A CLEMSTAT megoldás egy statisztikai eszköztár, iparág-specifikus syntax és macro készletekkel kiegészítve, melyek lehetővé teszik speciális iparági elemzések elvégzését piackutatási és tudományos területeken, valamint a pénzügyi, telekommunikációs és kormányzati szektor számára is. A CLEMSTAT a beépített esettanulmányok és a 'Statistics Coach' révén az adatelemzés minden lépésében hatékony támogatást nyújt az adatelőkészítéstől az adatmanipuláción át a modellezésig.

A CLEMSTAT az IBM SPSS Statistics alábbi moduljainak igény szerinti kombinációját tartalmazza:

• SPSS Statistics Base
• Regression: segítségével sokkal pontosabb prediktív modellek készíthetők, amelyek meghaladják a hagyományos lineáris regressziós közelítéseket
• Advanced Statistics: a modullal komplex összefüggések vizsgálhatók hatékony többváltozós technikák használatával
• Decision Trees: szemléletes klasszifikáció, döntési fák az egyedi alcsoportok meghatározására és az adatokban rejlő összefüggések felderítésére
• Custom Tables: eredmények megjelenítése prezentációra kész táblázatos formában felhasználóbarát felhasználói felület segítségével
• Exact Tests: pontosabb elemzések kis mintákon és ritka előfordulások vizsgálata nagy adatbázisokban
• Categories: ismeretlen kapcsolatok felderítése kategorikus adatok között hatékony skálázási és dimenziószám csökkentési technikákkal
• Forcasting: előrejelzések historikus adatok elemzésével, modellezéssel és hatékony idősor elemzési technikák használatával
• Conjoint: fogyasztói preferenciák elemzése a hatásosabb termékfejlesztés érdekében
• Missing Values: hiányzó adat problémák megoldása a helyzet gyors diagnosztizálásával, és annak megfelelő adatkezeléssel a megalapozottabb eredmények érdekében
• Data Preparation: könnyű, automatizált adatérvényesítés az élőmunka igényes kézi ellenőrzés helyett a pontosabb eredmények eléréséhez
• Complex Samples: nem-véletlen felmérések tervezése, elemzése, és az alapsokaság hatékony és pontos tanulmányozása
• Direct Marketing: olyan eszközöket tartalmaz, amelyek a vevők, ügyfeladatok szofisztikált elemzéséhez szükségesek, például RFM analízis, szegmentáció, profilalkotás.
• Bootstrapping: segít csökkenteni a kiugró értékek és anomáliák okozta hatásokat, melyek rontanák az elemzések pontosságát, alkalmazhatóságát.
• Neural Networks: nem-lineáris modellezési folyamatokat tesz lehetővé, így az eddigieknél komplexebb adatkapcsolatok vizsgálhatók.