Vzročno sklepanje zajema metode za izpeljavo vzročno-posledičnih povezav iz podatkov, namesto da bi le ugotavljale korelacije. Odgovarja na vprašanja, kot je „Kaj bi se zgodilo, če tega ukrepa ne bi izvedli?“. Orodja so naključni poskusi, kot so testi A/B, vzročni grafi in statistične tehnike za opazovalne podatke. Primer: preverjanje, ali je akcija s popusti res povečala prodajo ali bi ta zaradi sezonskih razlogov narasla tudi sicer.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevBayesove mreže so grafični modeli, ki spremenljivke predstavijo kot vozlišča, njihove verjetnostne odvisnosti pa kot usmerjene puščice. S pomočjo Bayesovega izreka pokažejo, kako nova opažanja spremenijo verjetnost drugih dogodkov. Primer je podpora pri diagnostiki: ocena najverjetnejšega vzroka na podlagi opaženih simptomov. Njihove prednosti so preglednost in zmožnost obravnave negotovih ali nepopolnih podatkov.
Napovedna analitika uporablja zgodovinske podatke, statistiko in strojno učenje za oceno verjetnih prihodnjih dogodkov. Odgovarja na vprašanja, kot so: katere stranke se bodo kmalu odjavile? Koliko zalog bo potrebnih naslednji mesec? Kdaj bo stroj verjetno odpovedal? Rezultati so verjetnosti, ne gotovosti. Njihova vrednost je močno odvisna od kakovosti podatkov in od tega, ali napovedi dejansko vplivajo na odločitve in procese.
Pristranskost (bias) na področju UI pomeni sistematično izkrivljanje rezultatov. Pogosto izvira iz neuravnoteženih ali zgodovinsko izkrivljenih učnih podatkov, pa tudi iz zasnove modela ali načina, kako je vprašanje zastavljeno. Znan primer: orodje za izbor kandidatov, ki se uči iz preteklih zaposlitvenih odločitev, lahko ohranja obstoječe neenakosti. V statistiki pristranskost pomeni tudi odstopanje ocene od prave vrednosti. Protiukrepi vključujejo raznolike podatke, redne revizije in človeške odločitve o kadrovskih zadevah.
Raziskovalna analiza podatkov (EDA) je prvi, odprt pogled na podatkovno zbirko: izračunate povzetke, preučite porazdelitve in grafikone ter iščete vzorce, osamelce in manjkajoče vrednosti – še brez trdne hipoteze. Pomaga oceniti kakovost podatkov in poiskati smiselna vprašanja za nadaljnjo analizo ali modeliranje. Primer: pred napovedjo prodaje EDA razkrije, da je bil en mesec zaradi selitve sistema zabeležen nepopolno.
