Questo poster mette in evidenza diverse strategie pratiche adottate nel corso degli anni per rendere i modelli più applicabili ai sistemi reali.
Affinché un modello sia utile, deve essere rappresentativo di un sistema. E affinché il modello venga ampiamente adottato, gli utenti devono fidarsi di esso.
Sebbene JMP offra numerose piattaforme e tecniche eccellenti per la modellazione dei dati, il modello ottenuto non sempre rappresenta appieno la realtà e/o non viene ben accolto dai potenziali utenti. La realtà è complessa e, quando si modellano dati reali, le variabili possono spesso assumere solo valori positivi o strettamente positivi (ad esempio, il peso e l'altezza di una persona), oppure sono percentuali comprese tra 0 e 100% (ad esempio, il contenuto di acqua in un prodotto).
Anche se il modello ottenuto sembra cogliere le tendenze attese dagli esperti del settore, un modello che, in determinate condizioni, preveda un valore negativo per un output che nella realtà è esclusivamente positivo, verrà rapidamente scartato. Diverse strategie, come trasformazioni e distribuzioni, e vari tipi di modellazione ibrida, sono state utilizzate con successo per ottenere modelli più "realistici" e saranno illustrate in questo poster.
