Com a terceirização da economia e o advento do comércio eletrónico, a quantidade de informação gerada através dos dados criados por utilizadores e também pelos próprios sistemas informáticos utilizados atingiu volumes nunca antes verificados. Segundo operadores da indústria, 90% de toda a informação criada no mundo foi produzida desde 2014. No entanto, a informação existente é de pouca utilidade caso não seja analisada criticamente procurando a criação de conhecimento útil para a obtenção de melhores resultados pela definição de políticas de ação no mercado, quer por parte de empresas e instituições e mesmo através dos poderes públicos.

O Data Mining é também chamada de análise preditiva tem como principais utilizações o aumento de receitas (pela realização de ações de marketing estruturadas a partir de dados existentes atualmente) e para reduzir custos (pela da detecção e prevenção de desperdício e fraude). Utilizável em todos os tipos de organizações, ela produz resultados mensuráveis e facilmente enquadráveis numa análise de custo-benefício. O Data Mining encontra padrões de relacionamentos em dados usando técnicas sofisticadas para construir modelos - representações abstratas da realidade. Um bom modelo é um guia útil para entender seu negócio e tomar decisões de acordo com dados que a empresa já detenha de transações realizadas no passado.

As técnicas de Data Mining podem ter várias aplicações dentro das empresas consoante a utilização de dados na planificação e desempenho de cada estratégia.

Assim, são exemplos de aplicação de Data Mining:

• Ações de Gestão e Marketing - O Data Mining é utilizado para explorar bases de dados cada vez maiores e melhorar a segmentação do mercado. A correlação de variáveis e a descoberta de relações entre parâmetros como a idade dos clientes, os seus gostos, os hábitos de compra, etc., é possível prever comportamentos de compra para a realização de campanhas personalizadas de fidelização ou captação para o comércio de novos produtos. O data mining em marketing pode também apontar para a desistência de compras ou cancelamento de serviços, o que é essencial para a construção de campanhas dirigidas com ofertas de recuperação. Releva-se aqui a importância da proteção de dados pessoais, já que o RGPD enfatiza a proibição de construção de perfis automatizados sem que o titular de dados o consinta de forma clara.
• Comércio a Retalho - As grandes cadeias de distribuição utilizam a análise massiva de dados para descobrir e prever períodos de maior tráfego nas lojas ou compras por associação para a fabricação dos bundles de produtos. Através da análise massiva de dados associada a programas de fidelização é possível descontos em roupas de bebé para quem compre fraldas ou um seguro para quem acabe de comprar um novo gadget. É também com base nas análises de Data Mining que os especialistas em merchandising fazer as suas estratégias de disposição do espaço e dos produtos dentro do espaço tirando o melhor aproveitamento do planeamento e da impulsividade das compras por parte dos clientes. Podem também ser retiradas ilações sobre o ambiente em que decorre a compra com a adoção de estratégias de iluminação, aromatização e sons ambientes.
• Serviços Financeiros e bancos - Na prestação dos serviços financeiros a análise de dados é determinante para a construção de perfis de crédito e os hábitos de realização de transações. Baseados nestes perfis, podem ser prevenidas fraudes por transações de montantes pouco habituais ou num horário em que a atividade bancária do utilizador seja pouco comum. É também possível fazer ações promocionais ou comunicacionais específicas para cada canal com base na tipologia de operações mais comuns desses mesmos canais;
• Meios de comunicação e aplicações de audiência - A monitorização em permanência das audiências permite a análise das preferências de visualização e a adequação dos perfis dos espetadores ao mercado publicitário e institucional em que o meio de comunicação faz a captação de recursos através da venda de espaço publicitário ou tempo de emissão. Os mineiros de dados podem ainda decidir grelhas de programação e apresentar sugestões de visualização baseadas em visualizações passadas. 
• Agricultura - A recolha de dados meteorológicos que possam afetar uma determinada área de cultivo ou uma determinada planta em concreto faz com que possam ser determinadas as melhores culturas para um determinado campo, ser ativada a rega gota a gota para uma determinada planta que não recebeu chuva como as outras ou mesmo, determinar as caraterísticas genéticas de uma determinada planta que permita a sua substituição de forma exata mantendo assim as características de uma vinha ou de um pomar, por exemplo;
• Ecommerce - A utilização de cookies de navegação permite que as lojas virtuais permitem estabelecer um conjunto de produtos que possam interessar a quem compra outros e também com base nas experiências de compras de outros utilizadores dos produtos ou serviços;
• Saúde - Esta é uma área sensível em que o Data Mining pode efetivamente salvar vidas. A correlação de sintomas que podem despoletar outros que estejam documentados na literatura podem levar os prestadores de cuidados de saúde a determinar tratamentos inovadores que levem à produção de conhecimento com melhores efeitos no combate a determinadas patologias. 

A combinação de pensamento estratégico com o conhecimento gerado por dados estruturados é um grande aliado da gestão e na construção de abordagens inovadoras para problemas de gestão e para ações de mercado verdadeiramente impactantes e que possam ser vantagens concorrenciais.

Fazer modelos de análise preditivos requer um protocolo de formação de operações e verificação de dados bem afinado para que as previsões sejam o mais corretas possível. O ponto fulcral desta formação é estabelecer normas por amostragem para que depois seja generalizado à totalidade dos dados recolhidos. A pesquisa em dados oferece uma grande promessa às empresas para descobrir padrões ocultos nos dados que são normalmente gerados pela sua atividade e que podem ser usados para prever o comportamento de clientes, produtos e processos. No entanto, o trabalho em dados tem que ser operado com um sentido estratégico e de conhecimento profundo do negócio já que são estes fatores que vão conferir significados aos dados e transformá-los em conhecimento. 

A construção de modelos teóricos de nada servem se forem completamente desgarrados da realidade física em que o negócio e os seus responsáveis se movimentam. Uma recolha e preparação adequada dos dados recolhidos permanentemente em confronto com o mundo real é essencial para que se retire verdadeiramente utilidade deste processo.

Moloni