Tahmine dayalı analiz, geçmiş verileri kullanarak gelecekteki sonuçları öngörür. Şu soruyu yanıtlar: Ne olması muhtemel? Bir perakendeci, bir sonraki çeyrekte bir ürüne olan talebi tahmin eder. Bir banka, hangi müşterilerin kredilerini ödememe olasılığının yüksek olduğunu tahmin eder. Bir hastane, hangi hastaların tekrar hastaneye yatırılma riski altında olduğunu tahmin eder. Tahminler olasılıksaldır. Güven aralıklarıyla birlikte gelirler, garanti vermezler. Müşteri kaybını %80 doğrulukla tahmin eden bir model, %20 oranında yanlış olacaktır. Değer, kesinlik beklemekte değil, olasılıklara göre hareket etmekte yatar.

Teknikler, basit regresyondan karmaşık makine öğrenimine kadar çeşitlilik gösterir. Regresyon modelleri, değişkenler arasındaki ilişkileri bulur ve sayısal bir sonuç tahmin eder. Sınıflandırma modelleri, müşteri kaybı veya müşteri kaybı olmaması gibi kategorileri tahmin eder. Zaman serisi modelleri, mevsimsellik ve trendleri hesaba katarak zaman içindeki değerleri tahmin eder. Sinir ağları, büyük veri kümelerindeki karmaşık kalıpları ele alır. Tahminin kalitesi, verilerin kalitesine ve özelliklerin alaka düzeyine bağlıdır. Eski verilerle eğitilmiş bir model, geleceği değil, geçmişi tahmin eder. Önyargılı eğitim verilerine sahip bir model, önyargılı tahminler üretir. Özellik seçimi, algoritma seçimi kadar önemlidir. En gelişmiş model bile eksik veya alakasız girdileri telafi edemez. Tahmin analizi güçlüdür. Ancak kötüye kullanımı da kolaydır. Bir tahmin bir karar değildir; bir karara girdi oluşturur.

Tahmin teknikleri

• Regresyon — sayısal değerlerin tahmini
• Sınıflandırma — kategorileri tahmin etme
• Zaman serileri — trendleri ve mevsimselliği tahmin etme
• Sinir ağları — karmaşık desen tanıma
• Topluluk yöntemleri — birden fazla modeli birleştirme

Tahmine dayalı analiz geleceğe bakar. Bakış açısı her zaman belirsizdir. Değer, kesin olanı bilmekte değil, muhtemel olana hazırlanmakta yatar.