Decision Tree vs. Job Graph: Data Science und JTBD in einem Projekt kombinieren
Ein Analyst einer Versicherungsgesellschaft reflektiert darüber, wie dieselbe Aufgabe, Kundenbedürfnisse zu verstehen, von Produktmanagern und Data Scientists unterschiedlich angegangen wird. Der Autor vergleicht Decision Tree (maschinelles Lernen) und Job Graph (JTBD) und verwendet ein Beispiel für betriebliche Krankenversicherung, um zu veranschaulichen, dass ein einzelner Kauf mehrere Beteiligte mit unterschiedlichen Aufgaben umfasst, die jeweils ihren eigenen Graphen haben. Der Artikel erklärt die wichtigsten Unterschiede zwischen den beiden Modellen und zeigt, wie die Betrachtung eines Produkts aus der Perspektive des Job-Graphen unerfüllte Bedürfnisse aufdeckt.
Der Autor, der eine Analyseabteilung in einem Versicherungsunternehmen leitet, stellte eine Ähnlichkeit zwischen dem Konzept des "Job-Graphen" aus Advanced JTBD und dem Decision-Tree-Modell aus dem maschinellen Lernen fest, jedoch mit gegensätzlichen Zielen. Der Decision Tree ist ein Vorhersagemodell, das Objekte in eine Kategorie einordnet, während der Job-Graph ein erklärender Rahmen ist, der mehrere Motivationen hinter einer einzigen Handlung aufdeckt. Am Beispiel einer privaten Krankenversicherung im Einzelhandel deckt die einfache Handlung des Kunden, eine Police abzuschließen, fünf verschiedene Große Jobs ab, aber das Unternehmen optimiert nur einen Zweig und vernachlässigt die anderen. Bei der betrieblichen Krankenversicherung für Unternehmen gibt es mindestens drei Interessengruppen – das Unternehmen, den Entscheidungsträger (Personalverantwortlichen) und den Mitarbeiter –, jede mit einem eigenen Job-Graphen; ein erfolgreiches Produkt muss alle drei berücksichtigen. Der Autor schlägt vor, dass die Produktanalyse messen sollte, welche Jobs für welche Interessengruppe erfüllt werden, und dass die Abwanderungsanalyse alle drei Graphen berücksichtigen sollte. Sie heben auch die Telemedizin als Beispiel für ein Merkmal hervor, das zufällig zusätzliche Jobs abdeckt. Der Artikel schließt mit der Feststellung, dass der Decision Tree für Klassifikations- und Vorhersageaufgaben geeignet ist, während der Job-Graph nützlich ist, um Motivationen und Produktstrategie zu verstehen.
Quelle: Хабр — Data Mining —
Original