Аналитик из страховой компании объединила методологии Data Science и JTBD, что дало возможность точнее понимать потребности клиентов. Имея 4,5 тысячи читателей на Habr, она делится опытом работы с графами задач (JTBD) и деревьями решений.
Контекст исследования
Проект начался во время прохождения курса по Advanced JTBD Ивана Замесина. Аналитик заметила, что графы работ, описывающие клиентоориентированные задачи, параллельны моделям в Data Science. Обе модели — и графы, и деревья решений — служат для классификации, но имеют различные цели. Это важный момент для продуктовых менеджеров и специалистов по аналитике, работающих с корпоративным сегментом.Деревья решений в Data Science
Дерево решений — это модель машинного обучения, позволяющая классифицировать объекты по набору признаков. Например, классификация фруктов идет так: «Красный? → Да. Круглый? → Да. Съедобный? → Да». Модель формирует решение, основываясь на минимизации глубины дерева, что помогает в отборе эффективных решений при анализе рисков. В страховании такая модель активно используется для скоринга клиентов. К примеру, по множеству признаков определяется, какой риск несёт каждый потенциальный клиент для своей страховой компании. В компании авторки такие деревья становятся основой для принятия решений в андеррайтинге.Граф работ и мотивация клиента
В JTBD подходе основной акцент смещается с продукта на задачи клиента. Графы работ представляют уровни задач: от общей жизненной цели до мелких действий. На верхнем уровне находятся значимые цели, как «быть здоровым», а ниже — более конкретные действия, такие как «оплатить ДМС» или «найти врача». Это помогает понять, какие именно задачи клиент хочет решить, и как продукт может его в этом поддержать. Такая структура предлагает обзор не только конечного продукта, но и мотивации пользователей. Сложно игнорировать, что, понимая различные уровни задач, компания может разработать более релевантные предложения.Что в этом полезного для бизнеса?
Для бизнеса важно комбинировать методы анализа данных и понимания потребностей клиентов. Сочетание Data Science и JTBD позволяет не только эффективно выявить, что именно нужно клиенту, но и внедрить это в продуктовую стратегию. Это может заметно улучшить клиентский опыт и увеличить лояльность. В условиях высокой конкуренции на рынке, такие подходы станут решающими в обеспечении устойчивости и роста бизнеса.В будущем можно ожидать, что подходы, подобные этому, будут становиться всё более популярными среди аналитиков и продуктовых команд. В конечном счете, решение о том, как работать с клиентами, будет основываться на точных анализах их жизненных задач.