數據挖掘(Data Mining)就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，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。
與數據挖掘相近的同義詞有數據融合、數據分析和決策支持等。這個定義包括好幾層含義：數據源必須是真實的、大量的、含噪聲的;發現的是用戶感興趣的知識;發現的知識要可接受、可理解、可運用;并不要求發現放之四海皆準的知識，僅支持特定的發現問題。
與傳統分析方法的區別
數據挖掘與統計分析的區別
抽取業務數據，輔助商業決策——企業福音
“大數據”、“數據挖掘”襲來，無論是政府、還是企業，都渴望在這大數據時代占得先機。大數據中心、數據研究中心爭相建立，如果說現在是互聯網的天下，未來將是大數據的天下。如果說大數據服務平臺類似于互聯網，則數據挖掘等同于互聯網平臺下的技術開發，數據挖掘的產品將遍及人們生活方方面面。
數據挖掘是一種新的商業信息處理技術，其主要特點是對商業數據庫中的大量業務數據進行抽取、轉換、分析和其他模型化處理，從中提取輔助商業決策的關鍵性數據。
簡而言之，數據挖掘其實是一類深層次的數據分析方法。數據分析本身已經有很多年的歷史，只不過在過去數據收集和分析的目的是用于科學研究，另外，由于當時計算能力的限制，對大數據量進行分析的復雜數據分析方法受到很大限制�，F在，由于各行業業務自動化的實現，商業領域產生了大量的業務數據，這些數據不再是為了分析的目的而收集的，而是由于純機會的商業運作而產生。分析這些數據也不再是單純為了研究的需要，更主要是為商業決策提供真正有價值的信息，進而獲得利潤。但所有企業面臨的一個共同問題是：企業數據量非常大，而其中真正有價值的信息卻很少。因此從大量的數據中經過深層分析，獲得有利于商業運作、提高競爭力的信息，就像從礦石中淘金一樣，數據挖掘也因此而得名。
因此，數據挖掘可以描述為：按企業既定業務目標，對大量的企業數據進行探索和分析，揭示隱藏的、未知的或驗證已知的規律性，并進一步將其模型化的先進有效的方法。
根據已知，預測未知——HR福音
“招聘難”、“離職率高”、“崗位配置多少人”、“這么高薪水員工都不滿意”等問題困擾著絕大多數的HR，最大的心酸是長期奔波于招聘與離職管理，仍然不受各部門待見。
這是為什么呢?
因為我們的工作存在滯后性，作為業務支持部門，無論是招聘還是其他，都是先由業務部門提出需求，我們人力資源部進行協助;這中間就存在滯后，常常導致任務重，時間緊。于是出現了HR很累，業務部門還不滿意的情況。所以要做好人力資源工作，無論是簡單的人事管理，還是HRBP，都需要有前瞻性。
目前HR們也都想到了這一點，可是無奈人力資源事項多，數據類型格式不統一，更多的是非量化數據，心有余而力不足，基本是根據自己多年的經驗，作出預測估計。預測結果準確性難以保證。
而數據挖掘的核心功能就在于“根據已知，預測未知”。
數據挖掘的三種預測技術：
第一種，根據過去，預測未來;
第二種，根據事物關聯性預測;
第三種，根據一般情況判斷異常情況。
第一種技術應用的特別多，相信每個HR都用過，只是沒有留意到。
例如做人工成本預算，根據過去的人工成本，每年的平均漲薪幅度以及人員人數變動情況;
崗位編制，根據去年的編制以及每年的人員變動需要。
需要注意的是，應用第一種技術的條件是：需要預測的對象在較長時期內性質保持穩定。如人工成本在薪酬設計后需要注意，崗位編制在組織重構后需要注意。
根據事物關聯性，應用起來相對復雜，需要多方面、多維度權衡。A與B有關聯，簡單理解是A發生了，B在某種概率上也會發生。目前HR用的最多的是直接的因果聯系，很少有“啤酒尿布一起賣”這種關聯性。
關聯性將是未來HR最常用的技術，如何把不同類型的數據聯系起來從而得出結論是關鍵。
特別要注意的一點是：關聯性技術的應用面廣，產品的應用面窄;通俗點說，哪里都能用關聯性，但是每個關聯性得到的結果只能應用在特定的條件下。
根據一般情況判斷異常情況，這個技術在工業生產、科學實驗中用得最多。產品故障與未知粒子的發現都是在一次次“異常”情況中分析得到的。適用于數據積累量大、機理相對成熟的事物預測。