构建预测性分析框架的工作流包含五个基本步骤：

1. 定义问题：从明确的论题（例如“我们能否实时检测欺诈行为？”）入手，确定合适的预测方法
2. 获取和整理数据：现代团队利用 BigQuery 等无服务器数据仓库和 Lakehouse for Apache Iceberg 等开放式湖仓一体来管理海量数据集，省去管理基础设施方面的开销
3. 预处理数据：清理原始数据，移除可能导致模型出现偏差的异常值或测量错误
4. 开发预测性模型：数据科学家使用回归、决策树或神经网络等技术，在准备好的数据上训练模型
5. 验证和部署结果：持续检查模型准确性，并通过应用或信息中心向公司利益相关方部署分析洞见

业界最显著的变化是传统预测模型与生成式 AI 的融合。数据分析智能体让组织能够超越简单的预测，创建可以根据预测结果采取行动的智能体。通过使用预测性数据洞见来提示生成模型，企业可以自动执行复杂的决策流程，从“会发生什么？”转变为“我们应该怎么做？”

预测性分析依赖于几种核心的数学和计算方法：

• 回归分析：估算变量之间的关系，以确定一个输入（如价格）如何影响另一个输入（如销量）
• 决策树：以树状结构绘制潜在选择及其结果的分类模型
• 神经网络：强大的模式识别引擎，可对数据中复杂的非线性关系进行建模