Cây Quyết Định So Với Đồ Thị Công Việc: Kết Hợp Khoa Học Dữ Liệu và JTBD Trong Một Dự Án

Tác giả, người đứng đầu bộ phận phân tích tại một công ty bảo hiểm, đã nhận thấy sự tương đồng giữa khái niệm 'biểu đồ công việc' (job graph) từ Advanced JTBD và mô hình Cây quyết định (Decision Tree) trong học máy, nhưng với mục đích ngược nhau. Cây quyết định là một mô hình dự đoán phân loại các đối tượng vào một hạng mục cụ thể, trong khi Biểu đồ công việc là một khung giải thích tiết lộ nhiều động cơ đằng sau một hành động duy nhất. Trong ví dụ về bảo hiểm sức khỏe bán lẻ, hành động đơn giản của khách hàng khi mua một hợp đồng bảo hiểm bao trùm năm công việc lớn khác nhau, nhưng công ty chỉ tối ưu hóa một nhánh, bỏ qua các nhánh khác. Đối với bảo hiểm sức khỏe doanh nghiệp B2B, có ít nhất ba bên liên quan—công ty, người ra quyết định (giám đốc nhân sự) và nhân viên—mỗi bên có một biểu đồ công việc riêng; một sản phẩm thành công phải giải quyết cả ba. Tác giả gợi ý rằng phân tích sản phẩm nên đo lường công việc nào đang được hoàn thành cho bên liên quan nào, và phân tích tỷ lệ rời bỏ nên xem xét cả ba biểu đồ. Họ cũng nhấn mạnh y tế từ xa như một ví dụ về tính năng tình cờ bao phủ thêm các công việc khác. Bài viết kết luận rằng Cây quyết định phù hợp cho các nhiệm vụ phân loại và dự đoán, trong khi Biểu đồ công việc hữu ích để hiểu động cơ và chiến lược sản phẩm.