มีคุณสมบัติหลายอย่างของการทำเหมืองข้อมูล ดังนี้:
ประเภทข้อมูล (Data types) — ระบบการทำเหมืองข้อมูลส่วนใหญ่ที่มีในอุตสาหกรรมจัดการข้อมูลที่จัดรูปแบบ, แบบบันทึก, แบบสัมพันธ์ (relational-like) พร้อมแอตทริบิวต์ทางสถิติ, เชิงหมวดหมู่, และสัญลักษณ์ ข้อมูลอาจเป็นรูปแบบ ASCII text, relational database data, หรือ data warehouse data จำเป็นต้องทดสอบว่าระบบแต่ละระบบจัดการรูปแบบที่แน่นอนไหนได้บ้าง
บางประเภทข้อมูลหรือแอปพลิเคชันอาจต้องการอัลกอริทึมเฉพาะเพื่อค้นหารูปแบบ ดังนั้นความต้องการของพวกเขาจึงไม่สามารถจัดการได้โดยระบบการทำเหมืองข้อมูลทั่วไป (off-the-shelf, generic) แต่ระบบการทำเหมืองข้อมูลเฉพาะทาง (specialized) สามารถใช้ได้ ซึ่งทำเหมืองรายงานข้อความ, ข้อมูลภูมิศาสตร์, มัลติมีเดีย, สตรีม, ลำดับเวลา, ชีวภาพ, หรือเว็บ หรือมุ่งเน้นแอปพลิเคชันเฉพาะ (เช่น การเงิน, ค้าปลีก, โทรคมนาคม)
ประเด็นระบบ (System issues) — ระบบการทำเหมืองข้อมูลที่กำหนดอาจทำงานบนระบบปฏิบัติการเดียวหรือหลายระบบ ระบบปฏิบัติการยอดนิยมที่เป็นโฮสต์ซอฟต์แวร์การทำเหมืองข้อมูลคือ UNIX/Linux และ Microsoft Windows มีระบบการทำเหมืองข้อมูลที่ทำงานบน Macintosh, OS/2 ฯลฯ ระบบการทำเหมืองข้อมูลขนาดใหญ่สำหรับตลาดมักใช้ client/server architecture โดย client เป็น personal computer และ server เป็นชุดคอมพิวเตอร์ขนานที่ทรงพลัง แนวโน้มปัจจุบันมีระบบการทำเหมืองข้อมูลรองรับ Web-based interfaces และเปิดใช้งาน XML data เป็น input และ/หรือ output
แหล่งข้อมูล (Data sources) — นิยามรูปแบบข้อมูลเฉพาะที่ระบบการทำเหมืองข้อมูลจะทำงาน บางระบบทำงานเฉพาะ ASCII text files ในขณะที่บางระบบทำงานบน relational data หรือ data warehouse data เข้าถึงแหล่งข้อมูลสัมพันธ์หลายแห่ง ระบบการทำเหมืองข้อมูลต้องให้ ODBC connections หรือ OLE DB for ODBC connections ให้การเชื่อมต่อฐานข้อมูลเปิด โดยเฉพาะ ความสามารถเข้าถึงข้อมูลสัมพันธ์ใดๆ (รวมถึงใน IBM/DB2, Microsoft SQL Server, Microsoft Access, Oracle, Sybase ฯลฯ) และข้อมูล ASCII text ที่จัดรูปแบบ
ฟังก์ชันและวิธีการทำเหมืองข้อมูล (Data mining functions and methodologies) — ฟังก์ชันการทำเหมืองข้อมูลเป็นหัวใจของระบบการทำเหมืองข้อมูล บางระบบรองรับฟังก์ชันเดียว เช่น classification อื่นๆ รองรับหลายฟังก์ชัน รวมถึง concept description, discovery-driven OLAP analysis, association mining, linkage analysis, statistical analysis, classification, prediction, clustering, outlier analysis, similarity search, sequential pattern analysis, และ visual data mining
สำหรับฟังก์ชันการทำเหมืองข้อมูลที่กำหนด (เช่น classification) บางระบบให้วิธีเดียว ในขณะที่อื่นๆ ให้หลากหลายวิธี (เช่น decision tree analysis, Bayesian networks, neural networks, support vector machines, rule-based classification, k-nearest-neighbor methods, genetic algorithms, และ case-based reasoning) ระบบที่ให้ฟังก์ชันและวิธีมากมาย ให้ความยืดหยุ่นและพลังวิเคราะห์สูงกว่าผู้ใช้ บางปัญหาอาจต้องการผู้ใช้ลองฟังก์ชันทำเหมืองหลายอย่างหรือรวมกันหลายอย่าง และวิธีต่างๆ อาจมีประสิทธิภาพมากกว่าสำหรับประเภทข้อมูลต่างๆ
