Prognozējošā analītika izmanto vēsturiskus datus, statistiku un mašīnmācīšanos, lai novērtētu iespējamus nākotnes notikumus. Tā atbild uz tādiem jautājumiem kā: kuri klienti drīz atteiksies? Cik daudz krājumu nākamajā mēnesī būs vajadzīgs? Kad iekārta, visticamāk, sabojāsies? Rezultāti ir varbūtības, nevis noteiktība. To vērtība lielā mērā atkarīga no datu kvalitātes un no tā, vai prognozes patiešām tiek izmantotas lēmumos un procesos.
Prognozējošā modelēšana ir prognozējošās analītikas tehniskais kodols: no piemēru datiem ar zināmiem rezultātiem izveido modeli, kas jauniem gadījumiem prognozē vērtību vai klasi. Izplatītas metodes ir regresija, lēmumu koki, nejaušie meži un neironu tīkli. Modelis, piemēram, var novērtēt īpašuma cenu pēc platības, atrašanās vietas un celtniecības gada. Pirms izvietošanas to testē ar atlikto datu kopu, lai atklātu pārmērīgu pielāgošanos.
Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.
Datu ieguve ir sistemātiska liela datu apjoma meklēšana, lai atrastu likumsakarības, saistības un anomālijas. Tā izmanto statistikas paņēmienus un mašīnmācīšanās metodes, piemēram, klasterizāciju, klasifikāciju vai asociāciju analīzi. Klasisks piemērs ir pirkumu groza analīze mazumtirdzniecībā, kas parāda, kuras preces bieži tiek pirktas kopā — tā ir pamats sortimentam, preču izvietojumam un ieteikumiem.
Izpētes datu analīze (EDA) ir pirmais, atvērtais skatiens uz datu kopu: aprēķina kopsavilkuma rādītājus, aplūko sadalījumus un diagrammas un meklē likumsakarības, izņēmumus un trūkstošās vērtības — vēl bez noteiktas hipotēzes. Tā palīdz novērtēt datu kvalitāti un atrast jēgpilnus jautājumus tālākai analīzei vai modelēšanai. Piemērs: pirms pārdošanas prognozes EDA atklāj, ka kāds mēnesis sistēmas migrācijas dēļ ierakstīts nepilnīgi.
