Prediktivní analytika předpovídá budoucí výsledky s využitím historických dat. Odpovídá na otázku: co se pravděpodobně stane? Prodejce předpovídá poptávku po produktu v příštím čtvrtletí. Banka předpovídá, kteří zákazníci pravděpodobně nesplatí úvěr. Nemocnice předpovídá, kteří pacienti jsou ohroženi opětovnou hospitalizací. Předpovědi jsou pravděpodobnostní. Jsou dodávány s určitou mírou spolehlivosti, nikoli se zárukami. Model, který předpovídá odchod zákazníků s 80% přesností, se mýlí ve 20 procentech případů. Hodnota spočívá v jednání na základě pravděpodobností, nikoli v očekávání jistoty.

Techniky sahají od jednoduché regrese až po komplexní strojové učení. Regresní modely nacházejí vztahy mezi proměnnými a předpovídají číselný výsledek. Klasifikační modely předpovídají kategorie, jako je odchod zákazníků nebo jejich absence. Modely časových řad předpovídají hodnoty v čase s ohledem na sezónnost a trendy. Neuronové sítě zpracovávají složité vzory ve velkých datových sadách. Kvalita predikce závisí na kvalitě dat a relevanci atributů. Model trénovaný na zastaralých datech předpovídá minulost, nikoli budoucnost. Model se zkreslenými trénovacími daty produkuje zkreslené predikce. Výběr atributů je stejně důležitý jako volba algoritmu. Ani nejsofistikovanější model nedokáže kompenzovat chybějící nebo irelevantní vstupy. Prediktivní analytika je výkonná. Je také snadno zneužitelná. Predikce není rozhodnutí. Je to vstup pro rozhodnutí.

Prediktivní techniky

• Regrese – předpovědi číselných hodnot
• Klasifikace – predikce kategorií
• Časové řady – prognózované trendy a sezónnost
• Neuronové sítě – rozpoznávání komplexních vzorů
• Metody ansámblu – kombinování více modelů

Prediktivní analytika se dívá dopředu. Pohled je vždy nejistý. Hodnota spočívá v přípravě na to, co je pravděpodobné, ne ve znalosti toho, co je jisté.