KNIME on andmeanalüütika tarkvara, kus töövood pannakse visuaalselt kokku plokkidest („sõlmedest“) programmeerimise asemel. Avatud lähtekoodiga KNIME Analytics Platform katab andmete importimise, puhastamise, analüüsi, masinõppe ja aruandluse, samas kui pakkuja kommertstooted lisavad koostöö ja käitamise organisatsioonides. Tüüpiline näide on töövoog, mis ühendab mitmest Exceli failist igakuised müügiandmed, puhastab need ja koostab prognoosi.
No-code tähendab tööriistu, mis võimaldavad inimestel luua rakendusi, automatiseeringuid või veebilehti graafiliste liideste kaudu ilma programmikoodi kirjutamata. Ärimeeskonnad saavad protsesse ise ellu viia ja testida, selle asemel et oodata IT-arendust. Piirid tulevad vastu väga spetsiifiliste nõuete, suurte andmemahtude või sügavate integratsioonide puhul. Näide: müügitiim ehitab lohistamisega töövoo, mis sorteerib ja võtab kokku uusi päringuid.
Andmekaeve on suurte andmehulkade süstemaatiline läbivaatamine mustrite, seoste ja anomaaliate leidmiseks. Selleks kasutatakse statistilisi võtteid ja masinõppemeetodeid, näiteks klasterdamist, klassifitseerimist või assotsiatsioonianalüüsi. Klassikaline näide on kaubandusliku ostukorvi analüüs, mis näitab, milliseid tooteid ostetakse sageli koos – see on aluseks sortimendile, paigutusele ja soovitustele.
Uuriv andmeanalüüs (exploratory data analysis, EDA) on andmestiku esimene vaba pilk: arvutatakse kokkuvõtlikke näitajaid, uuritakse jaotusi ja diagramme ning otsitakse mustreid, kõrvalekaldeid ja puuduvaid väärtusi – ilma kindla hüpoteesita. See aitab hinnata andmekvaliteeti ja leida mõistlikke küsimusi edasiseks analüüsiks või modelleerimiseks. Näide: enne müügiprognoosi selgub EDA abil, et üks kuu on süsteemi üleviimise tõttu poolikult kirjendatud.
Masinõppe torujuhe (pipeline) on määratletud sammude jada, mis muudab toorandmed kasutuselevõetavaks mudeliks: andmete kogumine ja puhastamine, tunnuste ettevalmistus, treenimine, hindamine, kasutuselevõtt ja jälgimine. Nende sammude automatiseerimine muudab tulemused reprodutseeritavaks ja võimaldab uusi andmeid väikese vaevaga töödelda. Näiteks saab jaemüüja oma müügiprognoosi mudelit igal nädalal uusimate numbritega uuesti treenida ja testida.
