Para crear frameworks de analíticas predictivas, debes seguir cinco pasos básicos:

1. Determinar el problema: una predicción empieza por una buena tesis y un conjunto de requisitos. Por ejemplo, ¿un modelo de analíticas predictivas puede detectar fraudes? ¿Puede determinar cuáles son los niveles óptimos de inventario para la temporada de compras navideñas? ¿Tiene la capacidad de identificar posibles niveles de inundación a causa de condiciones meteorológicas extremas? Delimitar el problema que se quiere solucionar permite determinar qué método de analíticas predictivas se debe utilizar para ello.
2. Obtener y organizar los datos: una organización puede tener décadas de datos a los que recurrir o una afluencia continua de datos que provengan de las interacciones de los clientes. Antes de desarrollar modelos de analíticas predictivas, es necesario identificar los flujos de datos y, a continuación, organizar los conjuntos de datos en un repositorio, como un almacén de datos (por ejemplo, BigQuery).
3. Preprocesar datos: los datos en bruto solo son útiles simbólicamente. Para preparar los datos para los modelos de analíticas predictivas, se deben limpiar para eliminar las anomalías, los datos que falten o los valores atípicos extremos, que pueden ser el resultado de errores de entrada o de medición. 
4. Desarrollar modelos predictivos: los científicos de datos tienen diversas herramientas y técnicas para desarrollar modelos predictivos en función del problema que se deba resolver y la naturaleza del conjunto de datos. El aprendizaje automático, los modelos de regresión y los árboles de decisión son algunos de los tipos de modelos predictivos más comunes.
5. Validar los resultados e implementar modificaciones en consonancia: comprueba la precisión del modelo y ajústalo según sea necesario. Cuando consigas resultados aceptables, haz que estén disponibles para los colaboradores en una aplicación, un sitio web o un panel de datos.

En general, hay dos tipos de modelos de analíticas predictivas: de clasificación y de regresión. Los modelos de clasificación intentan incluir objetos de datos (como clientes o posibles resultados) en una categoría u otra. Por ejemplo, si un minorista tiene muchos datos sobre diferentes tipos de clientes, es posible que el modelo intente predecir qué tipos de clientes se interesarán por los correos electrónicos de marketing que reciban. Los modelos de regresión intentan predecir datos continuos, como los ingresos que generará un cliente durante su relación con una empresa. 

Las analíticas predictivas suelen hacerse con tres tipos principales de técnicas:

Análisis de regresión

La regresión es una técnica de análisis estadístico con la que se estima la relación entre variables. La regresión resulta útil para identificar patrones en conjuntos de datos grandes y así determinar la correlación entre entradas. Se recomienda usar datos continuos que sigan una distribución conocida. A menudo, la regresión sirve para determinar cómo afectan una o más variables independientes a otras; por ejemplo, cómo afecta un aumento de precio a las ventas de un producto.

Árboles de decisión

Los árboles de decisión son modelos de clasificación que sitúan los datos en diferentes categorías según distintas variables. El método se recomienda para entender las decisiones de una persona. El modelo parece un árbol, ya que cada una de las ramas representa una posible elección y la hoja de las ramas simboliza el resultado de la decisión. Los árboles de decisión suelen ser fáciles de entender y funcionan bien cuando faltan variables en un conjunto de datos.

Redes neuronales

Las redes neuronales son métodos de aprendizaje automático que son útiles para realizar analíticas predictivas a la hora de crear modelos para analizar relaciones complejas. Básicamente, son potentes motores de reconocimiento de patrones. Las redes neuronales se recomiendan para determinar relaciones no lineales en conjuntos de datos, especialmente cuando no hay ninguna fórmula matemática conocida para analizar los datos. Las redes neuronales se pueden usar para validar los resultados de los árboles de decisión y de los modelos de regresión.