KNIME yra duomenų analitikos programinė įranga, kurioje darbo eigos surenkamos vizualiai iš blokų („mazgų“), o ne programuojamos. Atvirojo kodo KNIME Analytics Platform apima duomenų importą, valymą, analizę, mašininį mokymąsi ir ataskaitų rengimą, o komerciniai teikėjo pasiūlymai prideda bendradarbiavimą ir eksploatavimą organizacijose. Tipinis pavyzdys – darbo eiga, kuri sujungia mėnesio pardavimų duomenis iš kelių „Excel“ failų, išvalo juos ir sudaro prognozę.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąNo-code – tai įrankiai, leidžiantys kurti programas, automatizavimus ar svetaines grafinėmis sąsajomis, nerašant programinio kodo. Verslo komandos procesus gali įgyvendinti ir išbandyti pačios, nelaukdamos IT kūrėjų. Apribojimai atsiranda esant labai specializuotiems reikalavimams, dideliems duomenų kiekiams ar gilioms integracijoms. Pavyzdys: pardavimų komanda tempimo ir paleidimo būdu sukuria srautą, kuris rūšiuoja ir apibendrina naujas užklausas.
Duomenų gavyba – tai sistemingas didelių duomenų rinkinių tyrimas siekiant rasti dėsningumų, ryšių ir anomalijų. Ji remiasi statistiniais metodais ir mašininio mokymosi technikomis, pavyzdžiui, klasterizavimu, klasifikavimu ar asociacijų analize. Klasikinis pavyzdys – pirkinių krepšelio analizė mažmeninėje prekyboje, rodanti, kokios prekės dažnai perkamos kartu; tai asortimento, išdėstymo ir rekomendacijų pagrindas.
Tiriamoji duomenų analizė (angl. exploratory data analysis, EDA) – tai pirmoji, atvira duomenų rinkinio apžvalga: skaičiuojate suvestinius rodiklius, nagrinėjate skirstinius ir diagramas, ieškote dėsningumų, nuokrypių ir trūkstamų reikšmių – dar neturėdami tvirtos hipotezės. Ji padeda įvertinti duomenų kokybę ir rasti prasmingų klausimų tolesnei analizei ar modeliavimui. Pavyzdys: prieš pardavimų prognozę EDA atskleidžia, kad vienas mėnuo dėl sistemos migracijos buvo užfiksuotas nepilnai.
Mašininio mokymosi konvejeris (angl. pipeline) – tai apibrėžta žingsnių seka, kuri neapdorotus duomenis paverčia diegiamu modeliu: duomenų rinkimas ir valymas, požymių paruošimas, mokymas, vertinimas, diegimas ir stebėsena. Šių žingsnių automatizavimas daro rezultatus atkartojamus ir leidžia naujus duomenis apdoroti mažai pastangų. Pavyzdžiui, mažmenininkas gali kiekvieną savaitę perkvalifikuoti ir išbandyti savo pardavimų prognozavimo modelį naudodamas naujausius skaičius.
