بانکداری الکترونیک، اساساً به فراهم آوردن امکان دسترسی مشتریان به خدمات بانکی با بهره گرفتن از واسطه­های ایمن و بدون حضور فیزیکی اطلاق می‌شود. بنا بر تعریف دیگری بانکداری الکترونیک به ایجاد محصولات و خدمات با بهای کم، از طریق کانال‌های الکترونیکی اطلاق می‌شود. این محصولات و خدمات می ­تواند شامل صورتحساب، وام، مدیریت سپرده‌ها، پرداخت‌های الکترونیکی و ایجاد محصولات و خدمات پرداخت‌های الکترونیکی همانند پول الکترونیکی باشند [۱۱ به نقل از ۱۲].
۲-۸- داده‌کاوی
سرعت روزافزون انباشت داده‌های حاصل از پردازش و تعاملات و تبادلات و ارتباطات موجود در فضای کسب­وکار، به خصوص با وجود پیشرفت سیستم­های فناوری اطلاعات و ارتباطات^[۳۷]، مجموعه وسیعی از داده‌ها را پدید آورده است. طبق آخرین تحقیقات محققان، ظرفیت ذخیره­سازی داده‌ها در سراسر دنیا هر نه ماه دو برابر و داده‌های در دسترس نیز هر پنج سال دو برابر می‌شوند. همچنین دانشمندان پیش ­بینی کرده‌اند پایگاه‌های داده هر ۵ سال یک بار به طور کامل فراموش ‌شده و داده‌های موجود در آن‌ها فقط در انبارهای داده ذخیره ‌می­شوند.
هرچند در نگاه اول ممکن است به نظر برسد این داده‌ها بی­فایده هستند، اما این داده‌ها می­توانند در صورت وجود ابزارهای مناسب، حکم معادن طلا را برای سازمان­ها، کسب­وکارها و شرکت­ها داشته باشند. با این حال که ما از نظر داده­ای غنی هستیم اما از نظر دانشی بسیار فقیریم [۳۱]. اکثر سازمان­ها با فقر دانش مواجهند و می­توان ادعا نمود این مسئله به سبب عدم شناخت سازمان­ها از ابزارهایی نظیر داده‌کاوی است که برخلاف ابزارهای گزارش گیری و آمارگیری قدیم می­توانند حجم عظیمی از داده‌ها را تحلیل نموده و الگوهای پنهان مفیدی از دل این داده‌ها آشکار نمایند.

داده‌کاوی به کشف الگوهای پنهان و استخراج دانش و اطلاعات از پایگاه داده‌های بسیار بزرگ اشاره دارد.
داده‌کاوی الگوریتم­هایی چون دسته‌بندی^[۳۸]، خوشه‌بندی^[۳۹]، قوانین انجمنی^[۴۰] و … را بر روی مجموعه ­ای از داده‌ها^[۴۱] اعمال نموده و بعد از تحلیل محتویات داده­ای مدل­هایی را به عنوان خروجی تولید می­نماید. روش‌های آماری اساس کار داده‌کاوی را تشکیل می­ دهند.
۲-۸-۱- مقایسه روش‌های آماری و داده‌کاوی
با پیشرفت روزافزون علوم در گذر زمان روش‌های قدیمی موجود جای خود را به روش‌های نوین می­سپارند تا محدودیت‌های روش‌های گذشته را برطرف نمایند. علم آمار که یکی از شاخه­ های علوم ریاضی­ست نیز از این امر مستثنی نبوده و دست‌خوش تغییرات بسیاری گشته است. آمار، علمی است که به جمع آوری، توضیح و تفسیر داده‌ها می ­پردازد. اشتراک تکنیک­های آماری و داده‌کاوی بیشتر در تخمین و پیش‌بینی است. همچنین از آزمون­های آماری در ارزیابی نتایج داده‌کاوی نیز استفاده می­ شود. از این منظر می­توان روش‌های آماری را اساس کار داده‌کاوی دانست.
داده‌کاوی به صورت یک محصول قابل خریداری نمی ­باشد، بلکه یک رشته علمی و فرآیندی است که باید به صورت یک پروژه پیاده­سازی شود. داده‌ها اغلب حجیم می­باشند و به تنهایی قابل استفاده نیستند، بلکه دانش نهفته در داده‌ها قابل استفاده می­باشد. بنابراین بهره­ گیری از قدرت فرایند داده‌کاوی جهت شناسایی الگوها و مدل­ها و نیز ارتباط عناصر مختلف در پایگاه داده جهت کشف دانش نهفته در داده‌ها و نهایتاً تبدیل داده به اطلاعات، روز به روز ضروری­تر می­ شود [۱۱].
پایه و اساس داده‌کاوی به دو مقوله آمار و هوش مصنوعی تقسیم شده است، که روش­های هوش مصنوعی به عنوان روش­های یادگیری ماشین در نظر گرفته می­شوند. تفاوت اساسی بین روش­های آماری و روش‌های یادگیری ماشین بر اساس فرض­ها و یا طبیعت داده­هایی که پردازش می­شوند.
تفاوت­های موجود بین روش‌های آنالیز آماری و روش‌های داده‌کاوی در جدول ۲-۳ نشان داده شده است.
جدول ۲-۳ مقایسه روش‌های تحلیل آماری و داده‌کاوی [۱۱ به نقل از ۱۴]

۲-۸-۲- مفهوم داده‌کاوی
برای داده‌کاوی تعاریف بسیار زیادی ارائه شده است که البته بسیاری از این تعاریف بسیار نزدیک به یکدیگرند. در بعضی منابع داده‌کاوی را با اصطلاحاتی نظیر کشف دانش معادل قرار داده­اند که باید این‌گونه اصلاح شود، داده‌کاوی یک گام اساسی در فرایند کشف دانش است.
اصطلاحات و عبارات بسیار دیگری نیز معادل با داده‌کاوی بکار رفته­اند که معانی مشابه و گاهی متفاوت دارند مانند، کاوش دانش از پایگاه داده، استخراج دانش^[۴۲]، تحلیل الگوی داده^[۴۳]، لایروبی داده^[۴۴] و باستان­شناسی^[۴۵] [۱۱].