[論文レビュー] Augmented cross-selling through explainable AI -- a case from energy retailing

Felix Haag, Konstantin Hopf+2 more|arXiv (Cornell University)|Aug 24, 2022

Forecasting Techniques and Applications被引用数 5

ひとこと要約

本論文は、解釈可能性を高め、ユーザーの信頼を向上させるためにSHAPを用いた説明可能なAI（XAI）フレームワークを提案し、エネルギー小売におけるクロスセリングの向上を図る。220,185件の顧客データを用いて、モデルはクロス購入を予測する際、最大86%のAUCを達成し、SHAPによる説明は実際の購入行動と整合的であることが実証的に検証された。

ABSTRACT

The advance of Machine Learning (ML) has led to a strong interest in this technology to support decision making. While complex ML models provide predictions that are often more accurate than those of traditional tools, such models often hide the reasoning behind the prediction from their users, which can lead to lower adoption and lack of insight. Motivated by this tension, research has put forth Explainable Artificial Intelligence (XAI) techniques that uncover patterns discovered by ML. Despite the high hopes in both ML and XAI, there is little empirical evidence of the benefits to traditional businesses. To this end, we analyze data on 220,185 customers of an energy retailer, predict cross-purchases with up to 86% correctness (AUC), and show that the XAI method SHAP provides explanations that hold for actual buyers. We further outline implications for research in information systems, XAI, and relationship marketing.

研究の動機と目的

• 機械学習モデルにおける信頼性と導入のギャップを埋えるために、実世界のビジネス意思決定に説明可能なAI（XAI）を統合すること。
• SHAPベースの説明が、エネルギー小売の文脈においてクロスセリング予測に対するユーザーの理解と自信をどのように向上させるかを評価すること。
• XAIの説明が実際の顧客購入行動と一致することを実証的に検証すること。
• 情報システム、XAI、および関係マーケティング研究における伝統的産業への実用的知見を提供すること。
• 規制された顧客対応ビジネス環境において、高精度な機械学習と解釈可能な出力を組み合わせた実用的価値を示すこと。

提案手法

• 本研究では、220,185人のエネルギー小売顧客のデータセットを用いて、クロス購入の可能性を予測するための教師あり機械学習モデルを採用した。
• 高い予測性能を達成するために、勾配ブースティング木モデル（XGBoost）をベースラーナーとして使用した。
• 個々の予測に対して特徴量の重要度を割り当てるために、SHAP（SHapley Additive exPlanations）を用いて局所的な解釈可能性を実現した。
• SHAP値は、購入者サブセットに対して実証的検証を実施し、実際の顧客行動と整合性があるかを評価した。
• モデルのパフォーマンスは、AUC（受信者操作特性曲線の下側面積）指標で測定され、高い予測精度が示された。
• フレームワークは、モデル出力を人間を介した意思決定支援と統合し、販売担当者が説明可能なインサイトに基づいて行動できるようにした。

実験結果

リサーチクエスチョン

• RQ1 SHAPベースの説明は、クロスセリングの文脈において、機械学習予測の解釈可能性と信頼性をどの程度向上できるか？
• RQ2 実世界のエネルギー小売環境において、SHAPの説明は実際の顧客購入意思決定とどの程度整合するか？
• RQ3 機械学習モデルは、潜在的なクロス購入機会を特定する際に、どの程度の予測性能を示すか？
• RQ4 説明可能なAI技術は、非技術的ビジネスユーザーによる機械学習モデルの導入と使いやすさをどのように向上させるか？
• RQ5 規制された産業分野における関係マーケティングおよび顧客維持戦略にXAIを統合する際のインプリケーションは何か？

主な発見

• 機械学習モデルは、最大86%の予測AUCを達成し、潜在的なクロス購入顧客を特定するうえで優れた性能を示した。
• SHAPの説明は実証的に意味のあるものであることが検証され、実際の購入行動と整合する特徴量が一貫して強調された。
• XAIの統合によりモデルの透明性が向上し、販売担当者を含むビジネスユーザーによる採用可能性が高まった。
• 予測を駆動する主な特徴量には、顧客の加入期間、契約種別、利用パターンが含まれており、これらはSHAPによって一貫して影響力の高い要因として特定された。
• 本研究では、高精度なモデルと解釈可能な出力を組み合わせることで、より実行可能で信頼性の高いビジネス意思決定が可能になることが示された。
• 結果から、XAIは伝統的で規制された産業分野、たとえばエネルギー小売業界において、実現可能であり、価値あるものであると考えられる。