KNIME je programska oprema za podatkovno analitiko, v kateri se poteki dela sestavljajo vizualno iz gradnikov („vozlišč“) namesto programiranja. Odprtokodna platforma KNIME Analytics Platform zajema uvoz podatkov, čiščenje, analizo, strojno učenje in poročanje, komercialne ponudbe ponudnika pa dodajajo sodelovanje in delovanje znotraj organizacij. Tipičen primer je potek dela, ki združi mesečne podatke o prodaji iz več datotek Excel, jih očisti in pripravi napoved.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevBrez kode (no-code) označuje orodja, s katerimi ljudje gradijo aplikacije, avtomatizacije ali spletna mesta prek grafičnih vmesnikov, ne da bi pisali programsko kodo. Poslovne ekipe lahko procese same uvedejo in preizkusijo, namesto da bi čakale na razvoj v IT. Omejitve se pokažejo pri zelo specializiranih zahtevah, velikih količinah podatkov ali globokih integracijah. Primer: prodajna ekipa z vlečenjem in spuščanjem zgradi potek dela, ki razvršča in povzema nova povpraševanja.
Podatkovno rudarjenje je sistematično iskanje vzorcev, povezav in nepravilnosti v velikih podatkovnih zbirkah. Opira se na statistične tehnike in metode strojnega učenja, kot so razvrščanje v skupine, klasifikacija ali analiza asociacij. Klasičen primer je analiza nakupovalne košarice v trgovini, ki pokaže, kateri izdelki se pogosto kupijo skupaj – osnova za izbor ponudbe, postavitev in priporočila.
Raziskovalna analiza podatkov (EDA) je prvi, odprt pogled na podatkovno zbirko: izračunate povzetke, preučite porazdelitve in grafikone ter iščete vzorce, osamelce in manjkajoče vrednosti – še brez trdne hipoteze. Pomaga oceniti kakovost podatkov in poiskati smiselna vprašanja za nadaljnjo analizo ali modeliranje. Primer: pred napovedjo prodaje EDA razkrije, da je bil en mesec zaradi selitve sistema zabeležen nepopolno.
Cevovod strojnega učenja (machine learning pipeline) je določeno zaporedje korakov, ki surove podatke pretvori v model, pripravljen za uvedbo: zbiranje in čiščenje podatkov, priprava značilnosti, učenje, vrednotenje, uvedba in spremljanje. Avtomatizacija teh korakov omogoča ponovljive rezultate in obdelavo novih podatkov z majhnim naporom. Trgovec lahko na primer model za napovedovanje prodaje vsak teden znova nauči in preizkusi z najnovejšimi podatki.
