歡迎踏上預測分析（Predictive Analytics）的學習之旅！

你好！如果你正在準備 Exam PA，那麼恭喜你，你已經走在掌握精算科學中最令人振奮的領域之一的道路上了。在本章中，我們將探討分析的三大支柱：描述性分析（Descriptive）、預測性分析（Predictive）以及規範性分析（Prescriptive）。

你可以把這三者想像成你專案的「地圖」。在開始建立複雜模型或編寫 R 程式碼之前，你必須先弄清楚你試圖回答的是哪類問題：你是想審視過去、推測未來，還是要制定決策方案？讓我們開始吧！

1. 描述性分析：「發生了什麼事？」

描述性分析是最基礎的分析形式。它透過檢視歷史數據來總結已經發生的事實。在精算領域，當我們檢視去年的索賠情況或當前的投保人人口統計資料時，我們就是在進行描述性分析。

目標：清楚呈現過去的情況，並識別已經形成的規律或趨勢。

常用工具：
- 總結統計量：計算平均數 \( \bar{x} \)、中位數及標準差 \( \sigma \)。
- 數據可視化：利用直方圖、長條圖和散點圖來「看見」數據。
- 報告：建立儀表板來顯示上個月銷售了多少份保單。

現實生活中的類比：想像你在月底查看銀行對帳單。你正在查看錢花在哪裡、哪些類別消費最多，以及最終結餘是多少。你並沒有改變任何事情，你只是在觀察事實。

快速回顧：描述性分析

關鍵問題：發生了什麼事？
重點：事後審視與歷史數據。
例子：「去年我們的平均索賠成本是 5,000 美元。」

如果這看起來很簡單，別擔心！每一個強大的預測模型都始於扎實的描述性基礎。你必須先了解過去，才能預測未來。

2. 預測性分析：「可能會發生什麼事？」

這是 Exam PA 的核心！預測性分析利用歷史數據和統計建模來識別未來結果的可能性。我們無法 100% 確定會發生什麼，但我們利用數學工具做出最理性的推測。

目標：找出變數之間的關係，並利用它們來預測未來的事件或行為。

常用工具：
- 廣義線性模型 (GLMs)：預測如索賠頻率等目標變數。
- 決策樹 (Decision Trees)：根據投保人的風險因子進行分組。
- 時間序列 (Time Series)：根據過去的趨勢預測未來數值。

現實生活中的類比：想想天氣預報。氣象學家查看目前的氣壓、溫度和風向，從而說：「明天有 80% 的機率會下雨。」他們無法確定一定會下雨，但數據顯示可能性很高。

你知道嗎？預測性分析不僅僅是針對時間上的「未來」進行預測，它也可以預測「未知」的數值。例如，預測現有客戶下個月是否會續保，這也屬於預測性任務。

快速回顧：預測性分析

關鍵問題：可能會發生什麼？
重點：洞察與預測。
例子：「根據該客戶的駕駛記錄，明年他提出索賠的機率為 15%。」

3. 規範性分析：「我們應該怎麼做？」

規範性分析是「最後的疆界」。它不僅僅是預測未來，更進一步建議採取具體的行動方案以達成目標。它回答的問題是：「我們該如何創造出最好的結果？」

目標：透過考慮多種可能的未來情境並推薦最佳路徑，來優化決策過程。

常用工具：
- 優化 (Optimization)：找到「最佳」定價以實現利潤最大化，同時避免流失過多客戶。
- 模擬 (Simulation)：進行成千上萬次「如果……會怎樣？」的場景分析，找出在壓力下表現最好的策略。
- 決策規則 (Decision Rules)：自動化系統，例如：「如果預測風險 > X，則執行 Y。」

現實生活中的類比：想想 GPS（如 Google Maps）。描述性是告訴你現在在哪裡；預測性是說「前方有交通擁堵，預計 40 分鐘後到達」；規範性則是說「請在下個路口右轉以節省 10 分鐘」。它為你提供達成目標的建議。

快速回顧：規範性分析

關鍵問題：我們應該怎麼做？
重點：優化與策略。
例子：「為了將總利潤最大化，我們應該將高風險駕駛的保費提高 10%，並對低風險駕駛提供 5% 的折扣。」

總結：分析的光譜

將這三種分析視為一個遞進過程會很有幫助。當你從描述性轉向規範性時，複雜度會增加，但為企業創造的價值也會隨之提升。

1. 描述性：低複雜度，低價值（事後回顧）。
2. 預測性：中複雜度，中價值（洞察力）。
3. 規範性：高複雜度，高價值（預見力/優化）。

記憶小撇步：三個 P 的助記法
- Descriptive (描述性) = Data (數據：我們擁有什麼？)
- Predictive (預測性) = Probability (機率：可能會發生什麼？)
- Prescriptive (規範性) = Plan (計劃：我們該怎麼做？)

常見錯誤提示

1. 混淆預測與規範：考試中常見的錯誤是僅停留在「預測」階段。如果商業問題詢問如何「減少」成本，單單預測誰會有高成本（預測性）是不夠的。你必須提出行動建議（規範性），例如實施健康計劃或調整價格。

2. 忽略描述性分析：學生通常急於跳進複雜的模型中。然而，若沒有描述性分析，你可能會忽略數據中的錯誤，或無法發現你的「目標」變數存在偏態（skewed）。

Exam PA 的關鍵重點

在考試中，務必仔細閱讀商業問題 (Business Problem)。
- 如果他們想知道規律，請使用描述性工具。
- 如果他們想估計未來數值，請使用預測性工具。
- 如果他們想做出決策或優化結果，請使用規範性邏輯。

你一定沒問題的！理解這些定義是正確定義問題的第一步，這在正式考試中非常重要。繼續努力前進吧！