Analiza predictivă prognozează rezultatele viitoare folosind date istorice. Aceasta răspunde la întrebarea: ce este probabil să se întâmple? Un comerciant cu amănuntul prezice cererea pentru un produs în trimestrul următor. O bancă prezice care clienți sunt susceptibili să nu își achite un împrumut. Un spital prezice care pacienți sunt expuși riscului de readmitere. Predicțiile sunt probabilistice. Acestea vin cu niveluri de încredere, nu cu garanții. Un model care prezice rata de abandon cu o precizie de 80% va fi greșit în 20% din cazuri. Valoarea constă în a acționa pe baza probabilităților, nu în a aștepta certitudine.

Tehnicile variază de la regresia simplă la învățarea automată complexă. Modelele de regresie găsesc relații între variabile și prognozează un rezultat numeric. Modelele de clasificare prezic categorii, cum ar fi rata de abandon sau lipsa abandonului. Modelele de serii temporale prognozează valori în timp, ținând cont de sezonalitate și tendințe. Rețelele neuronale gestionează modele complexe în seturi de date mari. Calitatea predicției depinde de calitatea datelor și de relevanța caracteristicilor. Un model antrenat pe date învechite prezice trecutul, nu viitorul. Un model cu date de antrenament părtinitoare produce predicții părtinitoare. Selecția caracteristicilor contează la fel de mult ca alegerea algoritmului. Cel mai sofisticat model nu poate compensa intrările lipsă sau irelevante. Analiza predictivă este puternică. De asemenea, este ușor de utilizat greșit. O predicție nu este o decizie. Este o intrare pentru o decizie.

Tehnici predictive

• Regresie — valori numerice prognozate
• Clasificare — preziceți categorii
• Serii temporale — tendințe prognozate și sezonalitate
• Rețele neuronale — recunoașterea complexă a tiparelor
• Metode de ansamblu — combinarea mai multor modele

Analiza predictivă privește spre viitor. Perspectiva este întotdeauna incertă. Valoarea constă în pregătirea pentru ceea ce este probabil, nu în cunoașterea a ceea ce este sigur.