數據分析是指用適當的統計分析對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。那麼做數據分析的目的是什麼？
1：分類
檢查未知分類或暫時未知分類的數據，目的是預測數據屬於哪個類別或屬於哪個類別。使用具有已知分類的相似數據來研究分類規則，然後將這些規則應用於未知分類數據。
2：預測
預測是指對數字連續變量而不是分類變量的預測。
3：關聯規則和推薦系統
關聯規則或關聯分析是指在諸如捆綁之類的大型數據庫中找到一般的關聯模式。
在線推薦系統使用協作過濾算法，該協作過濾算法是基於給定的歷史購買行爲，等級，瀏覽歷史或任何其他可測量的偏好行爲或什至其他用戶購買歷史的方法。協同過濾可在單個用戶級別生成“購買時可以購買的東西”的購買建議。因此，在許多推薦系統中使用了協作過濾，以向具有廣泛偏好的用戶提供個性化推薦。
4：預測分析
預測分析包括分類，預測，關聯規則，協作過濾和模式識別（聚類）之類的方法。
5：數據縮減和降維
當變量的數量有限並且可以將大量樣本數據分類爲同類組時，通常會提高數據挖掘算法的性能。減少變量的數量通常稱爲“降維”。降維是部署監督學習方法之前最常見的初始步驟，旨在提高可預測性，可管理性和可解釋性。
6：數據探索和可視化
數據探索的目的是瞭解數據的整體情況並檢測異常值。通過圖表和儀表板創建的數據瀏覽稱爲“數據可視化”或“可視化分析”。對於數值變量，可以使用直方圖，箱形圖和散點圖來了解其值的分佈並檢測異常值。對於分類數據，請使用條形圖分析。
7：有監督學習和無監督學習
監督學習算法是用於分類和預測的算法。數據分類必須是已知的。在分類或預測算法中用於“學習”或“訓練”預測變量和結果變量之間關係的數據稱爲“訓練數據”。從訓練數據中學到算法後，將該算法應用於具有已知結果的另一個數據樣本（驗證數據），以查看其與其他模型相比具有哪些優勢。簡單線性迴歸是監督算法的一個示例。
隨着數據的重要性的凸顯，越來越多的公司已經認識到數據對於公司的經營是十分重要的。所以絕大部分企業都有專門的BI部門進行初步的數據加工、分析，以週報表的形式彙總給管理層做爲日常數據所需以及企業決策使用。