L’introduction de l’analyse prédictive a déjà fait ses preuves dans un large éventail de domaines et d’industries. Outre les entreprises de haute technologie, le secteur de la santé, par exemple, utilise cette méthode pour anticiper les évolutions probables de certaines maladies. Le secteur de l'énergie est également un domaine d'application important, avec notamment le développement de réseaux électriques intelligents, les « smart grids ». La consommation d'énergie peut en effet être estimée sur la base de schémas de comportement des clients enregistrés (Smart Customer Data) afin de réguler avec précision l'apport nécessaire d'énergie éolienne et hydroélectrique.
La maintenance d’une machine est également prévue par les analyses prédictives. Ici, les données existantes d'une machine en marche sont utilisées pour prédire sa charge future et son usure. Les points faibles de la chaîne de production peuvent ainsi être rapidement identifiés et réparés, afin d’éviter par exemple un arrêt total de cette production.
Il est préférable d'utiliser l'analyse prédictive lorsque l'on dispose d’un bon nombre de paquets de données qui sont notamment très différents les uns des autres et les plus complets possibles. Tous les paquets de données sont ensuite intégrés dans l'analyse, et plus il y a de données provenant de domaines variés, plus les résultats seront précis. Voici quelques-uns des outils les plus populaires pour effectuer des analyses prédictives :
- Alpine Data Labs
- Alteryx
- Angoss KnowledgeSTUDIO
- BIRT Analytics
- IBM SPSS Statistics and IBM SPSS Modeler
- KXEN Modeler
- Mathematica
- MATLAB
Pour aller un pas plus loin, on peut également effectuer des analyses prescriptives (prescriptive analytics). Cette méthode commence là où l'analyse prédictive atteint ses limites. Le but est de comprendre des lignes directrices de comportement pour tenter de les reproduire de manière ciblée. Cette procédure est rendue possible grâce à des structures analytiques basées sur des modèles complexes et des simulations stochastiques de la méthode Monte-Carlo. Comme pour l'analyse prédictive, plus on utilise de variables connues et fiables dans ces modèles, plus les résultats seront pertinents.