Kun tulokset tiedon louhinnan (mahdollinen näkymä /asiakas ja kanava /kysyntä) määritetään, tämä "kehittynyt sovellus" automaattisesti lähettää sähköpostia tai postitse. Lopuksi tapauksissa, joissa monet ihmiset ryhtymään toimiin ilman tarjouksen, voi nostaa malleja käytetään määrittämään kuka lisääntynyt eniten vastaamisen, jos annetaan tarjous on. Ryhmittely tietoja voidaan käyttää myös tunnistaa automaattisesti asiakassegmentteihin tai ryhmien aineisto.
Data mining työllisyys liike voi nähdä tuotto, mutta ne myöntävät, että määrä ennustavia malleja voi olla suuria tehdä nopeasti säilyttämiseksi määrän malleja, versiot mallin hallintaan ja automaattisen data mining pitäisi mennä. Data Mining ominaisuudet niiden menestyksekkäimmistä työntekijät tunnistaa voi olla hyödyllinen henkilöresurssien osastot. Kuten yliopistot osallistui erittäin onnistunut työntekijää, tiedot, inhimillisten resurssien avulla keskittämällä rekrytointityötänsä.
Lisäksi Strateginen Enterprise Management sovellukset auttavat company yhtiö tason tavoite, kuten voittomarginaalit ja tuotantosuunnitelmat ja level of operatiivisten päätösten, kuten käännetty yhteinen tavoite. Toinen esimerkki tiedonlouhinta kutsutaan usein ostoskorin analyysi, liittyy sen käyttöön vähittäiskaupassa. Jos vaatekauppa tallentaa ostot asiakkaista, tiedonlouhinta järjestelmä puuvillan silkkipaidat tunnistaa niille asiakkaille, joita puolue. Kuitenkin jotkut suhteen selventäminen vaikeaa, se on helppo hyödyntää.
Esimerkki käsittelee sääntöjen ryhmässä perustuu liiketoimien tietoihin. Ei kaikki tiedot liiketoimista ja loogisia tai epätäsmällisiä säännöt voivat myös olla läsnä tietokantaan. Vuonna tuotanto sovellus, epätarkka säännössä määrätään, että 73% tuotteista on tietty vika tai ongelma seuraavan kuuden kuukauden aikana, toinen ongelma. Ostoskorista analyysi alfa kuluttajien ostotottumuksia tunnistaa kerätty näiden yritysten ostaa tulevaisuudessa tarjont