Một giá trị ngoại lai (outlier) là đối tượng dữ liệu phân kỳ đáng kể so với phần còn lại của các đối tượng, như thể nó được tạo ra bởi một cơ chế khác. Để thuận tiện trình bày, có thể định nghĩa đối tượng dữ liệu không phải ngoại lai là thông tin "bình thường" (normal) hoặc kỳ vọng. Thông thường, có thể định nghĩa ngoại lai là dữ liệu "bất thường" (abnormal).
Ngoại lai là các thành phần dữ liệu không thể gom cụm vào một lớp hoặc cụm cho trước. Đây là các đối tượng dữ liệu có hành vi khác với hành vi thông thường của các đối tượng dữ liệu khác. Phân tích loại dữ liệu này có thể quan trọng để khai thác kiến thức.
Ngoại lai khác với thông tin nhiễu (noisy data). Nhiễu là lỗi ngẫu nhiên hoặc biến thiên trong biến đo lường. Nói chung, nhiễu không thú vị trong phân tích dữ liệu, như phát hiện ngoại lai.
Ví dụ, trong phát hiện gian lận thẻ tín dụng, hành vi mua sắm của người dùng có thể được mô hình hóa như một biến ngẫu nhiên. Người dùng có thể thực hiện một số "giao dịch nhiễu" (noise transactions) trông như "lỗi ngẫu nhiên" hoặc "biến thiên", ví dụ mua bữa trưa lớn hơn một ngày, hoặc uống thêm một ly cà phê hơn bình thường.
Các giao dịch như vậy không nên được coi là ngoại lai; do đó, công ty thẻ tín dụng có thể gánh chi phí lớn từ việc xác minh các giao dịch đó. Công ty cũng có thể mất khách hàng vì làm phiền họ với nhiều báo động giả. Với nhiều tác vụ phân tích dữ liệu và khai thác dữ liệu, nhiễu phải được loại bỏ trước khi phát hiện ngoại lai.
Một số cơ sở dữ liệu thực chứa ngoại lai hoặc dữ liệu thiếu, ẩn danh hoặc sai sót. Một số thuật toán phân cụm nhạy cảm với dữ liệu như vậy và dẫn đến cụm chất lượng kém.
Ngoại lai thú vị vì chúng bị nghi ngờ không được tạo ra bởi cùng cơ chế như phần còn lại của dữ liệu. Do đó, trong phát hiện ngoại lai, thiết yếu phải biện minh tại sao các ngoại lai được xác định được tạo bởi các cơ chế khác nhau.
Điều này đạt được bằng cách tạo ra các giả định khác nhau về phần còn lại của dữ liệu và chỉ ra rằng các ngoại lai được phát hiện vi phạm những giả định đó đáng kể. Phát hiện ngoại lai cũng liên quan đến phát hiện sự mới (novelty detection) trong các tập dữ liệu bao gồm. Ví dụ, bằng cách quan sát trang web mạng xã hội nơi nội dung mới đến, phát hiện sự mới có thể xác định chủ đề và xu hướng mới kịp thời.
Chủ đề mới ban đầu có thể xuất hiện như ngoại lai. Phát hiện ngoại lai và phát hiện sự mới chia sẻ một số tương đồng trong mô hình hóa và phương pháp phát hiện. Nhưng một khác biệt quan trọng giữa hai cái là trong phát hiện sự mới, một khi chủ đề mới được xác nhận, chúng thường được tích hợp vào mô hình hành vi chung để các thể hiện tiếp theo không được coi là ngoại lai nữa.