Analityka predykcyjna prognozuje przyszłe wyniki na podstawie danych historycznych. Odpowiada na pytanie: co prawdopodobnie się wydarzy? Sprzedawca detaliczny prognozuje popyt na produkt w przyszłym kwartale. Bank przewiduje, którzy klienci najprawdopodobniej nie spłacą kredytu. Szpital przewiduje, którzy pacjenci są narażeni na ryzyko ponownej hospitalizacji. Prognozy są probabilistyczne. Oparte są na poziomach ufności, a nie gwarancjach. Model, który przewiduje odejścia z 80-procentową dokładnością, będzie błędny w 20 procentach przypadków. Wartość tkwi w działaniu na podstawie prawdopodobieństwa, a nie w oczekiwaniu pewności.

Techniki te obejmują zarówno prostą regresję, jak i złożone uczenie maszynowe. Modele regresji znajdują zależności między zmiennymi i prognozują wynik numeryczny. Modele klasyfikacji przewidują kategorie, takie jak churn lub no churn. Modele szeregów czasowych prognozują wartości w czasie, uwzględniając sezonowość i trendy. Sieci neuronowe przetwarzają złożone wzorce w dużych zbiorach danych. Jakość prognozy zależy od jakości danych i trafności cech. Model trenowany na nieaktualnych danych przewiduje przeszłość, a nie przyszłość. Model z obciążonymi danymi treningowymi generuje obciążone prognozy. Wybór cech jest równie ważny, jak wybór algorytmu. Najbardziej zaawansowany model nie jest w stanie zrekompensować brakujących lub nieistotnych danych wejściowych. Analityka predykcyjna jest potężna. Łatwo ją również nadużyć. Prognoza to nie decyzja. To dane wejściowe do decyzji.

Techniki predykcyjne

• Regresja — prognozowanie wartości liczbowych
• Klasyfikacja — przewiduj kategorie
• Szeregi czasowe — trendy prognoz i sezonowość
• Sieci neuronowe — złożone rozpoznawanie wzorców
• Metody zespołowe — łączenie wielu modeli

Analityka predykcyjna patrzy w przyszłość. Perspektywa jest zawsze niepewna. Wartość tkwi w przygotowaniu się na to, co prawdopodobne, a nie w wiedzy o tym, co pewne.