數據挖掘在商業領域，特別是在零售業的運用是比較成功的。由於各業務系統的普遍使用，再加上商業智能BI的可視化分析，企業可以收集到大量關於購買情況的數據，並且數據量在不斷激增。利用數據挖掘技術可以為經營管理人員提供正確的決策手段，這樣對促進銷售及提高競爭力是有幫助的。
什麼是數據挖掘
所站立場不同，對數據挖掘的定義也是不一樣的。
1. 技術上的定義
數據挖掘（Data Mining）就是從大量的、不完全的、有雜訊的、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。
2. 商業角度的定義
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資料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。
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，並進一步將其模型化的先進有效的方法。
數據挖掘的分類
數據挖掘分為有指導的數據挖掘和無指導的數據挖掘。有指導的數據挖掘是利用可用的數據建立一個模型，這個模型是對一個特定屬性的描述。無指導的數據挖掘是在所有的屬性中尋找某種關係。具體而言，分類、估值和預測屬於有指導的數據挖掘；關聯規則和聚類屬於無指導的數據挖掘。
分類
它首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘技術，建立一個分類模型，再將該模型用於對沒有分類的數據進行分類。
估值
估值與分類類似，但估值最終的輸出結果是連續型的數值，估值的量並非預先確定。估值可以作為分類的準備工作。
預測
它是通過分類或估值來進行，通過分類或估值的訓練得出一個模型，如果對於檢驗樣本組而言該模型具有較高的準確率，可將該模型用於對新樣本的未知變數進行預測。
關聯
關聯的目的是發現某些事情總是一起發生。
聚類
它是自動尋找並建立分組規則的方法，它通過判斷樣本之間的相似性，把相似樣本劃分在一個簇中。
數據分析和數據挖掘的區別
數據分析，是用適當的統計方法對收集的海量數據進行分析、提取有用的信息和形成結論，然後對數據加以詳細研究和概括總結的過程。
數據挖掘，是從海量的數據中通過相應的演算法，挖掘其中有價值（未知的、有規律的）的信息的複雜過程。
數據挖掘是深層次的數據分析，數據分析是淺層次的數據挖掘，數據挖掘更偏重於探索性數據分析，因為數據挖掘的重點是從數據中發現知識規律。
應用領域
搜索引擎：數據挖掘技術應用到搜索引擎領域，從而產生智能搜索引擎，將會給用戶提供一個高效、準確的檢索工具。
金融領域：可以利用數據挖掘對客戶信譽進行分析。典型的金融分析領域有投資評估和股票交易市場預測。
數據挖掘還可用於工業、農業、交通、電信、軍事、互聯網等其它行業。數據挖掘具有廣泛的應用前景，它既可應用於決策支持，也可用於資料庫管理系統中。
隨著近些年數字經濟的快速增長，有關數字和數據的新名詞成為了世界範圍內的熱點辭彙。企業想要在數字時代增強競爭力，就要善用企業的數據資產，一方面是自身的改革發展，另一方面也有著引領其它企業數字化轉型。
移動BI_ERP數據分析_自助敏捷BI分析_數據可視化分析系統-派可數據
