数据挖掘的功能主要包括，数据分类、数据估计、数据预测、数据关联分组、数据聚类，及数据循序样式采矿等六大功能。
数据分类
数据分类为数据挖掘中常见的功能之一，顾名思义即是将分析对象依不同的属性分类加以定义，建立不同的类组。数据挖掘中的分类是指针对未发生的结果进行预测分类，主要包括归纳和推论两步骤，其主要目的在于提高分类的准确度，建立分类规则，再评估准则的优劣。常用“判定树”算法。
数据估计
根据不同相关属性数据的连续性数值，找出各属性间的关联性，以了解并获得某一特定属性未知的连续性数值，常用“回归分析”及“类神经网络算法”。
数据预测
预测工作的目的在于以其他属性的值为基础来预测特定属性的值。而这个被预测属性的值通常称为目标变量或是因变量；而其他属性则称为解释变量或自变量，预测的主要方法在于建立数据当中因变量与自变量间的关系。常用“回归分析”“时间序列分析”及“类神经网络”算法。
数据关联分组
数据关联分组主要用来发现数据中特征属性间具有高度关联性的一种模式，其所发现的模式通常是用规则来表现。常用“关联规则（又称购物蓝分析）”算法。
数据聚类
数据聚类主要是利用数据中类似或相同的项目，将同构型较高的数据区隔为不同的聚类，聚类内数据相似度越高越好，聚类间差异度越大越好。在一大群的研究对象中，根据不同的研究目的必定会有异质化的现象，但异质化的现象可能是几个同质化的群组所造成，数据聚类的主要目的便是将不同的同质化的组别差异找出来，常用“判别分析”与聚类分析“算法。
