Decision Tree 대 Job Graph: 하나의 프로젝트에서 데이터 과학과 JTBD 결합하기
한 보험사의 분석가가 고객 요구를 이해하는 동일한 과제를 제품 매니저와 데이터 과학자가 어떻게 다르게 접근하는지에 대해 성찰합니다. 저자는 의사결정 트리(ML)와 잡 그래프(JTBD)를 비교하며, 기업 건강 보험의 예를 통해 단일 구매가 각각 다른 그래프를 가진 여러 이해관계자를 포함한다는 것을 보여줍니다. 이 글은 두 모델 간의 주요 차이점을 설명하고 잡 그래프 관점에서 제품을 살펴보면 충족되지 않은 요구가 드러나는 방식을 보여줍니다.
보험사 애널리틱스 부서를 이끌고 있는 저자는 Advanced JTBD(Jobs-to-be-Done)의 '잡 그래프(job graph)' 개념과 머신러닝의 의사결정나무(Decision Tree) 모델 사이에 유사성이 있지만 그 목적은 정반대라는 점을 발견했다. 의사결정나무는 대상을 하나의 범주로 분류하는 예측 모델인 반면, 잡 그래프는 하나의 행동 이면에 존재하는 여러 동기를 드러내는 설명적 프레임워크다. 리테일 건강보험 사례를 보면, 고객이 보험 상품을 구매하는 단순한 행동 하나가 실제로는 다섯 가지의 서로 다른 빅 잡(Big Job)을 포괄하지만, 회사는 그중 단 하나의 가지(branch)만 최적화하고 나머지는 놓치고 있다.
B2B 기업용 건강보험의 경우에는 최소 세 명의 이해관계자—기업, 의사결정자(인사 담당 이사), 그리고 직원—가 존재하며, 이들 각각이 자신만의 잡 그래프를 갖고 있다. 성공적인 상품이 되려면 이 세 가지 모두를 충족시켜야 한다. 저자는 제품 애널리틱스가 어떤 이해관계자의 어떤 잡이 충족되고 있는지를 측정해야 하며, 이탈(attrition) 분석 역시 이 세 가지 그래프를 모두 고려해야 한다고 제안한다. 또한 텔레메디신(telemedicine, 원격 의료)을 의도치 않게 추가적인 잡들을 충족시켜준 기능의 사례로 제시한다.
결론적으로 이 글은 의사결정나무는 분류와 예측 과업에 적합하며, 잡 그래프는 동기를 이해하고 제품 전략을 세우는 데 유용하다고 정리한다.
출처: Хабр — Data Mining —
원문