20世紀90年代，隨著數據庫系統的廣泛應用和網絡技術的高速發展，數據庫技術也進入一個全新的階段，即從過去僅管理一些簡單數據發展到管理由各種計算機所產生的圖形、圖像、音頻、視頻、電子檔案、Web頁面等多種類型的復雜數據，并且數據量也越來越大。
數據庫在給我們提供豐富信息的同時，也體現出明顯的海量信息特征。信息爆炸時代，海量信息給人們帶來許多負面影響，最主要的就是有效信息難以提煉，過多無用的信息必然會產生信息距離（信息狀態轉移距離）是對一個事物信息狀態轉移所遇到障礙的測度，簡稱DIST或DIT）和有用知識的丟失。
這也就是約翰·內斯伯特( John )稱為的“信息豐富而知識貧乏”窘境。因此，人們迫切希望能對海量數據進行深入分析，發現并提取隱藏在其中的信息，以更好地利用這些數據。
但僅以數據庫系統的錄入、查詢、統計等功能，無法發現數據中存在的關系和規則，無法根據現有的數據預測未來的發展趨勢，更缺乏挖掘數據背后隱藏知識的手段。正是在這樣的條件下，數據挖掘技術應運而生。
擴展資料
數據挖掘過程模型步驟主要包括定義問題、建立數據挖掘庫、分析數據、準備數據、建立模型、評價模型和實施。下面讓我們來具體看一下每個步驟的具體內容：
(1)定義問題。在開始知識發現之前最先的也是最重要的要求就是了解數據和業務問題。必須要對目標有一個清晰明確的定義，即決定到底想干什么。
比如，想提高電子信箱的利用率時，想做的可能是“提高用戶使用率”，也可能是“提高一次用戶使用的價值”，要解決這兩個問題而建立的模型幾乎是完全不同的，必須做出決定。
(2)建立數據挖掘庫。建立數據挖掘庫包括以下幾個步驟：數據收集模型評價是應用模型，數據描述，選擇模型評價是應用模型，數據質量評估和數據清理，合并與整合，構建元數據，加載數據挖掘庫，維護數據挖掘庫。
(3)分析數據。分析的目的是找到對預測輸出影響最大的數據字段，和決定是否需要定義導出字段。如果數據集包含成百上千的字段，那么瀏覽分析這些數據將是一件非常耗時和累人的事情，這時需要選擇一個具有好的界面和功能強大的工具軟件來協助你完成這些事情。
(4)準備數據。這是建立模型之前的最后一步數據準備工作。可以把此步驟分為四個部分：選擇變量，選擇記錄，創建新變量，轉換變量。
(5)建立模型。建立模型是一個反復的過程。需要仔細考察不同的模型以判斷哪個模型對面對的商業問題最有用。先用一部分數據建立模型，然后再用剩下的數據來測試和驗證這個得到的模型。
有時還有第三個數據集，稱為驗證集，因為測試集可能受模型的特性的影響，這時需要一個獨立的數據集來驗證模型的準確性。訓練和測試數據挖掘模型需要把數據至少分成兩個部分，一個用于模型訓練，另一個用于模型測試。
(6)評價模型。模型建立好之后，必須評價得到的結果、解釋模型的價值。從測試集中得到的準確率只對用于建立模型的數據有意義。在實際應用中，需要進一步了解錯誤的類型和由此帶來的相關費用的多少。
經驗證明，有效的模型并不一定是正確的模型。造成這一點的直接原因就是模型建立中隱含的各種假定，因此，直接在現實世界中測試模型很重要。先在小范圍內應用，取得測試數據，覺得滿意之后再向大范圍推廣。
(7)實施。模型建立并經驗證之后，可以有兩種主要的使用方法。第一種是提供給分析人員做參考；另一種是把此模型應用到不同的數據集上。
