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

Imaginez que vous gérez un stand de limonade numérique géant, mais au lieu de citrons, vous vendez des cours en ligne. Dans le monde de la science des données, cela s'appelle la « modélisation prédictive ». C'est un peu comme une prévision météorologique, mais au lieu de prédire la pluie ou le soleil, elle prédit combien de personnes achèteront votre limonade et combien d'argent vous gagnerez. L'idée principale est simple : au lieu de simplement regarder les ventes d'hier pour deviner ce qui se passera demain, vous utilisez une recette mathématique intelligente pour comprendre pourquoi les gens ont acheté de la limonade en premier lieu — était-ce le prix ? La saveur ? La météo ? — et utilisez ces indices pour planifier l'avenir. Cela compte car si vous vous trompez, vous pourriez acheter trop de citrons et gaspiller de l'argent, ou pas assez et manquer des ventes. Pour une entreprise comme EduPro, réussir cela fait la différence entre une entreprise prospère et un stand de limonade qui tombe en panne de gobelets.

---

L'histoire du stand de limonade numérique d'EduPro

EduPro est une grande entreprise d'éducation en ligne, un peu comme une immense école qui vit sur Internet. Pendant longtemps, les patrons d'EduPro ont dirigé leur entreprise comme un capitaine de navire qui ne regarderait que le sillage derrière lui. Ils regardaient quels cours étaient populaires le mois dernier et disaient : « Hé, celui-là a été un succès ! Concentrons tout notre budget marketing dessus ! » et « Embauitons ce professeur pour le prochain ! ». Mais cette stratégie de « regard vers le passé » causait des problèmes. Ils injectaient de l'argent dans des cours qui étaient déjà si populaires qu'ils ne pouvaient plus croître (comme essayer de remplir un seau qui est déjà plein), et ils assignaient des professeurs à des cours qui ne correspondaient pas à leurs compétences, comme confier une classe de mathématiques à un grand chef cuisinier.

Pour corrir cela, les chercheurs d'EduPro ont décidé de construire une boule de cristal. Ils ont rassemblé leurs données : 10 000 transactions d'étudiants, 60 cours différents et une liste de professeurs. Ils ont tout mélangé dans un tableau bien propre de seulement 60 lignes (une pour chaque cours) pour voir l'ensemble de la situation.

Le secret de la « Sauce Expertise_Match »

L'une des premières choses qu'ils ont découvertes fut un petit mystère. Ils ont trouvé que certains cours ne rapportaient aucun argent, restant sur l'étagère comme des « stocks morts ». Ils ont aussi remarqué quelque chose de bizarre : le fait qu'un professeur ait une note élevée ne signifiait pas forcément que son cours rapportait plus d'argent. Il s'est avéré que l'entreprise avait assigné les professeurs de manière aléatoire, sans vérifier s'ils maîtrisaient réellement le sujet.

Ainsi, l'équipe a inventé un nouveau truc appelé l'« Expertise_Match ». Imaginez que vous avez un puzzle. Si vous essayez de forcer une pièce carrée dans un trou rond, elle ne rentre pas. Les chercheurs ont créé un interrupteur simple de type oui/non : si les compétences du professeur correspondaient au sujet du cours, l'interrupteur passait à « 1 » (Oui !) ; sinon, il restait à « 0 » (Non !). Ils ont découvert qu'environ 35 % à 45 % du temps, les professeurs et les cours ne correspondaient pas. En corrigeant ce décalage, ils espéraient rendre les cours plus attrayants pour les étudiants.

Le grand affrontement des algorithmes : Le Simple contre le Complexe

C'est alors qu'est venu le grand test. L'équipe voulait construire un modèle informatique pour prédire deux choses : le nombre d'étudiants qui s'inscriraient (la Demande) et l'argent que le cours rapporterait (le Revenu). Ils ont essayé deux approches différentes.

D'abord, ils ont essayé la « Méthode Simple » : la Régression Linéaire. Voyez cela comme le fait de tracer une ligne droite à travers un nuage de points sur un graphique. C'est une méthode classique et directe qui suppose que la relation entre les choses (comme le prix et les ventes) suit un chemin rectiligne.

Ensuite, ils ont essayé la « Méthode Complexe » : la Forêt Aléatoire (Random Forest). C'est comme une équipe de centaines de petits détectives super intelligents (des arbres de décision) qui examinent chacun les données différemment et votent ensuite pour la réponse. Généralement, dans le monde de la science des données, cette équipe complexe est censée être la championne car elle peut trouver des modèles complexes et cachés qu'une simple ligne pourrait manquer.

Mais voici le rebondissement : parce qu'EduPro n'avait des données que pour 60 cours (un nombre très faible pour qu'un ordinateur apprenne), l'équipe complexe s'est emmêlé les pinceaux. Elle a commencé à mémoriser les détails spécifiques des 60 cours au lieu d'apprendre les règles générales. C'est ce qu'on appelle le « surapprentissage » (overfitting). C'est comme un élève qui mémorise les réponses d'un examen blanc mais échoue à l'examen réel parce qu'il n'a pas compris les concepts. Le modèle de Forêt Aléatoire n'a obtenu qu'un score de précision de 94 %.

La Régression Linéaire simple, cependant, fut la grande surprise. Comme l'ensemble de données était petit et que les relations étaient assez directes, la ligne droite simple fonctionnait parfaitement. Elle a atteint un score de précision de 98 %, ce qui signifie qu'elle pouvait expliquer 98 % des variations de revenus en examinant simplement les facteurs qui lui ont été fournis.

Ce que les chiffres nous disent

Le modèle gagnant a révélé des vérités surprenantes. Pour obtenir des inscriptions d'étudiants, la note du professeur comptait beaucoup, mais le prix du cours comptait encore plus (et de manière négative — des prix plus élevés signifiaient moins d'étudiants). Cependant, pour générer du profit, le prix était le héros. Si vous augmentez le prix, vous avez moins d'étudiants, mais l'argent que vous gagnez par étudiant augmente. Le modèle aide les patrons à trouver le « point idéal » — le prix exact où ils réalisent le plus de profit total sans pour autant faire fuir tout le monde.

Ils ont également construit un tableau de bord interactif génial (en utilisant l'outil Streamlit) qui ressemble au panneau de commande d'un jeu vidéo. Les patrons peuvent faire glisser une barre pour changer le prix, ou remplacer un professeur, et le tableau de bord leur dit instantanément : « Si vous faites cela, vous aurez X étudiants et gagnerez Y dollars ». Il possède aussi un « Simulateur d'Élasticité » spécial qui leur permet de jouer avec différents prix pour voir comment la taille de la foule change.

La conclusion

L'article conclut qu'EduPro doit arrêter de deviner et commencer à utiliser cette boule de cristal basée sur les données. Ils doivent utiliser l'« Expertise_Match » pour s'assurer que les bons professeurs enseignent les bons cours, et ils doivent utiliser l'outil de tarification pour trouver l'équilibre parfait entre le montant facturé et le nombre d'étudiants obtenus. Bien que le modèle soit incroyablement précis actuellement (98 %), l'auteur prévient qu'à mesure que l'entreprise grandira et obtiendra plus de données, ils devront continuer à mettre à jour le modèle pour qu'il reste performant. Pour l'instant, cependant, cette mathématique simple a transformé le capitaine de navire réactif d'EduPro en un navigateur proactif, prêt à naviguer vers un avenir plus rentable.