數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。
數據挖掘流程：
定義問題：清晰地定義出業務問題，確定數據挖掘的目的。
數據準備：數據準備包括：選擇數據–在大型數據庫和數據倉庫目標中 提取數據挖掘的目標數據集;數據預處理–進行數據再加工，包括檢查數據的完整性及數據的壹致性、去噪聲，填補丟失的域，刪除無效數據等。
數據挖掘：根據數據功能的類型和和數據的特點選擇相應的算法，在凈化和轉換過的數據集上進行數據挖掘。
結果分析：對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。
數據挖掘的技術，可粗分為：統計方法、機器學習方法、神經網絡方法和數據庫方法。統計方法，可細分為：回歸分析（多元回歸、自回歸等）、判別分析（貝葉斯判別、CBR、遺傳算法、貝葉斯信念網絡等。神經網絡方法，可細分為：前向神經網絡（BP算法等）、自組織神經網絡（自組織特征映射、競爭學習等）等。數據庫方法主要是基於可視化的多維數據分析或OLAP方法，另外還有面向屬性的歸納方法。