从不同的角度、立场出发，可以对数据分析进行不同的分类。有一些分类似乎只有单纯的分类意义，没有什么指导价值，比如我们都知道分析可以分为定量分析和定性分析。我会尽量避免在这种分类上浪费时间。
按效果分类
一种广为流传的分类方法将数据分析从效果角度分成 4 大类，这四类的区别从名字上就可以明确分辨：
Descriptive Analytics 描述性分析
重点在回答过去和当前发生了什么，分析部分较弱，主要工作在于准确地收集数据和准确地描述状况。描述性分析在实际分析工作中，往往和仪表板技术、描述性数据挖掘紧密结合。
Diagnostic Analytics 诊断性分析
准确地描述现状之后，问题就会浮现。问题往往有两种来源：一是现状和理想状态的差距，分析人员需要诊断未达标的原因；一是现状和历史状态的差别，分析人员需要诊断变动的原因。诊断性分析往往需要借助描述性分析方法和贴合业务的分析思路框架，并产出易于传达的诊断分析报告。因为描述性分析和诊断性分析几乎可以同时进行，所以 INFORMS 的分类里，诊断性分析是并入在描述性分析中的。
Predictive Analytics 预测性分析
描述性分析和诊断性分析本质上都在解释过去，预测性分析则关注未来的商业目标能否实现。财务预测分析、回归分析、时间序列分析等技术都可以部分回答，按当前的情况继续下去，未来我们的业绩会维持在什么样的水平。借助更深奥的仿真、预测技术，我们还可以预演未来，评估各种策略的可能产出。数据挖掘技术则可以在客户关系管理等细节层面预测客户行为，从而提高我们具体策略的执行效果。预测性分析在一定的信心程度上给出对未来的可能性描述，但它仍然停留在“可能”层面。所有的预测都会失效，这是预测技术的宿命。
Prescriptive Analytics 处方式分析
处方式分析和预测性分析都着眼于未来，但相对于只给出对未来的描述的预测性分析，处方式分析提供了未来可行策略。对于某些把握极大且我们对执行步骤达成一致的预测，分析人员可以自信地给出指导性意见，这种意见形如医嘱，虽然不是 100% 的保证，但我们总是有极强的信心遵照执行，或者我们除了遵照执行外，其他的方案并不见得能比它更好。这种类型的分析技术，都可以归入处方式分析。比如，只要能在要求内完成物流投递，我们遵照路径规划算法给出的最优结果执行即可；明天大概率会降温，听从天气预报的建议，多加一件衣服总是优于不加衣服；规则引擎给出的方案经过了专家审核，遵守它无功无过。很多时候，不同参数假设和理论模型会推导出不同的可行策略，如何衡量多种策略的优缺点，也是处方式分析需要考虑的工作。基于效用理论的决策分析技术可以帮助我们筛选不同决策倾向下的最优选择。
按对象分类
我粗暴地将一个商业里需要研究的对象归入四个大类，这四大类的数据分析之间并不完全互相隔离，在他们任意两者的交集中都可能有不少分析技术。
- 市场分析
- 含义：基本等同于市场营销里对市场的研究，市场即真实的商业世界本身。
- 用户分析
- 含义：用户既包括当前公司业务和产品和客户、消费者，也包括潜在的用户群，他们是由一个个真实个体按照我们对他们的理解汇总成的一个个用户群体，了解用户群体的需求才能帮助企业找到利润的根基。
- 产品分析
- 含义：研究产品功能形态等的改变对消费者的影响。
- 业务分析
- 含义：监视公司业务的变动情况，探求变动之因，需要主动驱动业务增长的可能性。
- 不少从管理视角的分析介绍书籍也会将业务分析进一步按层级划分，这种分类方式确实可以单独视为本页的第三种分类：
- 运营级分析
- 策略级分析
- 战略级分析