Model analisis prediktif dirancang untuk menilai data historis, menemukan pola, mengamati tren, dan menggunakan informasi tersebut untuk memprediksi tren masa depan. Model analitik prediktif populer termasuk klasifikasi, pengelompokan, dan model deret waktu.

Model klasifikasi

Model klasifikasi berada di bawah cabang model pembelajaran mesin yang diawasi. Model-model ini mengkategorikan data berdasarkan data historis, menggambarkan hubungan dalam kumpulan data tertentu. Sebagai contoh, model ini dapat digunakan untuk mengklasifikasikan pelanggan atau prospek ke dalam beberapa kelompok untuk tujuan segmentasi. Selain itu, dapat juga digunakan untuk menjawab pertanyaan dengan keluaran biner, seperti menjawab ya atau tidak atau benar dan salah; kasus penggunaan yang populer untuk ini adalah deteksi penipuan dan evaluasi risiko kredit. Jenis model klasifikasi termasuk regresi logistik, pohon keputusan, hutan acak, jaringan saraf, dan Naïve Bayes.

Model pengklusteran

Model pengklusteran termasuk dalam pembelajaran tanpa pengawasan. Model ini mengelompokkan data berdasarkan atribut serupa. Misalnya, situs e-commerce dapat menggunakan model untuk memisahkan pelanggan ke dalam kelompok serupa berdasarkan fitur umum dan mengembangkan strategi pemasaran untuk setiap kelompok. Algoritme pengklusteran umum termasuk pengklusteran k-mean, pengklusteran mean-shift, pengklusteran spasial berbasis densitas aplikasi dengan noise (DBSCAN), pengklusteran maksimalisasi harapan (EM) menggunakan Model Campuran Gaussian (GMM), dan pengklusteran hierarkis.

Model deret waktu

Model deret waktu menggunakan berbagai input data pada frekuensi waktu tertentu, seperti harian, mingguan, bulanan, dan sebagainya. Sudah hal umum untuk memplot variabel dependen dari waktu ke waktu untuk menilai data untuk musiman, tren, dan perilaku siklus, yang mungkin menunjukkan perlunya transformasi dan jenis model tertentu. Model Autoregressive (AR), moving average (MA), ARMA, dan ARIMA adalah model deret waktu yang sering digunakan. Sebagai contoh, pusat panggilan dapat menggunakan model deret waktu untuk memperkirakan berapa banyak panggilan yang akan diterima per jam pada waktu yang berbeda dalam sehari.

Analisis prediktif dapat digunakan di berbagai industri untuk masalah bisnis yang berbeda. Berikut adalah beberapa kasus penggunaan industri untuk menggambarkan cara analisis prediktif dapat menginformasikan pengambilan keputusan dalam situasi dunia nyata.

• Perbankan: Layanan keuangan menggunakan pembelajaran mesin dan alat bantu kuantitatif untuk memprediksi risiko kredit dan mendeteksi penipuan. Sebagai contoh, BondIT adalah perusahaan yang berspesialisasi dalam layanan manajemen aset pendapatan tetap. Analisis prediktif memungkinkan perusahaan ini mendukung perubahan pasar yang dinamis secara real-time selain batasan pasar yang statis. Penggunaan teknologi ini memungkinkannya untuk menyesuaikan layanan pribadi untuk klien dan meminimalkan risiko. 
• Perawatan kesehatan: Analisis prediktif dalam perawatan kesehatan digunakan untuk mendeteksi dan mengelola perawatan pasien yang sakit kronis, serta melacak infeksi tertentu seperti sepsis. Geisinger Health menggunakan analisis prediktif untuk menambang catatan kesehatan guna mempelajari lebih lanjut tentang cara sepsis didiagnosis dan diobati.  Geisinger menciptakan model prediktif berdasarkan catatan kesehatan lebih dari 10.000 pasien yang pernah didiagnosis dengan sepsis di masa lalu. Model ini memberikan hasil yang mengesankan, dengan memprediksi secara tepat pasien dengan tingkat kelangsungan hidup yang tinggi.
• Sumber daya manusia (SDM): Tim SDM menggunakan analisis prediktif dan metrik survei karyawan untuk mencocokkan calon pelamar kerja, mengurangi pergantian karyawan, dan meningkatkan keterlibatan karyawan. Kombinasi data kuantitatif dan kualitatif ini memungkinkan perusahaan untuk mengurangi biaya perekrutan dan meningkatkan kepuasan karyawan, yang sangat berguna ketika pasar tenaga kerja tidak stabil.
• Pemasaran dan penjualan: Meskipun tim pemasaran dan penjualan sudah sangat akrab dengan laporan intelijen bisnis untuk memahami kinerja penjualan historis, analitik prediktif memungkinkan perusahaan untuk lebih proaktif dalam cara mereka berinteraksi dengan klien mereka di seluruh siklus pelanggan. Misalnya, prediksi churn dapat memungkinkan tim penjualan untuk mengidentifikasi klien yang tidak puas lebih cepat, sehingga mereka dapat memulai percakapan untuk meningkatkan retensi. Tim pemasaran dapat memanfaatkan analisis data prediktif untuk strategi penjualan silang, dan hal ini biasanya terwujud melalui mesin rekomendasi di situs web merek.
• Rantai pasokan: Bisnis biasanya menggunakan analisis prediktif untuk mengelola inventaris produk dan menetapkan strategi penetapan harga. Jenis analisis prediktif ini membantu perusahaan memenuhi permintaan pelanggan tanpa membuat gudang terlalu penuh. Jenis analisis ini juga memungkinkan perusahaan untuk menilai biaya dan laba atas produk mereka dari waktu ke waktu. Jika satu bagian dari suatu produk menjadi lebih mahal untuk diimpor, perusahaan dapat memproyeksikan dampak jangka panjang terhadap pendapatan apakah mereka membebankan atau tidak membebankan biaya tambahan kepada basis pelanggan mereka. Untuk melihat lebih dalam tentang studi kasus, Anda dapat membaca lebih lanjut tentang cara FleetPride menggunakan jenis analisis data ini untuk menginformasikan pengambilan keputusan mereka dalam inventaris suku cadang untuk ekskavator dan trailer traktor. Pesanan pengiriman sebelumnya memungkinkan perusahaan untuk merencanakan dengan lebih tepat untuk menetapkan ambang batas pasokan yang sesuai berdasarkan permintaan.

Organisasi yang mengetahui apa yang diharapkan berdasarkan pola masa lalu memiliki keunggulan bisnis dalam mengelola inventaris, tenaga kerja, kampanye pemasaran, dan sebagian besar aspek operasi lainnya.

• Keamanan: Setiap organisasi modern pasti peduli dengan keamanan data. Kombinasi otomatisasi dan analisis prediktif meningkatkan keamanan. Pola tertentu yang terkait dengan perilaku pengguna akhir yang mencurigakan dan tidak biasa dapat memicu prosedur keamanan tertentu.
• Pengurangan risiko: Selain menjaga keamanan data, sebagian besar bisnis berupaya mengurangi profil risiko mereka. Sebagai contoh, perusahaan yang memberikan kredit dapat menggunakan analisis data untuk memahami dengan lebih baik jika pelanggan memiliki risiko gagal bayar yang lebih tinggi dari rata-rata. Perusahaan lain dapat menggunakan analisis prediktif untuk lebih memahami apakah cakupan asuransi mereka memadai. 
• Efisiensi operasional: Alur kerja yang lebih efisien menghasilkan margin keuntungan yang lebih baik. Misalnya, memahami kapan kendaraan dalam armada yang digunakan untuk pengiriman akan membutuhkan perawatan sebelum mogok di pinggir jalan berarti pengiriman dapat dilakukan tepat waktu, tanpa biaya tambahan untuk menderek kendaraan dan membawa karyawan lain untuk menyelesaikan pengiriman.
• Pengambilan keputusan yang lebih baik: Menjalankan bisnis apa pun melibatkan pengambilan keputusan yang diperhitungkan. Setiap perluasan atau penambahan pada lini produk atau bentuk pertumbuhan lainnya membutuhkan keseimbangan antara risiko yang melekat dengan hasil yang potensial. Analisis prediktif dapat memberikan wawasan untuk menginformasikan proses pengambilan keputusan dan menawarkan keunggulan kompetitif.