Los modelos de análisis predictivo están diseñados para evaluar datos históricos, descubrir patrones, observar tendencias y utilizar esa información para predecir tendencias futuras. Los modelos de análisis predictivo más populares son los de clasificación, agrupación y series temporales.

Modelos de clasificación

Los modelos de clasificación se encuentran en la rama de modelos de aprendizaje automático supervisados. Estos modelos categorizan los datos basándose en datos históricos, describiendo las relaciones dentro de un conjunto de datos determinado. Por ejemplo, este modelo se puede utilizar para clasificar a los clientes o prospectos en grupos con fines de segmentación. Alternativamente, también se puede utilizar para responder preguntas con resultados binarios, como responder sí o no o verdadero y falso; los casos de uso populares para esto son la detección de fraudes y la evaluación del riesgo crediticio. Los tipos de modelos de clasificación incluyen la regresión logística, los árboles de decisión, el bosque aleatorio, las redes neuronales y Naïve Bayes.

Modelos de clustering

Los modelos de clustering pertenecen al aprendizaje no supervisado. Agrupan datos en función de atributos similares. Por ejemplo, un sitio de comercio electrónico puede utilizar el modelo para separar a los clientes en grupos similares basados en características comunes y desarrollar estrategias de marketing para cada grupo. Los algoritmos de agrupación comunes incluyen agrupación de k-medias, agrupación de desplazamiento medio, agrupación espacial de aplicaciones con ruido basada en densidad (DBSCAN), agrupación de maximización de expectativas (EM) utilizando modelos de mezcla gaussiana (GMM) y agrupación jerárquica.

Modelos de series temporales

Los modelos de series temporales utilizan varias entradas de datos con una frecuencia temporal específica, como diaria, semanal, mensual, etcétera. Es común trazar la variable dependiente a lo largo del tiempo para evaluar la estacionalidad, las tendencias y el comportamiento cíclico de los datos, lo que puede indicar la necesidad de transformaciones y tipos de modelos específicos. Los modelos de autoregresión (RA), promedio móvil (MA), ARMA y ARIMA son modelos de serie temporal que se utilizan con frecuencia. Por ejemplo, un centro de llamadas puede usar un modelo de series temporales para pronosticar cuántas llamadas recibirá por hora en diferentes momentos del día.

Los análisis predictivos se pueden implementar en varios sectores para diferentes problemas empresariales. A continuación se muestran algunos casos de uso del sector para ilustrar cómo los análisis predictivos pueden fundamentar la toma de decisiones en situaciones reales.

• Banca: los servicios financieros utilizan el aprendizaje automático y herramientas cuantitativas para predecir el riesgo crediticio y detectar fraudes. Por ejemplo, BondIT es una empresa especializada en servicios de gestión de activos de renta fija. El análisis predictivo les permite respaldar los cambios dinámicos del mercado en tiempo real, además de las restricciones estáticas del mercado. Este uso de la tecnología le permite personalizar los servicios personales para los clientes y minimizar el riesgo. 
• Atención sanitaria: los análisis predictivos en la atención de salud se utilizan para detectar y manejar la atención de pacientes crónicamente enfermos, así como para realizar un seguimiento de infecciones específicas como la sepsis. Geisinger Health utilizó análisis predictivos para minar registros de salud para obtener más información sobre cómo se diagnostica y trata la sepsis.  Geisinger creó un modelo predictivo basado en los registros de salud de más de 10 000 pacientes que habían sido diagnosticados con sepsis en el pasado. El modelo generó resultados impresionantes, prediciendo correctamente a los pacientes con una alta tasa de supervivencia.
• Recursos humanos (RR. HH.): los equipos de RR. HH. utilizan análisis predictivos y métricas de encuestas de empleados para adaptarse a los candidatos potenciales, reducir la rotación de empleados y aumentar el compromiso de los empleados. Esta combinación de datos cuantitativos y cualitativos permite a las empresas reducir sus costes de contratación y aumentar la satisfacción de los empleados, lo que resulta especialmente útil cuando los mercados laborales son volátiles.
• Marketing y ventas: aunque los equipos de marketing y ventas están muy familiarizados con los informes de inteligencia empresarial para comprender el rendimiento histórico de las ventas, los análisis predictivos permiten a las empresas ser más proactivos de la manera que interactúan con sus clientes a lo largo del ciclo de vida del cliente. Por ejemplo, las predicciones de rotación pueden permitir a los equipos de ventas identificar antes a los clientes insatisfechos, lo que les permite iniciar conversaciones para promover la retención. Los equipos de marketing pueden aprovechar el análisis predictivo de datos para estrategias de venta cruzada y esto se manifiesta comúnmente a través de un motor de recomendaciones en el sitio web de una marca.
• Cadena de suministro: las empresas suelen utilizar el análisis predictivo para gestionar el inventario de productos y establecer estrategias de precios. Este tipo de análisis predictivo ayuda a las empresas a satisfacer la demanda de los clientes sin sobreabastecer los almacenes. También permite a las empresas evaluar el costo y el rendimiento de sus productos a lo largo del tiempo. Si una parte de un producto determinado se vuelve más cara de importar, las empresas pueden proyectar el impacto a largo plazo en los ingresos si repercuten o no los costos adicionales a su base de clientes. Para ver más a fondo un estudio de caso, puede leer más sobre cómo FleetPride utilizó este tipo de análisis de datos para tomar decisiones sobre su inventario de piezas para excavadoras y remolques de tractores. Los pedidos de envío anteriores les permitieron planificar con mayor precisión para establecer los umbrales de suministro adecuados en función de la demanda.

Una organización que sabe qué esperar basándose en patrones pasados tiene una ventaja comercial en la gestión de inventarios, fuerza laboral, campañas de marketing y la mayoría de las demás facetas de la operación.

• Seguridad: toda organización moderna debe preocuparse por mantener los datos seguros. Una combinación de automatización y análisis predictivos mejora la seguridad. Los patrones específicos asociados con el comportamiento sospechoso e inusual del usuario final pueden desencadenar procedimientos de seguridad específicos.
• Reducción de riesgos: además de mantener los datos seguros, la mayoría de las empresas están trabajando para reducir sus perfiles de riesgo. Por ejemplo, una empresa que concede créditos puede utilizar el análisis de datos para comprender mejor si un cliente presenta un riesgo de impago superior a la media. Otras empresas pueden utilizar análisis predictivos para comprender mejor si su cobertura de seguros es adecuada. 
• Eficiencia operativa: los flujos de trabajo más eficientes se traducen en márgenes de beneficios mejorados. Por ejemplo, saber cuándo un vehículo de una flota utilizado para entregas va a necesitar mantenimiento antes de que se averíe a un lado de la carretera significa que las entregas se realizan a tiempo, sin los costes adicionales de tener que remolcar el vehículo y traer a otro empleado para completar la entrega.
• Mejora de la toma de decisiones: la gestión de cualquier negocio implica tomar decisiones calculadas. Cualquier expansión o adición a una línea de productos u otra forma de crecimiento requiere equilibrar el riesgo inherente con el resultado potencial. Los análisis predictivos pueden proporcionar información para fundamentar el proceso de toma de decisiones y ofrecer una ventaja competitiva.