分析方法：
· 分類 （Classification）
· 估計（Estimation）
· 預測（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚類（Clustering）
· 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
方法簡介：
·分類 （Classification）
首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 故障診斷：中國寶鋼集團與上海天律信息技術有限公司合作，采用數據挖掘技術對鋼材生產的全流程進行質量監控和分析，構建故障地圖，實時分析產品出現瑕疵的原因，有效提高了產品的優良率。
註意： 類的個數是確定的，預先定義好的
· 估計（Estimation）
估計與分類類似，不同之處在於，分類描述的是離散型變量的輸出，而估值處理連續值的輸出；分類的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計壹個家庭的孩子個數
b. 根據購買模式，估計壹個家庭的收入
c. 估計real estate的價值
壹般來說，估值可以作為分類的前壹步工作。給定壹些輸入數據，通過估值，得到未知的連續變量的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。
· 預測（Prediction）
通常，預測是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用於對未知變量的預言。從這種意義上說，預言其實沒有必要分為壹個單獨的類。預言其目的是對未來未知變量的預測，這種預測是需要時間來驗證的，即必須經過壹定時間後，才知道預言準確性是多少。
· 相關性分組或關聯規則（Affinity grouping or association rules）
決定哪些事情將壹起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A後，隔壹段時間，會購買B （序列分析）
· 聚類（Clustering）
聚類是對記錄分組，把相似的記錄在壹個聚集裏。聚類和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。
例子：
a. 壹些特定癥狀的聚集可能預示了壹個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第壹步。例如，哪壹種類的促銷對客戶響應最好？，對於這壹 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集裏，然後對每個不同的聚集，回答問題，可能效果更好。
· 描述和可視化（Description and Visualization）
是對數據挖掘結果的表示方式。壹般只是指數據可視化工具，包含報表工具和商業智能分析產品（BI）的統稱。譬如通過Yonghong Z-Suite等工具進行數據的展現，分析，鉆取，將數據挖掘的分析結果更形象，深刻的展現出來。