[论文解读] 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 5

一句话总结

本文提出了一种基于SHAP的可解释人工智能（XAI）框架，通过提升模型可解释性与用户信任，增强能源零售业的交叉销售能力。基于220,185名客户的数据，该模型在预测交叉购买行为方面AUC最高达到86%，且SHAP解释经实证验证与实际购买行为具有一致性。

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.

研究动机与目标

• 通过在真实业务决策中整合可解释人工智能（XAI），解决机器学习模型在信任与采纳方面的差距。
• 评估基于SHAP的解释是否能提升用户在能源零售背景下对交叉销售预测的理解与信心。
• 实证验证XAI解释是否与实际客户购买行为一致。
• 为信息系统、XAI以及传统行业中的关系营销研究提供可操作的洞见。
• 展示在受监管、面向客户的业务环境中，将高精度机器学习与可解释输出相结合的实际价值。

提出的方法

• 本研究采用监督式机器学习模型，基于220,185名能源零售客户的数据集，预测交叉购买的可能性。
• 使用梯度提升树模型（XGBoost）作为基学习器，以实现高预测性能。
• 应用SHAP（SHapley Additive exPlanations）生成局部可解释性，通过特征重要性归因于单个预测结果。
• 通过在部分买家子集中进行实证验证，评估SHAP值与实际客户行为的一致性。
• 使用曲线下面积（AUC）指标衡量模型性能，结果表明预测准确度较高。
• 该框架将模型输出与人机协同决策支持相结合，使销售代表能够基于可解释的洞察采取行动。

实验结果

研究问题

• RQ1 基于SHAP的解释在多大程度上能提升交叉销售中机器学习预测的可解释性与可信度？
• RQ2 在真实能源零售场景中，SHAP解释与实际客户购买决策的吻合程度如何？
• RQ3 该机器学习模型在识别潜在交叉购买机会方面的预测性能如何？
• RQ4 可解释人工智能技术如何提升非技术背景业务用户对机器学习模型的采纳率与可用性？
• RQ5 将XAI整合到受监管行业中的关系营销与客户留存策略中，具有何种影响？

主要发现

• 机器学习模型实现了高达86%的预测AUC，表明其在识别潜在交叉购买客户方面表现优异。
• SHAP解释经实证验证具有实际意义，其始终突出与实际购买行为一致的特征。
• XAI的整合提升了模型透明度，增加了业务用户（如销售代表）采纳的可能性。
• 驱动预测的关键特征包括客户在网时长、合同类型及使用模式，这些特征被SHAP一致识别为具有影响力。
• 本研究表明，高精度模型与可解释输出相结合，可促成更具行动力与可信度的业务决策。
• 结果表明，XAI不仅在传统受监管行业中可行，而且具有实际价值，尤其在能源零售等产业中。