Ta cần tìm ra các biến giải thích có thể dự báo một cách hiệu quả biến phản ứng. Mô hình thứ nhất ta xét là mô hình hồi quy logistic. Để lựa chọn một mô hình ta tuân theo quy
trình từng bước, được dựa vào hiệu số độ lệch G2, với một mức ý nghĩa bằng 0,05.
Bảng 3.16 Mô hình hồi quy logistic được chọn
Bảng 3.16 thể hiện các kết quả thu được từ quy trình từng bước cùng với các ước lượng tham số tương ứng và các tỷ số chênh được ước lượng. Chỉ có 3 trong số 7 biến hiện có là ảnh
0,580), biến numb (tỷ số chênh=1,356). Vì numb là rời rạc nên tác động cần được hiểu rằng
một sự gia tăng đơn nhất về số sản phẩm xác định một sự gia tăng về độ chênh của Y 1= vào
khoảng 1,356. Đối với biến độ tuổi, không có sự khác biệt đáng kể giữa lớp người lớn (36 – 50) và lớp người trưởng thành (51 – 89); vấn đề ở đây là khách hàng có phải là thanh niên (15 – 35) hay không.
Mô hình có G2 = 254,928 dẫn đến bác bỏ mô hình rỗng. Các quy tắc phân biệt trong
nghiên cứu này cho phép ta phân biệt khách hàng mang lại nhiều lợi nhuận (Y 1= ) với các
khách hàng mang lại ít lợi nhuận, do đó ta có thể nghĩ ra các cách khác nhau nhằm vào khách hàng mục tiêu. Trên cơ sở của mô hình được ước lượng trong bảng 3.16 ta có thể thấy được quy tắc phân biệt thực hiện như thế nào. Với mỗi khách hàng mới đặt một đơn hàng đầu tiên, ta cần biết 3 điều: họ là thanh niên (A) hay không phải là thanh niên, họ trả góp (B) hay không trả góp và họ đặt hàng bao nhiêu sản phẩm (C). Mô hình có ta = −0,5440,
b c
t =1,6107, t =0,3043 là các tham số ước lượng của 3 biến đó và t 0,3028= là tham số chắn. Một khách hàng sẽ mang lại lợi nhuận nếu xác suất ước lượng của việc đặt hàng 2 lần trở lên lớn hơn 0,5 tương đương với t t A t B t C+ a. + b. + c. >0. Do đó mô hình hồi quy logistic có
thể cung cấp một cơ chế tính điểm đơn giản cho mỗi khách hàng và có thể được sử dụng để ra quyết định.