Дерево решений против графа задач: как объединить Data Science и JTBD в одном проекте
Аналитик страховой компании размышляет о том, как одну и ту же задачу — понимание потребностей клиентов — по-разному решают продакт-менеджеры и специалисты по Data Science. Автор сравнивает дерево решений (ML) и граф задач (JTBD) и на примере корпоративного медицинского страхования показывает, что одна покупка включает несколько заинтересованных сторон с разными задачами, у каждой из которых свой граф. В статье объясняются ключевые различия между двумя моделями и демонстрируется, как рассмотрение продукта через призму графа задач выявляет неудовлетворенные потребности.
Автор, возглавляя аналитический отдел в страховой компании, заметил сходство между концепцией «графа работ» из продвинутой методологии JTBD и моделью «дерева решений» из машинного обучения, но с противоположными целями. «Дерево решений» — это прогнозная модель, которая классифицирует объекты по категориям, тогда как «граф работ» — это объяснительная структура, раскрывающая множество мотиваций,
Показать ещё ↓
Источник: Хабр — Data Mining —
оригинал