Đánh giá môi trường và dự báo thị trường là hai hoạt động hoàn toàn tách rời, có thể thực hiện độc lập.

Đánh giá môi trường cung cấp logic giải thích và hình thành giả thuyết, còn hồi quy cung cấp công cụ kiểm định và lượng hóa các giả thuyết đó.

Dự báo thị trường phải được thực hiện trước, sau đó mới dùng kết quả dự báo để đánh giá môi trường.

Chỉ cần đánh giá môi trường vĩ mô là đủ để xây dựng mô hình dự báo.

Thị trường tiềm năng

Thị trường hiện có

Thị trường hiện có đủ điều kiện

Thị trường đã thâm nhập

Quy định về quảng cáo, dữ liệu và bảo vệ người tiêu dùng

Tỷ lệ lạm phát và thất nghiệp

Xu hướng nhân khẩu học và lối sống

Tỷ lệ sử dụng thương mại điện tử

Dùng điểm mạnh để khai thác cơ hội

Dùng điểm mạnh để giảm đe dọa

Khắc phục điểm yếu để tận dụng cơ hội

Giảm điểm yếu và tránh hoàn toàn rủi ro

Cạnh tranh hiện hữu

Đe dọa gia nhập mới

Quyền lực thương lượng của khách hàng

Sản phẩm thay thế

Giá trị kỳ vọng của Y khi X bằng 0

Mức thay đổi kỳ vọng của Y khi X tăng thêm một đơn vị

Phần dư của mô hình tại quan sát i

Tỷ lệ biến thiên của Y được giải thích bởi X

Khi mô hình có quá nhiều biến độc lập dẫn đến overfitting

Khi một biến quan trọng bị bỏ ra khỏi mô hình và biến đó có tương quan với biến độc lập đang xét

Khi cỡ mẫu quá lớn so với số biến độc lập

Khi biến phụ thuộc có phân phối lệch

1 biến giả

2 biến giả

3 biến giả

4 biến giả

Khi biến phụ thuộc là đại lượng liên tục như doanh số

Khi biến phụ thuộc là nhị phân như mua/không mua hoặc rời bỏ/không rời bỏ

Khi biến phụ thuộc có phân phối chuẩn

Khi cần dự báo doanh thu trong nhiều năm tới

Odds ratio bằng 0.399; odds giảm khi điểm đánh giá tăng

Odds ratio xấp xỉ 1.49; odds mua hàng tăng khoảng 49% khi điểm đánh giá tăng một đơn vị, giữ các yếu tố khác không đổi

Odds ratio xấp xỉ 1.49; xác suất mua hàng tăng 49 điểm phần trăm

Odds ratio bằng 2.49; odds mua hàng tăng gấp 2.49 lần

logit(p) = p/(1 - p)

logit(p) = ln(p/(1 - p))

logit(p) = exp(p)

logit(p) = p × (1 - p)

Luôn luôn sử dụng ngưỡng mặc định 0.5

Dựa trên điểm hòa vốn giữa chi phí tiếp cận và lợi nhuận kỳ vọng trên mỗi khách hàng

Chọn ngưỡng sao cho số lượng dự báo dương tính bằng 50% mẫu

Luôn chọn ngưỡng 0.7 để đảm bảo độ chính xác cao

Tỷ lệ phân loại đúng trên tổng số quan sát

Tỷ lệ các quan sát thực tế là dương tính được mô hình dự báo đúng là dương tính

Tỷ lệ các quan sát thực tế là âm tính được mô hình dự báo đúng là âm tính

Tỷ lệ các dự báo dương tính của mô hình thực sự là dương tính

Mô hình không tốt hơn dự đoán ngẫu nhiên

Mô hình dự báo hoàn hảo

Mô hình có khả năng phân biệt tốt giữa nhóm Y = 1 và Y = 0

Mô hình có R² bằng 0.85

Khi cỡ mẫu quá lớn so với số biến

Khi một biến độc lập dự đoán hoàn hảo biến phụ thuộc, khiến logit không xác định

Khi hai biến độc lập có tương quan bằng 1

Khi phần dư có phân phối không chuẩn

Phương pháp bình phương nhỏ nhất (OLS)

Phương pháp hợp lý cực đại (Maximum Likelihood)

Phương pháp gradient descent thuần túy

Phương pháp phân tích phân biệt

Liệt kê càng nhiều yếu tố PESTLE càng tốt rồi đưa hết vào mô hình

Mỗi yếu tố PESTLE nên được viết thành giả thuyết có thể kiểm tra và đưa vào mô hình khi có dữ liệu định lượng

Chỉ sử dụng yếu tố Economic và bỏ qua các nhóm khác

Không cần chuyển hóa PESTLE, chỉ dùng để mô tả bối cảnh chung

Viết mỗi ô SWOT bằng ngôn ngữ định tính, dễ hiểu, ví dụ 'thương hiệu mạnh'

Viết mỗi ô SWOT bằng ngôn ngữ có thể đo lường được, ví dụ 'nhận biết thương hiệu 75%'

Chỉ tập trung vào cơ hội và đe dọa, bỏ qua điểm mạnh và điểm yếu

Đưa nguyên văn các ý SWOT vào làm biến định tính

Mô hình sẽ có R² cao hơn do giảm bớt biến

Hệ số của giá và quảng cáo có thể bị thiên lệch do tương quan với biến bị bỏ sót, dẫn đến quyết định marketing sai

Mô hình sẽ không thể ước lượng được

Mô hình sẽ tự động bổ sung biến bị thiếu

Ước lượng mô hình ngay để tiết kiệm thời gian

Xác định mục tiêu quản trị và định nghĩa rõ sự kiện Y = 1

Tính AUC và chọn cutoff trước khi xây dựng mô hình

Chuẩn bị dữ liệu, xử lý missing và outlier trước khi xác định mục tiêu