原書 Analysis Case 1.1 以五組商業問題示範：同樣是使用資料做決策，不同問題需要不同的分析方法。本案例比較分類（Classification）、迴歸（Regression）、異常偵測（Outlier Detection）、**預測（Forecasting）與分群（Clustering）**五種任務，並與較基礎的描述性分析區分。
企業可能同時面對下列問題：判斷某個人屬於哪一類、預測一個數值、找出可疑交易、預測未來銷售，或從顧客行為中找出自然群組。原書用五個子情境說明：問題型態不同，分析方法也必須不同。
| 子案例 | 分析任務 | 主要方法 | 原書商業問題 |
|---|---|---|---|
| A | 分類 | 決策樹（Decision Tree）、類神經網路（Neural Network）、隨機森林（Random Forest）、貝氏網路（Bayesian Network）、歸納規則、K 最近鄰（K-Nearest Neighbors） | 哪些選民可能屬於哪些政黨？ |
| B | 迴歸 | 線性迴歸（Linear Regression）、邏輯斯迴歸（Logistic Regression） | 明年失業率是多少？某項保險商品的保費應是多少？ |
| C | 異常偵測 | 距離法、密度法、局部異常因子（Local Outlier Factor） | 上個月哪些信用卡交易可能是詐欺？ |
| D | 預測 | 指數平滑法（Exponential Smoothing）、自我迴歸整合移動平均模型（Autoregressive Integrated Moving Average, ARIMA）、迴歸 | 下月、下季或明年的銷售會是多少？下季產量可能是多少？ |
| E | 分群 | K 平均分群（K-Means）、密度式分群、隨機森林分群 | 如何依交易、網站活動與客服資料，把顧客分成自然形成的群組？ |
先辨識問題的輸出型態，再選方法：
Excel 適合描述性彙總、樞紐分析、部分迴歸與預測；R／Jamovi 適合較完整的統計分析；AI 可以協助把商業需求改寫成清楚的分析問題、解釋方法差異與整理結果，但不能取代實際模型計算。