予測分析フレームワークを構築するワークフローは、次の 5 つの基本ステップに従います。

1. 問題を定義する: 予測は適切な理論と一連の要件から始まります。たとえば、予測分析モデルは不正行為を検出できるでしょうか。ホリデー商戦に最適な在庫量を見極めるには？悪天候による潜在的な洪水レベルを特定するか。解決すべき明確な問題によって、予測分析のどの方法を使用すべきかを判断しやすくなります。
2. データの取得と整理: 組織は数十年分のデータを活用している場合や、顧客とのやり取りから継続的に大量のデータをやり取りしている場合があります。予測分析モデルを開発する前に、データフローを特定してから、データセットを BigQuery のようなデータ ウェアハウスなどのリポジトリに整理する必要があります。
3. データの前処理: 元データはそれ自体でしか役に立たないのが一般的です。予測分析モデル用のデータを準備するには、データをクリーニングして、入力エラーや測定エラーの結果である可能性のある異常、欠損データポイント、極端な外れ値を削除する必要があります。
4. 予測モデルを開発する: データ サイエンティストは、解決すべき問題とデータセットの性質に応じて、さまざまなツールと手法を用いて予測モデルを開発しています。機械学習、回帰モデル、ディシジョン ツリーは、最も一般的な種類の予測モデルです。
5. 結果の検証とデプロイ: モデルの精度を確認し、それに応じて調整します。満足のいく結果が出たら、アプリ、ウェブサイト、データ ダッシュボードなどを通じて、関係者がそれらを利用できるようにします。

一般的に、予測分析モデルには分類モデルと回帰モデルの 2 種類があります。分類モデルでは、データ オブジェクト（顧客や潜在的な結果など）をいずれかのカテゴリに分類しようとします。たとえば、小売業者がさまざまなタイプの顧客に関するデータを大量に保有している場合、どのようなタイプの顧客がマーケティング メールを受け入れるかを予測しようとすることがあります。回帰モデルは、顧客が会社との関係中に生み出す収益など、継続的なデータを予測しようとします。

予測分析は、主に 3 種類の手法で実行される傾向があります。

回帰分析

回帰は、変数間の関係を推定する統計分析手法です。回帰は、大規模なデータセットでパターンを判断し、入力間の相関を判断する場合に便利です。これは、既知の分布に従う連続データに使用するのが最適です。多くの場合、回帰は、1 つ以上の独立変数が他の変数に与える影響（値上げが商品の売上にどのように影響するかなど）を判断するために使用されます。

ディシジョン ツリー

ディシジョン ツリーは、個別の変数に基づいてデータをさまざまなカテゴリに分類する分類モデルです。この方法は、個人の意思決定を理解するのに最適です。このモデルは木のように見え、それぞれの枝は考えられる選択肢を表し、枝から生える葉は意思決定の結果を表します。ディシジョン ツリーは通常、理解しやすく、データセットに複数の変数が欠けている場合に適しています。

ニューラル ネットワーク

ニューラル ネットワークは、非常に複雑な関係をモデル化する場合の予測分析に役立つ ML 手法です。基本的に、これらは強力なパターン認識エンジンです。ニューラル ネットワークは、特にデータを分析するための既知の数式が存在しない場合に、データセットの非線形関係を判断するのに最適です。ニューラル ネットワークを使用して、ディシジョン ツリーと回帰モデルの結果を検証できます。