予測分析フレームワークを構築するためのワークフローは、次の 5 つの基本ステップに沿って行います。

1. 問題を定義する: 適切な予測方法を決定するために、明確な命題から始める（不正行為をリアルタイムで検出できるか？など）
2. データを取得して整理する: BigQuery のようなサーバーレス データ ウェアハウスや、Lakehouse for Apache Iceberg のようなオープン レイクハウスなどの最新の機能を活用して、インフラストラクチャ管理のオーバーヘッドなしに大規模なデータセットを管理する
3. データを前処理する: 元データをクリーンアップして、モデルに偏りをもたらす可能性のある異常や測定誤差を取り除く
4. 予測モデルを開発する: データ サイエンティストが、回帰、ディシジョン ツリー、ニューラル ネットワークなどの手法を使用して、準備したデータでモデルをトレーニングする
5. 結果を検証してデプロイする: モデルの精度を継続的に確認し、アプリやダッシュボードを通じて分析情報を社内の関係者に公開する

この業界における最も大きな変化は、従来の予測モデルと生成 AI の融合です。データ分析エージェントを活用することで、単なる予測にとどまらず、予測に基づいて行動できるインテリジェントなエージェントを作成できるようになります。予測的な分析情報を使用して生成モデルに指示することで、複雑な意思決定プロセスを自動化し、「何が起きるか？」から「何をすべきか？」へと思考をシフトできます。

予測分析は、いくつかの主要な数学的および計算的手法に依存しています。

• 回帰分析: 変数間の関係を推定し、1 つの入力（価格など）が別の入力（売上など）にどのように影響するかを判断する
• ディシジョン ツリー: 考えられる選択肢とその結果をツリーのような構造でマッピングする分類モデル
• ニューラル ネットワーク: データ内の複雑な非線形関係をモデル化する強力なパターン認識エンジン