KNIME er dataanalysesoftware, hvor arbejdsgange sættes sammen visuelt af byggeklodser (»noder«) i stedet for at blive programmeret. Open source-platformen KNIME Analytics Platform dækker dataimport, rensning, analyse, maskinlæring og rapportering, mens udbyderens kommercielle tilbud tilføjer samarbejde og drift i organisationer. Et typisk eksempel er en arbejdsgang, der samler månedlige salgsdata fra flere Excel-filer, renser dem og laver en prognose.
No-code betegner værktøjer, der lader folk bygge applikationer, automatiseringer eller websites via grafiske grænseflader uden at skrive programkode. Fagafdelinger kan selv implementere og teste processer i stedet for at vente på IT-udvikling. Der opstår grænser ved meget specialiserede krav, store datamængder eller dybe integrationer. Eksempel: et salgsteam bygger med træk og slip et flow, der sorterer og opsummerer nye henvendelser.
Datamining er den systematiske søgen efter mønstre, sammenhænge og afvigelser i store datasæt. Det trækker på statistiske teknikker og maskinlæringsmetoder som klyngeanalyse, klassifikation eller associationsanalyse. Et klassisk eksempel er kurvanalyse i detailhandlen, som viser, hvilke produkter der ofte købes sammen – et grundlag for sortiment, placering og anbefalinger.
Eksplorativ dataanalyse (exploratory data analysis, EDA) er det første, åbne blik på et datasæt: Man beregner sammenfattende tal, undersøger fordelinger og diagrammer og leder efter mønstre, outliers og manglende værdier – endnu uden en fast hypotese. Den hjælper med at vurdere datakvaliteten og finde fornuftige spørgsmål til videre analyse eller modellering. Eksempel: Før en salgsprognose afslører EDA, at én måned blev registreret ufuldstændigt på grund af en systemmigrering.
En maskinlæringspipeline er en defineret rækkefølge af trin, der omdanner rådata til en model, der kan tages i brug: indsamling og rensning af data, forberedelse af features, træning, evaluering, udrulning og overvågning. Automatisering af disse trin gør resultaterne reproducerbare og lader nye data blive behandlet med lille indsats. En detailhandler kan f.eks. omtræne og teste sin salgsprognosemodel hver uge med de nyeste tal.
