Decision Tree versus Job Graph: Data Science en JTBD gecombineerd in één project
Een analist van een verzekeringsmaatschappij reflecteert op hoe dezelfde taak van het begrijpen van klantbehoeften verschillend wordt benaderd door productmanagers en data scientists. De auteur vergelijkt Decision Tree (machine learning) en Job Graph (JTBD) en gebruikt een voorbeeld van collectieve zorgverzekering om te illustreren dat een enkele aankoop meerdere belanghebbenden omvat met verschillende taken, elk met hun eigen grafiek. Het artikel legt de belangrijkste verschillen tussen de twee modellen uit en laat zien hoe het onderzoeken van een product vanuit het perspectief van de job graph onvervulde behoeften aan het licht brengt.
De auteur, die aan het hoofd staat van een analytische afdeling bij een verzekeringsmaatschappij, merkte een overeenkomst op tussen het concept 'job graph' uit Advanced JTBD en het Decision Tree-model uit machine learning, maar met tegenovergestelde doelen. Decision Tree is een voorspellend model dat objecten classificeert in één categorie, terwijl Job Graph een verklarend raamwerk is dat meerdere motivaties achter één actie onthult. In een voorbeeld van retail zorgverzekeringen dekt de simpele actie van de klant om een polis te kopen vijf verschillende Big Jobs, maar het bedrijf optimaliseert slechts één tak en laat de andere buiten beschouwing. Voor B2B collectieve zorgverzekeringen zijn er ten minste drie belanghebbenden: het bedrijf, de beslisser (HR-directeur) en de werknemer, elk met hun eigen job graph; een succesvol product moet op alle drie inspelen. De auteur suggereert dat productanalyses moeten meten welke jobs voor welke belanghebbende worden vervuld, en dat verloopanalyses alle drie de grafieken in overweging moeten nemen. Ze benadrukken ook telegeneeskunde als een voorbeeld van een functie die per ongeluk extra jobs dekt. Het artikel concludeert dat Decision Tree geschikt is voor classificatie- en voorspellingstaken, terwijl Job Graph nuttig is voor het begrijpen van motivaties en productstrategie.
Bron: Хабр — Data Mining —
origineel