예측 분석 프레임워크 빌드의 워크플로는 5가지 기본 단계를 따릅니다.

1. 문제 정의: 예측은 좋은 논지와 요구사항 집합으로 시작합니다. 예를 들어, 예측 분석 모델이 사기를 감지할 수 있나요? 연말연시 쇼핑 시즌에 최적의 인벤토리 수준을 결정할 수 있나요? 악천후에서 잠재적인 홍수 수준을 파악할 수 있나요? 해결해야 하는 문제의 구분은 예측 분석 방법을 결정하는 데 도움이 됩니다.
2. 데이터 수집 및 구성: 조직은 수십 년간의 데이터를 보유하거나 고객 상호작용으로 인한 데이터 홍수가 지속적으로 발생할 수 있습니다. 예측 분석 모델을 개발하기 전에 데이터 흐름을 식별한 후 데이터 세트를 데이터 웨어하우스(예: BigQuery)와 같은 저장소에 구성하면 됩니다.
3. 데이터 사전 처리: 원시 데이터 자체는 명목적으로만 유용합니다. 예측 분석 모델의 데이터를 준비하려면 데이터를 정제하여 입력 또는 측정 오류로 인한 이상치, 누락된 데이터 포인트, 극단적인 이상점을 제거해야 합니다. 
4. 예측 모델 개발: 데이터 과학자에게는 해결해야 할 문제와 데이터 세트의 특성에 따라 예측 모델을 개발할 수 있는 다양한 도구와 기술이 있습니다. 머신러닝, 회귀 모델, 결정 트리는 가장 일반적인 예측 모델 유형입니다.
5. 결과 검증 및 배포: 모델의 정확성을 확인하고 그에 따라 조정합니다. 허용되는 결과가 달성되면 앱, 웹사이트 또는 데이터 대시보드를 통해 이해관계자에게 제공합니다.

예측 분석 모델에는 일반적으로 분류 모델과 회귀 모델이라는 두 가지 유형이 있습니다. 분류 모델은 데이터 객체(예: 고객 또는 잠재적 결과)를 하나의 카테고리에 넣으려고 시도합니다. 예를 들어 소매업체가 다양한 고객 유형에 대한 많은 데이터를 보유하고 있는 경우 어떤 유형의 고객이 마케팅 이메일을 수용할지 예측하려고 할 수 있습니다. 회귀 모델은 고객이 회사와의 관계에서 얼마나 많은 수익을 창출할지와 같은 지속적인 데이터를 예측하려고 시도합니다. 

예측 분석은 일반적으로 세 가지 유형의 기법을 사용하여 수행됩니다.

회귀 분석

회귀는 변수 간의 관계를 추정하는 통계 분석 기법입니다. 회귀는 대규모 데이터 세트의 패턴을 확인하여 입력 간의 상관관계를 결정하는 데 유용합니다. 알려진 분포를 따르는 연속 데이터에 가장 적합합니다. 회귀는 가격 인상이 제품 판매에 미치는 영향과 같이 하나 이상의 독립 변수가 다른 변수에 미치는 영향을 결정하는 데 자주 사용됩니다.

결정 트리

결정 트리는 고유한 변수를 기반으로 데이터를 여러 범주에 배치하는 분류 모델입니다. 이 방법은 개인의 결정을 이해하려고 할 때 가장 적합합니다. 이 모델은 나무처럼 생겼으며 각 분기는 잠재적 선택을 나타내고 가지의 잎은 결정 결과를 나타냅니다. 결정 트리는 일반적으로 이해하기 쉽고 데이터 세트에 여러 개의 누락된 변수가 있을 때 잘 작동합니다.

신경망

신경망은 매우 복잡한 관계를 모델링할 때 예측 분석에서 유용한 머신러닝 방법입니다. 본질적으로 신경망은 강력한 패턴 인식 엔진입니다. 신경망은 특히 데이터 분석을 위한 알려진 수학 공식이 없는 경우 데이터 세트에서 비선형 관계를 결정하는 데 가장 적합합니다. 신경망은 결정 트리 및 회귀 모델의 결과를 검증하는 데 사용할 수 있습니다.