决策树对比工作图：在同一个项目中结合数据科学与JTBD
一位来自保险公司的分析师反思了产品经理和数据科学家如何以不同的方式处理理解客户需求这一相同任务。作者比较了决策树（机器学习）和工作图（JTBD），并以企业健康保险为例，说明一次购买行为如何涉及多个利益相关者，每个都有各自不同的工作，并拥有自己的图表。文章解释了两个模型之间的关键区别，并展示了从工作图的角度审视产品如何揭示未满足的需求。
作者在一家保险公司领导分析部门，注意到高级JTBD中的“工作图”概念与机器学习中的决策树模型有相似之处，但目的相反。决策树是一种预测模型，将对象归入一个类别；而工作图是一种解释性框架，揭示单个行为背后的多种动机。在零售健康保险的例子中，客户购买保单这一简单行为涵盖了五个不同的重大工作，但公司只优化了一个分支，未能满足其他分支。对于B2B企业健康保险，至少有三个利益相关方——公司、决策者（人力资源总监）和员工——每一方都有自己的工作图；一个成功的产品必须满足所有三方的需求。作者建议，产品分析应衡量哪些工作为哪些利益相关方完成了，而流失分析应考虑所有三个图。他们还提到远程医疗作为一个意外覆盖额外工作的功能例子。文章总结道，决策树适用于分类和预测任务，而工作图有助于理解动机和产品策略。
来源: Хабр — Data Mining —
原文