Arbre de décision contre graphe d'emplois : combiner science des données et JTBD dans un même projet
Un analyste d'une compagnie d'assurance réfléchit à la manière dont la même tâche de compréhension des besoins clients est abordée différemment par les chefs de produit et les scientifiques des données. L'auteur compare l'arbre de décision (apprentissage automatique) et le graphe d'emplois (JTBD) et utilise un exemple d'assurance santé d'entreprise pour illustrer comment un seul achat implique plusieurs parties prenantes avec des emplois différents, chacun ayant son propre graphe. L'article explique les différences clés entre les deux modèles et montre comment l'examen d'un produit sous l'angle du graphe d'emplois révèle des besoins non satisfaits.
L'auteur, à la tête d'un département d'analytique dans une compagnie d'assurance, a remarqué une similitude entre le concept de « graphe d'emplois » (job graph) du JTBD avancé et le modèle d'arbre de décision du machine learning, mais avec des objectifs opposés. L'arbre de décision est un modèle prédictif qui classe des objets dans une catégorie, tandis que le graphe d'emplois est un cadre explicatif qui révèle les multiples motivations derrière une action unique. Dans un exemple d'assurance maladie individuelle, l'action simple du client qui achète une police couvre cinq emplois majeurs différents, mais l'entreprise n'optimise qu'une seule branche, en négligeant les autres. Pour l'assurance maladie collective d'entreprise, il existe au moins trois parties prenantes : l'entreprise, le décideur (le responsable des ressources humaines) et l'employé, chacun ayant son propre graphe d'emplois ; un produit réussi doit répondre aux trois. L'auteur suggère que l'analytique produit devrait mesurer quels emplois sont satisfaits pour quelle partie prenante, et que l'analyse de l'attrition devrait considérer les trois graphes. Il met également en évidence la télémédecine comme exemple d'une fonctionnalité qui couvre accidentellement des emplois supplémentaires. L'article conclut que l'arbre de décision est adapté aux tâches de classification et de prédiction, tandis que le graphe d'emplois est utile pour comprendre les motivations et la stratégie produit.
Source: Хабр — Data Mining —
original