Дерево решений vs граф работ: как я объединила Data Science и JTBD в одном проекте

В сфере искусственного интеллекта произошло заметное событие. Небольшой мысленный эксперимент на стыке машинного обучения и продуктового менеджмента. О том, почему одна и та же задача «определить, что нужно клиенту» может выглядеть по-разному со стороны product'а и data scientist'а.

Разбор на примере корпоративного ДМС, где у одного контракта сразу три стейкхолдера с разными работами. Вводная: почему эта тема вообще возникла Я много лет проработала начальником управления аналитики в страховой компании, а сейчас прохожу курс Ивана Замесина по Advanced JTBD.

Технические детали

В какой-то момент на воркшопе меня зацепила структура, которую он назвал «графом работ» — и я поймала себя на мысли, что она похожа на знакомую мне из Data Science модель. Только с противоположным назначением.

Дальше — разбор этого наблюдения. Статья рассчитана на аналитиков, продактов и тимлидов, которые работают с корпоративной аналитикой и задумываются о том, что именно они измеряют и зачем.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.