ليزرل Lisrel مخفف linear structural relations است. نرم افزار تحليل آماري ليزرل LISREL جهت محاسبات تحليل عامل و مدل معادلات ساختاري استفاده مي‌شود. نرم افزار ليزرل Lisrel مكمل نرم افزار اس پي اس اس است كه در علوم انساني و علوم اجتماعي استفاده مي شود. اين نرم افزار کارهاي گرافيکي را بهتر از نرم افزار SPSS انجام مي‌دهد. با استفاده از لينک زير مي‌توانيد همواره آخرين نسخه دانشجوئي ليزرل را از سايت سازنده آن دريافت کنيد. البته اين نسخه محدوديت هائي دارد. مي‌توانيد نسخه کامل و فول ورژن ليزرل را مي‌توانيد از سايت پارس‌مدير به رايگان دريافت کنيد.

هر پژوهشي در قسمت تجزيه و تحليل به جهت تبيين و بيان روابط و مدل هاي علي نياز به نرم‌افزاري دارد كه با اخذ اطلاعات و تركيبات آنها، قادر به ارائه گزارش و نمودارهاي لازم شود و با جمع‌بندي داده‌ها از لحاظ كمي و كيفي با استفاده از فرمول‌هاي متعدد آماري از رگرسيون و همبستگي گرفته تا مقياس سازي جهت پايايي و سازگاري دروني و تحليل متغييرها، پايايي پرسشنامه را معين كند و در خاتمه به خوبي به تحليل داده‌ها و تصميم‌گيري موفق نايل آيد.

Spss نرم افزاري تخصصي مربوط به علم آمار مي باشد كه شهرتي جهاني دارد. ابتدا اين نرم‌افزار جهت كاربرد در دانشگاه استانفورد شيكاگو طراحي شد ولي بعدها در پژوهش‌هاي بسيار زيادي در زمينه‌هاي موضوعي متعدد از جمله بازاريابي، علوم بهداشتي، مسائل مالي شركت‌ها، تعليم و تربيت و ... به كار گرفته شد در سال 1990 نسخة حرفه‌اي و در عين حال سادة آن طراحي گرديد.

- امکان وارد کردن داده های ورودی به شکلی بسیار آسان
- شبیه سازی داده های تصادفی بر پایه توزیع ها مختلف
- برآورد نقطه ای و فاصله ای و آمارهای آن ها
- روش های گرافیک جهت تشریح داده ها
- آزمون های فرضیه با توجه به اطلاعات در دسترس از جوامع
- هماهنگی کامل با سایر نرم افزار ها از جمله Microsoft Office Excel
- آمار توضیحی و توزیع احتمال های گسسته و پیوسته
- انجام تحلیل های بسیار ساده اولیه مانند: میانگین، میانه، Standard Division و ...
- مشاهده توزیع های ساده Distributed data همراه با نمودار
- امکان محاسبه ضریب همبستگی بین متغیرهای مختلف
- امکان گسترده رسم نمودارهای (Charts) مختلف در انواع ستونی BAR، دایره ای PIE و ... در رنگ های بسیار متنوع
- رسم نمودار پارتو، نمودار استخوان ماهی، نمودار علت و معلول، نمودار دنباله، نمودار چند متغیر، نمودار متقارن و ...
- رسم و تجزیه تحلیل نمودارهای کنترل، شش سیگما، SPC ،MSA 
- رسم نمودارهای سه بعدی
- انجام تحلیل کنترل کیفیت آماری
- انجام تحلیل سری های زمانی
- ابزارهای طراحی و تحلیل طرح‌های آزمایشی
- ابزار تعیین اندازه نمونه و قدرت آزمون
- ابزارهای آنالیز بقا و قابلیت اطمینان
- آنالیزهای چند متغیره

Minitab یک نرم افزار کنترل کیفیت آماری و مناسب برای پروژه های Six Sigma و بهبود کیفیت می باشد. این نرم افزار به عنوان یکی از نرم افزارهای تخصصی آمار برای کنترل کیفیت، کار بر روی اعداد و تجزیه و تحلیل داده های خام شناخته شده است و در بسیاری از واحد های صنعتی بزرگ و کوچک مورد استفاده قرار می گیرد و به وسیله آن می توان با تجزیه و تحلیل داده های آماری به طراحی آزمایشات پرداخت. همچنین انجام برخی عملیات ها مانند تولید اعداد تصادفی که از توزیع های آماری خاصی مانند توزیع نرمال، کی دو، گاما، اف، برنولی، پواسن، بتا، وایبل و ... پیروی می کنند، پرداخت.
در واقع نرم افزار Minitab (مینی تب) یکی از نرم افزارهای مطرح آماری می‌باشد که در برخی زمینه های علم آمار، از جمله کاربرد آمار در صنعت و اقتصاد از قابلیت های خاصی برخوردار می‌باشد.
تحلیل های سری زمانی با گستردگی و دقت بیشتری در این نرم افزار ارائه شده است.

درخت تصمیم یک ابزار برای پشتیبانی از تصمیم است که از درختان برای مدل کردن استفاده می‌کند. درخت تصمیم به طور معمول در تحقیق درعملیات استفاده می‌شود، به طور خاص در آنالیز تصمیم، برای مشخص کردن استراتژی که با بیشترین احتمال به هدف برسد بکار، می‌رود. استفاده دیگر درختان تصمیم، توصیف محاسبات احتمال شرطی است.

در آنالیز تصمیم، یک درخت تصمیم به عنوان ابزاری برای به تصویر کشیدن و آنالیز تصمیم، در جایی که مقادیر مورد انتظار از رقابت‌ها متناوباً محاسبه می‌شود، استفاده می‌گردد. یک درخت تصمیم دارای سه نوع گره‌است:

۱-گره تصمیم: به طور معمول با مربع نشان داده می‌شود.

۲-گره تصادفی: با دایره مشخص می‌شود.

۳-گره پایانی: با مثلث مشخص می‌شود.

در میان ابزارهای پشتیبانی تصمیم، درخت تصمیم و دیاگرام تصمیم دارای مزایایی هستند:

۱- فهم ساده: هر انسان با اندکی مطالعه و آموزش می‌تواند، طریقه کار با درخت تصمیم را بیاموزد.

۲- کارکردن با داده‌های بزرگ و پیچیده: درخت تصمیم در عین سادگی می‌تواند با داده‌های پیچیده به راحتی کار کند و از روی آنها تصمیم بسازد.

۳-استفاده مجدد آسان: در صورتی که درخت تصمیم برای یک مسئله ساخته شد، نمونه‌های مختلف از آن مسئله را می‌توان با آن درخت تصمیم محاسبه کرد.

۴- قابلیت ترکیب با روش‌های دیگر: نتیجه درخت تصمیم را می‌توان با تکنیک‌های تصمیم سازی دیگر ترکیب کرده و نتایج بهتری بدست آورد.

- هوش تجاری: انبار داده و داده کاوی

- ارزش حیات مشتری و شناسایی مشتریان سودآور

روش کامینز K-Means یکی از روش های خوشه بندی داده ها در داده کاوی است. این روش علی‌رغم سادگی آن یک روش پایه برای بسیاری از روش‌های خوشه‌بندی دیگر (مانند خوشه‌بندی فازی) محسوب می‌شود. این روش روشی انحصاری و مسطح محسوب می‌شود. برای این الگوریتم شکلهای مختلفی بیان شده است. ولی همه آنها دارای روالی تکراری هستند که برای تعدادی ثابت از خوشه‌ها سعی در تخمین موارد زیر دارند:
بدست آوردن نقاطی به عنوان مراکز خوشه‌ها این نقاط در واقع همان میانگین نقاط متعلق به هر خوشه هستند. نسبت دادن هر نمونه داده به یک خوشه که آن داده کمترین فاصله تا مرکز آن خوشه را دارا باشد. در نوع ساده‌ای از این روش ابتدا به تعداد خوشه‌‌های مورد نیاز نقاطی به صورت تصادفی انتخاب می‌شود. سپس در داده‌ها با توجه با میزان نزدیکی (شباهت) به یکی از این خوشه‌ها نسبت داده‌ می‌شوند و بدین ترتیب خوشه‌های جدیدی حاصل می‌شود. با تکرار همین روال می‌توان در هر تکرار با میانگین‌گیری از داده‌ها مراکز جدیدی برای آنها محاسبه کرد و مجدادأ داده‌ها را به خوشه‌های جدید نسبت داد. این روند تا زمانی ادامه پیدا می‌کند که دیگر تغییری در داده‌ها حاصل نشود. تابع زیر به عنوان تابع هدف مطرح است.

در الگوریتم Kmeans ابتدا k عضو (که k تعداد خوشه‌ها است) بصورت تصادفی از میان n عضو به عنوان مراکز خوشه‌ها انتخاب می‌شود. سپس n-k عضو باقیمانده به نزدیک‌ترین خوشه تخصیص می‌یابند. بعد از تخصیص همه اعضا مراکز خوشه مجدداً محاسبه می‌شوند و با توجه به مراکز جدید به خوشه‌ها تخصیص می‌یابند و این کار تا زمانی که مراکز خوشه‌ها ثابت بماند ادامه می‌یابد.

داده‌کاوی یکی از موضوعات پرکاربرد و در حال رشد در عرصه مدیریت، حسابداری و اقتصاد است. به مدد سیستم‌های فناوری اطلاعات و نرم‌افزارهای مبتنی بر پایگاه داده، اکنون سازمان‌ها توان ذخیره حجم انبوهی از داده‌ها را پیدا کرده‌اند. داده‌کاوی فرایندی است که امکان استخراج اطلاعات معنادار از این پشته داده را فراهم می‌سازد. داده‌کاوی روشی است که به کشف دانش مبتنی بر شناسائی خودکار الگوها و رابطه‌ها می‌پردازد. یعنی به جای آنکه مدل سازی کنیم، مدل‌های موجود را کشف نمائیم.

داده کاوی یکی از روشهایی است که به وسیله آن الگوهای مفید در داده‌ها با حداقل دخالت کاربران شناخته می‌شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می‌دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند. در داده کاوی از تحلیل اکتشافی داده‌ها استفاده می‌شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون انبوهی از داده‌ها تاکید می‌شود. وجود حجمی انبوه از داده‌ها پیش‌فرض داده‌کاوی است. هر چه حجم داده‌ها بیشتر و روابط میان آنها پیچیده تر باشد داده‌کاوی اهمیت بیشتری پیدا می‌کند.

در بسیاری موارد از خوشه بندی به عنوان اولین گام فرایندهای داده كاوی یاد می‌شود كه قبل از سایر فرایند‌ها برای شناسایی گروهی از عناصر مشابه استفاده می‌شود. هدف از خوشه بندی تقسیم داده‌های موجود به چندین گروه است بطوریکه داده‌های گروه‌های مختلف باید حداکثر تفاوت ممکن را به هم داشته باشند و داده‌های موجود در یک گروه باید بسیار به هم شبیه باشند. روش‌های متعددی برای خوشه‌بندی داده‌ها وجود دارد.

تحلیل خوشه ای مجموعه ای از مشاهدات را به دو یا چند گروه نامعلوم و ناسازگار متقابل طبقه بندی می کند، که بر اساس ترکیب های از متغیرهای بازه ای قرار دارند. هدف این تحلیل کشف سیستم مشاهدات سازمانی، که معمولا مردم هستند به گروه است که در آن اعضای گروه در اموال عمومی سهیم اند. در کل از لحاظ شناختی، رفتار با افراد و پیش بینی رفتار یا مالکیت ها بر اساس مشاهدات رفتاری و مالکیت های دیگر دشوار است.

تحلیل خوشه ای، گروه های نامعلوم را طبقه بندی می کند. این روش اجازه انتخاب های زیادی درباره ی طبیعت الگوریتم برای ادغام گروه ها را می دهد.هر انتخاب ممکن است، موجب ساختار گروه بندی متفاوتی شود.

به عبارت دیگر تحلیل خوشه ای روشی اصلی برای طبقه بندی توده ای از اطلاعات به ستون های معنادار قابل اجرا می باشد.این تحلیل وسیله تقلیل داده هاست که باعث ایجاد زیرگروه هایی می شود که قابل اجراتر از داده های فردی است.

خوشه بندی تقریبا در همه جنبه های زندگی روزمره اتفاق می افتد. زیست شناسان گونه های مختلف حیوانات را طبقه بندی می کنند. در پزشکی، خوشه بندی نشانه ها یا بیماری ها منجر به طبقه بندی در مورد بیماری ها می شود. در تجارت خوشه هایی از بخش های مصرف کننده اغلب به منظور سیاست های مختلف بازاریابی جستجو می شود.

تحلیل خوشه ای گروه بندی های جدیدی را به وجود می آورد بدون هیچ تصوری که از قبل فرض شده باشد در مورد این که چه خوشه هایی ممکن است به وجود آیند.

تفاوت تحلیل خوشه ای و تحلیل تشخیصی در این است که در تحلیل تشخیصی گروه ها ( خوشه ها ) از قبل تشکیل شده اند و هدف از تحلیل آن است که ترکیب خطی آن دسته از متغیرهای مستقلی که گروه ها را به بهترین نحو از یکدیگر تفکیک می کنند تعیین شود، اما در تحلیل خوشه ای گروه ها از قبل تعیین نشده اند بلکه هدف این است که بهترین روشی را که بتوان از طریق آن متغیرها را در گروه هایی مشخص خوشه بندی کرد تعیین شود.

تحلیل عاملی یک روش آماری چند متغیری است که در تحلیل جداول یا ماتریس های همبستگی به کار می رود. این ضرایب معمولا ضرایب همبستگی گشتاوری هستند، اگرچه در تحلیل مورد بحث از سایر شاخص های همبستگی مانند کوواریانس نیز می توان استفاده کرد. در بسیاری از کاربردهای تحلیل عاملی، متغیرها نمره های حاصل از آزمون های تربیتی یا روان شناختی هستند. با وجود این، روش های تحلیل عاملی بسیار کلی هستند، به طوری که می توان آن ها را برای همبستگی های بین متغیرهایی از هر نوع، مانند متغیرهای اقتصادی، مردم شناسی، فیزیولوژیکی، هواشناسی یا فیزیکی مورد استفاده قرار داد. بازبینی مستقیم ماتریس های مربوط به ضرایب همبستگی، به وضوح نشان می دهد که تفسیر شهودی ساده ای از الگوی روابط بین متغیرها امکان پذیر نیست. در چنین موقعیتی،محقق به روشی از تحلیل نیاز دارد که تفسیر معنادار متغیرهایی که با هم ارتباط دارند، کمک کند. تحلیل عاملی، روشی برای دستیابی به چنین منظوری است.

در رگرسیون چند متغیری توجه پژوهشگر معطوف به پیش بینی است و بین متغیر وابسته و مجموعه ای ازمتغیرهای مستقل تمایزبه عمل می آید. تحلیل عاملی معمولا برای داده هایی به کار برده می شود که در آن ها، بین متغیرهای وابسته و مستقل تمایز معناداری وجود ندارد و هدف، توصیف و تفسیر همبستگی های درونی مجموعه واحدی از متغیرهاست.

روش تحلیل عاملی معمولا در تحلیل داده های پرسشنامه ای برای تشخیص متغیرهای پنهان استفاده می شود.

نظریه آغازین مربوط به آنالیز تشخیصی به دهه ۱۹۳۰ و آثار آماردان انگلیسی کارل پیرسون و دیگران در زمینه فواصل گروه ها و یا ضرایب تشابه نژادی بر می گردد.به طور خاص این تکنیک اولین بار توسط فیشر در سال ۱۹۳۶ ابداع شد و بر پایه روش شناسی مورد استفاده در رگرسیون خطی چندمتغیره یعنی جبر ماتریس ها، جهت حل معادلات خطی، توسعه یافت. روش شناسان دانشگاه هاروارد، در دهه های ۵۰ و ۶۰ علاقه ی بسیاری به این روش برای مطالعه در حوزه آموزش و پرورش و روان شناسی نشان دادند. نرم افزارهای مختلفی جهت اجرای آنالیز تشخیصی ابداع شده که SPSS یکی از آن ها می باشد.

آنالیز تشخیصی راهکاری است برای آن که متغیرها را در قالب گروه های مجزا از هم تفکیک کنیم، به صورتی که هر گروه در عین اینکه با گروه دیگر شباهت و همبستگی دارد، از انسجام لازم نیز برخوردار باشد.در واقع آنالیز تشخیصی، تشخیص معادله ای است که با داشتن مشخصات هر فرد از جامعه، می توان با قرار دادن این مشخصات در آن معادله، پیش بینی کرد که وی به کدام گروه تعلق دارد. به عبارتی منظور از آنالیز تشخیصی، گروه بندی داده ها به گروه های متجانس است، به گونه ای که مشاهدات هر گروه با دیگری شبیه باشند و مشاهدات گروه های مختلف نسبت به یکدیگر کمترین شباهت را داشته باشند. لازم است گفته شود که در آنالیز تشخیصی باید از هر یک از گروه های مورد نظر نمونه های مناسبی در اختیار داشت تا بتوان با استفاده از نمونه های شناخته شده تابع تشخیص را معلوم کرد.

در واقع آنالیز تشخیصی بر اساس مشخصه های مختلف برای گروه بندی مشاهدات به یکی از چندین گروه معلوم به کار می رود. مثلا وقتی بخواهیم کارگران را بر حسب مهارت به سه گروه متخصص، ماهر و نیمه ماهر تقسیم کنیم، باید آن ها را بر اساس مشخصه هایی که نمره داده شده است مورد اندازه گیری قرار دهیم. بدیهی است که این مجموعه اطلاعات و مشخصه ها باید بر در مورد نمونه های مناسبی از کارگران در گروه های فوق موجود باشند.

مهمترین کاربردهای انالیز تشخیصی به شرح زیر است:

1. بررسی تفاوت های بین گروهی
2. تعیین مناسب ترین روش تفاوت گذاری بین گروه ها
3. تشخیص و حذف متغیرهایی که در ایجاد تمایز بین گروه ها نقشی ندارند.
4. طبقه بندی افراد مورد مطالعه در گروه های تعیین شده.
5. آزمون میزان درستی طبقه بندی مشاهده شده با طبقه بندی پیش بینی شده.

تحلیل تشخیصی را می توان برای تعیین طبقه بندی مواردی به کار برد که بر اساس امتیاز یک یا چند متغیر کمی هر مورد، در یک گروه خاص قرار می گیرند. مثلا یک شرکت بیمه ای مشتری هایش را بر اساس اطلاعلات آن ها به دو گروه تقسیم می کند.گروه اول کسانی که طی شش سال تصادف کرده اند و گروه دوم کسانی که طی شش سال تصادف نکرده اند.

در کل این تحلیل یک یا چند قانون را برای طبقه بندی موارد بر اساس ترکیبات خطی از متغیرهای کمی وضع می کند. با بررسی ترکیب توابع می توان دیدگاهی برای متغیرها فراهم کرد که در تشخیص گروه ها از یکدیگر تاثیر بیشتری داشته باشند.