A prediktív elemzés historikus adatokat és statisztikai vagy gépi tanulási modelleket használ a jövőbeni eredmények valószínűségének becslésére. Kereskedelmi alkalmazásokban ez jellemzően azt jelenti, hogy egyéneket vagy fiókokat pontoznak olyan valószínűségek alapján, mint például egy adott időszakon belüli vásárlás, lemorzsolódás, ajánlatra való válaszadás, nemteljesítés vagy egy adott élettartamra vonatkozó érték elérése, majd ezeket a pontszámokat használják a műveletek rangsorolására.
Üzleti értéke teljes mértékben az általa megváltoztatott döntésekből származik. Egy olyan lemorzsolódási modell, amely pontosan előrejelzi, de nem vált ki eltérő kezelést, jelentést, nem pedig eredményt hoz. A hasznos megközelítés tehát az, hogy a döntésből indulunk ki, azonosítjuk, hogy mit tennénk másképp az egyes pontszámszinteken, megerősítjük, hogy a differenciált intézkedés megvalósítható és megéri a költségét, és csak ezután építjük fel a modellt. Azok a projektek, amelyek a rendelkezésre álló adatokkal kezdődnek, és valami előrejelzésre szoruló dolgot keresnek, rutinszerűen olyan pontos modelleket hoznak létre, amelyeket senki sem használ.
A modell minősége is inkább a céldefiníciótól és az adatoktól függ, mint az algoritmus kiválasztásától. Az, hogy mi számít lemorzsolódásnak, milyen horizonton, mely ügyféltípusokra, meghatározza, hogy mit tanul a modell, és egy kétértelmű definíció olyan modellt hoz létre, amely az eredmények inkoherens keverékét jósolja meg. A funkcióknak elérhetőnek kell lenniük abban a pillanatban, amikor az előrejelzésre szükség van, ami kizár mindent, ami a tény után rögzítésre kerül, és a szivárgás, ahol egy funkció információt kódol az általa előrejelzett eredményről, a leggyakoribb oka annak, hogy a modellek kiválóan teljesítenek a validációban, de teljesen kudarcot vallanak az éles környezetben.
Az értékelésnek a működési valóságot kell tükröznie, nem pedig egy általános pontossági adatot. Ritka kimenetelek esetén az összesített pontosság értelmetlen, mivel általában helyes azt jósolni, hogy semmi sem történik. A működési küszöbértéknél a pontosság és a visszahívhatóság, a ténylegesen kezelendő szegmensen belüli alapvonal fölé emelkedés, valamint a kapott döntések várható értéke a mércék, amelyek számítanak. Az időbeli stabilitás ugyanolyan fontos, mint a pontosság egy adott ponton, mivel a modellek a viselkedés, a termék és a piaci körülmények változásával romlanak, és a nem monitorozott modellek hónapokig sodródhatnak, mielőtt bárki észrevenné.
Az előrejelzések körültekintő kezelést igényelnek, miután befolyásolják a cselekvést, mivel a rájuk való reagálás megváltoztatja azokat az adatokat, amelyekből a következő modell tanul. A valószínűtlen konverzióra számító ügyfelek marketingtevékenységének elnyomása elveszi a konverzió lehetőségét, ami megerősíti az előrejelzést és megerősíti a mintázatot. Hasonlóképpen, a magas kockázatú ügyfeleknek adott megtartási ajánlatok megváltoztatják a viselkedésüket, így a későbbi betanítási adatok már nem tükrözik a kezeletlen kapcsolatot. Egy randomizált kontrollcsoport fenntartása a standard védelem, és ez az egyetlen megbízható mérése annak is, hogy a program értéket teremt-e.
A magyarázhatóság fontosabb a kereskedelmi telepítés során, mint azt a modell teljesítmény-referenciái sugallják. Egy olyan modell, amelynek előrejelzéseit nem lehet megmagyarázni az azokon dolgozó csapatoknak, bizalmatlan lesz és figyelmen kívül hagyja, különösen az értékesítési és ügyfélszolgálati munkatársak, akiknek saját véleményük van arról, hogy mely ügyfelek vannak veszélyben. Az egyes pontszámokat befolyásoló fő tényezők megadása a pontszám helyett egyrészt javítja az adaptációt, másrészt pedig a cselekvést végző személy számára is ad valami hasznosat, mivel annak tudata, hogy egy fiók veszélyben van, mert a fő felhasználói körében csökkent a használat, másfajta beszélgetésre utal, mint annak tudata, hogy veszélyben van, mert közeledik a szerződésmegújítása. Ez lehetővé teszi a domain szakértők számára, hogy észrevegyék, ha egy modell valami hamisat tanult.
Az etikai és szabályozási dimenziók közvetlenül érvényesülnek ott, ahol az előrejelzések befolyásolják, hogy mit kínálnak vagy fizetnek az egyéneknek. A historikus adatokon betanított modellek reprodukálják a historikus mintákat, beleértve a diszkriminatívakat is, és az előrejelzett értéken alapuló differenciált árképzés vagy hozzáférés számos joghatóságban reputációs és jogi kockázatot jelent. A gyakorlatban ezeket a programokat a következők építik fel: adatelemzés a döntési keretrendszerrel és a kijárási tilalom kialakításával együtt növekedés menedzsment, és akkor a leginkább védhetők, ha a modell a valóban hasznos kezelések priorizálását segíti elő, ahelyett, hogy azt határozná meg, hogy kik kaphatják meg azt.