数据挖掘技术实现，可以根据它的工作过程分为：数据的抽取、数据的存储和管理、数据的展现等关键技术。

数据挖掘有6种分析方法：
        · 分类 （Classification）
　　· 估值（Estimation）
　　· 预言（Prediction）
　　· 相关性分组或关联规则（Affinity grouping or association rules）
　　· 聚集（Clustering）
　　· 描述和可视化（Description and Visualization）
　　· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
    *前3种属于直接数据挖掘，后3种属于间接数据挖掘

        · 分类 （Classification） 
                首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。
　　例子：
　　a. 信用卡申请者，分类为低、中、高风险
　　b. 分配客户到预先定义的客户分片
　　注意： 类的个数是确定的，预先定义好的 
         
　    · 估值（Estimation）
                估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。
　　例子：
　　a. 根据购买模式，估计一个家庭的孩子个数
　　b. 根据购买模式，估计一个家庭的收入
　　c. 估计real estate的价值
　　一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。     
                                           
　    · 预言（Prediction） 
                通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。
                
    　· 相关性分组或关联规则（Affinity grouping or association rules） 
                决定哪些事情将一起发生。
　　例子：
　　a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则)
　　b. 客户在购买A后，隔一段时间，会购买B （序列分析）
                
　    · 聚集（Clustering） 
                聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。
　　例子：
　　a. 一些特定症状的聚集可能预示了一个特定的疾病
　　b. 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群
　　聚集通常作为数据挖掘的第一步。例如，"哪一种类的促销对客户响应最好？"，对于这一 类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。
                
    　· 描述和可视化（Description and Visualization） 
                是对数据挖掘结果的表示方式。
                
　    · 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)