数据分析不是一件简单的事情，要想做好，就要好好学会一些基本的模型，当然并不是所有模型都要会，只要好好利用其中几种，就可以达到非常好的数据分析效果。
** 1、基于历史的MBR分析
**
以史为镜可以知得失，MBR同样就是基于这样的思想产生的，通过分析以前发生过的事情，来推断未来类似事情发生的一些特性。这种分析方法需要大量的历史数据，只有有了足够的历史数据方能做出相对较好的预测。这一点对于我们做电子商务的启示，就是要我们要注重数据的积累和收集，通过数据来把控市场的变化和消费者行为的变化。
** 2、购物篮分析
**
购物篮分析就是找出什么样的东西放在一起更加容易获得消费者的喜爱，即便两件看上去没有关系的商品，却可能获得很好的销售收益，这就是商品之间的关联性，购物篮分析就是要找到这种关联性。举例来说，零售店可藉由此分析改变置物架上的商品排列或是设计吸引客户的商业套餐等等。
** 3、决策树
**
决策树分析法是常用的风险分析决策方法。决策树在解决归类与预测上有着极强的能力，它以法则的方式表达，而这些法则则以一连串的问题表示出来，经由不断询问问题最终能导出所需的结果。比较以及选择的方法，其决策是以期望值为标准的。人们对未来可能会遇到好几种不同的情况。每种情况均有出现的可能，人们目前无法确知，但是可以根据以前的资料来推断各种自然状态出现的概率。在这样的条件下，人们计算的各种方案在未来的经济效果只能是考虑到各种自然状态出现的概率的期望值，与未来的实际收益不会完全相等。
** 4、聚类分析
**
这个技术涵盖范围相当广泛，包含基因算法、类神经网络、统计学中的群集分析都有这个功能。它的目标为找出数据中以前未知的相似群体，在许许多多的分析中，刚开始都运用到群集侦测技术，以作为研究的开端。
** 5、遗传算法
**
遗传算法学习细胞演化的过程，细胞间可经由不断的选择、复制、交配、突变产生更佳的新细胞。基因算法的运作方式也很类似，它必须预先建立好一个模式，再经由一连串类似产生新细胞过程的运作，利用适合函数决定所产生的后代是否与这个模式吻合，最后仅有最吻合的结果能够存活，这个程序一直运作直到此函数收敛到最佳解。基因算法在群集(cluster)问题上有不错的表现，一般可用来辅助记忆基础推理法与类神经网络的应用。
** 6、连接分析
**
连接分析是以数学中之图形理论为基础，藉由记录之间的关系发展出一个模式，它是以关系为主体，由人与人、物与物或是人与物的关系发展出相当多的应用。例如电信服务业可藉连结分析收集到顾客使用电话的时间与频率，进而推断顾客使用偏好为何，提出有利于公司的方案。除了电信业之外，愈来愈多的营销业者亦利用连结分析做有利于企业的研究。
** 7、罗吉斯回归分析
**
当判别分析中群体不符合正态分布假设时，罗吉斯回归分析是一个很好的替代方法。罗吉斯回归分析并非预测事件是否发生，而是预测该事件的机率。它将自变量与因变量的关系假定是S行的形状，当自变量很小时，机率值接近为零;当自变量值慢慢增加时，机率值沿着曲线增加，增加到一定程度时，曲线协率开始减小，故机率值介于0与1之间。
** 8、神经网络
**
神经网络是以重复学习的方法，将一串例子交与学习，使其归纳出一足以区分的样式。若面对新的例证，神经网络即可根据其过去学习的成果归纳后，推导出新的结果，乃属于机器学习的一种。数据挖掘的相关问题也可采类神经学习的方式，其学习效果十分正确并可做预测功能。
** 9、判别分析
**
当所遭遇问题它的因变量为定性，而自变量(预测变量)为定量时，判别分析为一非常适当之技术，通常应用在解决分类的问题上面。若因变量由两个群体所构成，称之为双群体 —判别分析;若由多个群体构成，则称之为多元判别分析。
** 10、OLAP分析
**
严格说起来，OLAP分析并不算特别的一个数据挖掘技术，但是透过在线分析处理工具，使用者能更清楚的了解数据所隐藏的潜在意涵。如同一些视觉处理技术一般，透过图表或图形等方式显现，对一般人而言，感觉会更友善。这样的工具亦能辅助将数据转变成信息的目标。
数据分析十大模型，是经过历史证明非常有效的模型，灵活运用会获得非常不错的效果。
