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: 予測は、優れた主題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。解決すべき問題を明確にすることで、どのような予測分析を行うべきかを判断しやすくなります。
2. データを取得して整理する: 組織は数十年分のデータを利用することもあれば、顧客とのやり取りから大量のデータが絶え間なく溜まっていることもあります。予測分析モデルを開発する前に、データフローを特定する必要があります。それから、BigQuery のようなデータ ウェアハウスなどのリポジトリにデータセットを編成できます。
3. データの前処理: 元データは、名目上はそれ自体でしか役立ちません。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、異常、欠損データポイント、極端な外れ値（いずれも入力エラーや測定エラーの結果である可能性があります）を除去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。満足のいく結果が得られたら、アプリ、ウェブサイト、データ ダッシュボードで関係者に公開します。

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。分類モデルは、データ オブジェクト（顧客や想定される結果など）を特定のカテゴリに分類しようとするものです。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多く持っている場合に、どのようなタイプの顧客が市場からのメールを受け入れるかを予測しようとすることなどがあります。回帰モデルは、顧客がその会社と関係がある間にどれだけの収益を生み出すかなど、連続データを予測しようとするものです。

予測分析は、主に次の 3 種類の手法で実施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のパターンを特定し、入力間の相関を調べることに役立ちます。既知の分布に従う連続データに最適です。回帰は多くの場合、1 つ以上の独立変数が別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異なるカテゴリに分類する分類モデルです。この方法は、個人の判断を理解しようとする場合に最適です。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切に機能します。

ニューラル ネットワーク

ニューラル ネットワークは、予測分析で非常に複雑な関係をモデル化する場合に有用な ML 手法です。基本的には、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、データセット内の非線形関係を判断するのに最適です。ニューラル ネットワークは、ディシジョン ツリーと回帰モデルの結果を検証するために使用できます。