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

Imagine que você está administrando uma gigante banca digital de limonada, mas em vez de limões, você vende aulas online. No mundo da ciência de dados, isso é chamado de "modelagem preditiva". Pense nisso como uma previsão do tempo, mas em vez de prever chuva ou sol, prevê quantas pessoas comprarão sua limonada e quanto dinheiro você ganhará. A grande ideia aqui é simples: em vez de apenas olhar para as vendas de ontem para adivinhar o que acontecerá amanhã, você usa uma receita matemática inteligente para olhar para o porquê as pessoas compraram limonada em primeiro lugar — foi o preço? O sabor? O clima? — e usar essas pistas para planejar o futuro. Isso importa porque, se você errar o palpite, pode comprar limões demais e desperdiçar dinheiro, ou não o suficiente e perder vendas. Para uma empresa como a EduPro, acertar isso significa a diferença entre um negócio próspero e uma banca de limonada que fica sem copos.

---

A História da Banca de Limonada Digital da EduPro

A EduPro é uma grande empresa de educação online, tipo uma escola enorme que vive na internet. Por muito tempo, os chefes da EduPro administravam seu negócio como um capitão pilotando um navio olhando apenas para o rastro deixado atrás de si. Eles olhavam para quais cursos foram populares no mês passado e diziam: "Ei, esse foi um sucesso! Vamos gastar todo o nosso dinheiro de marketing nele!" e "Vamos contratar esse professor para o próximo!". Mas essa estratégia de "olhar para trás" estava causando problemas. Eles estavam despejando dinheiro em cursos que já eram tão populares que não podiam mais crescer (como tentar encher um balde que já está cheio), e estavam atribuindo professores a aulas que não combinavam com suas habilidades, como colocar um mestre cuca para cuidar de uma aula de matemática.

Para corrigir isso, os pesquisadores da EduPro decidiram construir uma bola de cristal. Eles reuniram seus dados: 10.000 transações de alunos, 60 cursos diferentes e uma lista de professores. Eles misturaram todas essas informações em uma tabela organizada com apenas 60 linhas (uma para cada curso) para ver o quadro geral.

O Ingrediente Secreto do "Match de Especialidade"

Uma das primeiras coisas que descobriram foi um certo mistério. Eles viram que alguns cursos estavam gerando zero lucro, parados na prateleira como "estoque morto". Também notaram algo estranho: só porque um professor tinha uma avaliação alta, não significava que seu curso rendia mais dinheiro. Acontece que a empresa estava atribuindo professores aleatoriamente, sem verificar se eles realmente dominavam o assunto.

Então, a equipe inventou um novo truque chamado "Expertise_Match" (Match de Especialidade). Imagine que você tem um quebra-cabeça. Se você tentar forçar uma peça quadrada em um buraco redondo, ela não encaixa. Os pesquisadores criaram um interruptor de sim ou não: se as habilidades do professor combinassem com o tópico do curso, o interruptor mudava para "1" (Sim!); se não, permanecia em "0" (Não!). Eles descobriram que cerca de 35% a 45% das vezes, os professores e os cursos não combinavam. Ao corrigir esse descompasso, eles esperavam tornar os cursos mais atraentes para os alunos.

O Grande Confronto de Algoritmos: O Simples vs. O Complexo

Agora vinha o grande teste. A equipe queria construir um modelo de computador para prever duas coisas: quantos alunos se inscreveriam (Demanda) e quanto dinheiro o curso renderia (Receita). Eles tentaram duas abordagens diferentes.

Primeiro, tentaram o "Jeito Simples": Regressão Linear. Pense nisso como desenhar uma linha reta através de um conjunto de pontos em um gráfico. É um método clássico e direto que assume que a relação entre as coisas (como preço e vendas) é um caminho reto.

Depois, tentaram o "Jeito Complexo": Random Forest. Isso é como uma equipe de centenas de pequenos detetives super inteligentes (árvores de decisão) que olham para os dados de formas diferentes e depois votam na resposta. Geralmente, no mundo da ciência de dados, essa equipe complexa deve ser a campeã, pois consegue encontrar padrões complicados e ocultos que uma linha simples poderia perder.

Mas aqui está a reviravolta: como a EduPro tinha dados de apenas 60 cursos (um número muito pequeno para um computador aprender), a equipe complexa ficou confusa. Eles começaram a memorizar os detalhes específicos dos 60 cursos em vez de aprender as regras gerais. Isso é chamado de "overfitting" (sobreajuste). É como um aluno que memoriza as respostas de um teste prático, mas reprova no exame real porque não entendeu os conceitos. O modelo Random Forest obteve uma pontuação de precisão de apenas 94%.

A Regressão Linear simples, no entanto, foi a vencedora surpresa. Como o conjunto de dados era pequeno e as relações eram bastante diretas, a linha reta simples funcionou perfeitamente. Ela alcançou uma pontuação de precisão de 98%, o que significa que podia explicar 98% das mudanças de receita apenas olhando para os fatores que lhe foram fornecidos.

O Que os Números Nos Dizem

O modelo vencedor revelou verdades surpreendentes. Para conseguir inscrições de alunos, a avaliação do professor importava muito, mas o preço do curso importava ainda mais (e de uma forma negativa — preços mais altos significavam menos alunos). No entanto, para gerar dinheiro, o preço era o herói. Se você aumenta o preço, você tem menos alunos, mas o dinheiro que você ganha por aluno aumenta. O modelo ajuda os chefes a encontrar o "ponto ideal" — o preço exato onde eles ganham o máximo de dinheiro total sem espantar todo mundo.

Eles também construíram um painel interativo e legal (usando uma ferramenta chamada Streamlit) que parece um painel de controle de videogame. Os chefes podem deslizar uma barra para mudar o preço ou trocar um professor, e o painel instantaneamente diz: "Se você fizer isso, terá X alunos e ganhará Y dólares". Também possui um "Simulador de Elasticidade" especial que permite brincar com diferentes preços para ver como o tamanho da multidão muda.

A Conclusão

O artigo conclui que a EduPro precisa parar de adivinhar e começar a usar esta bola de cristal baseada em dados. Eles devem usar o "Expertise_Match" para garantir que os professores certos estejam dando as aulas certas, e devem usar a ferramenta de precificação para encontrar o equilíbrio perfeito entre quanto cobram e quantos alunos conseguem. Embora o modelo seja incrivelmente preciso agora (98%), o autor alerta que, à medida que a empresa crescer e obtiver mais dados, eles precisarão atualizar o modelo constantemente para mantê-lo afiado. Por enquanto, porém, essa matemática simples transformou a EduPro de um capitão de navio reativo em um navegador proativo, pronto para navegar rumo a um futuro mais lucrativo.