数据挖掘（data mining）是指通过自动化技术，从大规模数据集中提取有价值信息、趋势和模式的过程。它融合了统计学、机器学习、计算机科学和数据库管理等多学科方法。与传统描述性分析不同，数据挖掘侧重于发现数据中的隐藏关系或意外关联，能够建立预测性或解释性模型。其流程通常包括数据预处理、变量选择、算法应用及结果解释。数据挖掘与机器学习的区别在于其更注重探索和发现，而不仅仅是预测。

应用场景与案例

数据挖掘广泛应用于市场营销（如客户细分、购买行为预测、个性化推荐）、金融（如欺诈检测、信用风险评估）、医疗健康（如风险因素识别和治疗路径优化）。此外，还可用于文本分析、社交网络挖掘、网络安全异常检测以及工业生产的时间序列分析等多个领域。

主要工具、库和框架

主流数据挖掘工具包括RapidMiner、KNIME、WEKA。Python（及其scikit-learn、pandas库）和R语言（caret、arules库）非常流行。企业级解决方案如SAS Enterprise Miner和IBM SPSS Modeler，以及云平台Azure Machine Learning和Google Cloud AutoML也常被采用。

最新发展与趋势

随着大数据与云计算的发展，数据挖掘能够处理更加庞大和多样的数据集。深度学习技术的融入，使得复杂模式的提取成为可能。自动化数据挖掘（AutoML）降低了技术门槛。数据隐私等伦理与法规问题，也越来越多地影响行业实践。