Poslovno predviđanje je proces koji se koristi za procjenu ili predviđanje budućih obrazaca. Rukovoditelji, menadžeri i analitičari koriste predviđene rezultate kako bi pomogli u donošenju bolje informiranih poslovnih odluka. Na primjer, poslovne prognoze koriste se za procjenu tromjesečne prodaje, razine zaliha, ponovnih narudžbi u lancu opskrbe, prometa na web stranici i izloženosti riziku. Dok se poslovno predviđanje obično postiže korištenjem statističkih tehnika, rudarenje podataka također se pokazalo korisnim alatom za tvrtke s mnogo povijesnih podataka.
Alati koji se koriste za poslovno predviđanje ovise o potrebama poslovanja i količini uključenih podataka. Ti alati uključuju proračunske tablice, planiranje resursa poduzeća, napredne sustave upravljanja lancem opskrbe i druge mrežne ili web tehnologije. Općenito, korišteni alati trebali bi omogućiti jednostavno dijeljenje podataka između odjela ili poslovnih jedinica, učitavanje podataka iz više izvora, niz tehnika analize i grafički pregled rezultata.
Za različite vrste podataka i analiza dostupne su tri metode poslovnog predviđanja. Model vremenske serije je najčešći, gdje se podaci projiciraju naprijed. Statistički izračuni za ovaj model uključuju pokretni prosjek, eksponencijalno izglađivanje i Box-Jenkinsove metode. Modeli vremenskih serija jednostavni su po tome što će se nakon utvrđivanja formule umetanjem povijesnih podataka dobiti prognozirani rezultati. Korisno je samo kada povijesni podaci pokazuju jak obrazac, anomalije koje nisu uzete u obzir.
Modeli objašnjenja su još jedna metoda poslovnog predviđanja. Ovi modeli ne trebaju toliko povijesnih podataka koliko analiza vremenskih serija kako bi dobili korisne poslovne prognoze. Linearne regresije, neparametarske aditivne i regresije kašnjenja su uobičajene metode. Na primjer, linearna regresija se može koristiti da se odredi koliko će prometa na web stranici donijeti za željeni prihod od oglašavanja.
Data mining treća je metoda poslovnog predviđanja i dobiva na popularnosti kako tvrtke prikupljaju i spremaju sve više svojih podataka u digitalnom formatu. Ova se metoda oslanja na probiranje povijesnih podataka za uzorke. Ti se podaci obično dohvaćaju i kombiniraju iz različitih odjela, e-pošte i izvješća. Algoritmi se mogu temeljiti na prikupljanju podataka za automatsko predviđanje, kao što je Amazon.com sustav koji svojim korisnicima nudi preporučene knjige.
Pogreške u poslovnom predviđanju česte su zbog problema sa softverom, matematičkih pogrešaka, nepotrebnih podešavanja i pristranosti. Smanjenje ili eliminiranje pogrešaka može se postići ponovnim izračunom, usporedbom rezultata kada se koristi druga formula ili metoda, minimiziranjem podešavanja i uklanjanjem prilika za pristranosti. Procjene bi trebale biti jasno identificirane s objašnjenjem kako je procjena stvorena. Početne prognoze mogu se pokazati netočnima u usporedbi sa stvarnim rezultatima, pa će možda biti potrebno stalno prilagođavanje kako bi se proizvela jača buduća predviđanja.