Datan analysointi kehittyneelläkin tietokoneohjelmistolla vaatii asiantuntemusta, sillä analysoinnissa on useita vaiheita, joissa vaaditaan inhimillistä harkintaa. Häkkinen ja Koikkalainen toteavat artikkelissaan [15], että onnistuneen data-analyysin on oltava vuorovaikutteista. Muuttujien valinta ja merkityksen arviointi vaativat tietämystä ongelmasta. Data-analyysimenetelmät vaativat datan koodattavaksi numeeriseen muotoon, esimerkiksi vektoreiksi. Datalle sopivan koodauksen löytäminen on yrityksen ja erehdyksen tietä kuljettava prosessi. On kokeiltava erilaisia menetelmiä ja niiden seurauksia. Data-analyysimenetelmän antaman tuloksen arviointi ja tulkinta on edelleen asiantuntijatehtävä. Data-analyysiprosessi vaatii siis inhimillistä arviointia, innovatiivisia ratkaisuja -- ja kokeiluja. Tarvitaan työkalu, jolla ongelman iteratiivinen työstäminen (ks. kuva 3.1) ja menetelmien yhdistely on vaivatonta.
Käytännön tehtävissä on tunnettava sekä sovellusalue että data-analyysimenetelmä. Usein tarvitaan erikseen menetelmäasiantuntija ja sovellusalan asiantuntija. Tällöin analysointiprosessin ongelmat laajenevat koskemaan myös ryhmätyötä ja kommunikointia yleensä.
Itseorganisoituvaan karttaan ja interaktiiviseen datan käsittelyyn perustuvia data-analyysityökaluja -- tai ainakin niiden prototyyppejä -- ovat kehittäneet esimerkiksi Vesanto [41] ja Häkkinen ja Koikkalainen [15]. Työkaluja on esitelty lyhyesti luvussa 3.5.2.
