O fluxo de trabalho para criar frameworks de análise preditiva segue cinco etapas básicas:

1. Definir o problema: uma previsão começa com uma boa tese e um conjunto de requisitos. Por exemplo, um modelo preditivo de análise de dados pode detectar fraudes? Determinar os níveis ideais de inventário para as festas de fim de ano? Identificar possíveis níveis de inundação no caso de condições climáticas adversas? Um problema diferente a ser resolvido ajudará a determinar qual método de análise preditiva será usado.
2. Obter e organizar dados: uma organização pode contar com décadas de dados armazenados ou um fluxo contínuo de dados de interações com o cliente. Antes de desenvolver modelos de análise preditiva, os fluxos de dados precisam ser identificados para que, em seguida, conjuntos de dados possam ser organizados em um repositório, por exemplo, um data warehouse como o BigQuery.
3. Pré-processar dados: os dados brutos só são úteis por si só em teoria. Para a preparação dos modelos de análise preditiva, é necessário limpar todos os dados, remover anomalias, pontos de dados ausentes ou outliers extremos, que podem ser resultado de erros de entrada ou medição. 
4. Desenvolver modelos preditivos: os cientistas de dados têm várias ferramentas e técnicas para desenvolver modelos preditivos, que dependem do problema a ser resolvido e da natureza do conjunto de dados. Machine learning, modelos de regressão e árvores de decisão são alguns dos tipos mais comuns de modelos preditivos.
5. Validar e implantar os resultados: verifique a acurácia do modelo e faça os ajustes necessários. Quando os resultados aceitáveis forem alcançados, disponibilize-os às partes interessadas por meio de um app, site ou painel de dados.

Em geral, há dois tipos de modelos de análise preditiva: de classificação e regressão. Os modelos de classificação tentam colocar objetos de dados (como clientes ou possíveis resultados) em uma categoria ou outra. Por exemplo, se um varejista tiver muitos dados sobre diferentes tipos de cliente, ele poderá tentar prever quais tipos de cliente serão receptivos a e-mails de marketing. Os modelos de regressão tentam prever dados contínuos, por exemplo, a quantidade de receita que um cliente vai gerar durante seu relacionamento com uma empresa. 

A análise preditiva tende a ser realizada com três tipos principais de técnicas:

Análise de regressão

A regressão é uma técnica de análise estatística que estima as relações entre variáveis. Ela é útil para determinar padrões em grandes conjuntos de dados e, assim, determinar a correlação entre as entradas. É melhor usá-la em dados contínuos que sigam uma distribuição conhecida. A regressão é frequentemente usada para determinar como uma ou mais variáveis independentes afetam outra, por exemplo, como um aumento de preço afetará a venda de um produto.

Árvores de decisão

Árvores de decisão são modelos de classificação que colocam dados em diferentes categorias com base em variáveis distintas. O método é o mais eficaz para entender as decisões de uma pessoa. O modelo lembra uma árvore, com cada ramificação representando uma possível opção e a folha associada, o resultado da decisão. Normalmente, as árvores de decisão são fáceis de entender e funcionam quando um conjunto de dados tem diversas variáveis faltando.

Redes neurais

Redes neurais são métodos de machine learning úteis em análises preditivas que modelam relações muito complexas. Basicamente, elas são potentes mecanismos de reconhecimento de padrões. As redes neurais são mais adequadas para determinar relações não lineares em conjuntos de dados, especialmente quando não existe nenhuma fórmula matemática conhecida para analisá-los. As redes neurais podem ser usadas para validar os resultados das árvores de decisão e modelos de regressão.