Os modelos de análise de dados preditiva são projetados para avaliar dados históricos, descobrir padrões, observar tendências e usar essas informações para prever tendências futuras. Modelos populares de análise de dados preditiva incluem classificação, agrupamento e modelos de séries temporais.

Modelos de classificação

Os modelos de classificação se enquadram no ramo dos modelos de aprendizado de máquina supervisionados. Esses modelos categorizam dados com base em dados históricos, descrevendo relacionamentos dentro de um determinado conjunto de dados. Por exemplo, esse modelo pode ser usado para classificar clientes ou clientes em potencial em grupos para fins de segmentação. Ou então, ele também pode ser usado para responder perguntas com resultados binários, como responder sim ou não ou verdadeiro e falso; casos de uso populares para isso são detecção de fraude e avaliação de risco de crédito. Os tipos de modelos de classificação incluem regressão logística, árvores de decisão, floresta aleatória, redes neurais e Naïve Bayes.

Modelos de agrupamento

Os modelos de agrupamento se enquadram em aprendizado não supervisionado. Eles agrupam dados com base em atributos semelhantes. Por exemplo, um site de comércio eletrônico pode usar o modelo para separar os clientes em grupos semelhantes com base em recursos comuns e desenvolver estratégias de marketing para cada grupo. Algoritmos comuns de agrupamento incluem agrupamento k-means, agrupamento de desvio médio, agrupamento espacial baseado em densidade de aplicativos com ruído (DBSCAN), agrupamento de maximização de expectativas (EM) utilizando modelos de mistura gaussianos (GMM) e agrupamento hierárquico.

Modelos de séries temporais

Os modelos de séries temporais usam várias entradas de dados em uma frequência de tempo específica, como diariamente, semanalmente, mensalmente etc. É comum plotar a variável dependente ao longo do tempo para avaliar os dados quanto à sazonalidade, tendências e comportamento cíclico, o que pode indicar a necessidade de transformações e tipos de modelos específicos. Os modelos autorregressivos (AR), média móvel (MA), ARMA e ARIMA são modelos de séries temporais usados com frequência. Por exemplo, uma central de atendimento pode usar um modelo de série temporal para prever quantas chamadas serão recebidas por hora em diferentes horários do dia.

A análise de dados preditiva pode ser implementada em vários setores para problemas de negócios diferentes. Veja abaixo alguns casos de uso de setores para ilustrar como as funções de análise de dados preditiva podem informar a tomada de decisões em situações reais.

• Setor bancário: os serviços financeiros usam aprendizado de máquina e ferramentas quantitativas para prever riscos de crédito e detectar fraudes. Por exemplo, a BondIT é uma empresa especializada em serviços de gerenciamento de ativos de renda fixa. As análise de dados preditiva permite que ela ofereçam suporte a mudanças dinâmicas de mercado em tempo real, além de restrições estáticas de mercado. Esse uso da tecnologia permite personalizar Personal Services para os clientes e minimizar os riscos. 
• Saúde: a análise de dados preditiva na área da saúde é usada para detectar e gerenciar o atendimento de pacientes com doenças crônicas, bem como para rastrear infecções específicas, como sepse. A Geisinger Health usou a análise de dados preditiva para extrair registros de saúde e aprender mais sobre como a sepse é diagnosticada e tratada.  A Geisinger criou um modelo preditivo baseado em registros de saúde para mais de 10.000 pacientes que haviam sido diagnosticados com sepse no passado. O modelo produziu resultados impressionantes, prevendo corretamente pacientes com alta taxa de sobrevida.
• Recursos humanos (RH): equipes de RH usam a análise de dados preditiva e métricas de entrevistas com os funcionários para corresponder candidatos potenciais, reduzir a rotatividade e aumentar o engajamento dos funcionários.Essa combinação de dados quantitativos e qualitativos permite que as empresas reduzam os custos de recrutamento e aumentem a satisfação dos funcionários, o que é particularmente útil quando os mercados de trabalho são voláteis.
• Marketing e vendas: embora as equipes de marketing e vendas estejam muito familiarizadas com relatórios de business intelligence para entender o desempenho histórico de vendas, a análise de dados preditiva permite que as empresas sejam mais proativas na forma como interagem com seus clientes durante todo o ciclo de vida do cliente. Por exemplo, as previsões de rotatividade podem permitir que as equipes de vendas identifiquem clientes insatisfeitos mais cedo, permitindo que iniciem conversas para promover a retenção. As equipes de marketing podem aproveitar a análise de dados preditiva para estratégias de vendas cruzadas, e isso geralmente se manifesta por meio de um mecanismo de recomendação no site de uma marca.
• Cadeia de suprimentos: as empresas geralmente usam a análise de dados preditiva para gerenciar o inventário de produtos e definir estratégias de preços.Esse tipo de análise preditiva ajuda as empresas a atender à demanda dos clientes sem sobrecarregar os armazéns. Também permite que as empresas avaliem o custo e o retorno de seus produtos ao longo do tempo. Se a importação de uma parte de um determinado produto se tornar mais cara, as empresas podem projetar o impacto a longo prazo nas receitas, caso os custos adicionais sejam repassados ou não para sua base de clientes. Para uma análise mais aprofundada de um estudo de caso, você pode ler mais sobre como a FleetPride usou esse tipo de análise de dados para informar sua tomada de decisões sobre seu estoque de peças para escavadeiras e reboques de trator. Os pedidos de envio anteriores permitiram-lhes planejar com mais precisão a definição de limites de oferta adequados com base na demanda.

Uma organização que sabe o que esperar com base em padrões passados tem uma vantagem comercial no gerenciamento de inventários, força de trabalho, campanhas de marketing e a maioria das outras facetas da operação.

• Segurança: todas as organizações modernas devem se preocupar em manter os dados seguros. Uma combinação de automação e análise de dados preditiva melhora a segurança. Padrões específicos associados a comportamentos suspeitos e incomuns do usuário final podem acionar procedimentos de segurança específicos.
• Redução de riscos: além de manter os dados seguros, a maioria das empresas está trabalhando para reduzir seus perfis de risco. Por exemplo, uma empresa que estende o crédito pode usar a análise de dados para entender melhor se um cliente representa um risco de inadimplência superior à média. Outras empresas podem usar a análise de dados preditiva para entender melhor se a cobertura do seguro é adequada. 
• Eficiência operacional: fluxos de trabalho mais eficientes se traduzem em maiores margens de lucro. Por exemplo, saber quando um veículo de uma frota usado para entregas precisará de manutenção antes de quebrar na beira da estrada significa que as entregas serão feitas no prazo, sem os custos adicionais de rebocar o veículo e trazer outro funcionário para concluir a entrega.
• Tomada de decisões aprimorada: administrar qualquer empresa envolve a tomada de decisões calculadas. Qualquer expansão ou adição a uma linha de produtos ou outra forma de crescimento exige o equilíbrio entre o risco inerente e o resultado potencial.A análise de dados preditiva pode fornecer insight para informar o processo de tomada de decisões e oferecer uma vantagem competitiva.