数据挖掘与OLAP的关系
在比较成熟的系统中，数据分析过程都是基于以数据仓库为基础，OLAP （On-Line Analytical Prolessing，在线分析处理）和数据挖掘相辅相成的分析模式。数据仓库将来自于各种数据源的数据，根据不同的主题进行存储，并对原始数据进行抽取、转换和加载等一系列筛选和清理工作。OLAP 则将数据通过多维视角和多种层次向用户进行多方式的呈现。数据挖掘则应用不同的算法，向用户揭示数据间的规律性，从而辅助商业决策。
报告和 OLAP 是用于理解过去所发生事务的重要工具。数据挖掘则是用于了解将来可能发生事务的方法。数据挖掘用预测性模型（包括统计和机器学习技术—如神经网络）来预测将来。
例如，查询和报告告诉你上个月的总体销售情况。OLAP 则层层深入地告诉你上个月各项产品的销售情况。然而，数据挖掘会告诉你下个月谁可能会买你的产品。而且，为了最好的商务效益，将开发和数据挖掘相结合，以发现如何使产品个性化以导致最大可能性的购买。
OLAP 和数据挖掘的主要区别在于：在辅助决策时，前者是基于用户建立的一系列假设驱动，通过 OLAP 来证实或者推翻这些假设，是一个演绎推理的过程；数据挖掘是通过归纳的方式，在海量数据中主动找寻模型，自动发掘隐藏在数据中的价值信息。
相对于 OLAP，数据挖掘把更多的主动权交给了挖掘工具，在一定程度上，可以看成人工智能的初级应用。此外，OLAP 限于结构化数据，侧重与用户的交互、快速响应，以及提供多维视图，而数据挖掘还可以分析诸如文本的、空间的和多媒体的非结构化数据。
二者相辅相成。OLAP 的分析结果可以补充到系统知识库中，给数据挖掘提供分析信息并作为数据挖掘的依据；数据挖掘所发现的知识可以指导 OLAP 的分析处理，拓展OLAP的深度，以便发现OLAP所不能发现的、更为复杂而细密的信息。
