Mandy Chambers - @Mandy_Chambers , Testeuse de développement JMP, mandy.chambers@jmp.com
Olivia Lippincott - @O_Lippincott , Ingénieure systèmes JMP, olivia.lippincott@jmp.com
À l'ère du Big Data, nous manquons souvent d'accès interne, de capacité ou de possibilité pour exploiter l'ensemble des données concernées. Il est donc nécessaire de travailler avec un échantillon, ou un instantané, et d'appliquer les enseignements tirés à l'ensemble. Pour la détection des fraudes chez les prestataires Medicare, il est important que l'échantillon inclue toutes les procédures répétées utilisées par un prestataire pour identifier les anomalies pour ce type de prestataire, ce qui conduit à une approche d'échantillonnage en deux étapes. Nous explorerons le workflow JMP pour capturer un échantillon, identifier toutes les procédures répétées pertinentes utilisées par les prestataires, et restructurer et nettoyer les données désordonnées pour analyse. Nous illustrerons également les différentes méthodes d'échantillonnage à partir de jeux de données plus volumineux, notamment l'échantillonnage de données externes à JMP à l'aide du générateur de requêtes pour la connexion à une base de données ou à un serveur SAS, et l'exploitation des données dans JMP à l'aide du générateur de requêtes JMP et de la jointure virtuelle. Pour chaque exemple, nous présenterons les avantages et les inconvénients, ainsi que des recommandations d'utilisation.
