數據挖掘(Data Mining)是采用數學的、統計的、人工智能和神經網絡等領域的科學方法，如記憶推理、聚類分析、關聯分析、決策樹、神經網絡、基因算法等技術，從大量數據中挖掘出隱含的、先前未知的、對決策有潛在價值的關系、模式和趨勢,並用這些知識和規則建立用於決策支持的模型，提供預測性決策支持的方法、工具和過程。
數據挖掘綜合了各個學科技術，有很多的功能，當前的主要功能如下：
(1)、分類：按照分析對象的屬性、特征，建立不同的組類來描述事物。例如：銀行部門根據以前的數據將客戶分成了不同的類別，現在就可以根據這些來區分新申請貸款的客戶，以采取相應的貸款方案。
(2)、聚類：識別出分析對內在的規則，按照這些規則把對象分成若幹類。例如：將申請人分為高度風險申請者，中度風險申請者，低度風險申請者。
(3)、關聯規則：關聯是某種事物發生時其他事物會發生的這樣壹種聯系。例如：每天購買啤酒的人也有可能購買香煙，比重有多大，可以通過關聯的支持度和可信度來描述。
(4)、預測：把握分析對象發展的規律，對未來的趨勢做出預見。例如：對未來經濟發展的判斷。
(5)、偏差的檢測：對分析對象的少數的、極端的特例的描述，揭示內在的原因。例如：在銀行的100萬筆交易中有500例的欺詐行為，銀行為了穩健經營，就要發現這500例的內在因素，減小以後經營的風險。
當然除了以上所列出的還有時間序列分析等壹些其他的功能，需要註意的是：數據挖掘的各項功能不是獨立存在的，在數據挖掘中互相聯系，發揮作用。