在大數(shù)據(jù)時代，數(shù)據(jù)挖掘是最關鍵的工作。大數(shù)據(jù)的挖掘是從海量、不完全的、有噪聲的、模糊的、隨機的大型數(shù)據(jù)庫中發(fā)現(xiàn)隱含在其中有價值的、潛在有用的信息和知識的過程，也是一種決策支持過程。其主要基于人工智能，機器學習，模式學習，統(tǒng)計學等。通過對大數(shù)據(jù)高度自動化地分析，做出歸納性的推理，從中挖掘出潛在的模式，可以幫助企業(yè)、商家、用戶調整市場政策、減少風險、理性面對市場，并做出正確的決策。目前，在很多領域尤其是在商業(yè)領域如銀行、電信、電商等，數(shù)據(jù)挖掘可以解決很多問題，包括市場營銷策略制定、背景分析、企業(yè)管理危機等。
聯(lián)爾睿市場研究在數(shù)據(jù)挖掘方面的主要方法包括分類、回歸分析、聚類、關聯(lián)規(guī)則等，嘗試從不同的角度對數(shù)據(jù)進行深入挖掘分析。 
1、分類分析：分類是找出數(shù)據(jù)庫中的一組數(shù)據(jù)對象的共同特點并按照分類模式將其劃分為不同的類，其目的是通過分類模型，將數(shù)據(jù)庫中的數(shù)據(jù)項映射到摸個給定的類別中。
2、回歸分析：回歸分析反映了數(shù)據(jù)庫中數(shù)據(jù)的屬性值的特性，通過函數(shù)表達數(shù)據(jù)映射的關系來發(fā)現(xiàn)屬性值之間的依賴關系。它可以應用到對數(shù)據(jù)序列的預測及相關關系的研究中去。
3、聚類分析：聚類類似于分類，但與分類的目的不同，是針對數(shù)據(jù)的相似性和差異性將一組數(shù)據(jù)分為幾個類別。屬于同一類別的數(shù)據(jù)間的相似性很大，但不同類別之間數(shù)據(jù)的相似性很小，跨類的數(shù)據(jù)關聯(lián)性很低。
4、關聯(lián)規(guī)則：關聯(lián)規(guī)則是隱藏在數(shù)據(jù)項之間的關聯(lián)或相互關系，即可以根據(jù)一個數(shù)據(jù)項的出現(xiàn)推導出其他數(shù)據(jù)項的出現(xiàn)。關聯(lián)規(guī)則的挖掘過程主要包括兩個階段：第一階段為從海量原始數(shù)據(jù)中找出所有的高頻項目組;第二階段為從這些高頻項目組產生關聯(lián)規(guī)則。
聯(lián)爾睿市場研究數(shù)據(jù)挖掘業(yè)務的服務流程： 
