Veri madenciliği analizi, veri değerlendirmesi için kullanılan özel algoritmaya bağlı olarak farklı sonuçlar sağlayan yararlı bir işlem olabilir. Yaygın veri madenciliği analizi türleri şunlardır: keşifsel veri analizi (EDA), tanımlayıcı modelleme, tahmine dayalı modelleme ve kalıpları ve kuralları bulma. Bu veri madenciliği araçlarının her birinin kullanılması, toplanan bilgiler üzerinde farklı bir bakış açısı sağlar. Bu teknikleri kullanan profesyoneller, kullanılan spesifik analiz aracına dayanarak bir konu veya endişe konusu hakkında ek bir içgörü kazanabilirler.
Veri madenciliği analiz araçlarının istihdam edildiğinde sağladığı farklı sonuçlar nedeniyle, her birinin temel bir incelemesinin yapılması önemlidir. Keşifsel veri analizi veya EDA, inceleme için net bir sonuç hedefi olmadan bir veri setinin incelenmesini içerir. Verileri tanımlayan değişkenler, araştırmacıya görsel sunumlar sağlamak için bir temel olarak kullanılır. Değişkenlerin sayısı arttıkça, bu veri madenciliği analiz aracı verileri görselleştirmek için daha az etkili olabilir.
Tanımlayıcı modelleme, belirli bir veri setindeki tüm verileri toplu olarak tanımlamak için kullanılan bir veri madenciliği analiz aracıdır. Spesifik olarak, bu yaklaşım aranan bilgilerde mevcut olan eğilimler, bölümler ve kümeler hakkında bilgi sağlamak için tüm verileri sentezler. Tanımlayıcı veri madenciliği analizi, reklamcılıkta yaygın olarak kullanılmaktadır. Buna bir örnek, pazarlamacıların daha büyük müşteri grupları aldığı ve onları homojen özelliklere göre bölümlere ayırdığı pazar bölümlemesidir.
Veri madenciliği analiz araçları da öngörücü modellemeyi içerir. Tahmine dayalı modelleme, mevcut verilere dayalı bir modelin geliştirilmesini içerir. Model daha sonra incelenen verilerle ilgili olan başka bir değişkenin tahmininde temel olarak kullanılır. "Tahmini" terimi, bu veri madenciliği aracının, kullanıcının veri kümesinde bilinenlere dayanarak bazı değerleri tahmin etmesini sağlayabildiğini gösterir. Tahmini analiz, pazarlamacılar tarafından müşterilerin aradığı ürünleri belirlemek için kullanılabilir. Mevcut satın alma eğilimlerine dayanarak, pazarlamacılar gelecekte hangi yeni ürünlerin popüler olabileceği konusunda tahminlerde bulunabilirler.
Modelleri ve kuralları keşfetmek, tanımlayıcı ve öngörücü veri madenciliği araçlarından farklıdır. Tanımlayıcı ve öngörücü araçlar, analiz için bir temel olarak model oluşturmayı kullanırken, örüntüleri ve kuralları keşfetmek, verilerdeki örüntüleri belirlemeye odaklanır. Örneğin marketlerde çalışan pazarlamacılar genellikle bu veri madenciliği analiz aracını satın alma modellerini belirlemek için bir araç olarak kullanırlar. Hangi ürünlerin müşterilerin aynı sırada sürekli olarak satın aldıklarını belirleyerek, ürünler için hedefli promosyonlar geliştirilebilir.
