數據挖掘源自《從數據庫中發(fā)現知識》（縮寫為KDD）。它首次出現在1989年8月在底特律舉行的第十一屆國際聯合人工智能會議上。為了統一理解，Fayyad，Piatetsky-Shapiro和Smyth在權威文章集《知識發(fā)現與數據進展》中給出了KDD和數據挖掘的最新定義。從中總結了1996年該領域的進展，并予以區(qū)分：

KDD的定義是：KDD是從數據中識別有效，新穎，潛在有用且最終可以理解的模式的過程。

數據挖掘的定義是：數據挖掘是KDD中的一步，它使用特定算法在可接受的計算效率限制內生成特定模式。

數據挖掘技術的特點

1.基于大量數據：不是說無法挖掘小數據量。實際上，大多數數據挖掘算法都可以在較小的數據量上運行并獲得結果。但是，一方面，過小的數據量可以通過手動分析來總結，另一方面，小數據量通常不能反映現實世界的一般特征。

2.非平凡性：所謂非平凡的意思是指所挖掘的知識是不簡單的。一定不能與著名體育評論員所說的相似：“經過我的計算，直到比賽結束我才發(fā)現了一個有趣的現象。本屆世界杯的進球數和失球數都是相同的。非常巧合！”這種知識。這似乎沒有必要，但是許多不了解業(yè)務知識的數據挖掘新手經常會犯此錯誤。

3.隱含性：數據挖掘是發(fā)現數據深處的知識，而不是直接出現在數據表面的信息。常用的BI工具（例如億信BI和豌豆BI）完全可以讓用戶找到此信息。

4.新奇性：挖掘的知識以前應該是未知的，否則僅是為了驗證業(yè)務專家的經驗。只有新知識才能幫助公司獲得進一步的洞察力。

5.價值性：挖掘的結果必須為企業(yè)帶來直接或間接的利益。有人說數據挖掘只是“殺龍技術”。它看起來牛氣哄哄，但沒有用。這只是一個錯誤的想法。不可否認的是，在某些數據挖掘項目中，由于缺乏明確的業(yè)務目標，或者由于數據質量不足，或者由于人們抵制不斷變化的業(yè)務流程，又或者由于挖掘人員缺乏經驗，都會導致結果不佳甚至根本沒有效果。但是，大量成功的案例也證明了數據挖掘確實可以成為提高效率的武器。