KNIME ir datu analītikas programmatūra, kurā darba plūsmas tiek saliktas vizuāli no blokiem („mezgliem”), nevis programmētas. Atvērtā pirmkoda KNIME Analytics Platform aptver datu importēšanu, tīrīšanu, analīzi, mašīnmācīšanos un pārskatu veidošanu, bet nodrošinātāja komerciālie piedāvājumi papildina sadarbību un darbināšanu organizācijās. Tipisks piemērs ir darba plūsma, kas apvieno mēneša pārdošanas datus no vairākiem Excel failiem, iztīra tos un izveido prognozi.
Bez koda apzīmē rīkus, kas ļauj veidot lietojumprogrammas, automatizācijas vai tīmekļa vietnes ar grafiskām saskarnēm, nerakstot programmas kodu. Biznesa komandas var pašas ieviest un testēt procesus, negaidot IT izstrādi. Ierobežojumi parādās ļoti specializētu prasību, lielu datu apjomu vai dziļu integrāciju gadījumā. Piemērs: pārdošanas komanda ar vilkšanu un nomešanu izveido plūsmu, kas šķiro un apkopo jaunus pieprasījumus.
Datu ieguve ir sistemātiska liela datu apjoma meklēšana, lai atrastu likumsakarības, saistības un anomālijas. Tā izmanto statistikas paņēmienus un mašīnmācīšanās metodes, piemēram, klasterizāciju, klasifikāciju vai asociāciju analīzi. Klasisks piemērs ir pirkumu groza analīze mazumtirdzniecībā, kas parāda, kuras preces bieži tiek pirktas kopā — tā ir pamats sortimentam, preču izvietojumam un ieteikumiem.
Izpētes datu analīze (EDA) ir pirmais, atvērtais skatiens uz datu kopu: aprēķina kopsavilkuma rādītājus, aplūko sadalījumus un diagrammas un meklē likumsakarības, izņēmumus un trūkstošās vērtības — vēl bez noteiktas hipotēzes. Tā palīdz novērtēt datu kvalitāti un atrast jēgpilnus jautājumus tālākai analīzei vai modelēšanai. Piemērs: pirms pārdošanas prognozes EDA atklāj, ka kāds mēnesis sistēmas migrācijas dēļ ierakstīts nepilnīgi.
Mašīnmācīšanās konveijers ir noteikta soļu secība, kas neapstrādātus datus pārvērš ieviešamā modelī: datu vākšana un tīrīšana, pazīmju sagatavošana, apmācība, novērtēšana, ieviešana un uzraudzība. Šo soļu automatizēšana padara rezultātus atkārtojamus un ļauj ar nelielu piepūli apstrādāt jaunus datus. Piemēram, mazumtirgotājs katru nedēļu var pārapmācīt un pārbaudīt savu pārdošanas prognozēšanas modeli ar jaunākajiem skaitļiem.
