Prædiktiv analyse anvender statistiske modeller, maskinlæring og datamining til at besvare: "Hvad vil sandsynligvis ske?" Ved at finde mønstre i historiske data kan prædiktive modeller estimere fremtidige udfald med kvantificerbar sikkerhed.
Tidsserieforecasting er en af de mest udbredte prædiktive teknikker. ARIMA-modeller (AutoRegressive Integrated Moving Average) fanger trends og sæsonalitet i tidsserier og ekstrapolerer dem fremad. Facebook Prophet er et populært open source-alternativ der håndterer helligdage, sæsonvariationer og trendskift automatisk.
Regressionsmodeller forudsiger en numerisk målvariabel baseret på en eller flere forklarende variable. Lineær regression er den simpleste form, mens polynomial regression, ridge regression og LASSO håndterer mere komplekse relationer og forebygger overfitting. Gradient boosting-metoder som XGBoost og LightGBM er ofte state-of-the-art for tabeldata.
Klassifikationsmodeller forudsiger kategoriske udfald. Logistisk regression, decision trees, random forests og neurale netværk kan alle bruges til at klassificere kunder som "sandsynlig til at churne" eller "sandsynlig til at købe." ROC-kurver og confusion matrices evaluerer modellernes præcision.
Churn prediction (forudsigelse af kundeafgang) er et klassisk use case. Ved at analysere kunders adfærdsmønstre, transaktionshistorik og interaktioner med kundeservice kan modeller identificere kunder med høj afgangsrisiko, inden de faktisk forlader virksomheden.
Demand forecasting forudsiger fremtidig efterspørgsel for at optimere lagerstyring, bemanding og kapacitetsplanlægning. Detailkæder bruger prædiktive modeller til at bestemme, hvor mange enheder af hvert produkt der skal bestilles til hver butik.
I Danmark bruger banker prædiktive modeller til kreditscoring, forsikringsselskaber til risikovurdering, og energiselskaber til at forudsige elforbrug. Med værktøjer som Python (scikit-learn, TensorFlow), R og AutoML-platforme er prædiktiv analyse blevet tilgængelig for virksomheder i alle størrelser.