1. 回归分析 (Regression analysis)

在对市场数据的分析中往往会看到变量与变量之间存在一定的相关关系。回归分析就是研究变量之间相互关系，把其中一些因素作为独立变量（自变量），而另一些随机变量作为它们的依赖变量（因变量），用因变量的变化解释和预测另一个自变量的变化。包括一元线性回归，多元线性回归，曲线拟合与非线性回归等。回归分析常应用于满意度研究、市场预测等方面。

2. 因子分析 (Factor Analysis)

因子分析是通过研究众多变量之间的内部依赖关系，结合主成份分析和因子旋转，探求观测数据中的基本结构，将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法，这些综合指标往往是不能观测到的，但这几个综合变量更能反映事物的本质。在市场研究中，常与其他分析联合使用，比如用于回归及聚类分析，应用于市场细分、满意度等领域。

3. 主成份分析 (Principal component analysis)

主成份分析的目的是要对多变量数据表进行最佳综合简化，也是一种降维的分析方法。基本思想就是寻找这些变量的线性组合，即主成份，使这些主成份间不相关。为了能用尽量少的主成份个数去反映原始变量间提供的变异信息，要求各主成分的方差从大到小排列。第一主成份最能反映数据间的差异。

4. 聚类分析 (Cluster analysis)

聚类分析的原理是将性质相近的个体归为一类，性质差异较大的个体属于不同的类，使得类内个体具有较高的同质性，类间个体具有较高的异质性。在市场研究中，涉及市场细分问题时，通常使用聚类分析加以解决，可以描述每一类群体的内在特征，每一类群体的观点、看法、价值观、对事物的评价倾向以及对某一特定产品的态度。

5. 判别分析 (Discriminant analysis)

判别分析是根据观测到的某些指标对所研究的对象进行分类的一种统计方法。进行判别分析时，通常是根据已掌握的一批分类明确的样品建立判别函数、分类的规则，然后将待分类的样本观测值代入判别函数，求出其函数值，并据此作出判断。在市场研究中可用于对决策行为预测的结果分类判别；对一个企业进行市场细分以选择目标市场。

6. 联合分析 (Conjoint analysis) 　　

联合分析就是通过对现实产品进行模拟，提供具有不同属性水平的组合产品，让消费者根据自己的偏好对这些产品进行评价、比较和选择，并采用统计方法将这些属性和属性水平的效用进行分离，从而得出产品每一个属性及属性水平的重要性指标，获得消费者偏好程度最高的组合产品。联合分析还可以预测并未实际测试过的产品组合的消费者认同程度和市场份额。

7. 对应分析 (Correspondence analysis)

对应分析通过分析有定性变量构成的交互汇总表来揭示变量间的联系。通过对应分析，可以把品牌、顾客特点以及他们之间的联系同时反映在一个二维或三维的分布图上，顾客认为比较相似的品牌在图上的分布便会彼此靠近在一起。根据顾客特点与每一品牌之间距离的远近，还可以区分顾客的哪些特点与喜好某种品牌的关系密切。常应用于品牌形象研究、产品属性与细分群体的对应关系。

8. 多维偏好分析 (Multidimensional preference analysis)

多维偏好分析通过降维的思想，将多元数据变成通过二维图形显示的直观结果。多维偏好分析常用于分析消费者对产品与服务的偏好倾向，在市场研究中能具体解决如下问题：确定目标消费群体、消费群体的分类和品牌评价等、相互竞争的品牌及尚未被填补的市场。

9. 多维尺度分析 (Multidimensional scaling analysis)

多维尺度分析用于反映多个研究事物间的相似程度，通过适当的降维方法，将这种相似程度在低维度空间中点与点之间的距离表示出来，并有可能帮助识别那些影响事物间相似性的潜在因素。多维尺度分析通常用于分析商品相似性，通过分析消费者对商品的相似性评分，产生这些商品相关性的的图形，通过图形可直观地找出相似性产品（存在竞争可能性的产品）。

10. 基准分析 (Benchmarking analysis)

为了更好地分析竞争者的情况，可以将同行业中最有竞争力的作为基准作更深入的分析。基准分析可以帮助企业在进入海外市前就可以站在较高的角度去制定市场进入策略。