Cēloņsakarību secināšana aptver metodes, ar kurām no datiem izsecina cēloņu un seku sakarības, nevis tikai atklāj korelācijas. Tā atbild uz tādiem jautājumiem kā: „Kas būtu noticis, ja mēs nebūtu veikuši šo pasākumu?”. Rīki ir randomizēti eksperimenti, piemēram, A/B testi, cēloņsakarību grafi un statistikas paņēmieni novērojumu datiem. Piemērs: pārbaude, vai atlaižu kampaņa patiešām palielināja pārdošanu, vai tā būtu pieaugusi tāpat sezonālu iemeslu dēļ.
Beijesa tīkli ir grafiski modeļi, kas mainīgos attēlo kā mezglus un to varbūtiskās atkarības kā virzītas bultas. Izmantojot Beijesa teorēmu, tie parāda, kā jauni novērojumi maina citu notikumu varbūtību. Viens piemērs ir diagnostikas atbalsts: visticamākā cēloņa novērtēšana pēc novērotajiem simptomiem. To stiprās puses ir pārredzamība un spēja apstrādāt nenoteiktus vai nepilnīgus datus.
Prognozējošā analītika izmanto vēsturiskus datus, statistiku un mašīnmācīšanos, lai novērtētu iespējamus nākotnes notikumus. Tā atbild uz tādiem jautājumiem kā: kuri klienti drīz atteiksies? Cik daudz krājumu nākamajā mēnesī būs vajadzīgs? Kad iekārta, visticamāk, sabojāsies? Rezultāti ir varbūtības, nevis noteiktība. To vērtība lielā mērā atkarīga no datu kvalitātes un no tā, vai prognozes patiešām tiek izmantotas lēmumos un procesos.
MI jomā neobjektivitāte (bias) apzīmē sistemātisku rezultātu izkropļojumu. Tā bieži rodas no nelīdzsvarotiem vai vēsturiski izkropļotiem apmācības datiem, bet arī no modeļa uzbūves vai jautājuma formulējuma. Labi zināms piemērs: kandidātu atlases rīks, kas mācās no iepriekšējiem pieņemšanas darbā lēmumiem, var turpināt esošo nelabvēlīgo situāciju. Statistikā ar neobjektivitāti saprot arī novērtējuma novirzi no patiesās vērtības. Pretpasākumi ietver daudzveidīgus datus, regulārus auditus un cilvēku pieņemtus lēmumus personāla jautājumos.
Izpētes datu analīze (EDA) ir pirmais, atvērtais skatiens uz datu kopu: aprēķina kopsavilkuma rādītājus, aplūko sadalījumus un diagrammas un meklē likumsakarības, izņēmumus un trūkstošās vērtības — vēl bez noteiktas hipotēzes. Tā palīdz novērtēt datu kvalitāti un atrast jēgpilnus jautājumus tālākai analīzei vai modelēšanai. Piemērs: pirms pārdošanas prognozes EDA atklāj, ka kāds mēnesis sistēmas migrācijas dēļ ierakstīts nepilnīgi.
