数据挖掘是从大量数据中有目的地提取规律、知识、模式、关联及异常等信息的过程，综合了统计学、数据库和人工智能等技术，旨在填补“数据丰富而信息匮乏”的鸿沟，助力从数据时代向知识时代演进。
其核心价值在于改善预测模型，服务于学术、生产及商业决策。最终目的是实现数据价值，否则挖掘本身无意义。
数据挖掘与狭义数据分析的区别在于：后者目标明确，通过假设验证得出指标（如平均值），侧重现状与原因分析；而数据挖掘则重在发现未知模式，解决分类、聚类、关联和预测等问题，输出模型或规则（如用户标签、流失概率）。两者本质相通，共同构成广义数据分析。
数据挖掘方法主要包括：
分类：基于已知类别划分对象，用于客户分群、趋势预测。
聚类：无监督学习，按相似性将数据分组，适用于市场细分。
回归分析：研究变量间依赖关系，用于销售预测。
关联规则：发现项间隐含关联，如“啤酒与尿布”。
神经网络：擅长非线性与模糊问题，适用分类、聚类等。
Web挖掘：从半结构化网页数据中提取模式，用于舆情、竞争分析。
特征分析：提取数据集总体特征，如客户流失主因。
偏差分析：发现异常点，用于风险预警与异常检测。
数据挖掘软件已发展至第四代，常用平台包括SAS Enterprise Miner、SPSS Clementine、RapidMiner等。当前技术仍在不断演进，以适应更复杂的数据环境与业务需求。