El estudio y modelado de los Sistemas de Soporte a las Decisiones (SSD) han atraído la atención de la comunidad académica desde hace varias décadas. Una de las definiciones dada por Sprague y Carlson, establece que un SSD es un sistema interactivo basado en computadoras, que asiste a los tomadores de decisiones, utilizando datos y modelos, para resolver problemas semi-estructurados y no estructurados dentro de una organización. Con la finalidad de desarrollar SSD más efectivos, los desarrolladores de modelos de negocios y los investigadores se han interesado en las técnicas de minería de datos, las cuales permiten, mediante el reconocimiento de patrones, descubrir información valiosa escondida en los datos. Uno de los retos que hacen interesante al problema y justifican el estudio de técnicas de reconocimiento de patrones es el manejo de grandes cantidades de datos. Para ello, se utilizan técnicas de agrupamiento (clustering) de datos. El trabajo consiste en identificar estructuras o subclases de los objetos almacenados en las bases de datos que tengan un significado relevante en su campo de aplicación. La ventaja principal al usar las técnicas de agrupamiento de datos es la posibilidad de descubrir estructuras o categorías bien definidas y relevantes directamente en los datos sin tener que contar con un conocimiento preciso del contexto. En el presente trabajo se presentan dos casos de estudio. El primero utiliza una base de datos de estudiantes aspirantes a la Facultad de Informática, y tiene el propósito de encontrar las características que distinguen a los aspirantes aceptados de los no aceptados. Se cuenta con una base de datos de 5,500 registros correspondientes al periodo de 2004-1 hasta 2008-2. Las herramientas para éste análisis son Matemática y SQL Server. El segundo caso de estudio consiste en el problema de localización de grupos de interés de maestros y materias. A partir de información representada mediante una matriz binaria de 20 x 20. En ambos casos de estudio se emplean técnicas de clustering y de optimización.