Machine Learning (ML) ของ Forecast Pro นั้น คุณไม่จำเป็นต้องเป็นนักวิทยาศาสตร์ข้อมูลเพื่อที่จะสร้างการพยากรณ์ที่แม่นยำ เพราะ Forecast Pro ได้มีการนำ Extreme Gradient Boosting Decision Trees มาใช้ รวมถึงยังได้มีการรวบรวมคุณสมบัติต่าง ๆ ที่ได้กำหนดไว้ล่วงหน้า เพื่อช่วยให้คุณสามารถสร้างแบบจำลองที่สมบูรณ์ได้โดยอัตโนมัติ คุณยังสามารถปรับแต่งโมเดลที่สร้างขึ้นได้โดยการแสดงรายการคุณสมบัติเพิ่มเติม เช่น ตัวแปรอธิบาย (Explanatory Variable), ตารางงาน (Event Schedules) เป็นต้น

       Exponential Smoothing Forecast Pro ได้รวบรวมแบบจำลอง 12 แบบ Holt-Winters exponential smoothing เพื่อรองรับข้อมูลที่มีรูปแบบของแนวโน้ม และรูปแบบฤดูกาลที่หลากหลาย

       Box-Jenkins สำหรับชุดข้อมูลที่มีความเสถียร Forecast Pro จะสนับสนุนแบบจำลอง Box Jenkins โดยโปรแกรมสามารถสร้างแบบจำลองเสร็จอัตโนมัติหรือแบบโต้ตอบด้วยตัวช่วยที่มีหน้าจอสำหรับ diagnostic ที่สมบูรณ์และครบถ้วน

       Dynamic Regression จะถูกใช้เมื่อมีตัวชี้นำหรือตัวแปรสำคัญอื่นๆ คุณสามารถรวมตัวแปรอิสระ หรือเปลี่ยนและสร้างแบบจำลอง Cochrane-Orcutt โดยใช้ Forecast Pro (XE เท่านั้น) ในการสร้างและเปรียบเทียบแบบจำลอง ซึ่งใช้เวลาอันสั้น

       Event Models เป็นส่วนขยายจาก exponential smoothing เพื่อให้สามารถปรับเปลี่ยนค่าพยากรณ์กิจกรรมพิเศษ เช่น การทำโปรโมชั่นต่างๆ การเคลื่อนไหวในวันหยุด หรือเหตุการณ์ผิดปกติอื่นๆ

       Multiple-Level Models ช่วยทำให้คุณสร้างข้อมูลระดับกลุ่มสินค้าและใช้วิธี top-down หรือ bottom-up ได้เพื่อทำให้ผลการพยากรณ์ในทุกระดับชั้นและสามารถนำดัชนีฤดูกาล หรือการทำโปรโมชั่นเพื่อการกระจายผลของการพยากรณ์ จากระดับสูงสู่ระดับล่าง หรือจากระดับล่างสู่ระดับสูง ก็สามารถทำได้เช่นกัน

         New Product Forecasting Forecast Pro มีหลากหลายวิธีการในการคาดการณ์ผลิตภัณฑ์ใหม่ รวมไปถึงการคาดการณ์ด้วยการเปรียบเทียบ การแทนที่รายการ และแบบจำลองการคาดการณ์รูปแบบของการแพร่กระจาย (Bass Diffusion Model)

    Seasonal Simplification เป็นส่วนขยายจาก exponential smoothing ที่ลดจำนวนของดัชนีฤดูกาลที่ใช้ในการจำลองข้อมูล ซึ่งบ่อยครั้งทำให้ค่าพยากรณ์ต่างๆ ได้ถูกปรับปรุงความแม่นยำให้สูงขึ้นตามข้อมูล เช่น การพยากรณ์ในรายสัปดาห์ เป็นต้น

       Low Volume Models แบบจำลอง Croston’s intermittent และแบบจำลอง Discrete มีไว้เพื่อรองรับข้อมูลปริมาณต่ำและเกิดขึ้นห่างกัน เช่น ข้อมูลที่มีข้อมูลส่วนใหญ่เป็นศูนย์

       Curve Fitting ช่วยทำให้ง่ายและรวดเร็วขึ้นในการระบุรูปแบบของ curve ตามชุดข้อมูลของคุณ สามารถนำไปใช้พยากรณ์รายปีและคาดคะเนการขายสินค้าใหม่ได้

       Simple Methods สำหรับชุดข้อมูลที่มีสั้นมากๆ หรือข้อมูลที่มีความแปรปรวนสูงมากๆ โปรแกรม Forecast Pro ได้มีวิธี moving average และยังมีวิธีง่ายๆ อีกหลากหลายวิธีเพื่อรองรับกับข้อมูลลักษณะนี้