🎮 ML Explorer — Chọn Đúng Model cho Business Problem!

Bạn vừa được thuê làm ML Advisor tại DataLens Consulting 🔍 — công ty tư vấn analytics cho startups và enterprises tại Việt Nam. Mỗi tuần, clients gửi đến business problems: "Em nên dùng ML model gì? Hay không cần ML?" 7 bài toán, mỗi bài: chọn approach phù hợp nhất. Chọn đúng = XP. Chọn sai = client đốt tiền xây model không cần thiết, hoặc bỏ lỡ cơ hội dùng ML! 🚨

---

🎯 Mục tiêu học tập

Sau khi hoàn thành game, bạn sẽ:

1. Phân biệt Regression vs Classification — output liên tục vs nhãn
2. Chọn model phù hợp — Logistic Regression, Decision Tree, Linear Regression
3. Biết khi nào KHÔNG dùng ML — SQL/Excel/rules đủ tốt
4. Đánh giá metrics — accuracy vs precision vs recall tùy bài toán
5. Tư duy business-first — bài toán quyết định tool, không phải ngược lại

---

📜 Luật chơi

┌──────────────────────────────────────────────────────┐
│  BẠN = ML Advisor 🔍                                 │
│  CLIENTS = 7 companies cần tư vấn ML approach         │
│  MỖI VÒNG = 1 business problem → 4 lựa chọn          │
│  CHỌN approach phù hợp nhất = XP                      │
│  MỤC TIÊU = Thu thập ≥ 80 XP để đạt hạng Gold 🥇     │
└──────────────────────────────────────────────────────┘

Cách tính điểm mỗi vòng:

Thành phần	XP
Trả lời đúng	+12 XP (Vòng 1–3), +14 XP (Vòng 4–5), +16 XP (Vòng 6–7)
Trả lời sai	+0 XP
Không dùng hint	+2 XP bonus ⚡
Giải thích đúng lý do	+3 XP bonus 🧠

Tổng XP tối đa: 12+12+12+14+14+16+16 = 96 XP (chưa tính bonus)

Nguyên tắc quan trọng:

• 🤖 Bài toán quyết định model — không phải "model fancy nhất = tốt nhất"
• 📊 Đôi khi SQL/Excel tốt hơn ML — biết khi nào KHÔNG dùng ML = skill quan trọng
• 🎯 Metric phù hợp tùy bài toán — churn cần Recall, spam cần Precision

---

🏆 Bảng xếp hạng & Huy hiệu

Ranks

Hạng	XP	Mô tả
🥇 Gold — ML Strategist	≥ 80 XP	Bạn chọn model như senior DA — business-first, tool-second!
🥈 Silver — ML Apprentice	≥ 55 XP	Tốt! Đôi chỗ còn nhầm — đọc lại Phần 1 & 4 Buổi 17.
🥉 Bronze — ML Beginner	≥ 30 XP	Hiểu cơ bản nhưng cần ôn lại khi nào dùng model nào.
💀 Game Over	< 30 XP	Client đốt tiền xây model sai — quay lại đọc toàn bộ Buổi 17!

Huy hiệu đặc biệt

Badge	Điều kiện	Mô tả
🎯 Problem Framer	Đúng Vòng 1 + Vòng 2 + Vòng 3	Master phân biệt regression vs classification!
🧠 Model Picker	Đúng Vòng 4 + Vòng 5	Chọn đúng model cho đúng bài toán!
🛡️ Anti-Overkill	Đúng vòng "không cần ML" (Vòng 3, 7)	Biết khi nào KHÔNG dùng ML — rare skill!
🔥 Full Streak	7 vòng liên tiếp đúng	Perfect ML judgment!
🏆 Perfect Score	Đúng tất cả 7 vòng	ML Explorer legend!
💡 No Hints Hero	Không dùng hint cả game	Pure ML intuition!

---

🎲 Chỉ số theo dõi

┌─────────────────────────────┐
│  🔍 SCOREBOARD              │
│  ─────────────────────────  │
│  XP hiện tại:    ___/96     │
│  Vòng hiện tại:  ___/7      │
│  Streak:         ___        │
│  Hints used:     ___        │
│  Regression W/L: ___        │
│  Classification W/L: ___    │
│  "No ML" correct: ___       │
│  Hạng dự kiến:   ___        │
└─────────────────────────────┘

---

🎮 BẮT ĐẦU GAME!

---

🔵 VÒNG 1: "Dự đoán doanh thu tháng tới" (+12 XP)

Client: ShopNow — e-commerce startup, 500,000 MAU

Tình huống:

Finance Director gửi yêu cầu: "Chúng tôi cần dự đoán revenue tháng tới để lên budget plan. Có 24 tháng historical data với các features: marketing spend, số lượng active users, AOV, seasonal index, promotion count. Revenue là số liên tục (VND). Cần predict cho 3 tháng tới."

Bạn chọn approach nào?

Lựa chọn	Approach
A	Logistic Regression — classify revenue thành "Cao" hoặc "Thấp"
B	Linear Regression — predict revenue (số liên tục) từ multiple features
C	Decision Tree Classifier — phân loại tháng "tốt" vs "xấu"
D	K-Means Clustering — group các tháng tương tự nhau

💡 Hint (-2 XP)

Revenue là số liên tục (VND) → đây là bài toán gì: regression hay classification?

✅ Đáp án: B — Linear Regression

Tại sao B đúng?

Revenue là continuous variable (số liên tục — 1.2 tỷ, 1.5 tỷ, 2.0 tỷ) → đây là Regression problem, KHÔNG phải Classification.

• A sai: Logistic Regression là classification model (output: probability of class). Chuyển revenue thành "Cao/Thấp" mất rất nhiều information.
• C sai: Decision Tree Classifier cũng là classification. "Tốt vs Xấu" mất granularity — Finance cần CON SỐ cụ thể, không phải label.
• D sai: K-Means là unsupervised — group tháng tương tự nhưng KHÔNG predict giá trị revenue.
• B đúng: Linear Regression predict giá trị cụ thể (VND) từ multiple features. Output: "Revenue tháng tới = 1.82 tỷ ± 150 triệu."

Rule: Output là số → Regression. Output là nhãn/category → Classification.

---

🔵 VÒNG 2: "Khách nào sắp churn?" (+12 XP)

Client: StreamMax — OTT streaming platform, 2 triệu subscribers

Tình huống:

Product Manager: "Churn rate đang 6.5%/tháng — quá cao. Chúng tôi muốn biết TOP 1,000 khách có khả năng churn cao nhất tháng tới để retention team gọi điện. Có data 18 tháng: tenure, watch hours, login frequency, device count, monthly payment, subscription type. Target: churn (Yes/No)."

Bạn chọn approach nào?

Lựa chọn	Approach
A	Linear Regression — predict churn probability (0 → 1)
B	K-Means Clustering — cluster khách hàng thành groups
C	Logistic Regression — classify churn (Yes/No) + probability ranking
D	Time Series ARIMA — forecast churn rate tháng tới

💡 Hint (-2 XP)

Target là binary (churn: Yes/No). Bạn cần rank khách theo probability churn → model nào output probability?

✅ Đáp án: C — Logistic Regression

Tại sao C đúng?

Target là binary (churn: 0/1 — Yes/No) → Classification problem. Logistic Regression output probability (0.0 → 1.0) → rank khách từ cao → thấp → lấy top 1,000.

• A sai: Linear Regression predict SỐ LIÊN TỤC — output có thể < 0 hoặc > 1 → vô nghĩa cho probability.
• B sai: K-Means cluster khách thành groups nhưng KHÔNG predict ai sẽ churn. Unsupervised = không có label.
• D sai: ARIMA forecast "churn rate TỔNG THỂ tháng tới = 7.1%" — nhưng KHÔNG nói KHÁCH NÀO churn. Product đang cần individual predictions.
• C đúng: Logistic Regression classify (churn/not churn) VÀ output probability → predict_proba() → sort descending → top 1,000.

Bonus insight: Decision Tree cũng có thể dùng — nhưng Logistic Regression là baseline tốt nhất cho binary classification khi cần probability ranking.

---

🔵 VÒNG 3: "Top sản phẩm bán chạy tháng rồi?" (+12 XP)

Client: FreshMart — chuỗi siêu thị mini, 80 cửa hàng

Tình huống:

Marketing Manager: "Em cần biết top 20 sản phẩm bán chạy nhất tháng rồi, breakdown theo khu vực (Bắc/Trung/Nam) và so sánh với tháng trước. Data có trong database: transaction table 500,000 rows, product table, store table."

Bạn chọn approach nào?

Lựa chọn	Approach
A	Decision Tree — classify sản phẩm thành "bán chạy" vs "không bán chạy"
B	SQL Query + Visualization — GROUP BY product, region, ORDER BY revenue DESC
C	Linear Regression — predict doanh số sản phẩm
D	Random Forest — ensemble model để rank sản phẩm

💡 Hint (-2 XP)

Câu hỏi là "top 20 tháng RỒI" — đây là câu hỏi descriptive (quá khứ) hay predictive (tương lai)?

✅ Đáp án: B — SQL Query + Visualization

Tại sao B đúng?

Đây là descriptive analytics — hỏi về QUÁ KHỨ ("tháng rồi bán gì nhiều nhất?"). KHÔNG CẦN ML!

SELECT p.product_name, s.region,
       SUM(t.quantity) AS total_qty,
       SUM(t.revenue) AS total_revenue
FROM transactions t
JOIN products p ON t.product_id = p.id
JOIN stores s ON t.store_id = s.id
WHERE t.month = '2025-12'
GROUP BY p.product_name, s.region
ORDER BY total_revenue DESC
LIMIT 20;

• A sai: Decision Tree classify — nhưng không cần classify, chỉ cần SORT + COUNT.
• C sai: Linear Regression predict tương lai — nhưng câu hỏi về quá khứ, data đã có.
• D sai: Random Forest = overkill hoàn toàn. Dùng cannon bắn ruồi.
• B đúng: SQL + chart giải quyết trong 5 phút. ML mấy ngày. SQL wins.

Bài học: 🚨 Không phải bài toán nào cũng cần ML! Descriptive analytics (quá khứ) → SQL. Predictive analytics (tương lai) → có thể ML.

---

🟡 VÒNG 4: "Approve hay reject khoản vay?" (+14 XP)

Client: QuickLoan — fintech cho vay tiêu dùng, 30,000 hồ sơ/tháng

Tình huống:

Risk Manager: "Chúng tôi nhận 30,000 loan applications/tháng. Cần classify: approve hay reject. Hiện tại credit officers manual review 15 phút/hồ sơ. Muốn auto-decision 70% hồ sơ, manual review 30% borderline. Features: income, age, employment tenure, existing debt, CIC score. Target: default (Yes/No). Ngân hàng Nhà nước yêu cầu giải thích TẠI SAO reject."

Bạn chọn approach nào?

Lựa chọn	Approach
A	XGBoost — model mạnh nhất, accuracy cao nhất
B	Neural Network (Deep Learning) — learn complex patterns
C	Logistic Regression + Decision Tree — scoring + reason codes
D	K-Nearest Neighbors (KNN) — classify dựa trên similar applicants

💡 Hint (-2 XP)

Regulatory yêu cầu "giải thích TẠI SAO reject" — model nào interpretable nhất?

✅ Đáp án: C — Logistic Regression + Decision Tree

Tại sao C đúng?

2 requirements quan trọng:

1. Classify approve/reject → Classification model
2. Giải thích tại sao → Model phải interpretable

• A sai (partially): XGBoost accuracy cao — nhưng black-box. NHNN hỏi "tại sao reject?" → "ensemble of 100 trees with average gini importance..." → NHNN reject.
• B sai: Neural Network = black-box nhất. No explainability cho regulatory compliance.
• D sai: KNN nói "applicant này giống 5 applicants đã default" — nhưng không nói cụ thể tại sao (feature nào?). Interpretability yếu.
• C đúng: Logistic Regression = probability score (0-1000) + coefficients = impact mỗi feature. Decision Tree = IF-THEN rules = reason codes ("Reject vì: income < 8M AND DTI > 50%"). Combo: LR scoring + DT explanation = regulatory compliant.

Bài học: Trong regulated industries (finance, healthcare) → interpretability > accuracy. 95% accuracy nhưng không giải thích được = vô dụng.

---

🟡 VÒNG 5: "Chọn metric nào cho churn model?" (+14 XP)

Client: TelcoVN — nhà mạng viễn thông, 5 triệu khách hàng

Tình huống:

DA team đã train churn prediction model. Results:

Metric	Giá trị
Accuracy	0.91
Precision	0.68
Recall	0.52
F1	0.59

Dataset: 95% stay, 5% churn (imbalanced). Retention team nói: "Mỗi khách churn = mất 3.5 triệu LTV. Thà gọi nhầm 100 khách ở lại (FP) còn hơn bỏ sót 10 khách sắp churn (FN)."

Retention team hỏi: "Model này OK chưa? Nên optimize metric nào?"

Lựa chọn	Answer
A	Accuracy = 0.91 — rất tốt! Deploy ngay
B	Precision = 0.68 — optimize Precision để giảm false alarm
C	Recall = 0.52 — quá thấp, optimize Recall (bắt nhiều churners hơn)
D	F1 = 0.59 — optimize F1 để balance Precision và Recall

💡 Hint (-2 XP)

FN (bỏ sót khách churn) đắt hơn FP (gọi nhầm khách stay). Metric nào focus vào giảm FN?

✅ Đáp án: C — Recall = 0.52 quá thấp, optimize Recall

Tại sao C đúng?

• A sai: Accuracy = 0.91 nghe cao? NHƯNG dataset 95% stay, 5% churn. Model predict TẤT CẢ là "stay" → accuracy = 95%! Accuracy KHÔNG tin được với imbalanced data. Recall = 0.52 nghĩa là bỏ sót 48% khách sẽ churn → thảm họa.
• B sai: Precision = 0.68 okay — nhưng retention team nói "thà gọi nhầm 100 (FP) còn hơn bỏ sót 10 (FN)" → FN costly hơn FP → Recall quan trọng hơn Precision.
• D sai: F1 balance cả hai — nhưng business explicitly nói FN > FP cost → optimize Recall, chấp nhận Precision giảm chút.
• C đúng: Recall = 0.52 = chỉ bắt 52% khách churn. Mất 48% × 5% × 5M × 3.5M = 420 tỷ/năm potential LTV. Optimize Recall lên ≥ 0.75 bằng: lower threshold (0.5 → 0.3), class_weight='balanced', SMOTE oversampling.

Rule: Khi FN costly → optimize Recall. Khi FP costly → optimize Precision. Khi balanced → F1.

---

🔴 VÒNG 6: "Feature nào quan trọng nhất?" (+16 XP)

Client: EduOnline — edtech platform, 100,000 students

Tình huống:

Product team build course completion prediction model (Decision Tree, max_depth=5). Feature importance:

Rank	Feature	Importance
1	quiz_score_avg	0.35
2	videos_watched_pct	0.28
3	login_frequency	0.15
4	forum_posts	0.08
5	device_type	0.05
6	age	0.04
7	gender	0.03
8	city	0.02

Product Manager hỏi: "Feature importance nói quiz_score là quan trọng nhất. Vậy chúng ta nên THÊM quiz cho mỗi lesson để tăng completion rate?"

Bạn advise gì?

Lựa chọn	Advice
A	Đúng! quiz_score quan trọng nhất → thêm quiz → completion tăng
B	Feature importance ≠ causation. quiz_score HIGH correlation với completion VÌ students engaged → làm quiz AND complete course. Thêm quiz không nhất thiết tăng completion
C	Bỏ quiz_score khỏi model vì nó dominate → model bị biased
D	Decision Tree không reliable — chuyển sang Neural Network

💡 Hint (-2 XP)

Correlation ≠ Causation. Students có quiz_score cao → complete course. Nhưng quiz_score cao VÌ student engaged (root cause) hay quiz CAUSE completion?

✅ Đáp án: B — Feature importance ≠ Causation

Tại sao B đúng?

Feature importance cho biết quiz_score giúp model PREDICT completion tốt — KHÔNG có nghĩa "quiz CAUSE completion."

Causal chain thực tế:

Student motivation (root cause)
  ├── → Watches videos (engagement signal)
  ├── → Does quizzes (engagement signal)  ← quiz_score HIGH
  └── → Completes course (outcome)

Quiz score và completion CÙng là RESULT của motivation — không phải cause-effect. Thêm quiz → student không motivated vẫn không làm quiz → completion không tăng. Thậm chí thêm quiz có thể TẠO FRICTION → completion GIẢM!

• A sai: Confuse correlation với causation. Nguy hiểm nhất!
• C sai: Không cần bỏ — quiz_score vẫn useful cho prediction. Chỉ đừng dùng nó để decide action.
• D sai: Bài toán không phải model choice — bài toán là interpretation.

Bài học: Feature importance = predictive power, KHÔNG phải causal power. Muốn biết thêm quiz có tăng completion không → A/B test (Buổi 15)!

---

🔴 VÒNG 7: "Phát hiện email nào là spam?" (+16 XP)

Client: MailGuard — email security startup

Tình huống:

Engineering team đang build spam filter. Data: 100,000 emails (90% legit, 10% spam). Manager hỏi: "Chúng tôi có 2 model candidates. Model nào tốt hơn?"

Metric	Model A	Model B
Accuracy	0.95	0.92
Precision	0.88	0.72
Recall	0.60	0.92
F1	0.71	0.81

Context quan trọng: "Nếu email legit bị classify là spam (FP) → người dùng mất email quan trọng (hợp đồng, invoice). Nếu spam lọt vào inbox (FN) → annoying nhưng user có thể manually delete."

Bạn chọn model nào và tại sao?

Lựa chọn	Recommendation
A	Model A — Accuracy 0.95 cao hơn → tốt hơn
B	Model B — Recall 0.92 → bắt nhiều spam hơn = tốt hơn
C	Model A — Precision 0.88 → ít false alarm hơn = ít mất email legit
D	Không cần ML — rule-based filter đủ (check blacklist, keywords)

💡 Hint (-2 XP)

FP = email legit bị đánh spam = MẤT email quan trọng. FN = spam lọt inbox = annoying. FP costly hơn FN → optimize metric nào?

✅ Đáp án: C — Model A, Precision 0.88

Tại sao C đúng?

Business context: FP (email legit → spam) = mất hợp đồng, invoice, email quan trọng = RẤT đắt. FN (spam → inbox) = annoying nhưng user delete = ít đắt hơn.

FP costly hơn FN → Precision quan trọng hơn Recall.

• A sai logic: Accuracy 0.95 cao — nhưng lý do chọn vì accuracy chung thì sai. Cần specific reason.
• B sai: Model B recall 0.92 = bắt 92% spam, tốt. NHƯNG Precision 0.72 = 28% email bị mark spam THỰC RA LÀ LEGIT. Với 90,000 legit emails → 90,000 × (1−0.72) × predicted spam count = HÀNG NGHÌN email legit bị mất!
• C đúng: Model A Precision 0.88 = chỉ 12% emails bị mark spam thực ra là legit. Safer cho users. Trade-off: Recall 0.60 = 40% spam lọt inbox — annoying nhưng user survive.
• D sai: 100,000 emails, 10% spam → ML tốt hơn rule-based vì spam patterns liên tục thay đổi.

Rule: FP costly → Precision. FN costly → Recall. Spam filter = Precision (protect legit emails).

Nhưng cũng lưu ý: Recall 0.60 quá thấp có thể cần cải thiện. Ideal: Precision > 0.85 AND Recall > 0.75. Có thể tune threshold hoặc try ensemble.

---

🏁 KẾT QUẢ

Tính tổng XP

Vòng 1 (Revenue — Regression):          ___/12 XP    (+ bonus hint ___/2 + lý do ___/3)
Vòng 2 (Churn — Classification):        ___/12 XP    (+ bonus hint ___/2 + lý do ___/3)
Vòng 3 (Top Products — No ML!):         ___/12 XP    (+ bonus hint ___/2 + lý do ___/3)
Vòng 4 (Credit — Interpretable ML):     ___/14 XP    (+ bonus hint ___/2 + lý do ___/3)
Vòng 5 (Metric — Recall vs Precision):  ___/14 XP    (+ bonus hint ___/2 + lý do ___/3)
Vòng 6 (Feature Importance — Causal):   ___/16 XP    (+ bonus hint ___/2 + lý do ___/3)
Vòng 7 (Spam — Precision Focus):        ___/16 XP    (+ bonus hint ___/2 + lý do ___/3)
────────────────────────────────────────
TỔNG:   ___/96 XP    (max 131 XP with all bonuses)

Bảng xếp hạng cuối cùng

Hạng	XP	Mô tả
🥇 Gold — ML Strategist	≥ 80 XP	Bạn chọn model như senior DA — business context quyết định!
🥈 Silver — ML Apprentice	≥ 55 XP	Tốt! Ôn lại regression vs classification + khi nào không cần ML.
🥉 Bronze — ML Beginner	≥ 30 XP	Hiểu cơ bản nhưng dễ nhầm — đọc lại toàn bộ Buổi 17.
💀 Game Over	< 30 XP	Xây model sai cho client — quay lại từ đầu Buổi 17!

---

📝 Tổng kết kiến thức

Vòng	Category	Đáp án	Bài học
1	Type Selection	Linear Regression (continuous output)	Output số → Regression. Output nhãn → Classification
2	Type Selection	Logistic Regression (binary + probability)	Churn = binary. Cần rank → predict_proba()
3	No ML Needed	SQL + Visualization	Descriptive (quá khứ) → SQL. Predictive (tương lai) → ML
4	Model Selection	LR + DT (interpretable, regulatory)	Regulated industry → interpretability > accuracy
5	Metric Selection	Recall (FN costly)	FN costly → Recall. FP costly → Precision
6	Interpretation	Feature importance ≠ causation	Correlation ≠ Causation. Muốn biết causal → A/B test
7	Metric Selection	Precision (FP costly)	Spam filter: mất email legit (FP) > spam lọt inbox (FN)

💡 Quy tắc vàng ML cho DA

1. Problem-first: Bài toán quyết định model — không phải model quyết định bài toán
2. No ML sometimes: SQL/Excel giải 90% bài toán. ML cho 10% cần prediction at scale
3. Metric matters: Accuracy ≠ tốt nhất. Precision vs Recall tùy business cost (FP vs FN)
4. Interpretability: Trong regulated industries → model giải thích được > model chính xác
5. Correlation ≠ Causation: Feature importance = predictive power ≠ causal power