Data mining menggambarkan proses penggalian data dari kumpulan besar informasi dan menyajikannya dengan cara yang unik. Proses ini sering ditemukan dalam studi intelijen bisnis, di mana para ahli menambang sejumlah besar data mengenai pasar atau operasi bisnis dan berusaha menemukan hubungan dan tren yang sebelumnya tidak dikenali. Model data mining mengacu pada teknik yang digunakan spesialis untuk mengelompokkan dan menyajikan informasi, serta cara di mana mereka dapat menerapkan informasi untuk pertanyaan dan masalah tertentu.
Banyak ahli menganggap regresi data mining sebagai model data mining yang paling dasar dan umum digunakan. Dalam proses ini, seorang ahli menganalisis sekumpulan data dan membuat formula yang menjelaskannya. Banyak analis keuangan menggunakan teknik ini untuk membuat prediksi mengenai harga dan tren pasar. Model ini bekerja paling baik dalam skenario di mana data diharapkan tetap konsisten.
Model data mining populer lainnya didasarkan pada asosiasi. Seorang spesialis dapat menganalisis kumpulan data untuk menentukan komponen mana yang sering muncul bersamaan. Ketika dua komponen dipasangkan lagi dan lagi, seorang peneliti dapat mengasumsikan bahwa beberapa asosiasi ada di antara mereka. Misalnya, seorang peneliti yang menggunakan penambangan data untuk mempelajari kinerja toko ritel mungkin menemukan bahwa konsumen sering membeli pena dan pensil pada saat yang sama ketika mereka membeli kertas. Seorang manajer dapat menggunakan informasi yang dipelajari dari model penambangan data untuk meningkatkan penjualan dengan menampilkan semua item terkait dalam satu ruang.
Analisis faktor adalah model penambangan data umum lainnya. Dalam proses ini, seorang peneliti mengumpulkan sejumlah variabel yang berbeda dan mencoba untuk menemukan faktor-faktor yang menentukan fluktuasi nilai. Seorang peneliti pasar, misalnya, dapat belajar dari basis pelanggan bagaimana menilai fitur produk serupa. Seorang peneliti kemudian dapat mengatur informasi ini untuk menggambarkan faktor-faktor yang menentukan penilaian konsumen terhadap fitur. Sementara pendukung model ini percaya bahwa itu dapat menyoroti kesamaan di antara variabel yang tampaknya berbeda, beberapa kritikus percaya bahwa model ini dapat menyebabkan beberapa penafsir untuk mengasumsikan penyebab fenomena tertentu ketika semua informasi yang diperlukan untuk menentukan penyebab mungkin tidak tersedia.
Peneliti dapat menggunakan model data mining berdasarkan kategorisasi untuk masalah yang lebih sederhana. Dengan menggunakan teknik ini, spesialis mengatur data berdasarkan klasifikasi mereka dan cenderung mengaturnya dalam bentuk visual, seperti di pohon atau bagan. Model semacam ini sangat membantu dalam skenario di mana seorang individu harus memilih dari beberapa opsi di setiap kategori. Seorang desainer mungkin menemukan model ini berguna jika dalam setiap langkah proses dia dapat memilih dari beberapa bahan.