Prediktiv analyse forutsier fremtidige utfall ved hjelp av historiske data. Den svarer på spørsmålet: hva vil sannsynligvis skje? En forhandler forutsier etterspørselen etter et produkt neste kvartal. En bank forutsier hvilke kunder som sannsynligvis vil misligholde et lån. Et sykehus forutsier hvilke pasienter som er i faresonen for reinnleggelse. Forutsigelsene er sannsynlighetsbaserte. De kommer med konfidensnivåer, ikke garantier. En modell som forutsier kundefrafall med 80 prosent nøyaktighet vil ta feil 20 prosent av tiden. Verdien ligger i å handle på sannsynlighetene, ikke i å forvente sikkerhet.

Teknikkene spenner fra enkel regresjon til kompleks maskinlæring. Regresjonsmodeller finner sammenhenger mellom variabler og forutsier et numerisk utfall. Klassifiseringsmodeller forutsier kategorier, som churn eller ingen churn. Tidsseriemodeller forutsier verdier over tid, og tar hensyn til sesongvariasjoner og trender. Nevrale nettverk håndterer komplekse mønstre i store datasett. Kvaliteten på prediksjonen avhenger av datakvaliteten og relevansen av funksjonene. En modell trent på utdaterte data forutsier fortiden, ikke fremtiden. En modell med partiske treningsdata produserer partiske prediksjoner. Valg av funksjoner er like viktig som valg av algoritme. Den mest sofistikerte modellen kan ikke kompensere for manglende eller irrelevante input. Prediktiv analyse er kraftig. Den er også lett å misbruke. En prediksjon er ikke en beslutning. Det er et input til en beslutning.

Prediktive teknikker

• Regresjon – prognostiser numeriske verdier
• Klassifisering – forutsi kategorier
• Tidsserier – prognosetrender og sesongvariasjoner
• Nevrale nettverk – kompleks mønstergjenkjenning
• Ensemblemetoder – kombiner flere modeller

Prediktiv analyse ser fremover. Utsikten er alltid usikker. Verdien ligger i å forberede seg på det som er sannsynlig, ikke i å vite hva som er sikkert.