Karar Ağacı ve İş Grafiği: Veri Bilimi ile JTBD'yi Tek Projede Birleştirmek
Bir sigorta şirketinden bir analist, müşteri ihtiyaçlarını anlama görevinin ürün yöneticileri ve veri bilimciler tarafından nasıl farklı yaklaşıldığını ele alıyor. Yazar, Karar Ağacı (makine öğrenmesi) ile İş Grafiği'ni (JTBD) karşılaştırıyor ve kurumsal sağlık sigortası örneğini kullanarak tek bir satın almanın, her biri kendi grafiğine sahip olan farklı paydaşları nasıl içerdiğini gösteriyor. Makale, iki model arasındaki temel farkları açıklıyor ve bir ürünü iş grafiği perspektifinden incelemenin karşılanmamış ihtiyaçları nasıl ortaya çıkardığını gösteriyor.
Sigorta şirketinde analitik departmanına başkanlık eden yazar, Gelişmiş JTBD'deki 'iş grafiği' kavramı ile makine öğrenimindeki Karar Ağacı modeli arasında bir benzerlik fark etti, ancak amaçları zıt. Karar Ağacı, nesneleri tek bir kategoriye sınıflandıran tahmine dayalı bir modelken, İş Grafiği tek bir eylemin arkasındaki birden fazla motivasyonu ortaya çıkaran açıklayıcı bir çerçevedir. Perakende sağlık sigortası örneğinde, müşterinin poliçe satın alma gibi basit bir eylemi beş farklı Büyük İşi kapsar, ancak şirket yalnızca bir dalı optimize eder ve diğerlerini göz ardı eder. B2B kurumsal sağlık sigortası için en az üç paydaş vardır: şirket, karar verici (İK direktörü) ve çalışan; her birinin kendi iş grafiği vardır; başarılı bir ürün üçünü de ele almalıdır. Yazar, ürün analitiğinin hangi paydaş için hangi işlerin yerine getirildiğini ölçmesi gerektiğini ve kayıp analizinin üç grafiği de dikkate alması gerektiğini öne sürmektedir. Ayrıca, ek işleri tesadüfen kapsayan bir özellik olarak teletıp örneğini vurgulamaktadır. Makale, Karar Ağacı'nın sınıflandırma ve tahmin görevleri için uygun olduğu, İş Grafiği'nin ise motivasyonları ve ürün stratejisini anlamak için yararlı olduğu sonucuna varmaktadır.
Kaynak: Хабр — Data Mining —
orijinal