Data Mining nutzt statistische und mathematische Verfahren und Algorithmen, um in großen Datenmengen Muster, Trends und Zusammenhänge zu erkennen und zu beobachten. Dabei kommen verschiedene Methoden und Ansätze zum Einsatz. Zum einen werden Daten segmentiert und in entsprechende Cluster (Gruppen) zusammengefasst – Beispiel: Menschen mit einem bestimmten Einkommen. Zum anderen können einzelne Daten auch automatisch bestimmten Klassen zugeordnet werden – Beispiel: Umsatzstarke oder umsatzschwache Geschäftsstellen.
Bei der rechnerbasierten Auswertung der Daten wird entweder auf die „Regressionsanalyse“ gesetzt, um Beziehungen zwischen abhängigen und unabhängigen Variablen zu identifizieren, oder die „Assoziationsanalyse“ herangezogen, um Ergebnismuster zu finden. Ergebnismuster beschreiben hierbei eine ganze Kette sinnvoll zusammenhängender Ergebnisse, zum Beispiel: Wenn jemand ein Autor kauft, dann muss er dieses auch irgendwann betanken…
Beim Data Mining kommen auch sogenannte „neuronale“ Netze zum Einsatz, die mit jedem Datendurchlauf besser werden und lernen, worauf es ankommt und wo bestimmte Muster zu finden sind. Klassisches Beispiel für den praktischen Output von Data Mining sind Kaufempfehlungen im Stil von „Sie haben sich dieses oder jenes angeschaut, dann dürfte auch das für Sie interessant sein.“