數據挖掘技術實現，可以根據它的工作過程分為：數據的抽取、數據的存儲和管理、數據的展現等關鍵技術。

數據挖掘有6種分析方法：
        · 分類 （Classification）
　　· 估值（Estimation）
　　· 預言（Prediction）
　　· 相關性分組或關聯規則（Affinity grouping or association rules）
　　· 聚集（Clustering）
　　· 描述和可視化（Description and Visualization）
　　· 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
    *前3種屬于直接數據挖掘，后3種屬于間接數據挖掘

        · 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，對于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. 分配客戶到預先定義的客戶分片
　　注意： 類的個數是確定的，預先定義好的 
         
　    · 估值（Estimation）
                估值與分類類似，不同之處在于，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，估計一個家庭的孩子個數
　　b. 根據購買模式，估計一個家庭的收入
　　c. 估計real estate的價值
　　一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變量的值，然后，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）。然后，根據閾值，將貸款級別分類。     
                                           
　    · 預言（Prediction） 
                通常，預言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，該模型用于對未知變量的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。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，即必須經過一定時間后，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） 
                決定哪些事情將一起發生。
　　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后，隔一段時間，會購買B （序列分析）
                
　    · 聚集（Clustering） 
                聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴于預先定義好的類，不需要訓練集。
　　例子：
　　a. 一些特定癥狀的聚集可能預示了一個特定的疾病
　　b. 租VCD類型不相似的客戶聚集，可能暗示成員屬于不同的亞文化群
　　聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對于這一 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然后對每個不同的聚集，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。
                
　    · 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)