決定木とジョブグラフ：データサイエンスとJTBDを1つのプロジェクトで組み合わせる

筆者は保険会社の分析部門を率いており、Advanced JTBDの「ジョブグラフ」という概念と、機械学習の「決定木」モデルとの間に類似性があることに気づきましたが、その目的は正反対です。決定木は、オブジェクトを1つのカテゴリに分類する予測モデルですが、ジョブグラフは、単一の行動の背後にある複数の動機を明らかにする説明のためのフレームワークです。小売型健康保険の例では、クライアントが保険に加入するという単純な行動は、5つの異なる「ビッグジョブ」をカバーしていますが、会社はそのうちの1つのブランチのみを最適化しており、他のジョブを満たしていません。企業向け法人健康保険では、少なくとも3つのステークホルダー（企業、意思決定者である人事部長、従業員）が存在し、それぞれが独自のジョブグラフを持っており、成功する製品はこれらすべてに対応する必要があります。筆者は、製品分析では、どのステークホルダーに対してどのジョブが満たされているかを測定し、解約分析では3つのグラフすべてを考慮すべきだと提案しています。また、テレメディスンが、偶然にも追加のジョブをカバーしている機能の例として挙げられています。この記事は、決定木は分類と予測のタスクに適しており、ジョブグラフは動機と製品戦略の理解に有用であると結論付けています。