Pohon Keputusan vs Grafik Pekerjaan: Menggabungkan Ilmu Data dan JTBD dalam Satu Proyek

Penulis, yang mengepalai departemen analitik di sebuah perusahaan asuransi, menyadari adanya kemiripan antara konsep 'grafik pekerjaan' dari Advanced JTBD dan model Decision Tree dari pembelajaran mesin, tetapi dengan tujuan yang berlawanan. Decision Tree adalah model prediktif yang mengklasifikasikan objek ke dalam satu kategori, sementara Job Graph adalah kerangka kerja eksplanatif yang mengungkap banyak motivasi di balik satu tindakan. Dalam contoh asuransi kesehatan ritel, tindakan sederhana klien membeli polis mencakup lima Big Job yang berbeda, tetapi perusahaan hanya mengoptimalkan satu cabang, mengabaikan yang lain. Untuk asuransi kesehatan korporat B2B, setidaknya ada tiga pemangku kepentingan—perusahaan, pengambil keputusan (direktur SDM), dan karyawan—masing-masing dengan grafik pekerjaannya sendiri; produk yang sukses harus memenuhi ketiganya. Penulis menyarankan bahwa analitik produk harus mengukur pekerjaan mana yang dipenuhi untuk pemangku kepentingan mana, dan analisis churn harus mempertimbangkan ketiga grafik tersebut. Mereka juga menyoroti telemedicine sebagai contoh fitur yang secara tidak sengaja mencakup pekerjaan tambahan. Artikel menyimpulkan bahwa Decision Tree cocok untuk tugas klasifikasi dan prediksi, sementara Job Graph berguna untuk memahami motivasi dan strategi produk.