Pour tenter de faire sens des masses de données disponibles en quantité croissante, il est nécessaire de disposer d’outils performants limitant l’implication, souvent chronophage, de l’expert. Les méthodes non supervisées d’exploration de données telles que les méthodes de clustering sont une réponse à ce besoin. Cependant, leur mise en œuvre effective demande que l’utilisateur présuppose un certain nombre de propriétés des structures internes des données à mettre en évidence telles que, par exemple, leur type ou simplement leur nombre. Il doit aussi être capable de traduire cet a priori sous forme d’un ou plusieurs objectifs d’analyse et de choisir les méthodes adéquates (et leurs paramètres) de façon optimale. Malheureusement, ceci est une tâche ardue pour laquelle il n’existe pas actuellement de « recette miracle ». Par ailleurs, l’utilisation de bases de données distantes pour lesquelles il peut être intéressant de partager des informations nécessite souvent des analyses locales afin de préserver la confidentialité, . Dans ce contexte, les approches collaboratives, dans lesquelles différents algorithmes de clustering bien que travaillant sur des données éventuellement différentes, échangent et partagent des informations apparaissent comme une voie prometteuse. En effet, les expériences montrent que l’influence des choix initiaux des méthodes et de leurs paramètres est fortement atténué et qu’un tel schéma permet de découvrir de meilleures structures que si chacune de ces méthodes travaillait isolément. Cet article présente les questions que posent le clustering en général, et le clustering distribué en particulier ainsi que les défis à relever. Il propose ensuite un cadre dans lequel il est possible d’organiser et d’inscrire les approches de clustering collaboratif. Les différentes possibilités sont illustrées par des exemples de travaux existants.