Najpomembnejši koncepti rudarjenja podatkov se uporabljajo za analizo zbranih informacij, predvsem v prizadevanju za opazovanje vedenja. Neznane interakcije med podatki se raziskujejo na različne načine, da bi ugotovili kritične odnose med subjekti in združenimi informacijami. Eden od izzivov pri rudarjenju podatkov je, da dejansko zbrane informacije morda ne spominjajo na celotno domeno. V prizadevanju za obravnavo tega dejstva je mogoče korelacije med podatki metodično nadzorovati z različnimi koncepti rudarjenja podatkov.
Standarde za koncepte podatkovnega rudarjenja uveljavlja posebna interesna skupina Združenja za računalniške stroje za odkrivanje znanja in rudarjenje podatkov (SIGKDD). Ta organizacija objavlja “International Journal of Information Technology and Decision Making” ter revijo SIGKDD Explorations. Uveljavljanje etike in osnovnih načel podatkovnega rudarjenja omogoča, da industrija deluje učinkovito in z omejenimi pravnimi težavami.
Predobdelava informacij je eden najpomembnejših vidikov podatkovnega rudarjenja. Surove podatke je treba pridobiti in interpretirati. Za izvedbo tega dejanja je treba določiti proces, zbrati ciljne podatke in najti vzorce. Proces je znan kot odkrivanje znanja v bazah podatkov in ga je leta 1989 razvil Gregory Piatetsky-Shapiro.
Štirje različni razredi konceptov podatkovnega rudarjenja omogočajo izvedbo procesa. Združevanje v gruče uporablja algoritem, ustvarjen iz postopka rudarjenja podatkov, za sestavljanje elementov v podobne skupine. Za razliko od združevanja v skupine je klasifikacija informacij takrat, ko so podatki sestavljeni v vnaprej določene skupine in analizirani. Povezovanje poskuša najti razmerja med spremenljivkami in določiti, katere skupine podatkov so običajno povezane. Končna vrsta podatkovnega rudarjenja je regresija, ki temelji na metodi identifikacije funkcije v zbirki podatkov.
Preverjanje informacij je zadnji korak pri odkrivanju, kaj predstavlja aplikacija za rudarjenje podatkov. Kadar vsi algoritmi ne predstavljajo veljavnega nabora podatkov, lahko vzorci, ki se pojavijo, povzročijo situacijo, imenovano prekomerno prilagajanje. Da bi premagali to težavo, se podatki primerjajo s testnim nizom. To je koncept, v katerem so meritve usklajene z vrsto algoritmov, ki bi zagotovili verjeten niz podatkovnih nizov. Če pridobljene informacije ne ustrezajo testnemu nizu, morajo biti predpostavljeni vzorci v podatkih netočni.
Nekateri najpomembnejši koncepti rudarjenja podatkov se pojavljajo v različnih panogah. Igre na srečo, poslovanje, trženje, znanost, inženiring in nadzor uporabljajo tehnike rudarjenja podatkov. Z izvajanjem teh tehnik lahko vsako področje določi najboljše prakse ali boljše načine za iskanje rezultatov.