• アソシエーション分析（相関ルール分析）：同時に購入されやすい商品の組み合わせなどを探る手法です。有名な「おむつとビール」はこの手法によるものです。評価の指標として、ルールが起こる頻度を示す「支持度（Support）」、条件が満たされたときに結論が起こる確率を示す「信頼度（Confidence）」、そのルールにどの程度意味があるかを示す「リフト値（Lift）」が使われます。
• 分類（デシジョンツリー/決定木分析）：データを樹形図のようなツリー構造に分解し、「どのような条件を満たす顧客が商品を購入しやすいか」などをルール化して分類する手法です。
• クラスタリング（クラスター分析）：あらかじめ基準を決めずに、データの類似性に基づいて自動的にグループ（クラスター）に分類する手法です。顧客を購買傾向ごとにセグメント化する際に用いられます。
• 予測（回帰分析）：過去のデータ傾向から、将来の売上数値や機械の故障確率などを予測する手法です。

これらの技術は、データウェアハウス（DWH）やデータレイクに蓄積された大容量のデータソースに対して実行され、最終的には企業の意思決定（BI）や自動化システムに役立てられます。

試験でのポイント

ITパスポートや基本情報技術者試験では、データマイニングの基本的な定義「大量のデータから、統計的手法や人工知能などの技術を用いて、有益な知識やパターンを発掘する手法」を選択させる問題が中心です。用語の意味を正確に理解していれば解ける問題が多いため、確実に得点源にしたい項目です。

また、具体的な応用例として「マーケットバスケット分析（購買データの相関分析）」や、それによって得られる「アソシエーションルール（相関ルール）」の概念も頻出します。さらに、データマイニングで用いられる具体的なアルゴリズムとして「決定木（ディシジョンツリー）」や「クラスタリング」の名称が選択肢に現れることもあるため、これらがデータマイニングの手法の一部であることを認識しておく必要があります。

関連する用語

データマイニングと密接に関連する用語としては、データを統合して保管する「データウェアハウス（DWH）」、そこから切り出された「データマート」、購買履歴を分析する「マーケットバスケット分析」、分析に活用される技術である「機械学習」や「統計解析」などがあり、これらが一体となってデータ主導のビジネスを支えています。