◆ PEST分析模型
    PEST 是一种企业所处宏观环境分析模型，所谓PEST即Political（政治），Economic（经济），Social（社会）和Technological（科技）。这些是企业的外部环境，一般不受企业掌握，这些因素也被戏称为“pest（有害物）”。

◆ SWOT分析法
    SWOT是一种战略分析方法，通过对被分析对象的优势、劣势、机会和威胁的综合评估与分析得出结论，通过内部资源、外部环境有机结合来清晰地确定被分析对象的资源优势和缺陷，了解所面临的机会和挑战，从而在战略与战术两个层面加以调整方法、资源以保障被分析对象的实行以达到所要实现的目标。
    SWOT分析法又称为态势分析法，也称波士顿矩阵，它是由旧金山大学的管理学教授于20世纪80年代初提出来的，是一种能够较客观而准确地分析和研究一个单位现实情况的方法。
    SWOT分别代表：strengths（优势）、weaknesses（劣势）、opportunities（机会）、threats（威胁）。

◆ 波特五力分析模型
    五力分析模型是迈克尔·波特（Michael Porter）于上世纪80年代初提出，对企业战略制定产生全球性的深远影响。用于竞争战略的分析，可以有效的分析客户的竞争环境。五力分别是： 供应商的讨价还价能力、购买者的讨价还价能力、潜在竞争者进入的能力、替代品的替代能力、行业内竞争者的竞争能力。

◆ 时间序列分析法
    时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。时间序列通常有以下三种方法：
    1、方法一：把一个时间序列的数值变动，分解为几个组成部分，通常分为：
    （1）倾向变动，亦称长期趋势变动T；
    （2）循环变动，亦称周期变动C；
    （3）季节变动，即每年有规则地反复进行变动S；
    （4）不规则变动，亦称随机变动I。
    最后再把这四个组成部分综合在一起，得出预测结果。
    2、方法二：把预测对象、预测目标和对预测的影响因素都看成为具有时序的，为时间的函数，而时间序列法就是研究预测对象自身变化过程及发展趋势。
    3、方法三：根据预测对象与影响因素之间的因果关系及其影响程度来推算未来。与目标的相关因素很多，只能选择那些因果关系较强的为预测影响的因素。

◆ 回归分析法
    所谓回归分析法，是在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。
    回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理。回归分析法预测是利用回归分析方法，根据一个或一组自变量的变动情况预测与其有相关关系的某随机变量的未来值。进行回归分析需要建立描述变量间相关关系的回归方程。根据自变量的个数，可以是一元回归，也可以是多元回归。根据所研究问题的性质，可以是线性回归，也可以是非线性回归。非线性回归方程一般可以通过数学方法为线性回归方程进行处理。

◆ 因子分析法
    因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。

◆ 相关分析
    相关分析（correlation analysis），相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。

◆ 聚类分析
    聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。它是一种重要的人类行为。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。
    从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。
    从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。
    从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。