A prediktív analitika az adatelemzés azon ága, amely a múltbeli adatok alapján jövőbeni eseményeket próbál megjósolni — bevétel-előrejelzés, ügyfél-elvándorlás (churn), készlet-szükséglet, sales-pipeline-konverzió. A klasszikus „leíró” analitikával (mi történt?) szemben a prediktív a „mi lesz?” kérdésére fókuszál. 2026-ban a gépi tanulási modellek és az LLM-ek olyan szintre fejlődtek, hogy egy átlagos magyar középvállalat is használhatja — nem kell saját adatkutató-csapat, kész SaaS-megoldások (HubSpot, Salesforce, Power BI) beépítve adják.
Így is ismerheted
Magyarul előrejelző elemzés, jóslatok adatból, prediktív modellezés. Angolul predictive analytics, predictive modeling, forecasting. Rokon fogalmak: descriptive analytics (mi történt), diagnostic analytics (miért történt), prescriptive analytics (mit tegyünk).
Mire jó cégeknek?
Néhány klasszikus felhasználási mód:
Sales-előrejelzés: a pipeline és múltbeli konverziós ráták alapján a havi/negyedéves bevétel becslése. CFO-knak, vezérigazgatóknak alap-tervezési input.
Ügyfél-elvándorlás (churn) detekció: a SaaS / előfizetéses cégeknél, melyik ügyfél van veszélyben, hogy lemondjon. Tipikusan 70-85%-os pontossággal megjósolható.
Készlet-előrejelzés: gyártócégnek, kereskedőnek mennyit kell rendelnie a következő hónapban. Túl sok = pénzfedezet; túl kevés = elveszett eladás.
Lead-konverzió: melyik lead konvertál vásárlóvá. Kapcsolódik a lead scoring cikkhez.
Karbantartás-előrejelzés: ipari gépeknél mikor várható meghibásodás (predictive maintenance).
Marketing-ROI: melyik kampány hozza a legtöbb értéket.
Hogyan működik?
A klasszikus folyamat:
- Adat-gyűjtés: minimum 1-2 év múltbeli adat. CRM, ERP, Analytics, könyvelő.
- Adat-tisztítás: hiányzó értékek, anomáliák, duplikációk.
- Modell-választás: regresszió (számszerű előrejelzés), klasszifikáció (kategória), idősoros (időbeli minták).
- Tréning: a modell megtanulja a múltbeli mintázatokat.
- Validáció: külön teszt-adaton ellenőrizzük a pontosságot.
- Élesítés: a modell éles adatokon dolgozik, és előrejelzéseket ad.
- Monitorozás + újratrénírás: a modell idővel romlik (drift), újratrénírni kell havi-negyedéves szinten.
Tool-ok 2026-ban
- HubSpot Predictive Lead Scoring — kész, CRM-be integrálva.
- Salesforce Einstein — komplex prediktív funkciók.
- Microsoft Power BI — időbeli előrejelzés-funkció, AutoML.
- Google Cloud Vertex AI — fejlesztői csapatnak.
- AWS SageMaker — szintén fejlesztői csapatnak.
- Custom (Python + scikit-learn / XGBoost) — maximális rugalmasság.
Mibe kerül?
- Kész tool (HubSpot Pro / Salesforce Einstein): havi $50-300/user.
- Power BI AutoML: a Power BI Premium-ban benne van.
- Custom projekt: 2-10 millió forint kezdő + havi 100-500 ezer forint.
A megtérülés erősen függ a felhasználástól. Egy jó churn-előrejelző 5-10%-kal csökkentheti a lemondási rátát — egy SaaS-cégnek ez óriási érték.
Mire figyelj?
Az első tipp: adat-minőség kritikus. „Garbage in, garbage out” — egy rossz CRM-adatokon a modell rosszul jósol. Bevezetés előtt érdemes 1-3 hetet szánni az adat-higiéniára.
A második: realista pontosság-elvárás. A prediktív modellek 70-90%-os pontossággal dolgoznak — nem 100%-osak. Ez segítségül szolgál, nem helyettesít.
A harmadik: magyarázhatóság. Egy „fekete doboz” modell, ami nem mondja meg, miért javasolja amit, nehéz elfogadtatni a csapattal. „Explainable AI” technikák segítenek.
A negyedik: GDPR. A prediktív modellek személyes adatokra építenek, és néha automatikus döntéseket hoznak — a GDPR Article 22 ezt szabályozza.
Az ötödik: drift és újratrénírás. A valós világ változik, a tréning-adatra épült modell idővel romlik. Negyedévente legalább egyszer felülvizsgálat.
Ha cégednél prediktív analitikát szeretnél bevezetni — sales-előrejelzés, churn-detekció, készlet-tervezés —, az AI és automatizáció szolgáltatásunkba beépítve segítünk. Kapcsolódó: AI-alapú döntéstámogatás, lead scoring, gépi tanulás.
