۲. تحلیل استنباطی: فرآیند استفاده از داده‌های نمونه برای استنباط یا پیش‌بینی در مورد جمعیت بزرگتر است. این روش شامل تجزیه و تحلیل زیرمجموعه‌ای از داده‌ها و برون‌یابی یافته‌ها به گروه بزرگتر است. تحلیل استنباطی معمولاً برای آزمایش فرضیه‌ها یا پیش‌بینی رویدادهای آینده استفاده می‌شود.

۳. تحلیل پیش‌بینی‌کننده: این نوع از تحلیل برای پیش‌بینی نتایج آینده بر اساس داده‌های تاریخی استفاده می‌شود. این شامل شناسایی الگوها و روندها در داده‌ها و استفاده از آن اطلاعات برای پیش‌بینی رویدادهای آینده است.

۴. تجزیه و تحلیل تجویزی: برای شناسایی بهترین اقدامی که باید در یک موقعیت خاص انجام شود استفاده می‌شود. این شامل استفاده از داده‌ها برای توصیه یا تصمیم‌گیری است.

۵. تجزیه و تحلیل اکتشافی: برای تجزیه و تحلیل داده‌ها به روشی باز، بدون هیچ‌گونه تصور قبلی از آنچه که داده‌ها آشکار خواهند کرد، استفاده می‌شود. اغلب در برنامه‌های داده‌کاوی و یادگیری ماشین استفاده می‌شود.

۶. تحلیل علت و معلول: برای ایجاد رابطه علت و معلولی بین متغیرها استفاده می‌شود. این شیوه تحلیل شامل شناسایی عواملی است که در داده‌ها تأثیر مستقیمی بر نتیجه مورد مطالعه دارد.

روش تصادفی‌سازی می‌تواند به سادگی شیر یا خط انداختن یک سکه باشد؛ اما ممکن است بسیار پیچیده‌تر از این هم باشد. بااین‌حال، هر روش تصادفی‌سازی از مجموعه‌ای از گام‌های دقیق و تعریف‌شده تشکیل می‌شود که امکان می‌دهند احتمال رخدادها را به‌صورت ریاضی مشخص کنیم. این ویژگی دو پیامد مهم دارد:

۱. به ما امکان می‌دهد از نظر ریاضی، احتمال اینکه تصادفی‌سازی دو گروه مداخله و شاهد با تفاوت‌های چشمگیر ایجاد کند، در محاسبات خود لحاظ کنیم.

۲. به ما امکان می‌دهد دربارهٔ تفاوت‌های میان گروه مداخله و گروه شاهد، گزاره‌های ریاضی دقیقی بیان کنیم. این امر به نوبهٔ خود به ما کمک می‌کند دربارهٔ اثر داشتن یا نداشتن مداخله، نتیجه‌گیری‌های موجهی انجام دهیم