Le workflow pour la création des frameworks d'analyse prédictive comporte cinq étapes de base :

1. Définir le problème : une prédiction commence par une bonne problématique et un ensemble d'exigences. Par exemple, un modèle d'analyse prédictive peut-il détecter une fraude ? Déterminer les niveaux d'inventaire optimaux pour la période des fêtes de fin d'année ? Identifier les niveaux d'inondations potentiels en cas d'intempéries ? Un problème à résoudre clairement établi aidera à déterminer la méthode d'analyse prédictive à utiliser.
2. Collecter et organiser les données : une entreprise peut avoir des décennies de données à exploiter, ou un afflux continu de données provenant des interactions client. Avant de pouvoir développer des modèles d'analyse prédictive, vous devez identifier les flux de données, puis organiser les ensembles de données dans un dépôt, par exemple un entrepôt de données comme BigQuery.
3. Prétraiter les données : les données brutes n'ont qu'une utilité nominale en soi. Pour préparer les données qui seront utilisées dans les modèles d'analyse prédictive, elles doivent auparavant être nettoyées en vue de supprimer les anomalies, les points de données manquants ou les valeurs aberrantes qui peuvent être le résultat d'erreurs de saisie ou de mesure. 
4. Développer des modèles prédictifs : les data scientists disposent de divers outils et techniques pour développer des modèles prédictifs, en fonction du problème à résoudre et de la nature de l'ensemble de données. Le machine learning, les modèles de régression et les arbres de décision comptent parmi les types de modèles prédictifs les plus courants.
5. Valider et déployer les résultats : vérifiez la justesse du modèle et ajustez-le en conséquence. Après obtention de résultats acceptables, mettez-les à la disposition des personne concernées via une application, un site web ou un tableau de bord de données.

En règle générale, il existe deux types de modèles d'analyse prédictive : les modèles de classification et de régression. Les modèles de classification tentent de placer des objets de données (tels que des clients ou des résultats potentiels) dans une catégorie ou une autre. Par exemple, si un marchand dispose de nombreuses données sur différents types de clients, il peut essayer de prédire quels types de clients seront réceptifs aux e-mails marketing. Les modèles de régression tentent de prédire des données continues, telles que le revenu que va générer un client au cours de sa relation avec l'entreprise. 

L'analyse prédictive est généralement réalisée selon trois grands types de techniques :

Analyse de régression

La régression est une technique d'analyse statistique qui permet d'estimer les relations entre les variables. La régression est utile pour déterminer les tendances dans des ensembles de données volumineux afin d'établir une corrélation entre les entrées. Il est préférable de l'employer sur des données continues suivant une distribution connue. La régression est souvent utilisée pour déterminer comment une ou plusieurs variables indépendantes affectent une autre, par exemple l'impact d'une augmentation de prix sur la vente d'un produit.

Arbres de décision

Les arbres de décision sont des modèles de classification qui placent les données dans différentes catégories en fonction de variables distinctes. Cette méthode est surtout utile pour tenter de comprendre les décisions d'un individu. Le modèle ressemble à un arbre, où chaque branche représente un choix potentiel, et la feuille de la branche représente le résultat de la décision. Les arbres de décision sont généralement faciles à comprendre et fonctionnent bien lorsqu'il manque plusieurs variables dans un ensemble de données.

Réseaux de neurones

Les réseaux de neurones sont des méthodes de machine learning utiles pour l'analyse prédictive lors de la modélisation de relations très complexes. En résumé, il s'agit de puissants moteurs de reconnaissance de formes. Les réseaux de neurones sont surtout utilisés pour déterminer les relations non linéaires dans les ensembles de données, notamment lorsqu'il n'existe aucune formule mathématique connue pour analyser les données. Les réseaux de neurones peuvent être utilisés pour valider les résultats des arbres de décision et des modèles de régression.