Phân tích dự đoán sử dụng dữ liệu lịch sử và các mô hình thống kê hoặc máy học để ước tính khả năng xảy ra các kết quả trong tương lai. Trong các ứng dụng thương mại, điều này thường có nghĩa là chấm điểm cho các cá nhân hoặc tài khoản dựa trên các xác suất như mua hàng trong một khoảng thời gian, rời bỏ dịch vụ, phản hồi lại một lời đề nghị, vỡ nợ hoặc đạt đến một giá trị vòng đời cụ thể, và sau đó sử dụng các điểm số đó để ưu tiên các hành động cần thực hiện.
Giá trị kinh doanh của nó hoàn toàn đến từ những quyết định mà nó thay đổi. Một mô hình dự đoán tỷ lệ khách hàng rời bỏ chính xác nhưng không tạo ra sự thay đổi nào trong cách xử lý vấn đề sẽ chỉ tạo ra một báo cáo chứ không phải lợi nhuận. Do đó, cách tiếp cận hữu ích là bắt đầu từ quyết định, xác định những gì sẽ được thực hiện khác đi ở mỗi mức điểm, xác nhận rằng hành động khác biệt đó khả thi và đáng giá chi phí, và chỉ sau đó mới xây dựng mô hình. Các dự án bắt đầu với dữ liệu có sẵn và tìm kiếm thứ gì đó để dự đoán thường tạo ra các mô hình chính xác mà không ai sử dụng.
Chất lượng mô hình cũng phụ thuộc nhiều hơn vào định nghĩa mục tiêu và dữ liệu hơn là vào việc lựa chọn thuật toán. Việc quyết định điều gì được coi là khách hàng rời bỏ, trong khoảng thời gian nào, đối với loại khách hàng nào, sẽ quyết định những gì mô hình học được, và một định nghĩa mơ hồ sẽ tạo ra một mô hình dự đoán một hỗn hợp các kết quả không nhất quán. Các đặc trưng phải có sẵn tại thời điểm cần dự đoán, điều này loại trừ bất kỳ dữ liệu nào được ghi lại sau đó, và hiện tượng rò rỉ thông tin, trong đó một đặc trưng mã hóa thông tin về kết quả mà nó đang dự đoán, là nguyên nhân phổ biến nhất khiến các mô hình hoạt động xuất sắc trong quá trình kiểm định nhưng lại hoàn toàn thất bại trong môi trường sản xuất.
Việc đánh giá cần phản ánh thực tế hoạt động chứ không phải chỉ là một con số chính xác chung chung. Đối với những kết quả hiếm gặp, độ chính xác tổng thể là vô nghĩa, vì dự đoán rằng không có gì xảy ra thường là đúng. Độ chính xác và độ thu hồi tại ngưỡng hoạt động, sự cải thiện so với mức cơ sở trong phân khúc thực sự được điều trị, và giá trị kỳ vọng của các quyết định đưa ra mới là những thước đo quan trọng. Tính ổn định theo thời gian cũng quan trọng như độ chính xác tại một thời điểm, vì các mô hình sẽ suy giảm khi hành vi, sản phẩm và điều kiện thị trường thay đổi, và các mô hình không được giám sát có thể thay đổi trong nhiều tháng trước khi có ai nhận ra.
Các dự đoán cũng cần được xử lý cẩn thận một khi chúng ảnh hưởng đến hành động, bởi vì việc hành động dựa trên chúng sẽ làm thay đổi dữ liệu mà mô hình tiếp theo học hỏi. Việc ngừng tiếp thị cho những khách hàng được dự đoán là khó có khả năng chuyển đổi sẽ loại bỏ cơ hội chuyển đổi của họ, điều này xác nhận dự đoán và củng cố mô hình. Tương tự, các ưu đãi giữ chân khách hàng có rủi ro cao sẽ thay đổi hành vi của họ, do đó dữ liệu huấn luyện tiếp theo không còn phản ánh mối quan hệ chưa được xử lý. Việc duy trì một nhóm kiểm soát ngẫu nhiên là biện pháp bảo vệ tiêu chuẩn, và nó cũng cung cấp thước đo đáng tin cậy duy nhất về việc chương trình có tạo ra giá trị hay không.
Khả năng giải thích quan trọng hơn trong triển khai thương mại so với những gì các tiêu chuẩn hiệu suất mô hình gợi ý. Một mô hình mà các dự đoán của nó không thể giải thích được cho các nhóm thực hiện sẽ bị nghi ngờ và bỏ qua, đặc biệt là bởi nhân viên bán hàng và dịch vụ, những người có quan điểm riêng về khách hàng nào đang gặp rủi ro. Việc cung cấp các yếu tố chính thúc đẩy từng điểm số riêng lẻ, thay vì chỉ cung cấp điểm số, vừa cải thiện khả năng áp dụng vừa cung cấp cho người thực hiện hành động một cơ sở để làm việc, vì việc biết rằng một tài khoản đang gặp rủi ro do mức sử dụng giảm trong số những người dùng chính sẽ dẫn đến một cuộc thảo luận khác so với việc biết rằng nó đang gặp rủi ro vì hợp đồng sắp hết hạn. Điều này cũng giúp các chuyên gia trong lĩnh vực đó phát hiện ra khi nào một mô hình đã học được điều gì đó không chính xác.
Các khía cạnh đạo đức và pháp lý áp dụng trực tiếp khi các dự đoán ảnh hưởng đến những gì cá nhân được cung cấp hoặc phải trả phí. Các mô hình được đào tạo trên dữ liệu lịch sử tái tạo các mô hình lịch sử, bao gồm cả các mô hình phân biệt đối xử, và việc định giá hoặc tiếp cận khác biệt dựa trên giá trị dự đoán tiềm ẩn rủi ro về uy tín và pháp lý ở nhiều khu vực pháp lý. Trên thực tế, các chương trình này được xây dựng bởi Phân tích dữ liệu với khuôn khổ quyết định và thiết kế nhóm đối chứng đã được thống nhất. quản lý tăng trưởngVà mô hình này có tính thuyết phục cao nhất khi nó hỗ trợ việc ưu tiên các phương pháp điều trị thực sự hữu ích, thay vì xác định ai được phép nhận phương pháp điều trị đó.