Árbol de Decisión frente a Grafo de Trabajos: Combinando Ciencia de Datos y JTBD en un Proyecto
Un analista de una compañía de seguros reflexiona sobre cómo la misma tarea de entender las necesidades del cliente se aborda de manera diferente por gestores de producto y científicos de datos. El autor compara el Árbol de Decisión (aprendizaje automático) y el Grafo de Trabajos (JTBD, por sus siglas en inglés) y utiliza un ejemplo de seguro de salud corporativo para ilustrar cómo una única compra involucra a múltiples partes interesadas con diferentes trabajos, cada uno con su propio grafo. El artículo explica las diferencias clave entre los dos modelos y muestra cómo examinar un producto desde la perspectiva del grafo de trabajos revela necesidades no satisfechas.
El autor, al frente del departamento de analítica de una compañía de seguros, observó una similitud entre el concepto de 'grafo de trabajos' del JTBD avanzado y el modelo de árbol de decisión del machine learning, aunque con propósitos opuestos. El árbol de decisión es un modelo predictivo que clasifica objetos en una categoría, mientras que el grafo de trabajos es un marco explicativo que revela múltiples motivaciones tras una única acción. En un ejemplo de seguro de salud para particulares, la simple acción del cliente de adquirir una póliza cubre cinco grandes trabajos diferentes, pero la compañía optimiza solo una rama, descuidando las demás. En cuanto al seguro de salud corporativo B2B, existen al menos tres partes interesadas: la empresa, el decisor (director de Recursos Humanos) y el empleado, cada uno con su propio grafo de trabajos; un producto exitoso debe abordar los tres. El autor sugiere que la analítica de producto debería medir qué trabajos se están cumpliendo para cada parte interesada, y que el análisis de abandono debería considerar los tres grafos. También destacan la telemedicina como un ejemplo de una funcionalidad que, de manera accidental, cubre trabajos adicionales. El artículo concluye que el árbol de decisión es adecuado para tareas de clasificación y predicción, mientras que el grafo de trabajos es útil para comprender motivaciones y estrategia de producto.
Fuente: Хабр — Data Mining —
original