Phân tích hồi quy: Yếu tố nào ảnh hưởng nhiều nhất?

Doanh số của bạn tăng giảm theo mùa - bạn có biết chính xác YẾU TỐ NÀO ảnh hưởng nhiều nhất không?

Cảm giác và kinh nghiệm chỉ đưa ra dự đoán. Regression Analysis đưa ra bằng chứng.

📈 Regression Analysis là gì?

Phân tích hồi quy - tìm mối quan hệ toán học giữa các biến:

• Y = kết quả muốn tối ưu (doanh số, chất lượng, thời gian giao hàng...)
• X = các yếu tố đầu vào (nhiệt độ, chi phí quảng cáo, số nhân viên...)

R² = 0.85 → 85% biến động trong Y được giải thích bởi mô hình.

Ví dụ thực tế - Retail

Một chuỗi cửa hàng tại TP.HCM chạy regression với Y = doanh số ngày. Kết quả bất ngờ: yếu tố ảnh hưởng nhất không phải khuyến mãi - mà là nhiệt độ ngoài trời (ngày nóng +23% doanh số) và giờ mở cửa sớm (+8% mỗi giờ).

Họ điều chỉnh giờ mở cửa và chuẩn bị hàng theo dự báo thời tiết → tăng doanh số 15% mà không tốn thêm chi phí marketing.

Hồi quy dùng để làm gì

Phân tích hồi quy mô tả mối quan hệ giữa một biến đầu ra Y và một hoặc nhiều biến đầu vào X bằng một phương trình. Nó trả lời hai câu hỏi: X nào thực sự ảnh hưởng đến Y, và ảnh hưởng bao nhiêu. Trong dự án Six Sigma, hồi quy thường dùng ở Analyze với dữ liệu lịch sử, khi chưa thể hoặc chưa cần thiết kế thực nghiệm.

Đọc kết quả hồi quy

• Hệ số (coefficient): mức thay đổi của Y khi X tăng một đơn vị, các X khác giữ nguyên.
• Giá trị p của từng hệ số: thường dưới 0,05 thì coi là có ý nghĩa thống kê.
• R² và R² hiệu chỉnh: phần trăm biến động của Y được giải thích bởi mô hình. Nên dùng R² hiệu chỉnh khi so sánh các mô hình có số biến khác nhau.
• Phân tích phần dư (residuals): phần dư nên phân bố ngẫu nhiên, gần chuẩn, không có hình dạng đặc biệt; nếu không, mô hình chưa phù hợp.

Các bước thực hiện

• Vẽ biểu đồ phân tán giữa Y và từng X để nhìn dạng quan hệ.
• Chạy hồi quy đơn hoặc hồi quy bội.
• Loại dần các X không có ý nghĩa, kiểm tra đa cộng tuyến (các X tương quan mạnh với nhau).
• Kiểm tra phần dư và điểm ảnh hưởng lớn.
• Kiểm chứng mô hình bằng dữ liệu mới hoặc thử nghiệm thực tế.

Ví dụ minh hoạ

Dữ liệu 120 lô: lực bám dính (Y) theo nhiệt độ lò, thời gian chờ trước ép và độ ẩm xưởng. Hồi quy bội cho thấy nhiệt độ và thời gian chờ có ý nghĩa (p < 0,01), độ ẩm không có ý nghĩa. Mô hình giải thích khoảng 68% biến động của lực bám dính. Nhóm dự án dùng kết quả này để chọn hai yếu tố đưa vào DOE ở giai đoạn Improve.

Những lỗi thường gặp

• Nhầm tương quan với nhân quả. Hai biến cùng tăng theo mùa không có nghĩa biến này gây ra biến kia.
• Dự báo ngoài khoảng dữ liệu đã có.
• Chỉ nhìn R² cao mà bỏ qua phần dư.
• Đưa quá nhiều biến vào mô hình với ít dữ liệu.

Mẹo từ chuyên gia WISE Academy

• Hồi quy trên dữ liệu lịch sử cho giả thuyết mạnh, nhưng muốn chứng minh nhân quả hãy kiểm chứng bằng thử nghiệm có kiểm soát (DOE).
• Luôn trình bày kèm biểu đồ phân tán để người không chuyên cũng hiểu.

Liên kết trong DMAIC

Công cụ của Analyze. Đầu vào từ Fishbone và dữ liệu Measure; đầu ra dẫn sang DOE và thiết lập thông số ở Improve. Công cụ liên quan: biểu đồ phân tán, ANOVA, kiểm định giả thuyết, DOE.