ยินดีต้อนรับสู่พื้นฐานของการวิเคราะห์เชิงทำนาย (Predictive Analytics)!
สวัสดีครับ! ก่อนที่คุณจะเริ่มเขียนโค้ดหรือสร้างโมเดลที่ซับซ้อนสำหรับข้อสอบ Exam PA คุณจำเป็นต้องเข้าใจก่อนว่าปัญหาที่คุณกำลังพยายามจะแก้คืออะไร ให้คิดว่าบทนี้คือ "ขั้นตอนการร่างพิมพ์เขียว" เหมือนกับสถาปนิกที่ไม่เริ่มสร้างบ้านโดยไม่มีแบบแปลน นักคณิตศาสตร์ประกันภัยก็ไม่ควรเริ่มสร้างโมเดลโดยไม่ได้นิยามคุณลักษณะของปัญหานั้นๆ เสียก่อนครับ
ในส่วนนี้ เราจะมาเรียนรู้วิธีระบุลักษณะของข้อมูล เป้าหมายของโมเดล และข้อจำกัดที่เราต้องเผชิญ ไม่ต้องกังวลนะถ้าศัพท์บางคำจะดูใหม่สำหรับคุณ เราจะค่อยๆ เจาะลึกไปทีละส่วนครับ!
1. หัวใจสำคัญของปัญหา: การเรียนรู้แบบมีผู้สอน (Supervised) vs. แบบไม่มีผู้สอน (Unsupervised)
สิ่งแรกที่คุณต้องถามตัวเองคือ: "ฉันมีเป้าหมายที่ต้องการทำนายอย่างชัดเจนหรือไม่?"
การเรียนรู้แบบมีผู้สอน (Supervised Learning)
ในการเรียนรู้แบบ Supervised Learning เราจะมี "ครู" (ตัวแปรเป้าหมาย หรือ Target Variable) คอยบอกคำตอบ เราจะป้อนข้อมูลอินพุต (ฟีเจอร์) พร้อมกับผลลัพธ์ที่ทราบค่าแล้ว (Label) ให้กับโมเดล จากนั้นโมเดลจะเรียนรู้ความสัมพันธ์ระหว่างข้อมูลเหล่านี้ เพื่อที่ว่าในอนาคตมันจะสามารถทำนายผลลัพธ์ของข้อมูลใหม่ๆ ที่ไม่เคยเห็นมาก่อนได้
เปรียบเทียบ: ลองจินตนาการว่ากำลังสอนเด็กให้รู้จักผลไม้ คุณยื่นแอปเปิลให้แล้วบอกว่า "นี่คือแอปเปิล" ยื่นส้มให้แล้วบอกว่า "นี่คือส้ม" นี่คือการเรียนรู้แบบ Supervised เพราะคุณได้มอบ คำตอบ (Labels) ให้กับเด็กนั่นเองครับ
การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)
ในการเรียนรู้แบบ Unsupervised Learning เราจะไม่มีตัวแปรเป้าหมาย เราทำได้เพียงมองหารูปแบบหรือการจัดกลุ่ม (Clusters) ที่ซ่อนอยู่ในข้อมูลนั้นๆ
เปรียบเทียบ: คุณให้ถังใส่บล็อกไม้คละแบบกับเด็กคนหนึ่ง แล้วบอกเขาว่า "เอาอันที่หน้าตาเหมือนๆ กันมาไว้ด้วยกันนะ" เด็กอาจจะแยกกลุ่มตามสีหรือรูปทรงโดยที่คุณไม่ต้องบอกเลยว่าแต่ละกลุ่มเรียกว่าอะไร
ทบทวนสั้นๆ: โจทย์ส่วนใหญ่ในข้อสอบ Exam PA มักจะเป็นโจทย์แบบ Supervised Learning เพราะในฐานะนักคณิตศาสตร์ประกันภัย เรามักต้องการทำนายสิ่งที่เฉพาะเจาะจง เช่น ค่าสินไหมทดแทน หรืออัตราการขาดอายุของกรมธรรม์ครับ
2. การถดถอย (Regression) vs. การจำแนกประเภท (Classification) (ตัวแปรเป้าหมาย)
เมื่อเรารู้แล้วว่าเรากำลังทำ Supervised Learning เราต้องระบุให้ได้ว่า ชนิด ของตัวแปรเป้าหมายที่เราจัดการอยู่นั้นคืออะไร นี่คือหนึ่งในขั้นตอนที่สำคัญที่สุดในข้อสอบ Exam PA เลยครับ!
การถดถอย (Regression - ตัวแปรเป้าหมายแบบต่อเนื่อง)
เราใช้ Regression เมื่อตัวแปรเป้าหมายเป็น ตัวเลขและมีความต่อเนื่อง (Numeric and Continuous) หากสิ่งนั้นวัดค่าได้และมีลำดับความหมายชัดเจน (เช่น เงิน หรือ เวลา) ส่วนใหญ่มักจะเป็นปัญหา Regression ครับ
ตัวอย่าง:
- การทำนาย จำนวนเงิน ของค่าสินไหมประกันภัย
- การประมาณ ระยะเวลา ที่ใช้ในการเคลียร์คดีความ
- การคำนวณ อัตราส่วนความเสียหาย (Loss Ratio) ของพอร์ตธุรกิจ
การจำแนกประเภท (Classification - ตัวแปรเป้าหมายเชิงกลุ่ม)
เราใช้ Classification เมื่อตัวแปรเป้าหมายอยู่ใน กลุ่มที่แยกจากกันชัดเจน (Discrete Category) หรือ "คลาส"
ตัวอย่าง:
- ลูกค้าจะ ต่ออายุ (Renew) หรือ ขาดอายุ (Lapse)? (Binary Classification: ใช่/ไม่ใช่)
- การเคลมนี้เป็น การฉ้อโกง (Fraudulent) หรือ ถูกต้องตามกฎหมาย (Legitimate)?
- ผู้ขับขี่จัดอยู่ใน "ระดับความเสี่ยง" ใด: ต่ำ, กลาง หรือ สูง? (Multi-class Classification)
รู้หรือไม่? บางครั้งเส้นแบ่งก็อาจจะไม่ชัดเจน ตัวอย่างเช่น คุณอาจจะมอง "อายุ" เป็นตัวเลขต่อเนื่อง (Regression) หรือจะจัดกลุ่มเป็น "ช่วงอายุ" เช่น 18-25, 26-40 ปี ก็ได้ (Classification) ซึ่งการตัดสินใจเลือกขึ้นอยู่กับเป้าหมายทางธุรกิจของคุณครับ!
3. การทำนาย (Prediction) vs. การแปลผล (Interpretation): การแลกเปลี่ยนที่สำคัญ
เมื่อกำหนดปัญหาการทำนาย คุณต้องตัดสินใจว่าสิ่งไหนสำคัญกว่ากัน: ความแม่นยำ (Accuracy) หรือ ความเข้าใจ (Understanding)
เป้าหมายด้านการทำนาย (กล่องดำ หรือ "Black Box")
บางครั้งเราต้องการเพียงผลการทำนายที่แม่นยำที่สุดเท่านั้น หากโมเดลทำนายค่าสินไหมได้แม่นยำมากแต่เราไม่รู้ว่า ทำไม มันถึงเลือกแบบนั้น ในระบบอัตโนมัติบางอย่างก็อาจจะเป็นที่ยอมรับได้ครับ
เป้าหมายด้านการแปลผล (กล่องใส หรือ "Clear Box")
ในฐานะนักคณิตศาสตร์ประกันภัย เรามักจำเป็นต้อง อธิบาย ผลลัพธ์ให้ผู้มีส่วนได้ส่วนเสียหรือหน่วยงานกำกับดูแลฟัง เราต้องทราบว่าฟีเจอร์ใด (เช่น อายุ หรือ สถานที่) ส่งผลต่อการทำนายและส่งผลมากน้อยเพียงใด โมเดลที่เรียบง่ายอย่าง Generalized Linear Models (GLMs) จะเหมาะมากสำหรับการอธิบาย ในขณะที่โมเดลซับซ้อนอย่าง Random Forests มักจะทำนายได้แม่นยำกว่าแต่ก็อธิบายได้ยากกว่าครับ
ข้อควรจำ: ในข้อสอบ Exam PA คุณมักจะถูกถามให้สมดุลทั้งสองเรื่องนี้เสมอ จงพิจารณาเสมอว่าหน่วยงานกำกับดูแลจะยอมรับโมเดลที่คุณอธิบายที่มาที่ไปไม่ได้หรือไม่!
4. โครงสร้างข้อมูล: แบบมีโครงสร้าง (Structured) vs. แบบไม่มีโครงสร้าง (Unstructured)
ก่อนจะสร้างโมเดล คุณต้องเข้าใจ "รูปร่าง" ของข้อมูลเสียก่อน
ข้อมูลแบบมีโครงสร้าง (Structured Data)
นี่คือรูปแบบข้อมูลแบบ "คลาสสิก" ให้ลองนึกถึงตารางสเปรดชีตที่มีแถวและคอลัมน์ แต่ละแถวคือ การสังเกตการณ์ (Observation) (เช่น ผู้ถือกรมธรรม์ 1 ราย) และแต่ละคอลัมน์คือ ฟีเจอร์ (Feature) (เช่น อายุของรถยนต์)
ข้อมูลแบบไม่มีโครงสร้าง (Unstructured Data)
ข้อมูลประเภทนี้รวมถึงข้อความจากบันทึกการเคลม, รูปภาพอุบัติเหตุรถยนต์ หรือบันทึกเสียงจากศูนย์บริการลูกค้า แม้จะมีประโยชน์มาก แต่โดยปกติแล้วข้อมูลที่ไม่มีโครงสร้างจะต้องถูกแปลงให้อยู่ในรูปแบบที่โครงสร้างชัดเจนก่อน โมเดลส่วนใหญ่ถึงจะนำไปใช้งานได้ครับ
เทคนิคการจำ: จำคำว่า "ROC" สำหรับ Structured Data: Rows (แถว), Observations (การสังเกตการณ์), Columns (คอลัมน์)
5. ข้อควรพิจารณาด้านจริยธรรมและความเป็นส่วนตัวของข้อมูล
นี่คือหัวข้อสำคัญในหลักสูตรของ SOA ครับ ข้อมูลบางอย่างถึงแม้จะช่วยให้โมเดลแม่นยำขึ้น แต่ก็ไม่ "ยุติธรรม" ที่จะนำมาใช้
เมื่อกำหนดปัญหา คุณต้องคัดกรอง คุณลักษณะที่ได้รับการคุ้มครอง (Protected Characteristics) ซึ่งเป็นตัวแปรที่ไม่ควรนำมาใช้ตัดสินใจเนื่องจากเหตุผลทางกฎหมายหรือจริยธรรม เช่น:
- เชื้อชาติหรือชาติพันธุ์
- ศาสนา
- สถานะทางสุขภาพ (ในประกันบางประเภท)
- เพศ (ขึ้นอยู่กับเขตอำนาจศาลและประเภทผลิตภัณฑ์)
ข้อผิดพลาดที่พบบ่อย: การใช้ "ตัวแปรแทน (Proxy Variable)" แม้ว่าคุณจะตัด "เชื้อชาติ" ออกไปแล้ว แต่ถ้าคุณใช้ "รหัสไปรษณีย์" แล้วรหัสไปรษณีย์นั้นมีความสัมพันธ์อย่างสูงกับเชื้อชาติใดเชื้อชาติหนึ่ง โมเดลของคุณก็อาจจะยังมีความลำเอียงอยู่ดี สิ่งนี้เรียกว่า การเลือกปฏิบัติโดยอ้อม (Indirect Discrimination) ครับ
สรุปรายการตรวจสอบสำหรับการกำหนดปัญหา
ก่อนจะไปยังบทถัดไป ตรวจสอบให้มั่นใจว่าคุณตอบคำถามเหล่านี้ได้ในทุกสถานการณ์:
1. มีตัวแปรเป้าหมายหรือไม่? (Supervised vs. Unsupervised)
2. ตัวแปรเป้าหมายเป็นชนิดใด? (Regression/Continuous vs. Classification/Categorical)
3. ลำดับความสำคัญคืออะไร? (ความแม่นยำ vs. ความสามารถในการแปลผล)
4. มีข้อกังวลด้านจริยธรรมหรือไม่? (ความลำเอียงที่ซ่อนอยู่ หรือกลุ่มที่ได้รับความคุ้มครอง)
กรอบทบทวนสั้นๆ:
- Regression: ทำนายเป็นตัวเลข (เช่น \( \hat{y} = \$1,250 \))
- Classification: ทำนายเป็นป้ายกำกับ (เช่น \( \text{Result} = \text{'Lapse'} \))
- Supervised: เรามีผลลัพธ์ที่ทราบค่าแล้วเพื่อใช้เรียนรู้
- Unsupervised: เรากำลังมองหาโครงสร้างที่ซ่อนอยู่
ไม่ต้องกังวลนะครับถ้าตอนนี้เนื้อหาจะดูเป็นทฤษฎีมากไปหน่อย! ในบทถัดๆ ไป เราจะเริ่มดูข้อมูลจริงๆ และวิธีเตรียมข้อมูลให้พร้อมสำหรับโมเดลกัน คุณทำได้ดีมากแล้วครับ!