La predictive analytics usa dati storici e modelli statistici o machine learning per stimare la probabilità di eventi futuri o valori non ancora osservati.
Come funziona
Può supportare forecast della domanda, probabilità di churn, propensione all’acquisto, rischio di reso, lead scoring e allocazione stock. La previsione deve essere collegata a una decisione concreta per generare valore.
Esempio pratico
Un modello identifica clienti con alta probabilità di inattività nei prossimi 60 giorni; il CRM può usare il punteggio per prioritizzare un programma di retention.
Perché è importante
Permette di passare da reporting descrittivo a decisioni più anticipate, allocando risorse dove la probabilità di impatto è maggiore.
Attenzione
Una previsione accurata ma non azionabile ha poco valore. Drift, bias, qualità dei dati e costi di errore devono essere monitorati nel tempo.