该技能用于指导业务预测分析工作，适合围绕流失、意向、欺诈、需求或风险评分等场景开展建模。
主要能力：先明确业务决策、预测目标（二分类、多分类、连续值）、时间跨度与分析粒度，记录标签窗口和特征截止点；审计数据泄漏、标签时点与训练/验证设计。进行表格特征工程与选择，处理缺失、基数、异常值与时间覆盖。模型方面先建基线（多数类、线性/逻辑回归、朴素预测），再迭代树集成或正则化模型，并依据数据规模和可解释性需求选择模型族。验证采用留出、交叉验证或时间切分，指标与决策对齐，如稀有事件的 PR-AUC、需求的 MAPE 与 WAPE。分类与评分环节强调概率校准，阈值依据成本矩阵、容量或顶部十分位提升而非默认 0.5。可做实践者层面的模型解释（重要性、部分依赖、SHAP 直觉）。最后规划概念性的上线后监控，包括漂移信号、重训触发条件和对利益相关者的局限说明。
使用方式：按框架与标签、数据与特征、建模验证、分类与评分、预测与时间序列、部署监控沟通等工作流推进，并加载相应参考文档。
适用场景：流失、意向、欺诈、需求、风险评分等表格或时间有序数据的业务预测。
限制：不负责 MLOps 平台、特征库、模型注册、K8s 服务或训练流水线（属 ml-infrastructure-engineer-safeguards、ml-ops-engineer）；不做深度学习研究、大模型微调或新架构搜索（属 ml-research-engineer-safeguards、ai-engineer）；不做精算准备金、损失发展、费率指示或监管定价数学（属 actuarial-analyst、advanced-short-term-actuarial-mathematics、actuary）；不做仅仪表盘 KPI 布局（属 data-visualization、bi-analyst）；不做数仓/dbt 维度建模或管道幂等性（属 data-warehouse-engineer、analytics-data-engineer）；不做 A/B 实验设计（属 ab-testing-engineer）；不做市场/金融因子研究与回测（属 quantitative-researcher）；不做云成本预测与 FinOps 分摊（属 finops-analyst）。