Efektywna praca w systemie GIS i zapewnienie możliwość wprowadzania danych i prowadzenia wielu analiz danych przestrzennych wymaga, aby program był wyposażony w graficzny interfejs użytkownika (GUI). Są to interfejsy typu WIMP (windows, icons, menu, pointer) umożliwiające efektywną wizualizację danych oraz intuicyjne poruszanie się w systemie (przykład ramka 1.1). Istotnym narzędziem eksploracji, analizy, syntezy i prezentacji danych jest wizualizacja danych przestrzennych, zwana geowizualizacją [patrz podrozdział 4.1 i 5.1]. Wykorzystuje się w niej zapytania (query) realizowane za pomocą SQL w tablicach danych atrybutowych. W GIS istnieje dodatkowo możliwość definiowania zapytań przestrzennych (spatial query), które używają przestrzennych relacji pomiędzy obiektami dwóch różnych warstw. W ten sposób można wyznaczać np. obiekty jednej warstwy, które przecinają, stykają się lub leżą w pobliżu wybranych obiektów innej warstwy.
Metody analizy danych przestrzennych pozwalają na różnorodne wykorzystanie map numerycznych w pracy naukowej, w tym na tworzenie modeli GIS.
Rozwój metod analizy danych przestrzennych miał ogromny wpływ na ewolucję GIS. Najbardziej ogólnie można je podzielić na metody transformacji danych przestrzennych (zarówno wektorowych jak i rastrowych) wywodzące się z rozbudowy analitycznych możliwości GIS i statystykę przestrzenną (geostatystykę, statystykę danych powierzchniowych i punktowych). Powszechnie użyteczne metody statystyki przestrzennej były i są wprowadzane do posiadających szeroki krąg użytkowników programów komercyjnych (np. rozszerzenie geostatystyczne i narzędzia statystyki przestrzennej w ArcGIS). Specjalistyczne techniki badawcze są natomiast dostępne dzięki tworzeniu samoistnych aplikacji (np. programy SAGA [patrz ramka 6.2], Fragstats [patrz ramka 7.1], Garp [patrz podroż. 2.4]), rozszerzeń do już istniejących programów (np. rozszerzenia do ArcGIS takie jak ArcHydro Tools [patrz ramka 6.3] albo Hawth’s Analysis Tools [patrz ramki 3.4, 3.10 i 5.3] ) lub pakietów funkcji w specyficznym środowisku programowania jakim jest „R” [patrz ramka 8.2] (np. pakiety gstat, spatial) tworzonym w środowisku naukowym.
Istnieją dwa istotne aspekty analizy danych przestrzennych w środowisku GIS. Pierwszy wynika z przestrzennej autokorelacji (spatial autocorrelation) danych. Efekt zwiększania się różnicy w „podobieństwie” danych wraz ze wzrostem ich wzajemej odległości jest kluczem do zrozumienia przestrzennej zmienności danych i wykorzystania jej w interpolacji. Podobnie przydatne mogą być miary wzajemnej zmienności różnych zmiennych (kowariancji). Zrozumienie istotnych skal procesów i dopasowanie do niej właściwego poziomu szczegółów