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

あなたは、レモンではなくオンライン講座を売る、巨大なデジタル・レモネードスタンドを運営していると想像してください。データサイエンスの世界では、これを「予測モデリング」と呼びます。これは、雨が降るか晴れるかを予測する天気予報のようなものですが、雨や晴れではなく、どれくらいの人がレモネードを購入し、いくら利益が出るかを予測するのです。ここでの大きなアイデアはシンプルです。単に昨日の売上を見て明日を予想するのではなく、「なぜ」人々がレモネードを買ったのか（価格のせいか？味のせいか？それとも天気か？）という手がかりを、スマートな数学的レシピを使って分析し、その手がかりを使って将来の計画を立てるのです。これが重要な理由は、もし予測を外すと、レモンを買いすぎてお金を無駄にするか、あるいは足りずに販売機会を逃してしまう可能性があるからです。EduProのような企業にとって、これを正しく行うことは、繁盛するビジネスになるか、それともコップが足りなくなるレモネードスタンドで終わるかの分かれ目となります。

---

EduProのデジタル・レモネードスタンドの物語

EduProは、インターネット上に住む巨大な学校のような、大きなオンライン教育企業です。長い間、EduProの経営陣は、後ろに残る航跡だけを見て船を操縦する船長のようにビジネスを行ってきました。彼らは先月のどのコースが人気だったかを見て、「おや、これはヒットしたぞ！このコースにマーケティング予算をすべて投入しよう！」とか、「次のコースにはあの先生を雇おう！」といった判断をしていました。しかし、この「振り返り型」の戦略は問題を引き起こしていました。彼らは、すでに成長の限界に達している（満杯になったバケツに水を注ごうとするようなものです）非常に人気のあるコースに資金を注ぎ込み、数学のクラスに一流シェフを配置するような、スキルの合致しない教師を割り当てていたのです。

これを解決するために、EduProの研究者たちは「水晶玉」を作ることにしました。彼らはデータを集めました。10,000件の学生の取引、60種類の異なるコース、そして講師のリストです。彼らはこれらすべての情報をまとめ、全体像を把握するために、各コース（計60行）を表形式の整然としたテーブルへと集約しました。

「専門知識のマッチング」という秘伝のソース

最初に彼らが発見したのは、ある種のミステリーでした。売上がゼロで、棚に置かれたままの「死蔵在庫」となっているコースがあることを突き止めたのです。また、奇妙なことにも気づきました。教師の評価が高いからといって、必ずしもそのコースが多くの利益を生むわけではないということです。実は、会社は教師が実際にその主題に精通しているかどうかを確認せずに、ランダムに教師を割り当てていたことが判明しました。

そこで、チームは「Expertise_Match（専門知識のマッチメント）」という新しいテクニックを考案しました。パズルを想像してみてください。もし四角いピースを丸い穴に無理やり押し込もうとしたら、うまく合いませんよね。研究者たちは、シンプルな「Yes/No」のスイッチを作成しました。教師のスキルがコースのトピックと一致していれば、スイッチは「1」（Yes!）に切り替わり、一致していなければ「0」（Nope!）のままになります。彼らは、教師とコースが一致していないケースが約35%から45%あることを発見しました。このミスマッチを修正することで、コースをより魅力的なものにできると考えたのです。

アルゴリズムの大対決：シンプル vs 複雑

いよいよ大きなテストです。チームは、2つのこと、つまり「どれだけの学生が申し込むか（需要）」と「そのコースがいくらの収益を生むか（収益）」を予測するコンピュータモデルを構築したいと考えました。彼らは2つの異なるアプローチを試みました。

まず、彼らは「シンプルな方法」である**線形回帰（Linear Regression）**を試しました。これは、グラフ上の点の散らばりの中に一本の直線を描くようなものです。これは古典的で分かりやすい手法であり、物事の関係（例えば価格と売上の関係）が一直線の経路であると仮定しています。

次に、彼らは「複雑な方法」である**ランダムフォレスト（Random Forest）**を試しました。これは、何百人もの小さな超スマートな探偵（決定木）のチームのようなもので、それぞれがデータを異なる視点から見て、最後に投票して答えを出す仕組みです。通常、データサイエンスの世界では、この複雑なチームがチャンピオンになると期待されます。なぜなら、単純な直線では見逃してしまうような、トリッキーで隠れたパターンを見つけ出すことができるからです。

しかし、ここにひねりがありました。EduProのデータはわずか60コース分（コンピュータが学習するには非常に少ない数です）であったため、複雑なチームは混乱してしまいました。彼らは一般的なルールを学ぶ代わりに、その60のコースの具体的な詳細を「丸暗記」してしまったのです。これは「過学習（オーバーフィッティング）」と呼ばれる現象です。練習テストの答えを丸暗記したものの、概念を理解していないために本番の試験で失敗してしまう学生のようなものです。ランダムフォレスト・モデルの精度スコアは、わずか94%にとどまりました。

しかし、シンプルな線形回帰が驚きの勝者となりました。データセットが小さく、関係性が比較的単純であったため、シンプルな直線が完璧に機能したのです。このモデルは98%の精度スコアを達成しました。つまり、入力された要因を見るだけで、収益の変化の98%を説明できることを意味します。

数字が語ること

勝利したモデルは、いくつかの驚くべき事実を明らかにしました。学生の申し込みについては、教師の評価が大きく影響していましたが、コースの価格はそれ以上に重要でした（しかも、価格が高くなると申し込みは減るというマイナスの影響です）。しかし、収益を生み出すという点では、価格こそがヒーローでした。価格を上げれば学生数は減りますが、学生一人あたりの収益は上がります。モデルは、ボスたちが「スイートスポット」、つまり、人々を遠ざけることなく最大の総利益を得られる正確な価格を見つけるための助けとなります。

彼らはまた、ビデオゲームのコントロールパネルのような、インタラクティブなダッシュボード（Streamlitというツールを使用）も構築しました。ボスたちはスライダーを動かして価格を変更したり、教師を入れ替えたりすることができ、ダッシュボードは即座に「もしこうすれば、X人の学生が集まり、Yドルの利益が出ます」と教えてくれます。また、「弾力性シミュレーター（Elasticity Simulator）」も搭載されており、価格を変えることで群衆の規模がどのように変化するかを試すことができます。

まとめ

この論文は、EduProは推測をやめ、このデータ駆動型の「水晶玉」を使い始めるべきだと結論付けています。彼らは「Expertise_Match」を使用して、適切な教師が適切なクラスを教えていることを確認し、価格設定ツールを使用して、いくら取るかとどれだけの学生を獲得するかという完璧なバランスを見つけるべきです。現在、モデルの精度は驚異的な98%ですが、著者は、会社が成長しデータが増えるにつれて、モデルを鋭い状態に保つために更新し続ける必要があると警告しています。しかし、今のところ、このシンプルな数学によって、EduProは「反応型の船長」から「プロアクティブな航海士」へと変わり、より収益性の高い未来へと舵を切る準備が整ったのです。