決策樹在解決分類和預測方面有很強的能力。它是以規則的形式表現出來的，而這些規則又表現為壹系列的問題，通過不斷的提問最終可以得出所需要的結果。典型的決策樹在頂部有壹個樹根，在底部有許多樹葉。它將記錄分解成不同的子集，每個子集中的字段可能包含壹個簡單的規則。此外，決策樹可以具有不同的形狀，例如二叉樹、三叉樹或混合決策樹。
2.神經網絡方法
神經網絡方法是壹種模擬生物神經系統結構和功能的非線性預測模型。它將每個連接視為壹個處理單元，試圖模擬人腦神經元的功能，可以完成分類、聚類、特征挖掘等各種數據挖掘任務。神經網絡的學習方法主要表現在權值的修正上。其優點是抗幹擾、非線性學習和聯想記憶，對於復雜情況可以得到準確的預測結果；缺點:首先不適合處理高維變量，無法觀察中間的學習過程，有？黑匣子？性，輸出結果也難以解釋；其次，需要很長的學習時間。神經網絡方法主要用於數據挖掘中的聚類技術。
3.關聯規則方法
關聯規則是描述數據庫中數據項之間關系的規則，即根據某個事務中某些項的出現，其他項也出現在同壹事務中，即隱藏在數據之間的關聯或相互關系。在客戶關系管理中，通過挖掘企業客戶數據庫中的大量數據，可以從大量記錄中發現有趣的關系，找出影響營銷效果的關鍵因素，為產品定位、客戶群的定價和定制、客戶尋求、細分和維護、營銷和推廣、營銷風險評估和欺詐預測等決策支持提供參考。
4.遺傳算法
遺傳算法模擬了自然選擇和遺傳中的繁殖、交配和基因突變等現象。它是壹種基於進化理論，利用遺傳組合、遺傳交叉變異和自然選擇產生規則的機器學習方法。它的基本觀點是什麽？適者生存？原理，具有隱式並行性，易於與其他模型和其他屬性結合。主要優點是可以並行處理多種數據類型和各種數據。缺點是需要的參數太多，編碼困難，壹般計算比較大。遺傳算法常用於優化神經網絡，可以解決其他技術難以解決的問題。
5.聚類分析方法
聚類分析是將壹組數據按照相似性和差異性分成若幹個類別，其目的是使屬於同壹類別的數據之間的相似性盡可能大，不同類別的數據之間的相似性盡可能小。根據定義可以分為四類:層次聚類法；分區聚類算法；基於密度的聚類算法；網格聚類算法。常用的經典聚類方法有K-mean、K-medoids、ISODATA等。
6.模糊集方法
模糊集方法是利用模糊集理論進行模糊評價、模糊決策、模糊模式識別和模糊聚類分析。模糊集理論用隸屬度來描述模糊事物的屬性。系統的復雜程度越高，模糊性就越強。
7.網頁挖掘
通過對Web的挖掘，我們可以利用Web的海量數據進行分析，收集有關政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等信息。，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，根據分析結果找出企業經營過程中可能引發危機的各種問題和前兆，並對這些信息進行分析和處理，以便識別。
8.邏輯回歸分析
它反映了事務數據庫中屬性值的時間特性，生成了將數據項映射到壹個實值預測變量的函數，並找到了變量或屬性之間的依賴關系。其主要研究問題包括數據序列的趨勢特征、數據序列的預測以及數據之間的相關性。
9.粗糙集方法
它是壹種新的處理模糊、不精確和不完全問題的數學工具，可以處理數據約簡、數據相關性發現、數據意義評價等。它的優點是算法簡單，在處理過程中不需要數據的先驗知識就能自動發現問題的內在規律。缺點是難以直接處理連續屬性，必須先將屬性離散化。因此，連續屬性的離散化是制約粗糙集理論實用化的壹個難點。
10，連接分析
它以關系為基礎，從人與人、物與物、人與物的關系出發，開發了相當多的應用。比如電信服務行業，可以通過鏈接分析收集客戶使用電話的時間和頻率，進而推斷出客戶的喜好是什麽，提出有利於公司的方案。除了電信行業，越來越多的營銷人員也使用鏈接分析來做對企業有利的研究。