1、模式跟蹤
模式跟蹤是數據挖掘的壹項基本技術。它旨在通過識別和監視數據中的趨勢或模式，以對業務成果形成智能推斷。例如，企業可以用它來識別銷售數據的發展趨勢。如果發現某種產品在某些特定人群中的銷售情況，要好於其他產品，那麽該企業便可以據此來創建類似的產品或服務，甚至只是簡單地為此類人群增加原始產品的庫存。
2、數據清理和準備
作為數據挖掘過程中的壹個重要環節，我們必須對原始數據進行清理和格式化，以用於各種後續的分析。具體而言，數據的清理和準備工作包含了：數據建模，轉換，遷移，集成和聚合等各種元素。這是理解數據基本特征和屬性，進而確定其最佳用途的必要步驟。
3、分類
基於分類的數據挖掘技術，主要涉及到分析各種類型數據之間的關聯屬性。壹旦確定了數據類型的關鍵特征，企業便可以對它們進行分類。企業可以據此判定是該保護，還是該刪除某些個人身份信息。
4、異常值(Outlier)檢測
異常值檢測可被用於識別數據集中的異常情況。企業在發現數據中異常值後，可以通過防範此類事件的發生，以順利實現業務目標。例如，信用卡系統在某個特定時段出現使用和交易的高峰，那麽企業便可以通過分析了解到，可能是由於?大促?所致，並為將來的此類活動做好資源上的事先部署與準備。
5、關聯
關聯是壹種與統計學相關的數據挖掘技術。它旨在建立某些數據與其他數據、或數據驅動型事件的聯系。它與機器學習中的?***現(co-occurrence)?概念相似，即：某個基於數據的事件的發生概率，是由另壹個事件的存在性所標識的。例如，用戶購買漢堡這壹行為，往往會伴隨著購買薯片的可能性。兩者之間有著較強的關聯性，卻又不是絕對的伴生關系。
6、聚類
聚類是壹種依靠可視化方法，來理解數據的分析技術。聚類機制使用圖形或顏色，來顯示數據在不同類別指標下的分布情況。通過圖形式的聚類分析，用戶可以直觀地獲悉數據隨業務目標發展的趨勢。