डिसीज़न ट्री बनाम जॉब ग्राफ: एक प्रोजेक्ट में डेटा साइंस और JTBD का संयोजन
एक बीमा कंपनी के विश्लेषक इस बात पर विचार करते हैं कि ग्राहकों की ज़रूरतों को समझने का एक ही कार्य उत्पाद प्रबंधकों और डेटा वैज्ञानिकों द्वारा कैसे अलग-अलग तरीकों से किया जाता है। लेखक ডিসিজन ट्री (ML) और जॉब ग्राफ (JTBD) की तुलना करते हैं और कॉर्पोरेट स्वास्थ्य बीमा के उदाहरण का उपयोग करके दिखाते हैं कि एक ही खरीद में कई हितधारक शामिल होते हैं, जिनके अलग-अलग कार्य होते हैं, और प्रत्येक का अपना ग्राफ होता है। लेख दो मॉडलों के बीच मुख्य अंतर समझाता है और दिखाता है कि जॉब ग्राफ के परिप्रेक्ष्य से किसी उत्पाद की जांच करने से अधूरी ज़रूरतें सामने आती हैं।
एक बीमा कंपनी में एनालिटिक्स विभाग का प्रमुख होने के नाते, लेखक ने एडवांस्ड जेटीबीडी से 'जॉब ग्राफ' की अवधारणा और मशीन लर्निंग से डिसीजन ट्री मॉडल के बीच समानता देखी, लेकिन विपरीत उद्देश्यों के साथ। डिसीजन ट्री एक पूर्वानुमानित मॉडल है जो वस्तुओं को एक श्रेणी में वर्गीकृत करता है, जबकि जॉब ग्राफ एक व्याख्यात्मक ढांचा है जो एक ही क्रिया के पीछे कई प्रेरणाओं को प्रकट करता है। खुदरा स्वास्थ्य बीमा के उदाहरण में, ग्राहक की पॉलिसी खरीदने की सरल क्रिया पांच अलग-अलग बिग जॉब्स को कवर करती है, लेकिन कंपनी केवल एक शाखा को अनुकूलित करती है, बाकी को अनदेखा कर देती है। B2B कॉर्पोरेट स्वास्थ्य बीमा के लिए, कम से कम तीन हितधारक हैं—कंपनी, निर्णयकर्ता (HR निदेशक), और कर्मचारी—प्रत्येक का अपना जॉब ग्राफ होता है; एक सफल उत्पाद को तीनों को संबोधित करना चाहिए। लेखक सुझाव देते हैं कि उत्पाद एनालिटिक्स को मापना चाहिए कि किस हितधारक के लिए कौन से जॉब पूरे हो रहे हैं, और attrition विश्लेषण को तीनों ग्राफों पर विचार करना चाहिए। वे टेलीमेडिसिन को एक ऐसी सुविधा के उदाहरण के रूप में उजागर करते हैं जो गलती से अतिरिक्त जॉब्स को कवर करती है। लेख का निष्कर्ष है कि डिसीजन ट्री वर्गीकरण और पूर्वानुमान कार्यों के लिए उपयुक्त है, जबकि जॉब ग्राफ प्रेरणाओं और उत्पाद रणनीति को समझने के लिए उपयोगी है।
स्रोत: Хабр — Data Mining —
मूल