因果推断在银行与保险分析型客户关系管理中的应用

近来，为了在各类领域中具有更好的可接受性，研究者认为机器智能算法必须能够提供人类可从因果上理解的说明。这一方面亦称为因果可解释性（causability），达到了特定水平的人类级可解释性。一类称为反事实（counterfactuals）的特定算法或能提供因果可解释性。在统计学中，因果性已被研究并应用多年，但在人工智能（AI）中并未详尽展开。在一项首创性研究中，我们采用因果推断原理，为求解分析型客户关系管理（ACRM）问题提供可解释性。在银行与保险背景下，当前关于可解释性的研究试图回答因果相关问题，例如为何该模型做出此类决策，以及模型的选择是否受某一特定因素影响。我们以一种干预的形式提出解决方案，其中研究了改变 ACRM 数据集特征分布对目标特征的影响。随后，还获得了一组反事实，可提供给任何要求银行/保险公司对其所做决策进行解释的顾客。除信用卡流失预测数据集外，针对贷款违约、保险欺诈检测和信用卡欺诈检测数据集均生成了高质量反事实，其中观察到不超过三个特征发生变化。