es en este campo donde la Miner�a de Datos juega un papel importante dando las bases para el desarrollo de herramientas que permitan a un mercado especifico saber las tendencias de los compradores potenciales.

A escala mundial el comercio electr�nico esta revolucionando la econom�a de los pa�ses desarrollados, esto trae como consecuencia la b�squeda de m�todos para poder hacer una mejor integraci�n entre las diferentes culturas.

Las t�cnicas del Data Mining permiten ganar tanto en desarrollo como en manejabilidad e incluso en tiempo de trabajo.

La posibilidad de realizar uno mismo sus propios modelos sin necesidad de sub-contratar ni ponerse de acuerdo con una persona especialista en estad�stica, proporciona una gran libertad a los usuarios profesionales.

El Data Mining es el descendiente y - seg�n algunos - el sucesor de la estad�stica tal y como �sta se utiliza actualmente.

Las relaciones a largo plazo de los clientes desaparecieron gracias a esta T�cnica. Estad�stica y Data Mining conducen al mismo objetivo, el de efectuar "modelos" compactos y comprensibles que rindan cuenta de las relaciones establecidas entre la descripci�n de una situaci�n y un resultado (o un juicio) relacionado con dicha descripci�n.

Fundamentalmente, la diferencia entre ambas reside en que las t�cnicas del Data Mining construyen el modelo de manera autom�tica mientras que las t�cnicas estad�sticas "cl�sicas" necesitan ser manejadas - y orientadas - por un estad�stico profesional.

Las t�cnicas del Data Mining nos hacen prescindir de un estad�stico, sin embargo todav�a es indispensable dominar el oficio. Correlaciones sorpresa como las que anteriormente describ�amos no son, de todas maneras, muy frecuentes; las principales ventajas del data mining siguen siendo su rapidez y su sencillez. Adem�s, dichas t�cnicas permiten trabajar con grandes cantidades de ejemplos (varios millones) sin ning�n inconveniente.

Tambi�n permiten tratar una gran cantidad de variables predictivas (hasta varios millares). Esto �ltimo es de una gran utilidad para "seleccionar variables" (determinar las m�s �tiles dentro de una gran masa). Creaci�n de "modelos" comprensibles y compactos.