Dieses Poster hebt verschiedene praktische Strategien hervor, die im Laufe der Jahre entwickelt wurden, um Modelle besser auf reale Systeme anwendbar zu machen.
Damit ein Modell nützlich ist, muss es ein System repräsentativ abbilden. Und damit das Modell breite Akzeptanz findet, müssen die Nutzer ihm vertrauen.
Obwohl JMP über viele hervorragende Plattformen und Techniken zur Datenmodellierung verfügt, bildet das resultierende Modell die Realität nicht immer vollständig ab und/oder wird von potenziellen Nutzern nicht immer gut aufgenommen. Die Realität ist komplex, und bei der Modellierung realer Daten können Variablen oft nur positive oder strikt positive Werte annehmen (z. B. Gewicht und Größe einer Person) oder sie sind Prozentwerte, die auf einen Bereich zwischen 0 und 100 % beschränkt sind (z. B. der Wassergehalt eines Produkts).
Selbst wenn das erstellte Modell die vom Fachexperten erwarteten Trends abzubilden scheint, wird ein Modell, das unter bestimmten Bedingungen einen negativen Wert für eine in der Realität ausschließlich positive Größe vorhersagt, schnell verworfen. Verschiedene Strategien, wie Transformationen und Verteilungen sowie verschiedene Arten hybrider Modellierung, wurden erfolgreich eingesetzt, um „realistischere Modelle“ zu erhalten, und werden auf diesem Poster erläutert.
