligenten Detektiven (Entscheidungsbäumen), die jeweils die Daten unterschiedlich betrachten und dann über die Antwort abstimmen. Normalerweise ist dieses komplexe Team in der Welt der Datenwissenschaft der Champion, weil es komplizierte, verborgene Muster finden kann, die eine einfache Linie vielleicht übersieht.

Doch hier liegt der Clou: Da EduPro nur Daten für 60 Kurse hatte (eine sehr kleine Anzahl, um eine Maschine zu trainieren), wurde das komplexe Team verwirrt. Es begann, die spezifischen Details der 60 Kurse auswendig zu lernen, anstatt allgemeine Regeln zu erlernen. Dies nennt man „Overfitting“ (Überanpassung). Es ist wie ein Schüler, der die Antworten auf eine Übungsprüfung auswendig lernt, aber die echte Prüfung durchfällt, weil er die Konzepte dahinter nicht verstanden hat. Das Random-Forest-Modell erreichte lediglich eine Genauigkeit von 94 %.

Die einfache Lineare Regression war jedoch der Überraschungssieger. Da der Datensatz klein war und die Beziehungen recht geradlinig verliefen, funktionierte die einfache gerade Linie perfekt. Sie erreichte einen Genauigkeitswert von 98 %, was bedeutet, dass sie 98 % der Umsatzänderungen allein durch die Betrachtung der Faktoren erklären konnte, die man ihr fütterte.

Was die Zahlen uns verraten

Das Gewinner-Modell offenbarte überraschende Wahrheiten. Für die Anmeldung der Studenten war die Bewertung des Lehrers sehr wichtig, aber der Preis des Kurses war noch wichtiger (und zwar in negativer Weise – höhere Preise bedeuteten weniger Studenten). Doch für die Generierung von Umsatz war der Preis der Held. Wenn man den Preis erhöht, bekommt man zwar weniger Studenten, aber das Geld, das man pro Student verdient, steigt. Das Modell hilft den Chefs, den „Sweet Spot“ zu finden – genau den Preis, bei dem sie den meisten Gesamtumsatz erzielen, ohne die Leute abzuschrecken.

Sie bauten auch ein cooles, interaktives Dashboard (mit einem Tool namens Streamlit), das wie ein Steuerpult eines Videospiels aussieht. Die Chefs können einen Regler bewegen, um den Preis zu ändern, oder einen Lehrer austauschen, und das Dashboard sagt ihnen sofort: „Wenn Sie das tun, bekommen Sie X Studenten und machen Y Dollar Umsatz.“ Es verfügt außerdem über einen speziellen „Elasticity Simulator“, mit dem sie mit verschiedenen Preisen spielen können, um zu sehen, wie sich die Menge der Besucher verändert.

Das Fazit

Das Paper kommt zu dem Schluss, dass EduPro aufhören muss zu raten und stattdessen dieses datengesteuerte Kristallorn nutzen sollte. Sie sollten den „Expertise_Match“ verwenden, um sicherzustellen, dass die richtigen Lehrer die richtigen Klassen unterrichten, und sie sollten das Preisgestaltungstool nutzen, um das perfekte Gleichgewicht zwischen dem, was sie berechnen, und der Anzahl der Studenten zu finden. Während das Modell derzeit unglaublich genau ist (98 %), warnt der Autor, dass das Unternehmen, wenn es wächst und mehr Daten erhält, das Modell ständig aktualisieren muss, um es scharf zu halten. Für den Moment jedoch hat diese einfache Mathematik EduPro von einem reaktiven Schiffskapitän in einen proaktiven Navigator verwandelt, bereit, in Richtung einer profitableren Zukunft zu steuern.