預測分析利用歷史資料預測未來結果。它回答的問題是：可能會發生什麼事？零售商預測下一季的產品需求。銀行預測哪些客戶可能拖欠貸款。醫院預測哪些病人有再次入院的風險。這些預測是機率性的，它們帶有置信度，而非絕對保證。預測客戶流失率準確率達到 80% 的模型，仍會有 20% 的機率出錯。其價值在於根據機率採取行動，而不是追求絕對的確定性。

這些技術涵蓋了從簡單的回歸到複雜的機器學習。迴歸模型用於發現變數之間的關係並預測數值結果。分類模型用於預測類別，例如客戶流失或未流失。時間序列模型用於預測一段時間內的數值，並考慮季節性和趨勢。神經網路用於處理大型資料集中的複雜模式。預測的品質取決於資料的品質和特徵的相關性。使用過時資料訓練的模型預測的是過去，而不是未來。使用偏差的訓練資料訓練的模型會產生偏差的預測。特徵選擇與演算法選擇同等重要。即使是最先進的模型也無法彌補缺失或不相關的輸入。預測分析功能強大，但也容易被濫用。預測本身不是決策，而是決策的輸入。

預測技術

• 迴歸分析－預測數值
• 分類－預測類別
• 時間序列－預測趨勢和季節性
• 神經網路—複雜模式識別
• 整合方法－結合多個模型

預測分析著眼於未來。前景總是充滿不確定性。它的價值在於為可能發生的情況做好準備，而不是知道哪些事情是確定的。