Darba ietvaros ir izstrādāta zināšanu atklāšanas sistēma, kas nodrošina nepārtrauktu (īsas laika rindas) un diskrētu (aprakstošie parametri) atribūtu mijiedarbību, kā rezultātā tika iegūta pieprasījuma prognoze, ar kuras palīdzību nodrošināta pētāmā procesa vadība. Izveidojamo sistēmu iespējams pielietot dzīves visdažādākajās sfērās, kuras saistītas ar lēmuma pieņemšanu, kas samazina risku, veicot jauna produkta prognozi. Darbā tika veikta nepārtrauktu datu apkopošana, kas saistīta ar datu savākšanu. Datu pirmapstrāde, kas ietver sevī virkni dažādu datu apstrādes procesu kā, piemēram: trokšņainu datu attīrīšana, neinformatīvu datu atmešana, datu transformācija un datu normalizācija. Veikta datu savākšanas un pirmapstrādes procesu mijiedarbības izpēte. Datiem, kas iegūti pirmapstrādes procesā tika pielietota datu klasterizācija, meklējot optimālo klasteru skaitu datu kopā. Klasterizācijas rezultātā vēsturisko pieprasījumu objektiem, modificējot k-vidējo algoritmu, tika noteikta piederība kādai no klasēm. Uz atrasto klasteru bāzes izveidoti paraugmodeļi, kuri tika izmantoti jaunā produkta prognozei. Pētītas dažādas pieejas klasterizācijas rezultātu uzlabošanai. Jaunu datu klasifikācijai, pielietoja induktīvo secināšanu, izmantojot lēmuma kokus ar algoritma C4.5 palīdzību. Tika veikta pielietotā klasifikācijas procesa analīze un iegūto rezultātu izpēte. Ar atsevišķas datu kopas palīdzību tika veikta izveidotās zināšanu atklāšanas sistēmas novērtējuma un veiktspējas pārbaude. Analizēta klasifikācijas procesa un klasteru analīzes mijiedarbības iegūtie rezultāti. Izpētīta prognozēšanas rezultātu izmantošana pētījamā procesa vadībai. Iegūtie rezultāti apkopoti tabulu un grafiku veidā, kas uzskatāmi ļauj analizēt iegūtos darba rezultātus.