การวิเคราะห์เชิงพยากรณ์ครอบคลุมเทคนิคทางสถิติที่หลากหลาย ตั้งแต่การขุดข้อมูลการสร้างแบบจำลองเชิงพยากรณ์และการเรียนรู้ของเครื่องซึ่งวิเคราะห์ข้อเท็จจริงในปัจจุบันและในอดีตเพื่อทำนายเหตุการณ์ในอนาคตหรือเหตุการณ์ที่ไม่ทราบ^{[ 1 ]}

ในทางธุรกิจ โมเดลการทำนายจะใช้ประโยชน์จากรูปแบบที่พบในข้อมูลในอดีตและข้อมูลธุรกรรมเพื่อระบุความเสี่ยงและโอกาส โมเดลจะจับความสัมพันธ์ระหว่างปัจจัยหลายอย่างเพื่อให้สามารถประเมินความเสี่ยงหรือศักยภาพที่เกี่ยวข้องกับเงื่อนไขเฉพาะชุดหนึ่ง ซึ่งเป็นแนวทางในการตัดสินใจสำหรับธุรกรรมที่เป็นไปได้^{[ 2 ]}

ผลลัพธ์เชิงฟังก์ชันที่สำคัญของวิธีการทางเทคนิคเหล่านี้คือ การวิเคราะห์เชิงทำนายจะให้คะแนนการทำนาย (ความน่าจะเป็น) สำหรับแต่ละบุคคล (ลูกค้า พนักงาน ผู้ป่วย ผลิตภัณฑ์ ยานพาหนะ ชิ้นส่วน เครื่องจักร หรือหน่วยงานอื่น ๆ) เพื่อใช้ในการกำหนด แจ้ง หรือมีอิทธิพลต่อกระบวนการขององค์กรที่เกี่ยวข้องกับบุคคลจำนวนมาก เช่น ในด้านการตลาด การประเมินความเสี่ยงด้านเครดิต การตรวจจับการฉ้อโกง การผลิต การดูแลสุขภาพ และการดำเนินงานของภาครัฐ รวมถึงการบังคับใช้กฎหมาย

นับตั้งแต่ปี 2022 สาขานี้ได้พัฒนาไปอย่างมากด้วยการบูรณาการAI เชิงสร้างสรรค์และแบบจำลองภาษาขนาดใหญ่ (LLM) โดยเปลี่ยนจากการพยากรณ์เชิงตัวเลขล้วนๆ ไปสู่ ​​"Predictive GenAI" ซึ่งรวมการพยากรณ์เข้ากับการสร้างเนื้อหาอัตโนมัติและเวิร์กโฟลว์ตัวแทน^{[ 3 ]}

การวิเคราะห์เชิงพยากรณ์เป็นชุดของ เทคโนโลยี ธุรกิจอัจฉริยะ (BI) ที่เปิดเผยความสัมพันธ์และรูปแบบภายในข้อมูลจำนวนมาก ซึ่งสามารถนำมาใช้ในการทำนายพฤติกรรมและเหตุการณ์ต่างๆ แตกต่างจากเทคโนโลยี BI อื่นๆ การวิเคราะห์เชิงพยากรณ์เป็นการมองไปข้างหน้า โดยใช้เหตุการณ์ในอดีตเพื่อคาดการณ์อนาคต^{[ 4 ]}

เทคนิคทางสถิติของการวิเคราะห์เชิงทำนาย ได้แก่การสร้างแบบจำลองข้อมูล การเรียนรู้ ของเครื่องปัญญาประดิษฐ์อัลกอริทึมการเรียนรู้เชิงลึกและการขุดข้อมูลบ่อยครั้งที่เหตุการณ์ที่ไม่ทราบแน่ชัดที่น่าสนใจนั้นอยู่ในอนาคต แต่การวิเคราะห์เชิงทำนายสามารถนำไปใช้กับสิ่งที่ไม่ทราบแน่ชัดได้ทุกประเภท ไม่ว่าจะเป็นในอดีต ปัจจุบัน หรืออนาคต ตัวอย่างเช่น การระบุผู้ต้องสงสัยหลังจากเกิดอาชญากรรม หรือการฉ้อโกงบัตรเครดิตเมื่อเกิดขึ้น^{[ 5 ]}

หัวใจหลักของการวิเคราะห์เชิงพยากรณ์ขึ้นอยู่กับการจับความสัมพันธ์ระหว่างตัวแปรอธิบายและตัวแปรที่คาดการณ์จากเหตุการณ์ในอดีต และใช้ประโยชน์จากความสัมพันธ์เหล่านั้นเพื่อทำนายผลลัพธ์ที่ไม่ทราบ ความแม่นยำและความสามารถในการใช้งานของผลลัพธ์ขึ้นอยู่กับระดับของการวิเคราะห์ข้อมูลและคุณภาพของสมมติฐานเป็นอย่างมาก^{[ 1 ]}

โดยทั่วไปแล้ว การวิเคราะห์เชิงทำนายจะเน้นไปที่แบบจำลองจำแนกประเภท ซึ่งเป็นอัลกอริธึมที่จัดประเภทข้อมูลหรือทำนายค่า (เช่น "ลูกค้ารายนี้จะเลิกใช้บริการหรือไม่?") แต่ตั้งแต่ปี 2023 การเกิดขึ้นของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI)ได้ขยายขีดความสามารถของสาขานี้ออกไป

• GenAI เชิงทำนาย:แนวทางแบบผสมผสานนี้ใช้โมเดลการทำนายเพื่อระบุเหตุการณ์ในอนาคตและโมเดลการสร้างเพื่อสร้างการแทรกแซง ตัวอย่างเช่น โมเดลการทำนายอาจระบุลูกค้าที่มีความเสี่ยงสูง ในขณะที่โมเดลการสร้างจะร่างอีเมลการรักษาลูกค้าแบบเฉพาะบุคคล^{[ 6 ]}
• การสร้างข้อมูลสังเคราะห์:เครือข่ายปฏิปักษ์เชิงสร้าง ( GANs ) และตัวเข้ารหัสอัตโนมัติแบบแปรผันถูกใช้เพื่อสร้างชุดข้อมูลสังเคราะห์ ทำให้องค์กรสามารถฝึกโมเดลการทำนายบนข้อมูลที่เลียนแบบรูปแบบในโลกแห่งความเป็นจริงโดยไม่กระทบต่อความเป็นส่วนตัวของผู้ใช้^{[ 7 ]}
• การสอบถามด้วยภาษาธรรมชาติ:ปัจจุบันผู้ใช้ทางธุรกิจสามารถใช้การประมวลผลภาษาธรรมชาติ (NLP) เพื่อสอบถามข้อมูล (เช่น "แสดงการคาดการณ์ยอดขายสำหรับไตรมาสที่ 4 ที่ปรับตามอัตราเงินเฟ้อ") โดยไม่จำเป็นต้องมีความรู้เกี่ยวกับSQLหรือ Python ซึ่งช่วยลดอุปสรรคในการเข้าถึงการวิเคราะห์^{[ 8 ]}

เทคโนโลยีที่ทันสมัยสำหรับการวิเคราะห์เชิงทำนาย ซึ่งมักเรียกว่า "Modern Data Stack" ได้เปลี่ยนจากเซิร์ฟเวอร์ภายในองค์กรไปสู่สถาปัตยกรรมแบบเรียลไทม์บนคลาวด์แล้ว

• Data Lakehouses:แพลตฟอร์มต่างๆ เช่นDatabricksและSnowflakeผสานโครงสร้างของคลังข้อมูลเข้ากับความยืดหยุ่นของ Data Lake ซึ่งช่วยให้โมเดลการคาดการณ์สามารถทำงานได้โดยตรงกับข้อมูลดิบปริมาณมาก^{[ 9 ]}
• ฐานข้อมูลเวกเตอร์:เพื่อรองรับการวิเคราะห์ที่ขับเคลื่อนด้วย AI ฐานข้อมูลเวกเตอร์ (เช่น Pinecone หรือ Weaviate) จะจัดเก็บข้อมูลในรูปแบบเวกเตอร์ที่มีมิติสูง ซึ่งช่วยให้สามารถค้นหาเชิงความหมายและอนุญาตให้แบบจำลองการคาดการณ์รวมข้อมูลที่ไม่มีโครงสร้างเช่น ข้อความ เสียง และวิดีโอ^{[ 10 ]}

แนวทางและเทคนิคที่ใช้ในการวิเคราะห์เชิงทำนายสามารถแบ่งออกได้เป็นสองกลุ่มใหญ่ๆ คือ เทคนิคการถดถอย และเทคนิคการเรียนรู้ของเครื่องจักร

การเรียนรู้ของเครื่องสามารถนิยามได้ว่าเป็นความสามารถของเครื่องจักรในการเรียนรู้และเลียนแบบพฤติกรรมของมนุษย์ซึ่งต้องอาศัยสติปัญญา โดยสามารถทำได้ผ่านปัญญาประดิษฐ์ อัลกอริทึม และแบบจำลอง^{[ 11 ]}

แบบจำลอง ARIMA เป็นตัวอย่างทั่วไปของ แบบจำลอง อนุกรมเวลาแบบจำลองเหล่านี้ใช้การถดถอยอัตโนมัติ ซึ่งหมายความว่าสามารถปรับแบบจำลองให้เข้ากับซอฟต์แวร์การถดถอยที่จะใช้การเรียนรู้ของเครื่องเพื่อทำการวิเคราะห์การถดถอยและการปรับให้เรียบส่วนใหญ่ แบบจำลอง ARIMA เป็นที่ทราบกันดีว่าไม่มีแนวโน้มโดยรวม แต่มีการแปรผันรอบค่าเฉลี่ยที่มีแอมพลิจูดคงที่ ส่งผลให้รูปแบบเวลาที่คล้ายคลึงกันทางสถิติ ด้วยวิธีนี้ ตัวแปรจะถูกวิเคราะห์และข้อมูลจะถูกกรองเพื่อทำความเข้าใจและทำนายค่าในอนาคตได้ดียิ่งขึ้น^{[ 12 ] [ 13 ]}

ตัวอย่างหนึ่งของวิธีการ ARIMA คือแบบจำลองการปรับเรียบแบบเอกซ์โปเนนเชียลการปรับเรียบแบบเอกซ์โปเนนเชียลจะคำนึงถึงความแตกต่างในความสำคัญระหว่างชุดข้อมูลเก่าและชุดข้อมูลใหม่ เนื่องจากข้อมูลล่าสุดมีความแม่นยำและมีค่ามากกว่าในการทำนายค่าในอนาคต เพื่อให้บรรลุเป้าหมายนี้ จึงมีการใช้เลขชี้กำลังเพื่อให้ชุดข้อมูลใหม่มีน้ำหนักในการคำนวณมากกว่าชุดข้อมูลเก่า^{[ 14 ]}

แบบจำลองอนุกรมเวลาเป็นส่วนย่อยของการเรียนรู้ของเครื่องที่ใช้อนุกรมเวลาเพื่อทำความเข้าใจและพยากรณ์ข้อมูลโดยใช้ค่าในอดีต อนุกรมเวลาคือลำดับของค่าตัวแปรในช่วงเวลาที่เว้นระยะห่างเท่ากัน เช่น ปีหรือไตรมาสในแอปพลิเคชันทางธุรกิจ^{[ 15 ]}เพื่อให้บรรลุเป้าหมายนี้ ข้อมูลจะต้องได้รับการปรับให้เรียบ หรือความแปรปรวนแบบสุ่มของข้อมูลจะต้องถูกกำจัดออกไปเพื่อให้เห็นแนวโน้มในข้อมูล มีหลายวิธีที่จะบรรลุเป้าหมายนี้

วิธีการหาค่าเฉลี่ยเคลื่อนที่แบบเดี่ยวจะใช้ชุดข้อมูลในอดีตที่มีจำนวนน้อยลงเรื่อยๆ เพื่อลดข้อผิดพลาดที่เกี่ยวข้องกับการหาค่าเฉลี่ยแบบเดี่ยว ทำให้ได้ค่าเฉลี่ยที่แม่นยำกว่าการหาค่าเฉลี่ยของชุดข้อมูลทั้งหมด^{[ 16 ]}

วิธีการค่าเฉลี่ยเคลื่อนที่แบบศูนย์กลางใช้ข้อมูลที่พบในวิธีการค่าเฉลี่ยเคลื่อนที่แบบเดี่ยวโดยการหาค่าเฉลี่ยของชุดข้อมูลที่มีหมายเลขมัธยฐาน อย่างไรก็ตาม เนื่องจากการคำนวณชุดข้อมูลที่มีหมายเลขมัธยฐานทำได้ยากกับชุดข้อมูลที่มีหมายเลขคู่ วิธีนี้จึงทำงานได้ดีกว่ากับชุดข้อมูลที่มีหมายเลขคี่มากกว่าชุดข้อมูลที่มีหมายเลขคู่^{[ 17 ]}

การสร้างแบบจำลองเชิงพยากรณ์เป็นเทคนิคทางสถิติที่ใช้ในการทำนายพฤติกรรมในอนาคต โดยใช้แบบจำลองเชิงพยากรณ์เพื่อวิเคราะห์ความสัมพันธ์ระหว่างหน่วยเฉพาะในตัวอย่างที่กำหนดกับคุณลักษณะหนึ่งหรือมากกว่าของหน่วยนั้น วัตถุประสงค์ของแบบจำลองเหล่านี้คือการประเมินความเป็นไปได้ที่หน่วยในตัวอย่างอื่นจะแสดงรูปแบบเดียวกัน โซลูชันแบบจำลองเชิงพยากรณ์สามารถพิจารณาได้ว่าเป็นเทคโนโลยีการขุดข้อมูลประเภทหนึ่ง แบบจำลองเหล่านี้สามารถวิเคราะห์ทั้งข้อมูลในอดีตและปัจจุบัน และสร้างแบบจำลองเพื่อทำนายผลลัพธ์ในอนาคตที่เป็นไปได้^{[ 18 ]}

โดยทั่วไปแล้ว กระบวนการสร้างแบบจำลองการทำนายไม่ว่าจะใช้วิธีการใดก็ตาม จะมีขั้นตอนเหมือนกัน ขั้นแรก จำเป็นต้องกำหนดวัตถุประสงค์ของโครงการและผลลัพธ์ที่ต้องการ และแปลงสิ่งเหล่านี้ให้เป็นวัตถุประสงค์และงานวิเคราะห์เชิงทำนาย จากนั้น วิเคราะห์ข้อมูลต้นทางเพื่อกำหนดข้อมูลและวิธีการสร้างแบบจำลองที่เหมาะสมที่สุด (แบบจำลองจะมีประโยชน์ก็ต่อเมื่อใช้ข้อมูลที่เหมาะสมในการสร้าง) เลือกและแปลงข้อมูลเพื่อสร้างแบบจำลอง สร้างและทดสอบแบบจำลองเพื่อประเมินว่าแบบจำลองนั้นถูกต้องและสามารถบรรลุเป้าหมายและตัวชี้วัดของโครงการได้หรือไม่ นำผลลัพธ์ของแบบจำลองไปใช้กับกระบวนการทางธุรกิจที่เหมาะสม (การระบุรูปแบบในข้อมูลไม่ได้หมายความว่าธุรกิจจะเข้าใจวิธีการใช้ประโยชน์หรือสร้างผลกำไรจากข้อมูลนั้นเสมอไป) หลังจากนั้น จัดการและบำรุงรักษาแบบจำลองเพื่อสร้างมาตรฐานและปรับปรุงประสิทธิภาพ (ความต้องการการจัดการแบบจำลองจะเพิ่มขึ้นเพื่อให้เป็นไปตามข้อกำหนดการปฏิบัติตามกฎระเบียบใหม่) ^{[ 19 ]}

โดยทั่วไป การวิเคราะห์การถดถอยจะใช้ข้อมูลเชิงโครงสร้างร่วมกับค่าในอดีตของตัวแปรอิสระและความสัมพันธ์ระหว่างตัวแปรอิสระกับตัวแปรตามเพื่อสร้างการคาดการณ์^{[ 12 ]}

ในการถดถอยเชิงเส้นจะมีการสร้างกราฟโดยพล็อตค่าก่อนหน้าของตัวแปรตามบนแกน Y และพล็อตตัวแปรอิสระที่กำลังวิเคราะห์บนแกน X จากนั้นโปรแกรมทางสถิติจะสร้างเส้นถดถอยเพื่อแสดงความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตาม ซึ่งสามารถใช้ในการทำนายค่าของตัวแปรตามโดยอาศัยเพียงตัวแปรอิสระเท่านั้น โปรแกรมยังแสดงสมการความชัน-จุดตัดของเส้นถดถอย ซึ่งรวมถึงส่วนเพิ่มเติมสำหรับพจน์ความคลาดเคลื่อนของการถดถอย โดยยิ่งค่าของพจน์ความคลาดเคลื่อนสูงเท่าใด แบบจำลองการถดถอยก็จะยิ่งมีความแม่นยำน้อยลงเท่านั้น เพื่อลดค่าของพจน์ความคลาดเคลื่อน จะมีการนำตัวแปรอิสระอื่น ๆ เข้ามาในแบบจำลอง และทำการวิเคราะห์ที่คล้ายกันกับตัวแปรอิสระเหล่านี้^{[ 12 ] [ 20 ]}

แง่มุมที่สำคัญของการตรวจสอบบัญชีรวมถึงการตรวจสอบเชิงวิเคราะห์ ในการตรวจสอบเชิงวิเคราะห์ จะมีการพิจารณาความสมเหตุสมผลของยอดคงเหลือในบัญชีที่รายงานซึ่งกำลังถูกตรวจสอบ ผู้ตรวจสอบบัญชีดำเนินการกระบวนการนี้ผ่านการสร้างแบบจำลองเชิงพยากรณ์เพื่อสร้างการคาดการณ์ที่เรียกว่าความคาดหวังตามเงื่อนไขของยอดคงเหลือที่กำลังตรวจสอบโดยใช้วิธีการถดถอยอัตโนมัติแบบบูรณาการค่าเฉลี่ยเคลื่อนที่ (ARIMA) และวิธีการวิเคราะห์การถดถอยทั่วไป^{[ 12 ]}โดยเฉพาะอย่างยิ่งผ่านวิธีการเทคนิคทางสถิติสำหรับการตรวจสอบเชิงวิเคราะห์ (STAR) ^{[ 21 ]}

วิธีการ ARIMA สำหรับการตรวจสอบเชิงวิเคราะห์ใช้การวิเคราะห์อนุกรมเวลาของยอดคงเหลือที่ตรวจสอบในอดีตเพื่อสร้างความคาดหวังแบบมีเงื่อนไข จากนั้นความคาดหวังแบบมีเงื่อนไขเหล่านี้จะถูกเปรียบเทียบกับยอดคงเหลือจริงที่รายงานในบัญชีที่ตรวจสอบเพื่อพิจารณาว่ายอดคงเหลือที่รายงานใกล้เคียงกับความคาดหวังมากน้อยเพียงใด หากยอดคงเหลือที่รายงานใกล้เคียงกับความคาดหวัง บัญชีจะไม่ได้รับการตรวจสอบเพิ่มเติม หากยอดคงเหลือที่รายงานแตกต่างจากความคาดหวังมาก จะมีความเป็นไปได้สูงที่จะมีข้อผิดพลาดทางบัญชีที่สำคัญ และจะต้องดำเนินการตรวจสอบเพิ่มเติม^{[ 21 ]}

วิธีการวิเคราะห์การถดถอยจะถูกนำมาใช้ในลักษณะที่คล้ายคลึงกัน ยกเว้นแบบจำลองการถดถอยที่ใช้จะถือว่ามีตัวแปรอิสระเพียงตัวเดียวเท่านั้น ความสำคัญของตัวแปรอิสระที่ส่งผลต่อยอดคงเหลือในบัญชีที่ตรวจสอบจะถูกกำหนดโดยใช้ยอดคงเหลือในบัญชีในอดีตพร้อมกับข้อมูลโครงสร้างปัจจุบัน^{[ 12 ]}ความสำคัญคือความสำคัญของตัวแปรอิสระในความสัมพันธ์กับตัวแปรตาม^{[ 22 ]}ในกรณีนี้ ตัวแปรตามคือยอดคงเหลือในบัญชี ด้วยเหตุนี้จึงใช้ตัวแปรอิสระที่สำคัญที่สุดเพื่อสร้างความคาดหวังแบบมีเงื่อนไขและคล้ายกับวิธี ARIMA ความคาดหวังแบบมีเงื่อนไขจะถูกนำไปเปรียบเทียบกับยอดคงเหลือในบัญชีที่รายงาน และจะมีการตัดสินใจโดยพิจารณาจากความใกล้เคียงของยอดคงเหลือทั้งสอง^{[ 12 ]}

วิธีการ STAR ดำเนินการโดยใช้การวิเคราะห์การถดถอย และแบ่งออกเป็นสองวิธี วิธีแรกคือวิธีการยอดคงเหลือรายเดือนของ STAR โดยความคาดหวังแบบมีเงื่อนไขและการวิเคราะห์การถดถอยที่ใช้จะเชื่อมโยงกับการตรวจสอบหนึ่งเดือน อีกวิธีหนึ่งคือวิธีการยอดคงเหลือรายปีของ STAR ซึ่งดำเนินการในวงกว้างขึ้นโดยอิงความคาดหวังแบบมีเงื่อนไขและการวิเคราะห์การถดถอยจากการตรวจสอบหนึ่งปี นอกเหนือจากความแตกต่างในช่วงเวลาที่ตรวจสอบแล้ว ทั้งสองวิธีดำเนินการเหมือนกัน โดยเปรียบเทียบยอดคงเหลือที่คาดหวังและยอดคงเหลือที่รายงานเพื่อพิจารณาว่าควรตรวจสอบบัญชีใดเพิ่มเติม^{[ 21 ]}

เมื่อเราก้าวเข้าสู่โลกแห่งความก้าวหน้าทางเทคโนโลยีที่ข้อมูลถูกสร้างและจัดเก็บในรูปแบบดิจิทัลมากขึ้นเรื่อยๆ ธุรกิจต่างๆ จึงมองหาวิธีที่จะใช้ประโยชน์จากโอกาสนี้และใช้ข้อมูลนี้เพื่อช่วยสร้างผลกำไร การวิเคราะห์เชิงพยากรณ์สามารถนำมาใช้ได้และสามารถให้ประโยชน์มากมายแก่ธุรกิจหลากหลายประเภท รวมถึงบริษัทจัดการสินทรัพย์ บริษัทประกันภัย บริษัทสื่อสาร และบริษัทอื่นๆ อีกมากมาย ในการศึกษาที่ดำเนินการโดย IDC Analyze the Future แดน วาสเซ็ตและเฮนรี ดี. มอร์ริส อธิบายว่าบริษัทจัดการสินทรัพย์แห่งหนึ่งใช้การวิเคราะห์เชิงพยากรณ์เพื่อพัฒนาแคมเปญการตลาดที่ดีขึ้น พวกเขาเปลี่ยนจากวิธีการตลาดแบบมวลชนไปเป็นวิธีการที่เน้นลูกค้าเป็นศูนย์กลาง โดยแทนที่จะส่งข้อเสนอเดียวกันให้กับลูกค้าแต่ละราย พวกเขาจะปรับแต่งข้อเสนอแต่ละรายการตามลูกค้าแต่ละราย การวิเคราะห์เชิงพยากรณ์ถูกนำมาใช้เพื่อคาดการณ์ความเป็นไปได้ที่ลูกค้าเป้าหมายจะยอมรับข้อเสนอที่ปรับแต่งเฉพาะบุคคล เนื่องจากแคมเปญการตลาดและการวิเคราะห์เชิงพยากรณ์ อัตราการยอมรับของบริษัทจึงพุ่งสูงขึ้น โดยมีจำนวนผู้ที่ยอมรับข้อเสนอที่ปรับแต่งเฉพาะบุคคลเพิ่มขึ้นถึงสามเท่า^{[ 23 ]}

ความก้าวหน้าทางเทคโนโลยีในการวิเคราะห์เชิงพยากรณ์ได้เพิ่มมูลค่าให้กับบริษัทต่างๆ ความก้าวหน้าทางเทคโนโลยีประการหนึ่งคือคอมพิวเตอร์ที่มีประสิทธิภาพมากขึ้น และด้วยเหตุนี้การวิเคราะห์เชิงพยากรณ์จึงสามารถสร้างการคาดการณ์บนชุดข้อมูลขนาดใหญ่ได้เร็วขึ้นมาก ด้วยพลังการประมวลผลที่เพิ่มขึ้นยังนำมาซึ่งข้อมูลและแอปพลิเคชันที่มากขึ้น ซึ่งหมายถึงอินพุตที่หลากหลายมากขึ้นที่จะใช้กับการวิเคราะห์เชิงพยากรณ์ ความก้าวหน้าทางเทคโนโลยีอีกประการหนึ่งคืออินเทอร์เฟซที่เป็นมิตรกับผู้ใช้มากขึ้น ทำให้มีอุปสรรคในการเข้าถึงน้อยลงและการฝึกอบรมที่จำเป็นน้อยลงสำหรับพนักงานในการใช้ซอฟต์แวร์และแอปพลิเคชันอย่างมีประสิทธิภาพ เนื่องจากความก้าวหน้าเหล่านี้ บริษัทจำนวนมากจึงนำการวิเคราะห์เชิงพยากรณ์มาใช้และเห็นประโยชน์ในด้านประสิทธิภาพและประสิทธิผลของพนักงาน ตลอดจนผลกำไร^{[ 24 ]}

แบบจำลอง ARIMA แบบตัวแปรเดียวและหลายตัวแปรสามารถใช้ในการพยากรณ์ กระแสเงินสดในอนาคตของบริษัทได้โดยสมการและการคำนวณจะขึ้นอยู่กับค่าในอดีตของปัจจัยบางอย่างที่ส่งผลต่อกระแสเงินสด การใช้การวิเคราะห์อนุกรมเวลาจะช่วยให้สามารถวิเคราะห์และคาดการณ์ค่าของปัจจัยเหล่านี้เพื่อทำนายกระแสเงินสดในอนาคตของบริษัทได้ สำหรับแบบจำลองตัวแปรเดียว ค่าในอดีตของกระแสเงินสดเป็นปัจจัยเดียวที่ใช้ในการทำนาย ในขณะที่แบบจำลองหลายตัวแปรจะใช้ปัจจัยหลายอย่างที่เกี่ยวข้องกับข้อมูลสะสม เช่น รายได้จากการดำเนินงานก่อนหักค่าเสื่อมราคา^{[ 25 ]}

แบบจำลองอีกแบบหนึ่งที่ใช้ในการทำนายกระแสเงินสดได้รับการพัฒนาขึ้นในปี 1998 และเป็นที่รู้จักในชื่อแบบจำลอง Dechow, Kothari และ Watts หรือ DKW (1998) แบบจำลอง DKW (1998) ใช้การวิเคราะห์การถดถอยเพื่อกำหนดความสัมพันธ์ระหว่างตัวแปรหลายตัวกับกระแสเงินสด ด้วยวิธีนี้ แบบจำลองพบว่าการเปลี่ยนแปลงของกระแสเงินสดและรายการคงค้างมีความสัมพันธ์เชิงลบ โดยเฉพาะอย่างยิ่งผ่านกำไรปัจจุบัน และใช้ความสัมพันธ์นี้ในการทำนายกระแสเงินสดสำหรับงวดถัดไป แบบจำลอง DKW (1998) ได้มาจากความสัมพันธ์นี้ผ่านความสัมพันธ์ของรายการคงค้างและกระแสเงินสดกับบัญชีเจ้าหนี้และลูกหนี้ รวมถึงสินค้าคงคลัง^{[ 26 ]}

หน่วยงานสวัสดิการเด็กบางแห่งเริ่มใช้การวิเคราะห์เชิงทำนายเพื่อระบุกรณีที่มีความเสี่ยงสูง^{[ 27 ]}ตัวอย่างเช่น ในเคาน์ตีฮิลส์โบโร รัฐฟลอริดาการใช้เครื่องมือสร้างแบบจำลองเชิงทำนายของหน่วยงานสวัสดิการเด็กได้ช่วยป้องกันการเสียชีวิตของเด็กที่เกี่ยวข้องกับการถูกทารุณกรรมในกลุ่มเป้าหมาย^{[ 28 ]}

การทำนายผลลัพธ์ของการตัดสินใจทางกฎหมายสามารถทำได้โดยโปรแกรม AI โปรแกรมเหล่านี้สามารถใช้เป็นเครื่องมือช่วยเหลือสำหรับผู้เชี่ยวชาญในอุตสาหกรรมนี้ได้^{[ 29 ] [ 30 ]}

บ่อยครั้งที่จุดสนใจของการวิเคราะห์ไม่ได้อยู่ที่ผู้บริโภค แต่เป็นผลิตภัณฑ์ พอร์ตโฟลิโอ บริษัท อุตสาหกรรม หรือแม้แต่เศรษฐกิจ ตัวอย่างเช่น ผู้ค้าปลีกอาจสนใจที่จะคาดการณ์ความต้องการในระดับร้านค้าเพื่อวัตถุประสงค์ในการจัดการสินค้าคงคลัง หรือคณะกรรมการธนาคารกลางสหรัฐฯ อาจสนใจที่จะคาดการณ์อัตราการว่างงานสำหรับปีถัดไป ปัญหาประเภทนี้สามารถแก้ไขได้ด้วยการวิเคราะห์เชิงพยากรณ์โดยใช้เทคนิคอนุกรมเวลา (ดูด้านล่าง) นอกจากนี้ยังสามารถแก้ไขได้ด้วยวิธีการเรียนรู้ของเครื่องซึ่งแปลงอนุกรมเวลาดั้งเดิมให้เป็นพื้นที่เวกเตอร์คุณลักษณะ โดยที่อัลกอริธึมการเรียนรู้จะค้นหารูปแบบที่มีพลังในการพยากรณ์^{[ 31 ] [ 32 ]}

ธุรกิจหลายแห่งต้องคำนึงถึงความเสี่ยงที่เกิดจากบริการที่แตกต่างกัน และกำหนดต้นทุนที่จำเป็นในการครอบคลุมความเสี่ยงนั้น การวิเคราะห์เชิงพยากรณ์สามารถช่วยประเมินปริมาณเหล่านี้ได้โดยการคาดการณ์โอกาสของการเจ็บป่วย การผิดนัดชำระหนี้การล้มละลายฯลฯ การวิเคราะห์เชิงพยากรณ์สามารถปรับปรุงกระบวนการได้มาซึ่งลูกค้าโดยการคาดการณ์พฤติกรรมความเสี่ยงในอนาคตของลูกค้าโดยใช้ข้อมูลระดับแอปพลิเคชัน การวิเคราะห์เชิงพยากรณ์ในรูปแบบของคะแนนเครดิตได้ลดระยะเวลาในการอนุมัติสินเชื่อ โดยเฉพาะในตลาดสินเชื่อที่อยู่อาศัย การวิเคราะห์เชิงพยากรณ์ที่เหมาะสมสามารถนำไปสู่การตัดสินใจด้านราคาที่เหมาะสม ซึ่งสามารถช่วยลดความเสี่ยงจากการผิดนัดชำระหนี้ในอนาคต การวิเคราะห์เชิงพยากรณ์สามารถใช้เพื่อลดความเสี่ยงทางศีลธรรมและป้องกันอุบัติเหตุที่อาจเกิดขึ้นได้^{[ 33 ]}

• วิทยาศาสตร์ประกันภัย
• ปัญญาประดิษฐ์ในด้านการดูแลสุขภาพ
• ขั้นตอนการวิเคราะห์ (การตรวจสอบบัญชีการเงิน)
• ข้อมูลขนาดใหญ่
• สังคมวิทยาเชิงคำนวณ
• การลดอาชญากรรมโดยใช้ข้อมูลสถิติทางประวัติศาสตร์
• การจัดการการตัดสินใจ
• การเฝ้าระวังโรค
• การวิเคราะห์การเรียนรู้
• อัลกอริทึมอัตราต่อรอง
• การจดจำรูปแบบ
• การอนุมานเชิงทำนาย
• การคาดการณ์การก่ออาชญากรรม
• การวิเคราะห์สื่อสังคมออนไลน์