數據挖掘應用程序可幫助發現大量數據之間的聯繫，典型應用就是“雜貨店的顧客購買模式”。如今這個信息時代，合適的數據挖掘工具能幫助企業贏在起跑線上。
1、FineBI
FineBI最新的版本主打的是超大數據量性能和自助式分析2個特點，最高可以支撐20億數據的秒級呈現，在功能方面跟Tableau很接近，適用於企業中的技術人員、業務人員和數據分析師，可以完全自主的進行探索式分析，軟件在易用性和功能上做的都很不錯。
FineBI在內置的數據挖掘算法方面相對比較豐富一些，除了預測和聚類之外，還支持分類、迴歸、關聯規則一共五大數據挖掘模型算法。
2、IBM Cognos Analytics
IBM Cognos Analytics 既適用於部門級的業務人員，也適用於業務人員 + IT 部門這種目前比較流行的搭配組合。業務人員也可快速的製作儀表盤，比如使用雲詞圖和主狀態，並且通過 Data Player（數據參數播放器）進行播放式的多維數據分析。同時，也可以製作 Story（故事），特別是在彙報和總結工作的時候比較實用，通過數據來講故事，總結分析。
只是，目前國內有關 IBM Cognos Analytics 的相關介紹還比較少，學習資料大多是英文，學習成本較高。
3、R
R作爲一種統計分析軟件，是自由軟件，是完全免費,開放源代碼的，可以實現許多統計功能。R作爲一個開放的統計編程環境,我們可以自由地編制函數來擴展現有的語言。所以，它的更新速度比一般統計軟件,如,SPSS,SAS等快得多。這也是其程序包繁多並且更新迅速的原因之一。
但R語言跟SPSS一樣，並不適合毫無統計知識的初學者使用。
4、Tableau
Tableau提供了一系列專注於商業智能的交互式數據可視化產品。Tableau允許通過將數據轉化爲視覺上吸引人的交互式可視化（稱爲儀表板）來實現數據的洞察與分析。
在挖掘語言集成方面，Tableau目前除了支持R語言之外，還支持與Python語言的集成。
5、SPSS
從數據挖掘工具的角度來說，SPSS在統計分析領域有更高一籌的優勢，既可以很好地進行迴歸分析、方差分析以及多變量分析等，又能在計算分析的同時輸出圖形，極高地提升工作效率。Excel 表格數據、文本格式數據均可以導入，節省了相當大的工作量。
但它要求使用者懂統計學，理解一些分析模型；功能性弱於R，在數據可視化方面過於單調，較爲成熟的數據分析師甚至會直接跳過SPSS，選取可視化更強的分析工具。
6、Pentaho
Pentaho BI平臺不同於傳統的BI產品，它是一個以流程爲中心的，面向解決方案(Solution)的框架。其目的在於將一系列企業級BI產品、開源軟件、API等等組件集成起來，方便商務智能應用的開發。
它側重於大中型企業應用。
7、KNIME
KNIME這款數據分析平臺，數據和工具的集成能力不錯，容易與第三方的大數據框架集成其通過大數據組件的擴展（Big Data Extension）能夠方便的和Apache的Hadoop和Spark等大數據框架集成在一起，非常的容易使用。
它兼容多種數據形式，也能與第三方的機器學習庫集成使用，比如H2O，Keras，Scikit-Learn等提供基於Web報告或者數據視圖的展示支持動態工作流的設計。
8、Weka
Weka是一個應用了機器學習算法來進行數據挖掘的框架，其算法不但可以直接應用於數據集，還能用Java代碼直接調用。其提供了很多的工具用於數據的預處理、分類、迴歸等以及最後的可視化，典型的應用場景爲，比如物聯網。
正如KNIME一樣，WeKa和Hadoop，Spark也能無縫的集成。和R相比，Weka在統計分析方面較弱，但在機器學習方面要強得多。
與任何軟件一樣，數據挖掘解決方案需要選擇適合自己。例如，如果您正在評估來自企業供應商SAS的數據挖掘工具，那麼是否擁有相應技術的數據分析師？如果想要讓普通業務員都能做數據挖掘，那麼FineBI等易上手的工具更適合你。