класифікація та кластеризація, регресія та дисперсія;

класифікація, компенсація, пошук асоціативних правил, отримання логічних висновків;

класифікація, регресія, пошук асоціативних правил і кластеризація;

регресійний та дисперсійний аналіз, пошук логічних і асоціативних правил;

будуються на підставі процесу виявлення структурної інформації у мережі Інтернет;

будуються на підставі суті залежностей в наборі даних, взаємному впливу різних чинників, тобто побудові емпіричних моделей різних систем;

будуються на підставі набору даних з відомими результатами, використовуються для прогнозування результатів на підставі інших наборів даних;

будуються на підставі автоматичного виявлення шаблонів у маршруті переміщення даних, зібраних або набутих в результаті взаємодії з одним або декількома веб-сайтами;

зводиться до визначення за відомими характеристиками об'єкта значення деякого його параметра;

зводиться до пошуку незалежних груп (кластерів) і їх характеристик в усій множині аналізованих даних;

зводиться до знаходження часткових залежностей (або асоціацій) між об'єктами або подіями;

зводиться до визначення класу об'єкта за його характеристиками;

оперативністю ПЗ;

легкістю навчання ПЗ;

зрозумілістю ПЗ;

узгодженістю ПЗ;

в центрі уваги якого знаходяться матеріалізовані знання, що містяться в технологіях, архітектурі, процедурах;

в центрі уваги якого знаходяться фізичні та фізіологічні знання, які містять навики, наприклад, знання перукаря, який робить зачіску;

в центрі уваги якого знаходяться документи, зберігання даних, історії подій і шаблони рішень;

в центрі уваги якого знаходиться виділене середовища, в якому генеруються та розповсюджуються знання;

дослідження та виявлення алгоритмом, засобом штучного інтелекту у "сирих" даних прихованих знань, які раніше не були відомі, нетривіальні, практично корисні, призначених для ефективного прийняття управлінських рішень;

дослідження та виявлення користувачем-аналітиком у "сирих" даних прихованих знань, які раніше не були відомі, нетривіальні, практично корисні, доступні для інтерпретації в СУБД;

дослідження та виявлення користувачем-аналітиком у "сирих" даних прихованих знань, які раніше не були відомі, нетривіальні, практично корисні, призначених для прийняття управлінських рішень;

дослідження та виявлення "машиною" (алгоритмом, засобом штучного інтелекту) в "сирих" даних прихованих знань, які раніше не були відомі, нетривіальні, практично корисні, доступні для інтерпретації аналітиком;

автоматичне виявлення шаблонів в маршруті пересування користувача і пов'язаних з ним даними, зібраними або набутими в результаті взаємодії з одним або декількома веб-сайтами;

загальні кроки, які необхідно пройти для аналізу даних мережі Інтернет;

процес вилучення знань з контенту документів або їх опису, доступних у мережі Інтернет;

процес виявлення структурної інформації у мережі Інтернет;

має підтримувати необмежену розмірність й кількість рівнів агрегування до 19 вимірів, потрібних у аналітичній моделі, що одночасно можуть використовуватися;

має підтримувати різні способи візуалізації даних, тобто засоби формування звітів мають подавати дані, які синтезуються, або інформацію, яка слідує з моделі даних, в її будь-якій можливій орієнтації;

має надавати користувачу можливість виконання операцій зрізання, обертання, консолідації та деталізації над гіперкубом без потреби здійснювати множину дій з інтерфейсом;

має забезпечувати збереження функціональних відносин, описаних за допомогою певної формальної мови між клітинами гіперкуба при виконанні будь-яких операцій зрізання, обертання, консолідації або деталізації;

описують процес виявлення обмежень на дані масиву, що аналізується;

описують функціональні залежності між залежними і незалежними показниками і змінними в зрозумілій людині формі;

описують виняткові ситуації в записах (наприклад, окремих пацієнтів), які різко відрізняються чим-небудь від основної множини записів (групи хворих);

описують групи (кластери), на які поділяються об'єкти, інформація про які піддається аналізу;

знайдені закономірності мають бути практично корисні, логічно зрозумілі, інакше існує ймовірність того, що вони є випадковими;

результати аналізу даних мають відображати неочевидні, несподівані їхні закономірності, що становлять так звані приховані знання;

оскільки витрачені зусилля на виявлення знань, які вже відомі аналітикові, не окупаються, то цінність для аналітика представляють саме нові, раніше невідомі знання;

здобуті знання мають застосовуватися для подальшого дослідження, які містять й для аналізу нових даних, з достатньо високою мірою достовірності;