Veri madenciliği, büyük veri kümelerinde önceden aranmayan örüntüleri ve ilişkileri bulma pratiğidir. Raporlamadan farkı burada. Rapor zaten sorulmuş bir sorunun cevabını veriyor, veri madenciliği ise sorulmayı akla getirmeyen bir yapıyı ortaya çıkarıyor.
Yaygın teknikler birkaç grupta toplanıyor. Birliktelik kuralı madenciliği birlikte görülen öğeleri buluyor, kümeleme benzer kayıtları gruplandırıyor, sınıflandırma bilinen bir etiketi tahmin ediyor, anomali tespiti ise deseni bozan kayıtları işaretliyor. İşin büyük bölümü bunlardan önce, verinin temizlenmesi ve birleştirilmesi aşamasında geçiyor.
Makine öğrenimiyle sınırı bulanık ve daha çok amaç meselesi. Makine öğrenimi genelde tahmine, veri madenciliği keşfe yöneliyor. Pratikte aynı algoritmalar her iki işe de hizmet ediyor.
Somut bir örnek: bir market zinciri sepet verisi üzerinde birliktelik analizi çalıştırıyor ve belirli bir bebek ürünüyle belirli bir atıştırmalığın rastlantıyla açıklanamayacak sıklıkta birlikte alındığını görüyor. Bu soruyu kimse önceden sormamıştı. Raf düzeni ve kampanya takvimi bu bulguya göre değişiyor.
Bulunan örüntü kendiliğinden bir neden değil. Büyük veri kümelerinde tesadüfi korelasyonlar da çıkıyor, bu yüzden aksiyona dönüşecek her bulgu ayrı bir dönemin verisiyle tekrar sınanıyor.