تستخدم التحليلات التنبؤية البيانات التاريخية للتنبؤ بالنتائج المستقبلية، وتجيب على السؤال: ما الذي يُحتمل حدوثه؟ يتوقع بائع التجزئة الطلب على منتج ما في الربع القادم، ويتوقع البنك العملاء الأكثر عرضة للتخلف عن سداد القروض، ويتوقع المستشفى المرضى المعرضين لخطر إعادة التنويم. هذه التنبؤات احتمالية، وتأتي بمستويات ثقة، وليست ضمانات. فنموذج يتنبأ بمعدل التخلي عن الخدمة بدقة 80% سيخطئ بنسبة 20% من الوقت. تكمن القيمة في العمل بناءً على الاحتمالات، لا في توقع اليقين.

تتراوح التقنيات من الانحدار البسيط إلى التعلم الآلي المعقد. تجد نماذج الانحدار العلاقات بين المتغيرات وتتنبأ بنتيجة رقمية. تتنبأ نماذج التصنيف بالفئات، مثل احتمالية التخلي عن الخدمة أو عدم التخلي عنها. تتنبأ نماذج السلاسل الزمنية بالقيم بمرور الوقت، مع مراعاة الموسمية والاتجاهات. تتعامل الشبكات العصبية مع الأنماط المعقدة في مجموعات البيانات الكبيرة. تعتمد جودة التنبؤ على جودة البيانات ومدى ملاءمة السمات. النموذج المدرب على بيانات قديمة يتنبأ بالماضي، وليس بالمستقبل. النموذج الذي يستخدم بيانات تدريب متحيزة ينتج تنبؤات متحيزة. اختيار السمات لا يقل أهمية عن اختيار الخوارزمية. لا يمكن لأكثر النماذج تطورًا التعويض عن المدخلات المفقودة أو غير ذات الصلة. التحليلات التنبؤية قوية، ولكن من السهل إساءة استخدامها. التنبؤ ليس قرارًا، بل هو مدخل لاتخاذ قرار.

تقنيات التنبؤ

• الانحدار - التنبؤ بالقيم العددية
• التصنيف — التنبؤ بالفئات
• السلاسل الزمنية - اتجاهات التنبؤ والموسمية
• الشبكات العصبية — التعرف على الأنماط المعقدة
• أساليب التجميع - دمج نماذج متعددة

التحليلات التنبؤية تنظر إلى المستقبل. الرؤية دائماً غير مؤكدة. تكمن القيمة في الاستعداد لما هو محتمل، لا في معرفة ما هو مؤكد.