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

Immagina di gestire un gigantesco chiosco digitale di limonata, ma invece dei limoni, vendi corsi online. Nel mondo della scienza dei dati, questo si chiama "modellazione predittiva". È come una previsione del tempo, ma invece di prevedere pioggia o sole, prevede quante persone compreranno la tua limonata e quanti soldi guadagnerai. L'idea di fondo è semplice: invece di guardare solo le vendite di ieri per indovinare cosa accadrà domani, usi una smart ricetta matematica per guardare il perché le persone abbiano comprato la limonata in primo luogo — era il prezzo? Il gusto? Il meteo? — e usare questi indizi per pianificare il futuro. Questo è importante perché, se sbagli la previsione, potresti comprare troppi limoni e sprecare denaro, o non comprarne abbastanza e perdere vendite. Per un'azienda come EduPro, fare la cosa giusta significa la differenza tra un'attività prospera e un chiosco di limonata che finisce le tazze.

---

La Storia del Chiosco di Limonata Digitale di EduPro

EduPro è una grande azienda di educazione online, una sorta di enorme scuola che vive su internet. Per molto tempo, i capi di EduPro hanno gestito la loro attività come un capitano che guida una nave guardando solo la scia dietro di sé. Guardavano quali corsi erano popolari l'ultimo mese e dicevano: "Ehi, questo è stato un successo! Versiamo tutto il nostro budget di marketing su di esso!" e "Assumiamo quel docente per il prossimo!". Ma questa strategia del "guardare indietro" stava causando problemi. Stavano versando denaro in corsi che erano già così popolari da non poter crescere ulteriormente (come cercare di riempire un secchio che è già pieno), e stavano assegnando insegnanti a classi che non corrispondevano alle loro competenze, come mettere uno chef professionista a capo di una classe di matematica.

Per risolvere il problema, i ricercatori di EduPro hanno deciso di costruire una palla di cristallo. Hanno raccolto i loro dati: 10.000 transazioni di studenti, 60 corsi diversi e un elenco di insegnanti. Hanno mescolato tutte queste informazioni in una tabella ordinata con solo 60 righe (una per ogni corso) per vedere il quadro generale.

Il Segreto della "Salsa Speciale" dell'Expertise Match

Una delle prime cose che hanno scoperto è stata un piccolo mistero. Hanno scoperto che alcuni corsi non generavano affatto denaro, restando sullo scaffale come "inventario morto". Hanno anche notato qualcosa di strano: il fatto che un insegnante avesse una valutazione alta non significava necessariamente che il suo corso generasse più profitto. Si è scoperto che l'azienda aveva assegnato gli insegnanti in modo casuale, senza verificare se conoscessero davvero l'argomento.

Così, il team ha inventato un nuovo trucco chiamato "Expertise_Match". Immagina di avere un puzzle. Se provi a forzare un pezzo quadrato in un buco rotondo, non entra. I ricercatori hanno creato un semplice interruttore sì-o-no: se le competenze dell'insegnante corrispondevano all'argomento del corso, l'interruttore passava a "1" (Sì!); altrimenti rimaneva a "0" (No!). Hanno scoperto che circa il 35-45% delle volte, gli insegnanti e i corsi non corrispondevano. Correggendo questo disallineamento, speravano di rendere i corsi più attraenti per gli studenti.

Lo Scontro tra Algoritmi: Il Semplice contro il Complesso

Ora arrivava la grande prova. Il team voleva costruire un modello informatico per prevedere due cose: quanti studenti si iscriverebbero (Domanda) e quanto denaro avrebbe generato il corso (Ricavo). Hanno provato due approcci diversi.

Per prima cosa, hanno provato la "Via Semplice": la Regressione Lineare. Pensa a questo come al disegno di una linea retta attraverso una nuvola di punti su un grafico. È un metodo classico e diretto che assume che la relazione tra le cose (come il prezzo e le vendite) sia un percorso rettilineo.

Poi, hanno provato la "Via Complessa": il Random Forest. Questo è come una squadra di centinaia di piccoli e super intelligenti detective (alberi decisionali) che ognuno guarda i dati in modo diverso e poi vota la risposta. Di solito, nel mondo della scienza dei dati, questo team complesso dovrebbe essere il campione perché può trovare schemi complicati e nascosti che una semplice linea potrebbe mancare.

Ma ecco il colpo di scena: poiché EduPro aveva solo i dati di 60 corsi (un numero molto piccolo per far imparare un computer), il team complesso si è confuso. Hanno iniziato a memorizzare i dettagli specifici dei 60 corsi invece di imparare le regole generali. Questo si chiama "overfitting". È come uno studente che impara a memoria le risposte di un test di pratica ma fallisce l'esame vero perché non ha capito i concetti. Il modello Random Forest ha ottenuto solo un punteggio di accuratezza del 94%.

La semplice Regressione Lineare, tuttavia, è stata la vincitrice sorpresa. Poiché il set di dati era piccolo e le relazioni erano piuttosto dirette, la semplice linea retta ha funzionato perfettamente. Ha raggiunto un punteggio di accuratezza del 98%, il che significa che poteva spiegare il 98% delle variazioni di ricavo guardando semplicemente i fattori che le sono stati forniti.

Cosa ci dicono i numeri

Il modello vincente ha rivelato verità sorprendenti. Per quanto riguarda l'iscrizione degli studenti, la valutazione dell'insegnante contava molto, ma il prezzo del corso contava ancora di più (e in modo negativo — prezzi più alti significavano meno studenti). Tuttavia, per generare denaro, il prezzo era l'eroe. Se alzi il prezzo, ottieni meno studenti, ma i soldi che guadagni per ogni studente aumentano. Il modello aiuta i capi a trovare il "punto di equilibrio" — il prezzo esatto dove guadagnano il massimo del denaro totale senza spaventare tutti via.

Hanno anche costruito una dashboard interattiva e accattivante (usando uno strumento chiamato Streamlit) che sembra il pannello di controllo di un videogioco. I capi possono far scorrere una barra per cambiare il prezzo, o sostituire un insegnante, e la dashboard dice istantaneamente loro: "Se fai questo, otterrai X studenti e guadagnerai Y dollari". Ha anche un particolare "Simulatore di Elasticità" che permette di giocare con diversi prezzi per vedere come cambia la dimensione della folla.

La Conclusione

Il documento conclude che EduPro deve smettere di tirare a indovinare e iniziare a usare questa palla di cristallo basata sui dati. Dovrebbero usare l' "Expertise_Match" per assicurarsi che gli insegnanti giusti insegnino le classi giuste, e dovrebbero usare lo strumento di pricing per trovare il perfetto equilibrio tra quanto caricano e quanti studenti ottengono. Sebbene il modello sia incredibilmente accurato in questo momento (98%), l'autore avverte che, man mano che l'azienda cresce e ottiene più dati, dovranno continuare ad aggiornare il modello per mantenerlo affilato. Per ora, però, questa semplice matematica ha trasformato EduPro da un capitano di nave reattivo a un navigatore proattivo, pronto a dirigersi verso un futuro più redditizio.