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

Imagina que estás dirigiendo un puesto de limonada digital gigante, pero en lugar de limones, vendes clases en línea. En el mundo de la ciencia de datos, esto se llama "modelado predictivo". Es como un pronóstico del tiempo, pero en lugar de predecir lluvia o sol, predice cuántas personas comprarán tu limonada y cuánto dinero ganarás. La gran idea aquí es simple: en lugar de solo mirar las ventas de ayer para adivinar qué pasará mañana, usas una receta matemática inteligente para observar por qué la gente compró limonada en primer lugar —¿fue el precio? ¿el sabor? ¿el clima?— y usar esas pistas para planificar el futuro. Esto importa porque si adivinas mal, podrías comprar demasiados limones y desperdiciar dinero, o no suficientes y perder ventas. Para una empresa como EduPro, acertar en esto significa la diferencia entre un negocio próspero y un puesto de limonada que se queda sin vasos.

---

La historia del puesto de limonada digital de EduPro

EduPro es una gran empresa de educación en línea, algo así como una escuela masiva que vive en internet. Durante mucho tiempo, los jefes de EduPro dirigieron su negocio como un capitán que timonea un barco mirando solo la estela que queda detrás de él. Miraban qué cursos eran populares el mes pasado y decían: "¡Oye, ese fue un éxito! ¡Gastemos todo nuestro dinero de marketing en ese!" y "¡Contratemos a ese profesor para el próximo!". Pero esta estrategia de "mirar hacia atrás" estaba causando problemas. Estaban volcando dinero en cursos que ya eran tan populares que no podían crecer más (como intentar llenar un cubo que ya está lleno) y estaban asignando profesores a clases que no coincidían con sus habilidades, como poner a un maestro chef a cargo de una clase de matemáticas.

Para solucionar esto, los investigadores de EduPro decidieron construir una bola de cristal. Reunieron sus datos: 10,000 transacciones de estudiantes, 60 cursos diferentes y una lista de profesores. Mezclaron toda esta información en una tabla ordenada de solo 60 filas (una por cada curso) para ver el panorama general.

El ingrediente secreto del "Expertise Match"

Una de las primeras cosas que descubrieron fue un pequeño misterio. Encontraron que algunos cursos no generaban nada de dinero, sentados en el estante como "inventario muerto". También notaron algo extraño: el hecho de que un profesor tuviera una calificación alta no significaba que su curso generara más dinero. Resultó que la empresa había estado asignando profesores de forma aleatoria, sin verificar si realmente conocían el tema.

Así que el equipo inventó un nuevo truque llamado "Expertise_Match" (Coincidencia de Experiencia). Imagina que tienes un rompecabezas. Si intentas forzar una pieza cuadrada en un agujero redondo, no encaja. Los investigadores crearon un interruptor simple de sí o no: si las habilidades de un profesor coincidían con el tema del curso, el interruptor se activaba en "1" (¡Sí!); si no, se quedaba en "0" (¡No!). Descubrieron que aproximadamente del 35% al 45% de las veces, los profesores y los cursos no coincidían. Al corregir este desajuste, esperaban hacer los cursos más atractivos para los estudiantes.

El gran duelo de algoritmos: El simple contra el complejo

Ahora venía la gran prueba. El equipo quería construir un modelo computacional para predecir dos cosas: cuántos estudiantes se inscribirían (Demanda) y cuánto dinero ganaría el curso (Ingresos). Probaron dos enfoques diferentes.

Primero, probaron el "Camino Simple": Regresión Lineal. Piensa en esto como dibujar una línea recta a través de una dispersión de puntos en un gráfico. Es un método clásico y directo que asume que la relación entre las cosas (como el precio y las ventas) es un camino recto.

Luego, probaron el "Camino Complejo": Random Forest (Bosque Aleatorio). Esto es como un equipo de cientos de pequeños y superinteligentes detectives (árboles de decisión) que cada uno mira los datos de manera diferente y luego votan por la respuesta. Usualmente, en el mundo de la ciencia de datos, este equipo complejo se supone que es el campeón porque puede encontrar patrones complicados y ocultos que una línea simple podría pasar por alto.

Pero aquí está el giro: debido a que EduPro solo tenía datos de 60 cursos (un número muy pequeño para que una computadora aprenda), el equipo complejo se confundió. Comenzaron a memorizar los detalles específicos de los 60 cursos en lugar de aprender las reglas generales. Esto se llama "sobreajuste" (overfitting). Es como un estudiante que memoriza las respuestas de un examen de práctica pero reprueba el examen real porque no entendió los conceptos. El modelo Random Forest solo obtuvo una puntuación de precisión del 94%.

La Regresión Lineal simple, sin embargo, fue la ganadora sorpresa. Debido a que el conjunto de datos era pequeño y las relaciones eran bastante directas, la línea recta simple funcionó perfectamente. Logró una puntuación de precisión del 98%, lo que significa que podía explicar el 98% de los cambios en los ingresos simplemente mirando los factores que le suministraron.

Lo que nos dicen los números

El modelo ganador reveló verdades sorprendentes. Para lograr que los estudiantes se inscribieran, la calificación del profesor importaba mucho, pero el precio del curso importaba aún más (y de forma negativa: precios más altos significaban menos estudiantes). Sin embargo, para generar dinero, el precio era el héroo. Si subes el precio, obtienes menos estudiantes, pero el dinero que ganas por estudiante aumenta. El modelo ayuda a los jefes a encontrar el "punto ideal": el precio exacto donde generan la mayor cantidad de dinero total sin ahuyentar a todo el mundo.

También construyeron un tablero interactivo genial (usando una herramienta llamada Streamlit) que parece el panel de control de un videojuego. Los jefes pueden deslizar una barra para cambiar el precio, o intercambiar un profesor, y el tablero les dice instantáneamente: "Si haces esto, obtendrás X estudiantes y ganarás Y dólares". También tiene un "Simulador de Elasticidad" especial que les permite jugar con diferentes precios para ver cómo cambia el tamaño de la multitud.

La conclusión

El artículo concluye que EduPro necesita dejar de adivinar y empezar a usar esta bola de cristal basada en datos. Deben usar el "Expertise_Match" para asegurar que los profesores adecuados enseñen las clases adecuadas, y deben usar la herramienta de precios para encontrar el equilibrio perfecto entre cuánto cobran y cuántos estudiantes obtienen. Si bien el modelo es increíblemente preciso en este momento (98%), el autor advierte que, a medida que la empresa crezca y obtenga más datos, necesitarán actualizar el modelo constantemente para mantenerlo afilado. Por ahora, sin embargo, esta matemática simple ha convertido a EduPro de un capitán de barco reactivo en un navegante proactivo, listo para dirigir su rumbo hacia un futuro más rentable.