Le data mining, outil d’exploration décisionnelle, présente plusieurs techniques d’utilisation. L’utilisation de ses techniques diffère en fonction de la nature des données mais également en fonction du type étude entrepris. Nous retrouvons ainsi plusieurs méthodes : des méthodes qui utilisent des techniques de classification et de segmentation, des méthodes qui utilisent des arbres de décision (similaires aux méthodes de classification), des méthodes qui exploitent les capacités d’apprentissage des réseaux de neurones, des méthodes qui reposent sur les principes et le règles d’analogies. Le processus du data mining comporte différentes étapes : la première étant la définition du problème puis la collecte des données, le choix du modèle d’analyse, l’étude des résultats et enfin, la formation et la diffusion.
Le data mining représente un domaine parmi les plus prometteurs de ces prochaines années. Avec 2,5 trillions d’octets en volume quotidien de données générées, l’enjeu majeur est l’automatisation de la découverte des données qui regorgent parfois de pépites d’informations. Ainsi, le « machine learning » (intelligence artificielle) permet l’analyse et la mise en place des méthodes d’automatisation. En ce qui concerne le marketing, pour les entreprises, il peut s’agir de la compréhension du comportement des consommateurs. Cela va permettre une collecte de données et d’informations sur de potentiels clients afin de les croiser et d’en dégager des apprentissages. L’entreprise va ainsi pouvoir élaborer une stratégie commerciale en fonction des habitudes de
Cependant, le data mining peut rencontrer quelques difficultés. La principale étant la compréhension des données. Le fait de travailler sur des données dans tes tables et tableaux qui peuvent avoir de nombreuses colonnes et lignes peut rendre la compréhension des données difficile. Il faut que ces tableaux soient clairs et lisibles. De plus, l’utilisation des statistiques et logiciels, l’analyse des données et les algorithmes représentent un travail compliqué et minutieux. Pour les dépasser, il faudra alors revenir aux concepts du data mining et essentiellement à la compréhension des données.