L'analyse exploratoire des données (AED) est une technique d'analyse utilisée pour extraire efficacement des connaissances à partir de données même lorsque nous ne savons pas exactement ce que nous cherchons. L'AED est au coeur de la narration de données (ND), le processus de narration d'histoires soutenu par l'analyse des données. Alors que de nombreux efforts de recherche sont consacrés à l'automatisation de l'AED et de la ND, le comportement, les intentions et les intérêts des utilisateurs sont souvent négligés, ce qui conduit à des restitutions et des narrations fixes et non personnalisées. Ce mémoire d’habilitation est une contribution à la vaste tâche de développement d'approches d’AED centrés sur l'utilisateur et donc d'une ND intentionnelle. Nous proposons, dans un premier temps, des techniques pour apprendre le comportement d’analyse des utilisateurs à partir de logs de requêtes. Nous segmentons des longs logs en explorations, c'est-à-dire en séquences cohérentes de requêtes liées à un même besoin d'information. Nous proposons des modèles de classification pour évaluer dans quelle mesure une requête est focalisée et contribue au succès d'une exploration, un modèle d’apprentissage (Knowledge Tracing) pour évaluer les compétences d'analyse des utilisateurs, et une méthode de groupement (Clustering) pour regrouper les explorations révélant des patrons d'analyse similaires, c'est-à-dire partageant des séquences d'opérations similaires et contenant des requêtes d’une complexité proche. Nos méthodes s’appuient sur des modèles de requêtes et d’explorations selon le prisme des compétences utilisateurs, basés sur un large ensemble de fonctionnalités, capturant différents aspects d’une requête et de son contexte au sein de l’exploration, notamment les fragments de requêtes, les opérations et la temporalité. Une mesure de similarité adaptée aux explorations permet de découvrir des modèles d’analyse qui traduisent le comportement des utilisateurs. Nous nous tournons ensuite vers les intérêts des utilisateurs. Nous proposons un cadre pour développer des mesures d'intérêt, composé de deux niveaux, à savoir, des aspects d'intérêt de haut niveau, et des algorithmes d'évaluation orientés données. En nous concentrant sur un aspect particulier de l'intérêt (la pertinence d'une requête pour l'intention d'analyse de l'utilisateur), nous proposons une approche pour apprendre les intérêts de l'utilisateur dans un log de requêtes et pour lui recommander des requêtes pertinentes. Nous formalisons le problème de la découverte d’intérêts cohérents comme un problème de clustering, pour lequel une mesure de similarité est apprise. Pour exploiter les intérêts découverts à des fins de recommandation de requêtes, nous proposons un outil de recommandation original basé sur les intérêts. Nous envisageons enfin l'AED dans le processus de ND. Puisque mis à part quelques considérations générales, il n'existe pas de définition consensuelle de ND, encore moins de modèle de celle-ci, nous commençons par proposer un modèle conceptuel qui fournit une définition structurée et fondée des concepts clés du domaine. Nous intégrons ensuite des aspects dynamiques et proposons un modèle de processus qui couvre l'ensemble du cycle de narration et s'adapte à un large éventail de pratiques observées sur le terrain. Les deux modèles soulignent l’importance de supporter l’AED et mettent en évidence les aspects intentionnels. Enfin, ce mémoire aborde plusieurs perspectives de recherche. Ce travail est mené dans le cadre de 10 thèses de doctorat et de 7 projets de recherche.