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

कल्पना कीजिए कि आप एक विशाल, डिजिटल नींबू पानी (लेमोनेड) का स्टाल चला रहे हैं, लेकिन नींबू के बजाय, आप ऑनलाइन कक्षाएं बेच रहे हैं। डेटा साइंस की दुनिया में, इसे "प्रेडिक्टिव मॉडलिंग" (predictive modeling) कहा जाता है। इसे मौसम के पूर्वानुमान की तरह समझें, लेकिन बारिश या धूप की भविष्यवाणी करने के बजाय, यह भविष्यवाणी करता है कि कितने लोग आपका नींबू पानी खरीदेंगे और आप कितना पैसा कमाएंगे। यहाँ मुख्य विचार सरल है: केवल कल की बिक्री को देखकर यह अनुमान लगाने के बजाय कि कल क्या होगा, आप एक स्मार्ट गणितीय रेसिपी का उपयोग करते हैं ताकि यह देखा जा सके कि लोगों ने नींबू पानी क्यों खरीदा था—क्या वह कीमत थी? स्वाद था? मौसम था?—और उन सुरागों का उपयोग भविष्य की योजना बनाने के लिए किया जा सके। यह इसलिए मायने रखता है क्योंकि यदि आपका अनुमान गलत हो जाता है, तो आप बहुत अधिक नींबू खरीद सकते हैं और पैसा बर्बाद कर सकते हैं, या इतने कम कि आप बिक्री का अवसर खो देते हैं। एडुप्रो (EduPro) जैसी कंपनी के लिए, इसे सही ढंग से करना एक फलते-फूलते व्यवसाय और एक ऐसे नींबू पानी के स्टाल के बीच का अंतर है जिसके पास कप खत्म हो जाते हैं।

---

एडुप्रो के डिजिटल नींबू पानी के स्टाल की कहानी

एडुप्रो एक बड़ी ऑनलाइन शिक्षा कंपनी है, जो कुछ हद तक इंटरनेट पर रहने वाले एक विशाल स्कूल की तरह है। लंबे समय तक, एडुप्रो के बॉस अपने व्यवसाय को केवल पीछे छूटते हुए लहरों (wake) को देखकर जहाज चलाने वाले कप्तान की तरह चलाते थे। वे देखते थे कि पिछले महीने कौन से कोर्स लोकप्रिय थे और कहते थे, "हे, वह तो हिट था! चलिए अपनी सारी मार्केटिंग का पैसा इसी पर खर्च करते हैं!" और "आइए अगले कोर्स के लिए इस शिक्षक को काम पर रखें!" लेकिन यह "पीछे देखने वाली" रणनीति समस्या पैदा कर रही थी। वे उन कोर्सों में पैसा डाल रहे थे जो पहले से ही इतने लोकप्रिय थे कि वे और बड़े नहीं हो सकते थे (जैसे कि एक ऐसे बाल्टी को भरने की कोशिश करना जो पहले से ही भरी हुई है), और वे शिक्षकों को ऐसी कक्षाओं में लगा रहे थे जो उनके कौशल से मेल नहीं खाते थे, जैसे कि एक मास्टर शेफ को गणित की कक्षा संभालने के लिए रखना।

इसे ठीक करने के लिए, एडुप्रो के शोधकर्ताओं ने एक क्रिस्टल बॉल (भविष्य बताने वाला गोला) बनाने का निर्णय लिया। उन्होंने अपना डेटा इकट्ठा किया: 10,000 छात्र लेनदेन, 60 अलग-अलग कोर्स, और शिक्षकों की एक सूची। उन्होंने इस सारी जानकारी को एक व्यवस्थित तालिका में मिला दिया जिसमें केवल 60 पंक्तियाँ (प्रत्येक कोर्स के लिए एक) थीं ताकि वे बड़े चित्र को देख सकें।

"विशेषज्ञता मिलान" (Expertise Match) का गुप्त नुस्खा

उनमें से पहली चीज़ जो उन्होंने खोजी, वह एक रहस्य था। उन्होंने पाया कि कुछ कोर्स शून्य पैसा बना रहे थे, जो "डेड इन्वेंट्री" (बिक्री न होने वाला सामान) की तरह शेल्फ पर पड़े थे। उन्होंने यह भी गौर किया कि सिर्फ इसलिए कि एक शिक्षक की रेटिंग अधिक थी, इसका मतलब यह नहीं था कि उनका कोर्स अधिक पैसा बनाता था। यह पता चला कि कंपनी शिक्षकों को बिना यह जांचे रैंडम तरीके से नियुक्त कर रही थी कि वे वास्तव में उस विषय को जानते हैं या नहीं।

इसलिए, टीम ने "एक्सपर्टाइज़_मैच" (Expertise_Match) नामक एक नया तरीका निकाला। कल्पना कीजिए कि आपके पास एक पहेली है। यदि आप एक चौकोर टुकड़े को गोल छेद में डालने की कोशिश करते हैं, तो वह फिट नहीं बैठता। शोधकर्ताओं ने एक साधारण हाँ-या-ना वाला स्विच बनाया: यदि शिक्षक के कौशल कोर्स के विषय से मेल खाते थे, तो स्विच बदलकर "1" (हाँ!) हो जाता था; यदि नहीं, तो यह "0" (नहीं!) पर रहता था। उन्होंने पाया कि लगभग 35% से 45% समय, शिक्षक और कोर्स मेल नहीं खाते थे। इस बेमेल को ठीक करके, वे कोर्स को छात्रों के लिए अधिक आकर्षक बनाने की उम्मीद कर रहे थे।

महान एल्गोरिदम मुकाबला: सरल बनाम जटिल

अब बड़ा परीक्षण था। टीम एक कंप्यूटर मॉडल बनाना चाहती थी जो दो चीजों की भविष्यवाणी कर सके: कितने छात्र नामांकन करेंगे (डिमांड/मांग) और कोर्स कितना पैसा बनाएगा (रेवेन्यू/राजस्व)। उन्होंने दो अलग-अलग दृष्टिकोणों को आजमाया।

पहले, उन्होंने "सरल तरीका" आजमाया: लीनियर रिग्रेशन (Linear Regression)। इसे एक ग्राफ पर बिखरे हुए बिंदुओं के माध्यम से एक सीधी रेखा खींचने के रूप जैसा समझें। यह एक क्लासिक, सीधा तरीका है जो यह मानता है कि चीजों के बीच का संबंध (जैसे कीमत और बिक्री) एक सीधा रास्ता है।

फिर, उन्होंने "जटिल तरीका" आजमाया: रैंडम फॉरेस्ट (Random Forest)। यह सैकड़ों छोटे, सुपर-स्मार्ट जासूसों (डिसीजन ट्री) की एक टीम की तरह है जो डेटा को अलग-अलग तरीके से देखते हैं और फिर उत्तर पर वोट करते हैं। आमतौर पर, डेटा साइंस की दुनिया में, यह जटिल टीम चैंपियन मानी जाती है क्योंकि यह उन पेचीदा, छिपे हुए पैटर्न को ढूंढ सकती है जिन्हें एक साधारण रेखा मिस कर सकती है।

लेकिन यहाँ एक मोड़ है: क्योंकि एडुप्रो के पास केवल 60 कोर्स का डेटा था (एक कंप्यूटर के सीखने के लिए बहुत छोटी संख्या), जटिल टीम भ्रमित हो गई। उन्होंने सामान्य नियमों को सीखने के बजाय 60 कोर्स के विशिष्ट विवरणों को रटना शुरू कर दिया। इसे "ओवरफिटिंग" (overfitting) कहा जाता है। यह उस छात्र की तरह है जिसने अभ्यास परीक्षा के उत्तर तो रट लिए लेकिन वास्तविक परीक्षा में फेल हो गया क्योंकि उसने अवधारणाओं को नहीं समझा था। रैंडम फॉरेस्ट मॉडल का स्कोर केवल 94% सटीक था।

हालाँकि, सरल लीनियर रिग्रेशन आश्चर्यजनक विजेता रहा। क्योंकि डेटा सेट छोटा था और संबंध काफी सीधे थे, इसलिए सरल सीधी रेखा ने पूरी तरह से काम किया। इसने 98% सटीकता स्कोर प्राप्त किया, जिसका अर्थ है कि यह उन कारकों को देखकर राजस्व में होने वाले 98% बदलावों की व्याख्या कर सकता था जिन्हें इसमें डाला गया था।

संख्याएँ हमें क्या बताती हैं

विजेता मॉडल ने कुछ आश्चर्यजनक सच्चाइयाँ उजागर कीं। छात्रों को नामांकन के लिए, शिक्षक की रेटिंग बहुत मायने रखती थी, लेकिन कोर्स की कीमत उससे भी अधिक मायने रखती थी (और नकारात्मक रूप में—उच्च कीमतों का मतलब कम छात्र थे)। हालाँकि, पैसा बनाने के लिए, कीमत हीरो थी। यदि आप कीमत बढ़ाते हैं, तो आपको कम छात्र मिलते हैं, लेकिन प्रति छात्र आपकी कमाई बढ़ जाती है। मॉडल बॉसों को वह "स्वीट स्पॉट" (सही संतुलन) खोजने में मदद करता है—वह सटीक कीमत जहाँ वे सबसे अधिक कुल पैसा कमा सकते हैं बिना सबको डराए हुए।

उन्होंने एक शानदार, इंटरैक्टिव डैशबोर्ड भी बनाया (Streamlit नामक टूल का उपयोग करके) जो एक वीडियो गेम कंट्रोल पैनल जैसा दिखता है। बॉस एक बार को स्लाइड करके कीमत बदल सकते हैं, या एक शिक्षक को बदल सकते हैं, और डैशबोर्ड तुरंत उन्हें बताता है, "यदि आप ऐसा करते हैं, तो आपको X छात्र मिलेंगे और आप Y डॉलर कमाएंगे।" इसमें एक विशेष "इलास्टिसिटी सिम्युलेटर" (Elasticity Simulator) भी है जो उन्हें विभिन्न कीमतों के साथ खेलने और यह देखने की अनुमति देता है कि भीड़ का आकार कैसे बदलता है।

निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि एडुप्रो को अंदाज़ा लगाना बंद करना चाहिए और इस डेटा-संचालित क्रिस्टल बॉल का उपयोग करना शुरू करना चाहिए। उन्हें "एक्सपर्टाइज़_मैच" का उपयोग करना चाहिए ताकि यह सुनिश्चित हो सके कि सही शिक्षक सही कक्षाएं पढ़ा रहे हैं, और उन्हें सही कीमत और छात्रों की संख्या के बीच सही संतुलन खोजने के लिए प्राइसिंग टूल का उपयोग करना चाहिए। जबकि मॉडल अभी अविश्वसनीय रूप से सटीक (98%) है, लेखक चेतावनी देता है कि जैसे-जैसे कंपनी बढ़ेगी और अधिक डेटा प्राप्त करेगी, उन्हें इसे तेज रखने के लिए मॉडल को अपडेट करते रहना होगा। हालाँकि, फिलहाल के लिए, इस सरल गणित ने एडुप्रो को एक प्रतिक्रियात्मक (reactive) जहाज के कप्तान से एक सक्रिय (proactive) नाविक में बदल दिया है, जो एक अधिक लाभदायक भविष्य की ओर बढ़ने के लिए तैयार है।