預測建模使用統計數據來預測結果。大多數情況下，人們想要預測的事件發生在未來，但預測建模可以應用于任何類型的未知事件，無論它何時發生。例如，預測模型通常用于在犯罪發生后檢測犯罪和識別嫌疑人。

在許多情況下，模型是根據檢測理論選擇的，以嘗試猜測給定輸入數據量的結果的概率，例如給定一封電子郵件，確定它是垃圾郵件的可能性。

模型可以使用一個或多個分類器來嘗試確定一組數據屬于另一組數據的概率。例如，可以使用模型來確定電子郵件是垃圾郵件還是“非垃圾郵件”（非垃圾郵件）。

根據定義邊界，預測建模與機器學習領域同義或在很大程度上與其重疊，因為它在學術或研究和開發環境中更常被提及。在商業部署時，預測建模通常稱為預測分析。

預測建模通常與因果建模/分析形成對比。在前一種情況下，人們可能完全滿足于使用感興趣的結果的指標或代理。在后者中，人們試圖確定真正的因果關系。這種區別導致了研究方法和統計領域的新興文獻以及“相關性并不意味著因果關系”的共同聲明。

提升建模是一種對由動作引起的概率變化進行建模的技術。通常，這是一種營銷行為，例如提供購買產品、更多使用產品或重新簽訂合同的提議。例如，在保留活動中，您希望預測聯系后客戶仍為客戶的概率變化。概率變化模型允許保留活動針對概率變化將對其有益的那些客戶。這允許保留計劃避免觸發不必要的流失或客戶流失，而不會浪費金錢聯系那些無論如何都會采取行動的人。

考古學中的預測建模的基礎來自GordonWilley五十年代中期在秘魯VirúValley的工作。進行了完整、深入的調查，然后確定了文化遺跡與自然特征（如坡度和植被）之間的協變性。定量方法的發展和更多適用數據的可用性導致了1960年代該學科的發展，到1980年代后期，全球主要土地管理者取得了實質性進展。

通常，考古學中的預測建模正在建立自然代理（例如土壤類型、海拔、坡度、植被、與水的接近程度、地質學、地貌學等）與考古特征的存在之間的統計上有效的因果關系或協變量關系。通過對經過考古調查的土地的這些可量化屬性進行分析，有時可以根據這些地區的自然代理來預測未調查地區的“考古敏感性”。美國的大型土地管理者，如土地管理局(BLM)、國防部(DOD)，許多公路和公園機構都成功地采用了這一策略。通過在他們的文化資源管理計劃中使用預測模型，他們能夠在規劃可能需要地面干擾并隨后影響考古遺址的活動時做出更明智的決策。

預測建模廣泛用于分析客戶關系管理和數據挖掘，以生成描述客戶采取特定行動的可能性的客戶級模型。這些操作通常與銷售、營銷和客戶保留相關。

例如，移動電信運營商等大型消費者組織將擁有一套用于產品交叉銷售、產品深度銷售（或追加銷售）和流失的預測模型。對于這樣的組織來說，現在更常見的是使用提升模型來建立可保存性模型。與標準的流失預測模型相反，這預測了在合同期結束時可以挽救客戶的可能性（流失概率的變化）。

車輛保險中使用預測模型根據從保單持有人獲得的信息將事故風險分配給保單持有人。這廣泛用于基于使用的保險解決方案，其中預測模型利用基于遙測的數據來構建索賠可能性的預測風險模型。黑盒汽車保險預測模型僅利用GPS或加速度計傳感器輸入。一些模型包括基本遙測之外的廣泛預測輸入，包括高級駕駛行為、獨立碰撞記錄、道路歷史和用戶檔案，以提供改進的風險模型。

2009年，ParklandHealth&HospitalSystem開始分析電子病歷，以使用預測模型來幫助識別再入院風險較高的患者。最初，醫院專注于充血性心力衰竭患者，但該項目已擴展到包括糖尿病、急性心肌梗塞和肺炎患者。

2018年，班納吉等人。提出了一種深度學習模型——ProbabilisticPrognosticEstimatesofSurvivalinMetastaticCancerpatient(PPES-Met)——通過分析電子醫療中的自由文本臨床筆記來估計患者的短期預期壽命（>3個月）記錄，同時保持時間訪問順序。該模型在大型數據集（10,293名患者）上進行了訓練，并在單獨的數據集（1818名患者）上進行了驗證。它實現了ROC（接收器操作特性）下的區域)曲線為0.89。為了提供解釋能力，他們開發了一種交互式圖形工具，可以提高醫生對模型預測基礎的理解。PPES-Met模型的高精度和可解釋性可能使該模型能夠用作決策支持工具來個性化轉移性癌癥治療并為醫生提供有價值的幫助。

交易中的預測建模是一個建模過程，其中使用一組預測變量來預測結果的概率。可以為股票、期貨、貨幣、商品等不同資產建立預測模型。預測模型仍然被貿易公司廣泛用于制定策略和交易。它利用數學上先進的軟件來評估價格、成交??量、持倉量和其他歷史數據的指標，以發現可重復的模式。

預測模型給出了鉛發電機先拔頭籌的預測數據驅動的結果對于每一個潛在的競選。這種方法可以節省時間并暴露潛在的盲點，以幫助客戶做出更明智的決策。

盡管主流預測建模社區并未廣泛討論，但預測建模是過去在金融業中廣泛使用的一種方法，其中一些重大失敗導致了2007-2008年的金融危機。這些失敗體現了完全依賴本質上是向后看的模型的危險。以下示例絕不是完整列表：

1)債券評級。標準普爾、穆迪和惠譽用稱為評級的離散變量量化債券違約的概率。評級可以采用從AAA到D的離散值。評級是基于與xxx人相關的各種變量和歷史宏觀經濟數據的違約風險預測指標。評級機構未能對6,000億美元抵押xxx支持的抵押債務義務(CDO)進行評級）市場。CDO市場的幾乎整個AAA部門（以及超級AAA部門，評級機構提供的代表超級安全投資的新評級）在2008年都違約或嚴重降級，其中許多獲得評級的時間還不到一年。

2)到目前為止，沒有任何統計模型試圖根據歷史數據來預測股票市場價格，這些模型被認為可以長期一致地做出正確的預測。一個特別令人難忘的失敗是LongTermCapitalManagement的失敗，該基金聘請了包括諾貝爾經濟學獎獲得者在內的高素質分析師來開發復雜的統計模型，以預測不同證券之間的價差。這些模型產生了令人印象深刻的利潤，直到發生重大崩潰，導致當時的美聯儲主席艾倫格林斯潘介入，促成華爾街的救援計劃經紀交易商，以防止債券市場崩潰。