भविष्यसूचक विश्लेषण ऐतिहासिक डेटा का उपयोग करके भविष्य के परिणामों का पूर्वानुमान लगाता है। यह इस प्रश्न का उत्तर देता है: क्या होने की संभावना है? एक खुदरा विक्रेता अगली तिमाही में किसी उत्पाद की मांग का अनुमान लगाता है। एक बैंक यह अनुमान लगाता है कि किन ग्राहकों द्वारा ऋण चुकाने में चूक होने की संभावना है। एक अस्पताल यह अनुमान लगाता है कि किन रोगियों को दोबारा भर्ती होने का खतरा है। ये पूर्वानुमान संभाव्यता पर आधारित होते हैं। इनमें विश्वास का स्तर होता है, गारंटी नहीं। एक मॉडल जो 80 प्रतिशत सटीकता के साथ ग्राहक छोड़ने की भविष्यवाणी करता है, वह 20 प्रतिशत बार गलत होगा। इसका महत्व संभावनाओं पर कार्य करने में है, निश्चितता की अपेक्षा करने में नहीं।

इन तकनीकों में सरल रिग्रेशन से लेकर जटिल मशीन लर्निंग तक शामिल हैं। रिग्रेशन मॉडल चरों के बीच संबंध स्थापित करते हैं और संख्यात्मक परिणाम का पूर्वानुमान लगाते हैं। वर्गीकरण मॉडल ग्राहक के कंपनी छोड़ने या न छोड़ने जैसी श्रेणियों का अनुमान लगाते हैं। समय श्रृंखला मॉडल मौसमी बदलावों और रुझानों को ध्यान में रखते हुए समय के साथ मूल्यों का पूर्वानुमान लगाते हैं। न्यूरल नेटवर्क बड़े डेटासेट में जटिल पैटर्न को संभालते हैं। पूर्वानुमान की गुणवत्ता डेटा की गुणवत्ता और विशेषताओं की प्रासंगिकता पर निर्भर करती है। पुराने डेटा पर प्रशिक्षित मॉडल अतीत का पूर्वानुमान लगाता है, भविष्य का नहीं। पक्षपातपूर्ण प्रशिक्षण डेटा वाला मॉडल पक्षपातपूर्ण पूर्वानुमान देता है। एल्गोरिदम के चयन के साथ-साथ विशेषताओं का चयन भी उतना ही महत्वपूर्ण है। सबसे परिष्कृत मॉडल भी अनुपलब्ध या अप्रासंगिक इनपुट की भरपाई नहीं कर सकता। भविष्यसूचक विश्लेषण शक्तिशाली है, लेकिन इसका दुरुपयोग करना भी आसान है। पूर्वानुमान कोई निर्णय नहीं है, बल्कि यह निर्णय लेने के लिए एक इनपुट है।

पूर्वानुमान तकनीकें

• प्रतिगमन — संख्यात्मक मानों का पूर्वानुमान
• वर्गीकरण — श्रेणियों का अनुमान लगाना
• समय श्रृंखला — पूर्वानुमान के रुझान और मौसमी प्रवृत्तियाँ
• तंत्रिका नेटवर्क — जटिल पैटर्न पहचान
• समूह विधियाँ — कई मॉडलों को संयोजित करना

भविष्यवाणी विश्लेषण भविष्य की ओर देखता है। इसका दृष्टिकोण हमेशा अनिश्चित होता है। इसका महत्व संभावित परिणामों के लिए तैयारी करने में है, न कि निश्चित परिणामों को जानने में।