Päätöspuu vs. työgraafi: datatieteen ja JTBD:n yhdistäminen yhdessä projektissa
Vakuutusyhtiön analyytikko pohtii, miten sama asiakastarpeiden ymmärtämisen tehtävä lähestytään eri tavoin tuotepäälliköiden ja datatieteilijöiden toimesta. Kirjoittaja vertaa päätöspuuta (koneoppiminen) ja työgraafia (JTBD) ja käyttää esimerkkinä yritysten sairausvakuutusta havainnollistaakseen, miten yksittäinen ostos sisältää useita sidosryhmiä, joilla on erilaisia tehtäviä, joista jokaisella on oma graafinsa. Artikkeli selittää kahden mallin keskeiset erot ja osoittaa, miten tuotteen tarkastelu työgraafin näkökulmasta paljastaa tyydyttämättömiä tarpeita.
Kirjoittaja, joka johtaa analytiikkaosastoa vakuutusyhtiössä, huomasi yhtäläisyyden Advanced JTBD:n 'työgraafin' käsitteen ja koneoppimisen päätöspuun välillä, mutta niiden tarkoitukset ovat vastakkaiset. Päätöspuu on ennustava malli, joka luokittelee kohteet yhteen kategoriaan, kun taas työgraafi on selittävä viitekehys, joka paljastaa useita motivaatioita yhden toiminnan takana. Vähittäismyynnin sairausvakuutuksen esimerkissä asiakkaan yksinkertainen vakuutuksen ostaminen kattaa viisi eri suurta työtä, mutta yritys optimoi vain yhden haaran, jättäen muut huomiotta. B2B-yritysten sairausvakuutuksessa on vähintään kolme sidosryhmää – yritys, päättäjä (henkilöstöjohtaja) ja työntekijä – joilla jokaisella on oma työgraafinsa; menestyvä tuote on vastattava kaikkia kolmea. Kirjoittaja ehdottaa, että tuoteanalytiikan tulisi mitata, mitkä työt täytetään millekin sidosryhmälle, ja että asiakaspoistuman analyysissä tulisi ottaa huomioon kaikki kolme graafia. He korostavat myös etälääketiedettä esimerkkinä ominaisuudesta, joka sattumalta kattaa lisätyöt. Artikkelin lopuksi todetaan, että päätöspuu sopii luokittelu- ja ennustetehtäviin, kun taas työgraafi on hyödyllinen motivaatioiden ja tuotestrategian ymmärtämiseen.
Lähde: Хабр — Data Mining —
Alkuperäinen