Data Mining是近年來數據庫應用技術中相當熱門的議題，看似神奇、聽來時髦，實際上卻也不是什么新東西，因其所用之諸如預測模型、數據分割，連結分析（Link Analysis）、偏差偵測（Deviation Detection）等，美國早在二次世界大戰前就已應用運用在人口普查及軍事等方面。

隨著信息科技超乎想象的進展，許多新的計算機分析工具問世，例如關系型數據庫、模糊計算理論、基因算法則以及類神經網絡等，使得從數據中發掘寶藏成為一種系統性且可實行的程序。

一般而言，Data Mining的理論技術可分為傳統技術與改良技術兩支。傳統技術以統計分析為代表，統計學內所含序列統計、概率論、回歸分析、類別數據分析等都屬于傳統數據挖掘技術，尤其 Data Mining 對象多為變量繁多且樣本數龐大的數據，是以高等統計學里所含括之多變量分析中用來精簡變量的因素分析（Factor Analysis）、用來分類的判別分析（Discriminant Analysis），以及用來區隔群體的分群分析（Cluster Analysis）等，在Data Mining過程中特別常用。

在改良技術方面，應用較普遍的有決策樹理論（Decision Trees）、類神經網絡（Neural Network）以及規則歸納法（Rules Induction）等。決策樹是一種用樹枝狀展現數據受各變量的影響情形之預測模型，根據對目標變量產生之效應的不同而建構分類的規則，一般多運用在對客戶數據的分析上，例如針對有回函與未回含的郵寄對象找出影響其分類結果的變量組合，常用分類方法為CART（Classification and Regression Trees）及CHAID（Chi-Square Automatic Interaction Detector）兩種。

類神經網絡是一種仿真人腦思考結構的數據分析模式，由輸入之變量與數值中自我學習并根據學習經驗所得之知識不斷調整參數以期建構數據的型樣(patterns)。類神經網絡為非線性的設計，與傳統回歸分析相比，好處是在進行分析時無須限定模式，特別當數據變量間存有交互效應時可自動偵測出；缺點則在于其分析過程為一黑盒子，故常無法以可讀之模型格式展現，每階段的加權與轉換亦不明確，是故類神經網絡多利用于數據屬于高度非線性且帶有相當程度的變量交感效應時。

規則歸納法是知識發掘的領域中最常用的格式，這是一種由一連串的「如果…/則…（If / Then）」之邏輯規則對數據進行細分的技術，在實際運用時如何界定規則為有效是最大的問題，通常需先將數據中發生數太少的項目先剔除，以避免產生無意義的邏輯規則。