數據挖掘就是在沒有明確假設的情況下，挖掘信息，發現知識。所以它得到的信息應該有三個特點:未知、有效、實用。因此，數據挖掘技術從壹開始就是面向應用的。目前，數據挖掘技術已經廣泛應用於企業營銷中。包括:數據庫營銷、客戶群劃分、背景分析、交叉銷售等市場分析行為，以及客戶流失分析、客戶信用評分、欺詐發現等。過去，審計部門的數據挖掘側重於對大量數據的分析，以確認數據中是否存在問題以及問題的表現。隨著績效審計的興起，審計部門也需要通過數據對被審計單位的各種行為做出審計評價，這也需要數據的支撐。
數據挖掘的方法有很多種，從不同的角度挖掘數據。大部分都可以用在審計工作中。1.數據泛化。數據庫中通常存儲著大量的詳細數據。
通過數據泛化，可以將大量與任務相關的數據集從較低的概念層次抽象到較高的概念層次。數據泛化可以應用於審計數據分析中的描述性挖掘，
審計人員可以從不同的粒度和不同的角度描述數據集，從而得到某壹類數據的概貌。大量研究證實，與正常的財務報告相比，
虛假財務報告往往具有壹些結構性特征。審計員可以使用概念描述技術來挖掘存儲在被審計數據庫中的數據，
通過使用屬性概化、屬性相關性分析等數據概化技術，在更高的層次上表達詳細的財務數據，得到財務報表的壹般屬性特征描述。
從而為審計人員判斷虛假財務報告提供依據。2.統計分析。它是壹種基於模型的方法，包括回歸分析、因子分析和判別分析。
這種方法可以用來分類和預測數據。通過分類挖掘，挖掘出被審計數據庫中各類數據的描述或模型，
或者審計人員可以通過建立的統計模型對被審計單位的大量財務或業務歷史數據進行預測和分析，並根據分析將預測值與審計值進行比較，可以幫助審計人員發現審計疑點。
所以被列為審計的重點。3.聚類分析。聚類分析是將壹組個體按照相似性分成若幹個類別，目的是使同壹類別中的個體之間的距離盡可能小。
而不同類型的個體之間的距離盡可能大，這種方法可以為不同的信息用戶提供不同類型的信息集。例如，審計人員可以使用這種方法來識別密集和稀疏區域，從而找到被審計數據的分布模式。
和數據屬性之間的關系，從而進壹步確定審計的重點領域。企業的財務報表數據會隨著其業務的變化而變化。壹般來說，
真實財務報表中主要項目的數據變化具有壹定的規律性。如果變化異常，說明數據中的異常點可能隱藏了重要信息。
反映出被審計報表的數據可能存在虛假成分。4.關聯分析。通過使用關聯規則，它可以從操作數據庫的所有細節或事務中提取頻繁模式，
其目的是挖掘隱藏在數據中的相互關系。通過使用關聯分析，審計人員可以利用關聯規則對被審計數據庫中的數據進行挖掘和分析，找出被審計數據庫中不同數據項之間的關系。
從而發現關聯異常的數據項，並在此基礎上，通過進壹步分析，找到審計疑點。
二、應對“大數據”時代，審計分析應進行調整
從上面的分析過程中，我們不難看出，“大數據”時代的數據存儲、處理、分析、挖掘各個環節，在技術上相比傳統方法有了很大的改變，但在基本原理上並沒有明顯的變化。原有的審計分析模式沒有必要因為“大數據”時代的到來而做出相應的改變。然而，“大數據”時代在給審計分析帶來機遇的同時，也給我們帶來了相當大的沖擊。我們有必要對此予以相當的重視，並在未來的信息化建設過程中做出相應的調整。
1，數據存儲與處理。大數據分析的應用需求影響著數據存儲基礎設施的發展。隨著結構化數據和非結構化數據的不斷增長，以及分析數據源的多樣化，以往的存儲系統設計已經無法滿足大數據應用的需求。基於數據塊和文件的存儲系統的體系結構設計需要進行調整，以滿足這些新要求。在選擇相應的存儲系統時，審計部門應對非結構化數據給予足夠的重視，並做好收集的相關準備。同時，隨著數據采集的單位和年限越來越多，數據量必然會大規模增加。即使是海量數據存儲系統也必須具有相應級別的可擴展性。存儲系統的擴展必須簡單，可以通過添加模塊或磁盤櫃來增加容量，甚至不需要停機。同時，為了提高數據處理能力，解決I/O瓶頸問題，可以考慮各種模式的固態存儲設備，從服務器中的簡單緩存，到通過高性能閃存的全固態介質可擴展存儲系統。
2.非結構化數據處理。非結構化數據的多樣化給數據分析帶來了新的挑戰，我們需要壹套工具來系統地分析和提煉數據。語義引擎需要設計足夠的人工智能，從數據中主動提取信息。
3.視覺分析。數據分析的用戶包括數據分析專家和普通用戶，但他們對數據分析最基本的要求是可視化分析，因為可視化分析可以直觀的呈現大數據的特點，同時也容易被讀者接受，就像看圖說話壹樣。
“壹個平臺、兩個中心”建設是當前審計署信息化建設的重要內容。通過數據中心的建設，可以在相當程度上解決數據存儲和處理的問題；基於數據的審計分析平臺在壹定程度上也可以執行相當壹部分可視化分析的功能，但日益龐大的非結構化數據的存儲和處理將是審計部門面臨的最大挑戰。