Obiectivul principal al metodelor predictive îl constituie căutarea de modele optimale pentru diferite metode de modelare: clasice (regresia multiplă, analiza discriminantă), mai puţin clasice (segmentarea) sau de instruire (reţelele neuronale, agregarea de modele, maşinile cu suport vectorial). Articolul se concentrează pe prezentarea sub o formă omogenă şi sintetică a celor mai frecvent utilizate metode de instruire supervizată pentru descoperirea de cunoştinţe din volume (foarte) mari de date (Big data, DCD) pentru sprijinirea deciziilor în diverse domenii de aplicare. Pentru fiecare metodă au fost evidenţiate, după caz, o serie de aspecte specifice esenţiale pentru prospectorul de date: domeniile de aplicabilitate, semnificaţiile coeficienţilor, puterea de discriminare a caracteristicilor, metodele de selecţie a variabilelor, adecvarea modelului cu datele observate, măsurarea performanţelor, separarea estimării modelului de estimarea erorilor de previziune, controlul supra-învăţării, caracterizarea şi interpretarea rezultatelor, performanţele computaţionale.