Árvore de Decisão vs. Grafo de Trabalho: Combinando Ciência de Dados e JTBD em um Único Projeto
Uma analista de uma seguradora reflete sobre como a mesma tarefa de entender as necessidades dos clientes é abordada de maneiras diferentes por gerentes de produto e cientistas de dados. A autora compara a Árvore de Decisão (ML) e o Grafo de Trabalho (JTBD) e usa o exemplo de seguro saúde corporativo para ilustrar como uma única compra envolve múltiplos stakeholders com trabalhos distintos, cada um com seu próprio grafo. O artigo explica as principais diferenças entre os dois modelos e mostra como examinar um produto pela perspectiva do grafo de trabalho revela necessidades não atendidas.
O autor, à frente do departamento de analytics de uma seguradora, notou uma semelhança entre o conceito de 'job graph' do Advanced JTBD e o modelo de Árvore de Decisão do machine learning, mas com propósitos opostos. A Árvore de Decisão é um modelo preditivo que classifica objetos em uma categoria, enquanto o Job Graph é um framework explicativo que revela múltiplas motivações por trás de uma única ação. No exemplo de seguro de saúde de varejo, a simples ação do cliente de contratar uma apólice abrange cinco Big Jobs diferentes, mas a empresa otimiza apenas um ramo, deixando de atender aos demais. Para o seguro saúde corporativo B2B, há pelo menos três stakeholders — a empresa, o tomador de decisão (diretor de RH) e o funcionário —, cada um com seu próprio job graph; um produto bem-sucedido deve atender a todos os três. O autor sugere que a análise de produto deve medir quais jobs estão sendo cumpridos para qual stakeholder, e que a análise de churn deve considerar os três gráficos. Ele também destaca a telemedicina como um exemplo de recurso que, por acaso, cobre jobs adicionais. O artigo conclui que a Árvore de Decisão é adequada para tarefas de classificação e predição, enquanto o Job Graph é útil para entender motivações e estratégia de produto.
Fonte: Хабр — Data Mining —
original