Andmekaeve analüüs võib olla kasulik protsess, mis annab erinevaid tulemusi sõltuvalt konkreetsest andmete hindamiseks kasutatavast algoritmist. Levinud andmekaeveanalüüsi tüübid hõlmavad uurimuslikku andmeanalüüsi (EDA), kirjeldavat modelleerimist, ennustavat modelleerimist ning mustrite ja reeglite tuvastamist. Kõigi nende andmekaevetööriistade kasutamine annab kogutud teabele erineva vaatenurga. Neid tehnikaid kasutavad spetsialistid saavad konkreetse kasutatud analüüsivahendi põhjal täiendava ülevaate probleemist või probleemist.
Erinevate tulemuste tõttu, mida andmekaeve analüüsitööriistad kasutamisel annavad, on asjakohane kaaluda igaühe põhiülevaatamist. Uurimuslik andmete analüüs ehk EDA hõlmab andmestiku ülevaatamist ilma selgete tulemusteta. Andmeid määratlevaid muutujaid kasutatakse uurijale visuaalsete esituste pakkumise alusena. Muutujate arvu suurenedes võib see analüüsitööriist andmete visualiseerimiseks muutuda vähem tõhusaks.
Kirjeldav modelleerimine on andmekaevandamise analüüsitööriist, mida kasutatakse kõigi antud andmekogumis olevate andmete ühiseks kirjeldamiseks. Täpsemalt sünteesib see lähenemisviis kõik andmed, et pakkuda teavet otsitavas teabes sisalduvate trendide, segmentide ja klastrite kohta. Reklaamides kasutatakse tavaliselt kirjeldavat andmekaeve analüüsi. Üks näide sellest on turu segmenteerimine, mille puhul turundajad võtavad suuremad kliendirühmad ja segmenteerivad need homogeensete tunnuste järgi.
Muud tööriistad hõlmavad ka ennustavat modelleerimist. Ennustav modelleerimine hõlmab olemasolevate andmete põhjal mudeli väljatöötamist. Seejärel kasutatakse mudelit teise muutuja prognoosimiseks, mis on läbivaadatud andmete jaoks asjakohane. Mõiste “ennustuslik” viitab sellele, et see andmekaevetööriist võimaldab kasutajal andmekogus teadaoleva põhjal mingit väärtust ennustada. Turundajad võivad kasutada ennustavat analüüsi, et teha kindlaks, milliseid tooteid kliendid otsivad. Praeguste ostutrendide põhjal võivad turundajad teha ennustusi selle kohta, millised uued tooted võivad olla tulevikus populaarsed.
Mustrite ja reeglite avastamine erineb kirjeldavatest ja ennustavatest andmekaevetööriistadest. Kui kirjeldavad ja ennustavad tööriistad kasutavad analüüsi alusena mudeli koostamist, siis mustrite ja reeglite avastamine keskendub andmetes mustrite tuvastamisele. Näiteks toidupoodides töötavad turundajad kasutavad seda andmekaeve analüüsi tööriista sageli ostumustrite määramiseks. Määrates kindlaks, milliseid tooteid kliendid pidevalt samas järjekorras ostavad, saab kaupade jaoks välja töötada sihipäraseid tutvustusi.