Alur kerja untuk membangun kerangka kerja analitik prediktif mengikuti lima langkah dasar:

1. Definisikan masalah: Prediksi dimulai dengan tesis yang baik dan serangkaian persyaratan. Misalnya, dapatkah model analisis prediktif mendeteksi penipuan? Menentukan tingkat inventaris yang optimal untuk musim belanja liburan? Mengidentifikasi potensi tingkat banjir dari cuaca buruk? Masalah yang berbeda untuk dipecahkan akan membantu menentukan metode analisis prediktif apa yang harus digunakan.
2. Dapatkan dan kelola data: Suatu organisasi mungkin memiliki data puluhan tahun untuk dimanfaatkan, atau data yang terus-menerus melimpah dari interaksi pelanggan. Sebelum model analisis prediktif dapat dikembangkan, aliran data harus diidentifikasi, lalu set data dapat diatur dalam repositori seperti data warehouse seperti BigQuery.
3. Lakukan pra-pemrosesan data: Data mentah hanya berguna secara nominal saja. Untuk menyiapkan data untuk model analisis prediktif, data harus dibersihkan untuk menghilangkan anomali, titik data yang hilang, atau pencilan ekstrem, yang mungkin disebabkan oleh kesalahan input atau pengukuran. 
4. Kembangkan model prediktif: Data scientist memiliki berbagai alat dan teknik untuk mengembangkan model prediktif, tergantung pada masalah yang harus dipecahkan dan sifat set data. Machine learning, model regresi, dan pohon keputusan adalah beberapa jenis model prediktif yang paling umum.
5. Validasi dan deploy hasil: Periksa akurasi model dan sesuaikan dengan semestinya. Setelah hasil yang dapat diterima telah tercapai, sediakan hasil tersebut bagi para pemangku kepentingan melalui aplikasi, situs web, atau dasbor data.

Secara umum, ada dua jenis model analisis prediktif: model klasifikasi dan regresi. Model klasifikasi berupaya menempatkan objek data (seperti pelanggan atau hasil potensial) ke dalam satu kategori atau kategori lainnya. Misalnya, jika seorang retailer memiliki banyak data tentang berbagai jenis pelanggan, mereka dapat mencoba memprediksi jenis pelanggan apa yang akan menerima email dari pasar. Model regresi mencoba memprediksi data berkelanjutan, seperti berapa banyak pendapatan yang akan dihasilkan pelanggan selama hubungan mereka dengan perusahaan. 

Analisis prediktif cenderung dilakukan dengan tiga jenis teknik utama:

Analisis regresi

Regresi adalah teknik analisis statistik yang memperkirakan hubungan antarvariabel. Regresi berguna untuk menentukan pola dalam set data besar guna menentukan korelasi antar input. Cara ini paling baik digunakan pada data berkelanjutan yang mengikuti distribusi yang telah diketahui. Regresi sering digunakan untuk menentukan bagaimana satu atau beberapa variabel independen mempengaruhi yang lain, seperti bagaimana kenaikan harga akan mempengaruhi penjualan suatu produk.

Pohon keputusan

Pohon keputusan adalah model klasifikasi yang menempatkan data ke dalam berbagai kategori berdasarkan variabel yang berbeda. Metode ini paling baik digunakan ketika mencoba memahami keputusan seseorang. Model ini terlihat seperti pohon, dengan setiap cabang mewakili pilihan potensial, dengan daun cabang yang mewakili hasil keputusan. Pohon keputusan biasanya mudah dipahami dan bekerja dengan baik ketika set data memiliki beberapa variabel yang hilang.

Jaringan neural

Jaringan neural adalah metode machine learning yang berguna dalam analisis prediktif saat membuat model hubungan yang sangat kompleks. Pada dasarnya, perangkat tersebut adalah mesin pengenalan pola yang sangat hebat. Jaringan neural paling baik digunakan untuk menentukan hubungan nonlinear dalam set data, terutama jika tidak ada rumus matematika yang diketahui untuk menganalisis data. Jaringan neural dapat digunakan untuk memvalidasi  hasil pohon keputusan dan model regresi.