Prædiktiv analyse forudsiger fremtidige resultater ved hjælp af historiske data. Den besvarer spørgsmålet: hvad vil der sandsynligvis ske? En detailhandler forudsiger efterspørgslen efter et produkt næste kvartal. En bank forudsiger, hvilke kunder der sandsynligvis vil misligholde et lån. Et hospital forudsiger, hvilke patienter der er i risiko for genindlæggelse. Forudsigelserne er probabilistiske. De kommer med konfidensniveauer, ikke garantier. En model, der forudsiger churn med 80 procents nøjagtighed, vil være forkert i 20 procent af tilfældene. Værdien ligger i at handle på sandsynlighederne, ikke i at forvente sikkerhed.

Teknikkerne spænder fra simpel regression til kompleks maskinlæring. Regressionsmodeller finder sammenhænge mellem variabler og forudsiger et numerisk udfald. Klassifikationsmodeller forudsiger kategorier, som churn eller ingen churn. Tidsseriemodeller forudsiger værdier over tid, idet de tager højde for sæsonudsving og tendenser. Neurale netværk håndterer komplekse mønstre i store datasæt. Kvaliteten af ​​forudsigelsen afhænger af dataenes kvalitet og relevansen af ​​funktionerne. En model trænet på forældede data forudsiger fortiden, ikke fremtiden. En model med forudindtagede træningsdata producerer forudindtagede forudsigelser. Valg af funktioner er lige så vigtigt som valg af algoritme. Den mest sofistikerede model kan ikke kompensere for manglende eller irrelevante input. Prædiktiv analyse er kraftfuld. Den er også let at misbruge. En forudsigelse er ikke en beslutning. Det er et input til en beslutning.

Prædiktive teknikker

• Regression — forudsig numeriske værdier
• Klassificering — forudsig kategorier
• Tidsserier — prognosetrends og sæsonudsving
• Neurale netværk — kompleks mønstergenkendelse
• Ensemblemetoder — kombiner flere modeller

Prædiktiv analyse ser fremad. Udsigten er altid usikker. Værdien ligger i at forberede sig på det, der er sandsynligt, ikke i at vide, hvad der er sikkert.