互联网，基本上是免费导向，所以常常选择开源的工具，例如MySql、R、Python等。常常是基于hadoop的分布式数据采集、加工、存储和分析。
商业银行一般基于成熟的数据仓库，例如TD，以及一些成熟的数据挖掘工具，SAS EG和EM。
（四）应用场景
在应用场景上，两者之间也存在着非常大的差异。
（1）金融领域
金融领域的数据挖掘，不同的细分行业（如银行和证券），也是存在差别的。
银行领域的统计建模。银行内的数据挖掘，较为侧重统计建模，数据分析对象主要为截面数据，一般包括客户智能（CI）、运营智能（OI）和风险智能（RI）。开发的模型以离线为主，少量模型，例如反欺诈、申请评分，对实时性的要求比较高。
证券领域的量化分析。证券行业的挖掘工作，更加侧重量化分析，分析对象更多的是时间序列数据，旨在从大盘指数、波动特点、历史数据中发现趋势和机会，进行短期的套利操作。量化分析的实时性要求也比较高，可能是离线运算模型，但是在交易系统部署后，实时运算，捕捉交易事件和交易机会。