一、迴歸分析
目的：
設法找出變數間的依存(數量)關係, 用函式關係式表達出來。
所謂迴歸分析法，是在掌握大量觀察資料的基礎上，利用數理統計方法建立因變數與自變數之間的迴歸關係函式表示式（稱迴歸方程式）。
迴歸分析中，當研究的因果關係只涉及因變數和一個自變數時，叫做一元迴歸分析；當研究的因果關係涉及因變數和兩個或兩個以上自變數時，叫做多元迴歸分析。
此外，迴歸分析中，又依據描述自變數與因變數之間因果關係的函式表示式是線性的還是非線性的，分為線性迴歸分析和非線性迴歸分析。通常線性迴歸分析法是最基本的分析方法，遇到非線性迴歸問題可以藉助數學手段化為線性迴歸問題處理。
迴歸分析法是定量預測方法之一。它依據事物內部因素變化的因果關係來預測事物未來的發展趨勢。由於它依據的是事物內部的發展規律，因此這種方法比較精確。測報工作中常用的是一元線性迴歸和多元線性迴歸模型。
一元線性迴歸是指事物發展的自變數與因變數之間是單因素間的簡單線性關係，它的模型可以表示為: y=a+bx
其中y是因變數，x是自變數，a是常數，b是迴歸係數。
多元線性迴歸是指一個因變數與多個自變數之間的線性關係。模型的一般型式為：
y=a+b1x1+b2x2+…+bnxn
其中，y是因變數，x1、x2、…xn是自變數，a是常數，b1、b2、…bn是迴歸係數。
logistic迴歸（logistic regression）是研究因變數為二分類或多分類觀察結果與影響因素（自變數）之間關係的一種多變數分析方法，屬概率型非線性迴歸。
logistic迴歸的分類：
（1）二分類資料logistic迴歸：因變數為兩分類變數的資料，可用非條件logistic迴歸和條件logistic迴歸進行分析。非條件logistic迴歸多用於非配比-對照研究或佇列研究資料，條件logistic迴歸多用於配對或配比資料。
（2）多分類資料logistic迴歸：因變數為多項分類的資料，可用多項分類logistic迴歸模型或有序分類logistic迴歸模型進行分析。

二、分類分析

（1）決策樹
決策樹方法的起源是概念學習系統CLS，然後發展到ID3方法而為高潮，最後又演化為能處理連續屬性的C4.5。有名的決策樹方法還有CART和Assistant。 決策樹是應用最廣的歸納推理演算法之一，一種逼近離散值目標函式的方法，對噪聲資料有很好的健壯性且能學習析取表示式。
決策樹通過把例項從根節點排列到某個葉子節點來分類例項，葉子節點即為例項所屬的分類。樹上的每一個節點說明了對例項的某個屬性的測試，並且該節點的每一個後繼分支對應於該屬性的一個可能值。
決策樹使用的問題：
1）例項是由屬性-值對錶示的；2）目標函式具有離散的輸出值；3）可能需要析取的描述；4）訓練資料可以包含錯誤；5）訓練資料可以包含缺少屬性值的例項。
決策樹屬性的選擇：構造好的決策樹的關鍵在於如何選擇好的邏輯判斷或屬性。對於同樣一組例子，可以有很多決策樹能符合這組例子。人們研究出，一般情況下或具有較大概率地說，樹越小則樹的預測能力越強。要構造儘可能小的決策樹，關鍵在於選擇恰當的邏輯判斷或屬性。由於構造最小的樹是NP-難問題，因此只能採取用啟發式策略選擇好的邏輯判斷或屬性。
決策樹的優點：可以生成可以理解的規則；計算量相對來說不是很大；可以處理連續和離散欄位；決策樹可以清晰的顯示哪些欄位比較重要。
決策樹的缺點：對連續性的欄位比較難預測；當類別太多時，錯誤可能會增加的比較快；一般的演算法分類的時候，只是根據一個屬性來分類。；不是全域性最優。
（2）人工神經網路
人工神經網路是一種應用類似於大腦神經突觸聯接的結構進行資訊處理的數學模型。人工神經網路是由人工建立的以有向圖為拓撲結構的動態系統，它通過對連續或斷續的輸入作狀態相應而進行資訊處理。
人工神經網路的特點:可以充分逼近任意複雜的非線性關係；所有定量或定性的資訊都等勢分佈貯存於網路內的各神經元，故有很強的魯棒性和容錯性；採用並行分佈處理方法，使得快速進行大量運算成為可能；可學習和自適應不知道或不確定的系統；能夠同時處理定量、定性知識。

三、相關性分析
研究現象A，B之間是的某種依存關係，或者研究變數X，Y之間的相互依存關係的密切程度。就是對總體中確實具有聯絡的標誌進行分析，其主體是對總體中具有因果關係標誌的分析。它是描述客觀事物相互間關係的密切程度並用適當的統計指標表示出來的過程。例如：在一段時期內出生率隨經濟水平上升而上升，這說明兩指標間是正相關關係；而在另一時期，隨著經濟水平進一步發展，出現出生率下降的現象，兩指標間就是負相關關係。

四、聚類分析
聚類是一個將資料集劃分為若干組或類的過程，並使得同一個組內的資料物件具有較高的相似度而不同組中的資料物件是不相似的。相似或者不相似描述的是基於資料描述屬性的取值來確定的。通常是利用各物件間的距離來進行表示。
資料探勘領域的聚類演算法有很多種，其中k-means聚類演算法是最簡單而且非常有效的聚類演算法。採用k-means聚類演算法對整個使用者空間進行聚類的主要步驟如下:
（1）隨機選擇k個使用者作為種子節點，將k個使用者對項的評分資料作為初始的聚類中心。
（2）對剩餘的使用者集合，計算每個使用者與k個聚類中心的相似性，將每個使用者分配到相似性最高的聚類中。
（3）對新生成的聚類，計算聚類中所有使用者對項的平均評分，生成新的聚類中心。
（4）重複以上2到3步，直到聚類不再發生改變為止。
例如：通過分組聚類出具有相似行為的客戶，並分析客戶的共同特徵，可以更好的幫助電子商務的使用者瞭解自己的客戶，向客戶提供更合適的服務。

五、判別分析
判別分析是按照一定的判別準則，建立一個或多個判別函式，用研究物件的大量資料確定判別函式中的待定係數，並計算判別指標。據此即可確定某一樣本屬於何類。例如：為了確診某種疾病，需要將病人的各項檢測指標同各種典型的病歷做對照，從而判斷其最可能屬於哪種疾病。

六、主成分分析
設法將原來的變數重新組合成一組新的互相無關的幾個綜合變數，同時根據實際需要從中可以取出幾個較少的總和變數儘可能多地反映原來變數的資訊的統計方法叫做主成分分析或稱主分量分析，也是數學上處理降維的一種方法。

七、因子分析
根據相關性的大小把變數分組，使得同組內的變數相關性高，不同組變數的相關性較低，然後在每一個組內提煉出一個公因子。
從大量的指標中提取有代表性的共性因子，比如客戶忠誠度，滿意度等。 主成份分析是尋找一種逼近，能夠最大可能的描述資料的變化(variability)。因子分析可以理解為一個隱變數模型。由此可以說，因子分析某種程度上是一個引數模型

八、時間序列分析
根據系統觀測得到的時間序列資料，通過曲線擬合和引數估計來建立數學模型的理論和方法。
常用在國民經濟巨集觀控制、區域綜合發展規劃、企業經營管理、市場潛量預測、氣象預報、水文預報、地震前兆預報、農作物病蟲災害預報、環境汙染控制、生態平衡、天文學和海洋學等方面。

常見應用以及採用的分析技術：

• 客戶流失 （分類模型、Logistic迴歸演算法）
• 使用者流失預測（分類模型、神經網路、Logistic迴歸演算法） 
• 購買傾向預測（分類模型、Logistic迴歸演算法） 
• 增量銷售預測 （分類模型、Logistic迴歸演算法）
• 客戶價值增長預測 （分類模型、Logistic迴歸演算法）
• 競爭對手流失預測 （分類模型、Logistic迴歸演算法）
• 客戶級別打分 （分類模型、Logistic迴歸演算法）
• 點選率分析（聚類模型、偏差檢測、Logistic迴歸演算法）
• 網站訪問行為分析（聚類模型）
• 客戶分群 （聚類模型、K-Means演算法）
• 購物籃分析 （關聯規則）
• 。。。。