Mandy Chambers- @Mandy_Chambers , Tester di sviluppo JMP, mandy.chambers@jmp.com
Olivia Lippincott- @O_Lippincott , Ingegnere di sistema JMP, olivia.lippincott@jmp.com
Nell'era dei big data, spesso non abbiamo accesso interno, la capacità o la capacità di lavorare con l'intero set di dati di interesse. Invece, dobbiamo lavorare con un campione o uno snapshot dei dati e applicare ciò che apprendiamo all'intero set di dati. Nel caso del rilevamento delle frodi dei provider Medicare, è importante che il campione includa tutte le procedure ripetute utilizzate da un provider per catturare anomalie per quel tipo di provider, il che porta a un approccio di campionamento in due fasi. Esploriamo il flusso di lavoro JMP per catturare un campione, trovare tutte le procedure ripetute pertinenti utilizzate dai provider e ristrutturare e pulire i dati disordinati per l'analisi. Illustreremo anche i vari modi per campionare da set di dati più grandi, incluso il campionamento da dati esterni a JMP utilizzando Query Builder per la connessione a un database o server SAS e lavorare con dati all'interno di JMP utilizzando JMP Query Builder e Virtual Join. Con ogni esempio, trattiamo i vantaggi e gli svantaggi e utilizziamo raccomandazioni.
