Un primer elemento que va a afectar en la calidad de las predicciones es la base de datos que se utilice. En el caso eólico, las campañas de medición de viento previas a la instalación de un parque son de 12 meses mínimo y las hacen empresas especializadas. También los datos de los fabricantes, los parámetros operativos que facilitan. Además, como en todo modelo estadístico, cuanto más datos hay en la muestra, más fiable es el resultado que se obtiene del modelo.

En segundo lugar, la herramientas de cálculo que se maneje: el tipo de técnica matemática. En este sentido, se está innovando mucho, por ejemplo, con técnicas de Machine Learning y en concreto de Deep Learning. 

En tercer lugar, la habilidad y capacidades de los equipos que estén trabajando con las predicciones. La combinación de los conocimientos técnicos, con los de la mecánica del sector. 

A tener en cuenta, cada vez más, la previsión del cambio climático y cómo éste puede afectar a las futuras predicciones. 

Para que las predicciones fueran mejorando de manera continua sería muy positivo compartir los datos tanto de las predicciones como de la producción real, pero en este sector esto es algo que cuesta. Esto ayudaría en particular a detectar y auditar los parámetros y resultados excesivamente optimistas que a veces se utilizan en la justificación del desarrollo de los proyectos. La mejora de estas predicciones ayuda a los gestores a tomar decisiones más informadas y minimiza las sorpresas en la eficiencia de los proyectos y en sus resultados económicos futuros mejorando el estudio de viabilidad de estos proyectos.