统计数据挖掘，也称为知识或数据发现，是一种计算机化的信息收集和分析方法。数据挖掘工具获取数据并对信息进行分类，以发现可用于重要应用（如医学、计算机编程、商业推广和机器人设计）的模式或相关性。统计数据挖掘技术使用复杂的数学和复杂的统计过程来创建分析。

数据挖掘包括五个主要步骤。第一个数据挖掘应用程序收集统计数据并将信息放在仓库类型的程序中。接下来，对仓库中的数据进行组织并创建一个管理系统。下一步创建一种访问托管数据的方法。然后，第四步开发分析数据的软件，也称为数据挖掘回归，而最后一步便于以实际的方式使用或解释统计数据。

通常，数据挖掘技术集成了分析和事务数据系统。分析软件使用开放式用户问题对这两种类型的数据系统进行排序。开放式问题允许无数的答案，因此程序员不会影响排序结果。程序员创建问题列表，以帮助使用整体焦点对信息进行分类。

然后，排序基于数据的开发类和集群、数据中发现的关联，并尝试根据关联定义模式和趋势。例如，谷歌收集用户购买习惯的信息，以帮助投放在线广告。用于对买家数据进行排序的开放式问题侧重于互联网用户的购买偏好或观看习惯。

计算机科学家和程序员专注于分析所收集的统计数据。决策树的创建、人工神经网络、最近邻法、规则归纳、数据可视化和遗传算法都使用统计挖掘的数据。这些分类系统有助于解释分析数据程序发现的关联。统计数据挖掘涉及可以在家用计算机上小规模完成的小项目，但大多数数据挖掘关联集非常大，数据挖掘回归非常复杂，因此需要一台超级计算机或一个高速计算机网络。

统计数据挖掘收集三种一般类型的数据，包括操作数据、非操作数据和元数据。在服装店中，运营数据是用于运营业务的基本数据，如会计、销售和库存控制。与该业务间接相关的非运营数据包括对未来销售额的估计以及有关全国服装市场的一般信息。元数据与数据本身有关。如果收集到数据，使用元数据的程序可能会根据服装购买者的性别或地理位置或顾客最喜欢的颜色对商店顾客进行分类。

数据挖掘应用程序可能非常复杂，统计数据挖掘工具可能具有广泛的实际应用。疾病爆发的研究就是一个例子。2000年的一个数据挖掘项目分析了加拿大安大略省隐孢子虫的疾病暴发，以确定疾病病例增加的原因。数据挖掘的结果有助于将细菌爆发与当地水条件和缺乏适当的市政水处理联系起来。一个名为“生物监视”的领域使用流行病学数据挖掘来识别单一疾病的爆发。

计算机程序员和设计师也利用概率研究和统计数据分析来开发机器和计算机程序。谷歌互联网搜索引擎是使用统计数据挖掘设计的。谷歌继续收集和使用数据挖掘来创建程序更新和应用程序。