Summarise data using appropriate analysis, descriptive statistics and graphical representation

ยินดีต้อนรับสู่เฟส "นักสืบข้อมูล"!

ในวิชา CP2 (Modelling Practice) คุณมักจะได้รับไฟล์สเปรดชีตขนาดใหญ่ที่เต็มไปด้วยข้อมูลดิบที่กระจัดกระจาย ก่อนที่คุณจะเริ่มสร้างสูตรหรือแบบจำลองที่ซับซ้อน คุณจำเป็นต้องเข้าใจก่อนว่ากำลังทำงานอยู่กับอะไร ให้คิดว่าบทนี้คือการ "ทำความรู้จัก" กับข้อมูลของคุณนั่นเอง

การสรุปข้อมูลคือการเปลี่ยนตัวเลขหลายพันแถวให้กลายเป็นข้อมูลเชิงลึกที่สำคัญเพียงไม่กี่อย่าง ขั้นตอนนี้สำคัญมากเพราะช่วยให้คุณตรวจพบข้อผิดพลาด ระบุแนวโน้ม และตัดสินใจได้ว่าวิธีการสร้างแบบจำลองแบบไหนดีที่สุด ถ้าข้อมูลของคุณเป็น "ขยะ" แบบจำลองของคุณก็จะเป็น "ขยะ" เช่นกัน (นี่คือหลักการที่โด่งดังอย่าง GIGO: Garbage In, Garbage Out หรือ ขยะเข้าก็ขยะออกนั่นเอง!)

ถ้าคุณไม่ได้เป็นอัจฉริยะด้านสถิติ ไม่ต้องกังวลไปนะ เราจะย่อยเรื่องนี้ให้เป็นขั้นตอนง่ายๆ ที่จะช่วยให้คุณพิชิตข้อสอบได้อย่างแน่นอน

1. สถิติเชิงพรรณนา: "3 ตัววัดหลัก" ที่ควรรู้

เวลาเราดูคอลัมน์ข้อมูล เรามักอยากรู้ว่า "จุดศูนย์กลาง" ของข้อมูลอยู่ที่ไหน ซึ่งเราเรียกว่า แนวโน้มเข้าสู่ส่วนกลาง (Central Tendency) โดยมี 3 วิธีหลักในการวัดค่านี้:

A. ค่าเฉลี่ย (Mean)

คือผลรวมของค่าทั้งหมดหารด้วยจำนวนข้อมูล สูตร: \( \bar{x} = \frac{\sum x_i}{n} \)
เมื่อไหร่ที่ควรใช้: ใช้เมื่อข้อมูลมีการกระจายตัวแบบสมมาตร (กระจายตัวอย่างสม่ำเสมอ)
กับดักที่ต้องระวัง: ค่าเฉลี่ยไวต่อ ค่าผิดปกติ (Outliers) มากๆ เช่น ถ้ามีคน 5 คนรายได้คนละ 20,000 บาท และมีอีก 1 คนรายได้ 1,000,000 บาท "ค่าเฉลี่ย" จะออกมาสูงมาก ทั้งที่มันไม่ได้สะท้อนความเป็นจริงของคนส่วนใหญ่เลย

B. ค่ามัธยฐาน (Median) - คนกลาง

คือค่าที่อยู่ตรงกลางพอดีเมื่อคุณเรียงลำดับข้อมูลจากน้อยไปมาก
เมื่อไหร่ที่ควรใช้: ใช้เมื่อข้อมูลของคุณมีการ เบ้ (Skewed) หรือมีค่าผิดปกติที่รุนแรง (เช่น ราคาบ้านหรือเงินเดือน) ในกรณีนี้ มัธยฐานจะให้ "ค่าตัวแทน" ที่ดีกว่าค่าเฉลี่ยครับ

C. ฐานนิยม (Mode) - ค่าที่ยอดฮิตที่สุด

คือค่าที่ปรากฏบ่อยที่สุด
เมื่อไหร่ที่ควรใช้: เหมาะมากสำหรับ ข้อมูลเชิงกลุ่ม (Categorical data) (เช่น "ประเภทการเคลมประกันแบบไหนที่พบบ่อยที่สุด?")

สรุปสั้นๆ ให้จำง่าย:
• ค่าเฉลี่ย: ไวต่อค่าสุดโต่ง
• มัธยฐาน: ทนทานต่อค่าสุดโต่งได้ดี
• ฐานนิยม: เหมาะสำหรับข้อมูลที่เป็นหมวดหมู่

2. วัดค่า "การกระจายตัว": ข้อมูลวุ่นวายแค่ไหน?

แค่รู้ค่าเฉลี่ยอาจไม่พอ ลองนึกถึงแม่น้ำที่มีความลึกเฉลี่ย 4 ฟุตสิ คุณอาจจะจมน้ำตายได้ถ้ามีบางจุดลึกถึง 10 ฟุต! เราจึงต้องดู ค่าการกระจาย (Dispersion) ด้วย

ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) และความแปรปรวน (Variance)

ค่าเหล่านี้บอกเราว่า โดยเฉลี่ยแล้วจุดข้อมูลแต่ละจุดอยู่ห่างจากค่าเฉลี่ยเท่าไหร่ สูตรของส่วนเบี่ยงเบนมาตรฐาน: \( \sigma = \sqrt{\frac{\sum(x_i - \bar{x})^2}{n}} \)
เปรียบเทียบง่ายๆ: ถ้าทุกคนในห้องสอบได้ 70% เท่ากันหมด ส่วนเบี่ยงเบนมาตรฐานจะเป็นศูนย์ แต่ถ้าครึ่งห้องได้ 40% และอีกครึ่งได้ 100% ค่าเฉลี่ยยังคงเป็น 70% แต่ส่วนเบี่ยงเบนมาตรฐานจะสูงมาก!

พิสัย (Range) และพิสัยระหว่างควอไทล์ (IQR)

• พิสัย (Range): คือส่วนต่างระหว่างค่าสูงสุดและค่าต่ำสุด ง่ายดี แต่อาจพังได้ง่ายถ้ามีค่าผิดปกติหลุดมาแค่ค่าเดียว
• IQR: คือส่วนต่างระหว่างควอไทล์ที่ 75 (Upper Quartile) และควอไทล์ที่ 25 (Lower Quartile) ซึ่งจะบอกคุณว่า 50% ตรงกลาง ของข้อมูลของคุณนั้นอยู่ที่ช่วงไหน

รู้หรือไม่? ใน CP2 การคำนวณค่าพวกนี้มักเป็นขั้นตอนแรกของ การตรวจสอบข้อมูล (Data Validation) หาก "อายุต่ำสุด" ของคุณคือ -5 หรือ "อายุสูงสุด" คือ 250 แปลว่าคุณเจอข้อผิดพลาดของข้อมูลแล้วล่ะ!

3. การนำเสนอด้วยกราฟ: เห็นภาพชัดกว่าอ่านตัวเลข

บางครั้งภาพหนึ่งภาพมีค่ามากกว่าข้อมูลใน Excel หลายพันแถว ใน CP2 คุณต้องเลือกกราฟที่ ใช่ สำหรับวัตถุประสงค์ที่ ถูก

ฮิสโตแกรม (Histograms)

คืออะไร: แผนภูมิแท่งที่แกน x แสดงถึงช่วงของค่าต่างๆ
วัตถุประสงค์: เพื่อดู การกระจายตัว (Distribution) ของข้อมูล ข้อมูลเป็นรูปกระดิ่ง (ปกติ) หรือเอียงไปด้านใดด้านหนึ่ง (เบ้)?

แผนภูมิกล่อง (Box Plots)

คืออะไร: กล่องที่แสดงค่า IQR, เส้นตรงกลางสำหรับมัธยฐาน และ "หนวด" ที่แสดงพิสัย
วัตถุประสงค์: เหมาะมากสำหรับการตรวจหา ค่าผิดปกติ (Outliers) และใช้เปรียบเทียบข้อมูลแต่ละกลุ่มแบบวางคู่กัน

แผนภูมิกระจาย (Scatter Plots)

คืออะไร: จุดข้อมูลบนแกน X และ Y
วัตถุประสงค์: เพื่อดูว่ามีความ สัมพันธ์ (Correlation) ระหว่างตัวแปรสองตัวหรือไม่ เช่น "จำนวนเงินเคลมเพิ่มขึ้นเมื่ออายุของผู้ขับขี่เพิ่มขึ้นหรือไม่?"

กราฟเส้น (Line Graphs)

คืออะไร: จุดข้อมูลที่เชื่อมต่อกันด้วยเส้น
วัตถุประสงค์: ดีที่สุดสำหรับ ข้อมูลอนุกรมเวลา (Time Series) ใช้เพื่อแสดงว่าค่าต่างๆ เปลี่ยนไปอย่างไรในแต่ละเดือนหรือแต่ละปี

เคล็ดลับสำคัญ: อย่าทำกราฟแค่เพราะว่ามันดูสวยงาม ในเอกสารสรุป CP2 ของคุณ คุณต้องอธิบายได้ว่า ทำไม คุณถึงเลือกกราฟนั้น และมันแสดงให้เห็น อะไร (เช่น "แผนภูมิกระจายแสดงให้เห็นความสัมพันธ์เชิงบวกที่อ่อนๆ ระหว่างน้ำหนักและค่าใช้จ่าย")

4. การตรวจสอบความสมเหตุสมผลและคุณภาพของข้อมูล

นี่เป็นหัวใจสำคัญของส่วน "การเตรียมและการวิเคราะห์ข้อมูล" คุณต้องพิสูจน์ให้กรรมการเห็นว่าคุณได้ตรวจสอบแล้วว่าข้อมูลมีความสมเหตุสมผล

การตรวจสอบทั่วไปที่ควรทำ:
1. ความครบถ้วน (Completeness): มีเซลล์ว่างหรือค่า "N/A" หรือไม่?
2. ความเป็นเอกลักษณ์ (Uniqueness): มีข้อมูลซ้ำหรือไม่ (เช่น เลขกรมธรรม์เดียวกันโผล่มาสองครั้ง)?
3. ตรวจสอบช่วงข้อมูล (Range Checks): วันที่อยู่ในอดีตหรืออนาคตในจุดที่ไม่ควรจะเป็นหรือไม่? ค่าที่เป็นลบควรจะเป็นค่าบวกหรือไม่?
4. ความสอดคล้อง (Consistency): ถ้ากรมธรรม์ถูกทำเครื่องหมายว่า "ขาดอายุ" (Lapsed) คอลัมน์ "เบี้ยประกันที่ได้รับ" ควรเป็นศูนย์ใช่ไหม?

เทคนิคจำสำหรับคุณภาพข้อมูล: ลองใช้คำว่า "ACCURATE"
• Accurate (ถูกต้อง)
• Complete (ครบถ้วน)
• Consistent (สอดคล้อง)
• Up-to-date (เป็นปัจจุบัน)
• Relevant (เกี่ยวข้อง)
• Authoritative (เชื่อถือได้)
• Timely (ทันเวลา)
• Extended (ขยายความได้/เข้าใจง่าย)

5. ข้อผิดพลาดที่ต้องหลีกเลี่ยง

• การมองข้าม "เลขศูนย์": บางครั้ง "0" อาจหมายถึง "ไม่ได้เก็บข้อมูล" แต่บางครั้งมันก็คือเลขศูนย์จริงๆ อย่าเหมารวมโดยไม่ได้ตรวจสอบนะ!
• การสรุปข้อมูลมากเกินไป: ถ้าคุณดูแต่ค่าเฉลี่ย คุณอาจพลาดความจริงที่ว่าข้อมูลของคุณถูกแบ่งออกเป็นสองกลุ่มที่แตกต่างกันอย่างสิ้นเชิง (Bimodal)
• การแบ่งช่วง (Binning) ที่แย่: ในฮิสโตแกรม ถ้าช่วงกว้างเกินไป ข้อมูลก็จะขาดรายละเอียด แต่ถ้าแคบเกินไป กราฟก็จะดูเหมือนแท่งไม้ที่ยุ่งเหยิงไปหมด
• ไม่ใส่ป้ายชื่อ (Labels): ใน CP2 กราฟที่ไม่มีชื่อกราฟและป้ายชื่อแกน คือวิธีที่ง่ายที่สุดในการเสียคะแนนฟรีๆ ครับ

สรุป: ขั้นตอนการทำงาน (Workflow) ใน CP2

1. ทำความสะอาด (Clean): ค้นหาช่องว่างและข้อผิดพลาด
2. คำนวณ (Calculate): หาค่าเฉลี่ย, มัธยฐาน, ส่วนเบี่ยงเบนมาตรฐาน และพิสัย
3. สร้างภาพ (Visualise): สร้างฮิสโตแกรมหรือแผนภูมิกล่องเพื่อดูรูปทรงข้อมูล
4. ตรวจสอบ (Verify): ถามตัวเองว่า "ข้อมูลนี้ดูสมเหตุสมผลสำหรับแบบจำลองคณิตศาสตร์ประกันภัยหรือไม่?"
5. บันทึก (Document): เขียนสิ่งที่พบลงไป ถ้าคุณลบข้อมูลที่แย่ออกไป 10 แถว คุณ ต้อง ระบุเรื่องนั้นไว้ใน Audit trail ของคุณด้วย!

ไม่ต้องกังวลไปนะถ้าดูเหมือนต้องทำอะไรเยอะแยะก่อนจะเริ่ม "สร้างแบบจำลอง" จริงๆ การเข้าใจข้อมูลคือ 50% ของชัยชนะในวิชา CP2 แล้ว เมื่อคุณรู้จักข้อมูลของคุณดีพอ การเขียนสูตรต่างๆ ก็จะกลายเป็นเรื่องที่ง่ายขึ้นเยอะเลย!