O resultado da mineração pode ser descobrir o seguinte tipo de informação nova:

Podemos ver que existem muitas possibilidades para descobrir novos conhecimentos sobre padrões de compra, relacionando fatores como idade, grupo de renda, local de residência, o que e quanto os clientes compram. Essa informação pode então ser utilizada para planejar políticas de marketing com base em demografias, combinar itens em propagandas ou planejar estratégias de distribuição dos produtos dentro da loja.

Conforme mostra esse exemplo de loja de varejo, a mineração de dados precisa ser precedida por uma preparação significativa nos dados, antes de gerar informações úteis que possam influenciar diretamente as decisões de negócios.

Os resultados da mineração de dados podem ser informados em diversos formatos, como:

listagens,
saídas gráficas,
tabelas de resumo ou visualizações.

Regras de associação

Por exemplo, sempre que um cliente compra equipamento de vídeo, ele também compra cabos e acessórios. Com isso, o vendedor já pode oferecer esses outros produtos para prováveis clientes que estejam comprando equipamentos de vídeo.

Padrões sequenciais

Por exemplo, suponha que um cliente compre uma câmera e dentro de três meses ele compre suprimentos fotográficos, depois, dentro de seis meses, ele provavelmente comprará um item de acessório. Isso define um padrão sequencial de transações. Um cliente que compra mais que o dobro em períodos promocionais provavelmente poderá comprar pelo menos uma vez durante o período de Natal.

Árvores de classificação

Por exemplo, os clientes podem ser classificados por frequência de visitas, tipos de financiamento utilizado, valor da compra ou afinidade para tipos de itens; algumas estatísticas reveladoras podem ser geradas para essas classes. Esses conjuntos podem ser formados por similaridade de comportamento (exemplo: clientes que gastam mais de R$1000 por compra e clientes que gastam menos de R$1000) ou de características básicas (exemplos: idade, sexo, grau de instrução etc.).