Ennustav modelleerimine on ennustava analüütika tehniline tuum: teadaolevate tulemustega näiteandmete põhjal ehitatakse mudel, mis ennustab uute juhtumite väärtust või klassi. Levinud meetodid on regressioon, otsustuspuud, juhumetsad ja närvivõrgud. Mudel võib näiteks hinnata kinnisvara hinda elamispinna, asukoha ja ehitusaasta põhjal. Enne kasutuselevõttu testitakse seda eraldi hoitud andmetel, et avastada ülesobitamist.
Ennustav analüütika kasutab ajaloolisi andmeid, statistikat ja masinõpet, et hinnata tõenäolisi tulevasi sündmusi. See vastab küsimustele, nagu: millised kliendid on lepingut lõpetamas? Kui palju varu läheb järgmisel kuul vaja? Millal masin tõenäoliselt rikki läheb? Tulemused on tõenäosused, mitte kindlused. Nende väärtus sõltub suuresti andmete kvaliteedist ja sellest, kas ennustused jõuavad tegelikult otsustesse ja protsessidesse.
Lineaarne regressioon on statistiline meetod, mis kirjeldab sihtmuutuja ja ühe või mitme ennustaja vahelist seost sirge või tasandi abil. Koefitsiendid valitakse tavaliselt nii, et hälvete ruutude summa oleks minimaalne. Meetod on lihtsasti mõistetav ja tõlgendatav: näiteks saab hinnata, kui palju tulu kasvab, kui reklaamieelarvet suurendada 1000 € võrra. Mittelineaarsete seoste puhul jõuab see piirini.
Juhumetsa regressioon ennustab arvväärtusi, kombineerides paljusid otsustuspuid. Iga puud treenitakse andmete juhuvalimil ja tunnuste juhuslikul valikul; tulemus on kõigi puude ennustuste keskmine. See muudab meetodi töökindlamaks ja vähem ülesobitamisele kalduvaks kui üksik puu. Seda kasutatakse näiteks müügiprognoosideks, hinnahinnanguteks või energiavajaduse ennustamiseks – sageli tugeva lähtepunktina tabeliandmete jaoks.
Ristvalideerimine on meetod, millega kontrollitakse, kui hästi mudel üldistub uutele, nägemata andmetele. K-osaga ristvalideerimisel jagatakse andmed k osaks; mudelit treenitakse k korda k−1 osal ja testitakse iga kord ülejäänud osal, seejärel tulemused keskmistatakse. See aitab avastada ülesobitamist ja võrrelda mudeleid või seadeid ausalt, eriti kui andmeid on vähe.
