багатовимірний масив, виміри якого вказують на тип інформації;

двовимірну модель у вигляді прямокутника, сторонами якого є виміри;

тривимірну модель у вигляді куба, ребрами якого є виміри;

багатовимірну модель або гіперкуб, ребрами якого є виміри;

швидкий аналіз поділеної багатовимірної інформації;

швидке перетворення розподіленої багаторівневої інформації;

швидкий аналіз багатовимірної задачі оптимізації;

швидкий аналіз розподіленої багаторівневої інформації;

інтеграція даних і усунення проблем множинних джерел даних; уточнення проблем оперативних джерел даних і підготовка даних для подальшої їх інтеграції;

інтеграція даних і усунення проблем множинних джерел даних;

уточнення проблем оперативних джерел даних і підготовка даних для подальшої їх інтеграції;

уточнення проблем оперативних джерел даних і підготовка даних для подальшої їх інтеграції; інтеграція даних і усунення проблем множинних джерел даних;

підходи, що входять в технологію організації зв'язку між клієнтами;

підходи, що входять в технологію Knowledge Management;

підходи, що входять в гнучкі технології виконання робіт;

підходи, що входять в технологію організації OLAP-системи;

якщо залежна змінна набуває числові значення, то йдеться про завдання системного аналізу даних;

якщо залежна змінна набуває числові значення, то йдеться про завдання регресійного аналізу даних;

якщо залежна змінна набуває числові (кількісні) значення, то йдеться про завдання кількісного аналізу даних;

якщо залежна змінна набуває числові (кількісні) значення, то йдеться про завдання регресії;

у вигляді асоціативних правил, які використовують для кращого розуміння природи походження аналізованих даних і для прогнозування подій;

у вигляді користувацьких правил, які використовують для кращого розуміння природи вхідних даних і для прогнозування незалежних подій;

у вигляді місіонерських правил, які використовують для кращого розуміння природи аналізованих даних і для прогнозування незалежних подій;

у вигляді користувацьких вимог до правил, які використовують для кращого розуміння природи вхідних даних і для прогнозування взаємопов'язаних подій;

в пошуку незалежних кластерів і їх механічних характеристик в усій множині аналізованих даних;

в пошуку незалежних наборів вимог до об'єктів і їх характеристик в усій множині аналізованих даних;

в пошуку незалежних наборів об'єктів і їх характеристик в усій множині аналізованих даних;

в пошуку незалежних груп (кластері і їх характеристик в усій множині аналізованих даних;

правила і умови;

правила і обмеження;

умови і обмеження;

умови і висновки;

стани об'єктів, ґрунтуючись на великій кількості нагромаджених даних, які можна перевіряти за допомогою часових рядів;

передбачення, ґрунтуючись на великій кількості нагромаджених даних, які можна перевіряти за допомогою технології Knowledge Management;

гіпотези, ґрунтуючись на великій кількості нагромаджених даних, які можна перевіряти іншими засобами аналізу, наприклад, OLAP-системами;

гіпотези, ґрунтуючись на великій кількості нагромаджених даних, правдоподібність яких можна перевіряти через організацію зв'язку між клієнтами;

статистики, нейронних мереж, нечіткої логіки, графо-аналітичних алгоритмів і ін.;

математичної статистики, нейронних мереж, нечітких множин, графо-аналітичних алгоритмів і ін.;

статистики, нейронних мереж, нечітких множин, генетичних алгоритмів і ін.;

математичної статистики, машинного навчання, нечіткої логіки, генетичних алгоритмів і ін.;