数据分析的类别维度一在统计学领域，有些学者根据分析的方法和目的，分析可以被划分为描述性分析（descri-ptive analytics）、预测性分析（predictive analytics）和规范性分析（prescriptive analytics）。
探索性数据分析侧重于在数据中发现新的特征，规范性数据分析侧重于验证现有假设的真伪证明。 从另一个角度看，描述性数据分析是初级数据分析，常见的分析方法有比较分析法、均值分析法、交叉分析法等。 预测数据分析和归一化数据分析是高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等。
具体包括描述性数据分析数据收集、整理、制表、制图、说明所要研究的食物特点，这种分析历来被称为“报告”。 说明性分析可能非常有用，但不能说明产生某种结果的理由或将来可能发生的事情。预测性数据分析不仅可以描述数据特征与变量(可以设想取消范围的因素)之间的关系，还可以基于过去的数据预测未来。 预测分析首先确定变量值之间的关系，然后根据该已知关系预测可能出现其他现象。 例如，在看到某个广告后，消费者可能会去买产品。 预测分析中的预测基于变量之间的关系，但这并不意味着需要在预测分析中明确因果关系。 事实上，准确的预测不一定必须基于因果关系。规范性数据分析是一个更高级的分析，包括实验设计和优化。 就像医生开处方建议患者采取什么行动一样，实验设计试图通过做实验来提示发生事情的原因。 为了在因果关系研究中能够自信地估计，研究人员必须恰当地处理一个或多个独立的变量，有效地控制其他变量。 如果试验环境下测试组的成绩大大优于照片，决策者应该立即推进这种实验环境。
维二根据分析采用的方法以及收集和分析的数据类型，我们也可以将分析分为定性分析（qualitative analysis）和定量分析（quantitative analysis）。
具体介绍定性分析的目的是深入了解某些现象的根本原因和诱因。 非结构化数据通常是从少数非代表性案例中收集的，并进行了非统计分析。
定量分析是分析的最初阶段，他通常是探索性分析的有效工具，定量分析是指从统计上、数学上或计算上系统地实证研究现象。 结构化数据通常从许多典型案例中收集并进行统计分析。
另外，为了服务于研究者的各种研究目的，存在以下类型的分析
*统计学：收集、整理、分析、说明、提示数据的学科；
预测：根据现有数据，预测感兴趣的变量在将来的特定时间会怎么样。
*数据挖掘：通常采用算法和统计技术，从海量数据中自动或半自动提取未知有趣模式；
字符挖掘：用类似数据挖掘的方法从文本中获取模式和趋势的过程；
*优化：在满足约束条件的同时，按照一些标准利用数学方法寻找最佳解决方案；
*实验设计：各组随机分配受试者。 并利用测试组和对照组推导出特定结果存在的因果关系。
本文给出了几种列中常用的分析方法，在使用中不可避免地出现了相当大的重复。 例如，回归分析是预测分析中最常用的方法，也是统计学、预测和数据挖掘中最常用的方法。 另外，时间序列分析(time seties analysis )是用于分析数据时间变化的具体统计方法，经常用于统计学和预测。