Có nhiều khía cạnh của phương pháp khai phá như sau:
Khai phá các loại tri thức đa dạng và mới − Khai phá dữ liệu bao quát phổ rộng phổ biến phân tích dữ liệu và dịch vụ khám phá tri thức, từ đặc trưng hóa và phân biệt dữ liệu đến phân tích quan hệ và tương quan, phân loại, hồi quy, cụm hóa, phương pháp giá trị ngoại lai, phương pháp chuỗi, và phân tích xu hướng và tính toán.
Các dịch vụ này có thể dùng cùng cơ sở dữ liệu theo nhiều cách và cần phát triển nhiều kỹ thuật khai phá dữ liệu. Do sự đa dạng ứng dụng, dịch vụ khai phá mới tiếp tục nổi lên, làm cho khai phá dữ liệu trở thành lĩnh vực mạnh mẽ và phát triển nhanh.
Ví dụ, để khám phá tri thức hiệu quả trong mạng dữ liệu, cụm hóa tích hợp và xếp hạng có thể dẫn đến khám phá cụm chất lượng cao và xếp hạng đối tượng trong mạng lớn.
Khai phá tri thức trong không gian đa chiều − Khi tìm kiếm tri thức trong tập dữ liệu lớn, có thể phân tích thông tin trong không gian đa chiều. Có thể tìm kiếm mẫu thú vị giữa các tập chiều (thuộc tính) ở một vài mức trừu tượng. Khai phá như vậy gọi là khai phá dữ liệu đa chiều (khám phá).
Trong một vài trường hợp, dữ liệu có thể được thu thập hoặc xem xét như khối dữ liệu đa chiều. Khai phá tri thức trong không gian khối có thể tăng cường sức mạnh và sự thích ứng của khai phá dữ liệu.
Khai phá dữ liệu — nỗ lực liên ngành − Sức mạnh khai phá dữ liệu có thể được cải thiện bằng cách tích hợp kỹ thuật mới từ nhiều ngành. Ví dụ, để khai phá bản ghi với văn bản ngôn ngữ tự nhiên, có ý nghĩa kết hợp phương pháp khai phá dữ liệu với phương pháp truy xuất thông tin và xử lý ngôn ngữ tự nhiên.
Tăng cường sức mạnh khám phá trong môi trường mạng − Một số đối tượng dữ liệu nằm trong môi trường kết nối hoặc liên kết, dù là Web, liên kết cơ sở dữ liệu, tệp, hoặc bản ghi. Kết nối ngữ nghĩa trên nhiều đối tượng dữ liệu có thể được dùng để có lợi trong khai phá dữ liệu. Tri thức thay đổi trong một tập đối tượng có thể dùng để tăng cường khám phá tri thức trong nhóm đối tượng "liên kết" hoặc có kết nối ngữ nghĩa.
Xử lý sự không chắc chắn, nhiễu, hoặc không hoàn chỉnh của dữ liệu − Dữ liệu bao gồm nhiễu, lỗi, ngoại lệ, hoặc mơ hồ, hoặc không hoàn chỉnh. Lỗi và nhiễu có thể làm nhầm lẫn giai đoạn khai phá dữ liệu, dẫn đến suy ra mẫu sai. Làm sạch dữ liệu, tiền xử lý dữ liệu, phát hiện và loại bỏ giá trị ngoại lai, và lý luận mơ hồ là ví dụ các phương pháp cần được hợp nhất với quy trình khai phá dữ liệu.
Đánh giá mẫu và khai phá hướng dẫn bởi mẫu hoặc ràng buộc − Không phải mọi mẫu do quy trình khai phá dữ liệu tạo ra đều thú vị. Điều làm cho một mẫu thú vị có thể khác nhau từ người dùng đến người dùng. Do đó, kỹ thuật cần thiết để đánh giá sự thú vị của mẫu khám phá được dựa trên các phép đo chủ quan.
Các phép đo này tính giá trị mẫu liên quan đến lớp người dùng cho trước, dựa trên niềm tin hoặc kỳ vọng của người dùng. Hơn nữa, bằng cách dùng các phép đo thú vị hoặc ràng buộc do người dùng định nghĩa để hướng dẫn quá trình khám phá, có thể tạo ra các mẫu thú vị hơn và giảm không gian tìm kiếm.