Die Methodik der KNN lehnt sich an biologische Informationsverarbeitungsprozesse im Gehirn an. Dabei werden künstliche neuronale Netze gebildet, die in der Lage sind, selbstständig aus Erfahrung zu lernen. Die erlernten Strukturen bestehen aus miteinander verbundenen Knoten, den Neuronen, die Informationen verarbeiten und weiterleiten. Die Neuronen sind in Schichten organisiert, wobei jedes Neuron mit denen der nachgelagerten Schicht verbunden ist. Zum Erlernen von Strukturen wird das Netz zunächst in einer sog. Trainingsphase mit beobachteten Daten „gefüttert“. Dabei wird unterschieden zwischen Lernprozessen, bei denen die richtigen Ergebnisse bekannt sind und diese durch das Netz reproduziert werden sollen (überwachtes Lernen), und solchen, bei denen die richtigen Ergebnisse nicht bekannt sind und lediglich ein konsistentes Verarbeitungsmuster erzeugt werden soll (unüberwachtes Lernen). Nach der Trainingsphase ist das Netz konfiguriert und kann für die Analyse neuer Daten eingesetzt werden. KNN besitzen heute vor allem eine besonders hohe Relevanz für das sog. „deep learning“ im Rahmen der Künstlichen Intelligenz. Sie vermögen komplexe Muster in vorhandenen Daten (z. B. Finanzdaten, Verkaufsdaten) zu erkennen und lassen sich besonders vorteilhaft bei der Behandlung von schlecht strukturierten Problemstellungen einsetzen. Auch können nicht-lineare und komplexe Zusammenhänge ohne spezifisches Vorwissen über die etwaige Richtung der Zusammenhänge und das Ausmaß der Wirkungsbeziehungen zwischen einer Vielzahl von Variablen modelliert werden. Anwendungsgebiete sind die Klassifikationen von Objekten, Prognosen von Zuständen oder Probleme der Gruppenbildung. Hinsichtlich der Problemstellungen besteht auch eine Ähnlichkeit zur Clusteranalyse und zur Diskriminanzanalyse. Die Analyse eines KNN wird für ein größeres Fallbeispiel mit Hilfe der Prozedur Multi-Layer-Perceptron (MLP) in IBM SPSS durchgeführt.