案例01｜加盟店：以店面、庫存、廣告、家庭數與競爭店數預測銷售
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| 多變量線性迴歸 | 同時使用多個自變數預測一個連續應變數 | 評估多項商業因素與結果的共同關係 | 每個係數都必須在控制其他變數的條件下解讀 |
| 係數方向 | 正負號表示在其他條件固定時的預測關係方向 | 辨識正向與負向關聯因素 | 係數不是因果效果 |
| 模型配適 | 使用決定係數、顯著性與殘差檢查模型 | 判斷模型是否足以支援預測 | 高配適度仍不代表模型可安全外推 |
| 問卷特殊代碼 | 先排除不代表實際評分的代碼，再建立模型 | 避免資料編碼污染係數 | 刪除過多資料也會造成代表性問題 |
| Excel／R／人工智慧分工 | Excel／R 精確建模；人工智慧解釋係數與情境 | 把統計輸出轉成管理洞察 | 人工智慧不得自行生成模型數字 |
當一個商業結果可能同時受到多個因素影響時，單一變數迴歸容易把其他因素的影響混入同一係數。多變量迴歸讓分析者在同一模型內比較多個自變數與應變數的關係。
例如加盟店模型中，STORES 係數為負，只能解讀為在店面大小、庫存、廣告與家庭數等其他變數保持不變時，競爭店數增加與較低銷售相關。
原書也把模型延伸到「達成目標銷售需要多大的店面」這類反推問題。這種做法必須先固定其他輸入變數，並確認目標情境沒有遠離建立模型時的資料範圍。
SFO 案例顯示，若 0／6 是特殊非評分代碼，就不能因為它們是數字而直接放進模型。建模之前必須先理解資料字典。