① 分类。分类就是找出数据库中一组数据对象的共同特征，按照分类方式将它们分为不同的类。目的是通过分类模型将数据库中的数据项映射到给定的类别。可应用于客户分类、客户属性与特征分析、客户满意度分析、客户购买趋势预测等。例如，汽车零售商根据对汽车的喜好将客户分为不同的类别，这样营销人员就可以大大增加商业机会通过将新车型的广告手册直接邮寄给感兴趣的客户。 ② 回归分析。回归分析方法及时反映交易数据库中属性值的特征，生成将数据项映射到实值预测变量的函数，发现变量或属性之间的依赖关系。其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据之间的相关性等。它可以应用于营销的各个方面，如客户寻求、保留和预防损失活动、产品生命周期分析、销售趋势预测和有针对性的促销活动等。③ 聚类。聚类分析是将一组数据根据相似性和差异性分为若干类，其目的是使属于同一类的数据之间的相似性尽可能大，不同类别的数据之间的相似性尽可能小.可应用于客户群体分类、客户背景分析、客户购买趋势预测、市场细分等。④ 关联规则。关联规则是描述数据库中数据项之间关系的规则，即根据某个项在一个事务中的出现，可以推导出其他项也出现在同一个事务中，即隐藏关联或数据之间的关系。在客户关系管理中，通过挖掘企业客户数据库中的大量数据，从大量记录中发现有趣的相关性，找到影响营销效果的关键因素，为产品定位定制客户群体，定价和定制。、客户寻找、细分和保留、营销和促销、营销风险评估和欺诈预测为决策支持提供参考。⑤ 特征。特征分析就是从数据库中的一组数据中提取出关于这些数据的特征表达，这些特征表达表达了数据集的整体特征。例如，营销人员可以通过对客户流失因素的特征提取，得到导致客户流失的一系列原因和主要特征，并利用这些特征有效防止客户流失。⑥ 变化与偏差分析。偏差包括一大类潜在有趣的知识，例如分类中的异常实例、模式的异常、观察值与预期的偏差等。目的是找到观察值和参考量之间有意义的差异。在企业危机管理及其预警中，管理者更感兴趣的是那些意想不到的规则。异常规则的挖掘可以应用于各种异常信息的发现、分析、识别、评估和预警。⑦ 网页挖掘。随着互联网的飞速发展和Web在全球的普及，Web上的信息量异常丰富。通过挖掘Web，我们可以利用Web的海量数据来分析和收集政治、经济、政策、技术、金融以及各种市场信息。、竞争对手、供求信息、客户等，集中分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，找出企业在经营过程中出现的各种问题根据分析结果进行管理。分析和处理信息以识别、分析、评估和管理危机。数据挖掘是一个决策支持过程。高度自动化分析企业数据，进行归纳推理，从中挖掘潜在规律，帮助决策者调整市场策略，降低风险，做出正确决策。这对于一个企业的发展是非常重要的。
