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

Modelos de clasificación

Los modelos de clasificación pertenecen a la rama de los modelos de aprendizaje automático supervisado . Estos modelos clasifican los datos según datos históricos, describiendo las relaciones que existen dentro de un conjunto de datos determinado. Por ejemplo, este modelo se puede utilizar para clasificar a los clientes o clientes potenciales en grupos con fines de segmentación. Como alternativa, también se puede usar para responder preguntas con resultados binarios, por ejemplo, responder sí, no, verdadero o falso; los casos de uso populares para esto son la detección de fraudes y la evaluación de riesgos crediticios. 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 agrupamiento

Los modelos de agrupamiento pertenecen al aprendizaje no supervisado. Agrupan datos en función de atributos similares. Por ejemplo, un sitio de comercio electrónico puede utilizar el modelo para dividir a los clientes en grupos similares en función de características comunes y desarrollar estrategias de marketing para cada grupo. Entre los algoritmos de agrupamiento más comunes se encuentran el k-means clustering, el mean-shift clustering, el agrupamiento espacial basado en la densidad de aplicaciones con ruido (DBSCAN), el agrupamiento por maximización de expectativas (EM) mediante modelos de mezclas gaussianas (GMM) y el agrupamiento jerárquico.

Modelos de series temporales

Los modelos de series temporales utilizan varias entradas de datos en una frecuencia de tiempo específica, por ejemplo diaria, semanal, mensual, etc. Es común trazar la variable dependiente a lo largo del tiempo para evaluar los datos de estacionalidad, tendencias y comportamiento cíclico, que pueden indicar la necesidad de transformaciones y tipos de modelos específicos. Los modelos autorregresivos (AR), de promedio móvil (MA), ARMA y ARIMA son modelos de series temporales de uso frecuente. Por ejemplo, un centro de atención telefónica puede utilizar un modelo de serie temporal para pronosticar cuántas llamadas recibirá por hora en diferentes momentos del día.

El análisis predictivo se puede implementar en varias industrias para atender diferentes problemas comerciales. A continuación se presentan algunos casos de uso de la industria para ilustrar cómo el análisis predictivo puede aportar información para la toma de decisiones en situaciones del mundo real.

• Banca: los servicios financieros utilizan aprendizaje automático y herramientas cuantitativas para hacer predicciones sobre sus clientes potenciales y actuales. Con esta información, los bancos pueden responder preguntas, como quién tiene probabilidades de no pagar un préstamo, cuáles clientes presentan riesgos altos o bajos, cuáles clientes son los más lucrativos para destinar recursos y gastos de marketing, y qué gastos son de naturaleza fraudulenta.
• Atención médica: el analytics predictivo en la atención médica se utiliza para detectar y gestionar la atención de pacientes con enfermedades crónicas, así como para rastrear infecciones específicas, como la septicemia. Geisinger Health utilizó analytics predictivos para extraer historias clínicas y obtener más información sobre cómo se diagnostica y trata la septicemia.  Geisinger creó un modelo predictivo basado en las historias clínicas de más de 10 000 pacientes que habían sido diagnosticados con septicemia en el pasado. El modelo arrojó resultados sorprendentes, al predecir correctamente qué pacientes tenían una alta tasa de supervivencia.
• Recursos humanos (RR. HH.): los equipos de RR. HH. utilizan el análisis predictivo e indicadores de encuestas realizadas a empleados para hacer coincidir a posibles solicitantes de empleo, reducir la rotación de empleados y aumentar el compromiso de los empleados. Esta combinación de datos cuantitativos y cualitativos permite a las empresas reducir los costos de contratación y aumentar la satisfacción de los empleados, lo que es particularmente útil cuando los mercados laborales son volátiles.
• Marketing y ventas: mientras que los equipos de marketing y ventas están muy familiarizados con los informes de inteligencia empresarial para comprender el rendimiento histórico de las ventas, el análisis predictivo permite que las empresas sean más proactivas al interactuar con sus clientes a lo largo del ciclo de vida del cliente. Por ejemplo, con las predicciones de las tasas de cancelación los equipos de ventas pueden 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 las estrategias de venta cruzada. Esto se manifiesta normalmente a través de un motor de recomendación 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 del cliente sin sobreabastecer los depósitos. También permite a las empresas evaluar el costo y el retorno de sus productos a lo largo del tiempo. Si una parte de un producto determinado se vuelve más costosa de importar, las compañías pueden proyectar el impacto que eso tendrá a largo plazo en los ingresos si trasladan o no los costos adicionales a su base de clientes. Para un análisis más profundo de un caso práctico, puede leer más sobre cómo FleetPride utilizó este tipo de análisis de datos para obtener información para la toma de decisiones sobre su inventario de piezas para excavadoras y remolques.Los pedidos de envío anteriores les permitieron planificar con mayor precisión para establecer umbrales de oferta adecuados en función de la demanda.

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

• Seguridad: toda organización moderna debe preocuparse por garantizar la seguridad de sus datos. La combinación de automatización y análisis predictivo 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 incumplimiento de pago superior a la media. Otras empresas pueden usar el análisis predictivo para comprender mejor si su cobertura de seguros es adecuada. 
• Eficiencia operativa: los flujos de trabajo más eficientes se traducen en mejores márgenes de ganancias. Por ejemplo, entender cuándo un vehículo de una flota que se utiliza para hacer entregas va a necesitar mantenimiento, antes de que tenga algún desperfecto en la ruta, significa que las entregas se realicen a tiempo, sin los costos adicionales de tener que remolcar el vehículo y traer a otro empleado para completar la entrega.
• Toma de decisiones mejorada: dirigir cualquier negocio implica tomar decisiones calculadas. Cualquier expansión o adición a una línea de productos, o cualquier otra forma de crecimiento, requiere equilibrar el riesgo que conlleva con los resultados posibles. El análisis predictivo puede proporcionar información para fundamentar el proceso de toma de decisiones y ofrecer una ventaja competitiva.