面向零售业的因果推断与模型可解释性工具
机器学习
2025-12-16 v1
摘要
当今大多数大型零售商拥有专注于各个方面的多个部门，例如营销、供应链、线上客户体验、门店客户体验、员工生产力以及供应商履约。他们还定期收集与所有这些方面相对应的数据，作为仪表盘和周报/月报/季报。尽管已有多种机器学习和统计技术被用于分析和预测关键指标，但此类模型通常缺乏可解释性。此外，此类技术也不允许验证或发现因果联系。在本文中，我们旨在提供一种应用模型可解释性和因果推断来获取销售洞察的方案。我们在电子商务和零售问题的背景下回顾了有关因果推断和可解释性的现有文献，并将其应用于真实世界的数据集。我们发现，本质上可解释的模型具有较低的 SHAP 值方差，并表明通过双重机器学习方法包含多个混杂因素使我们能够得到因果效应的正确符号。
引用
@article{arxiv.2512.12605,
title = {Causal inference and model explainability tools for retail},
author = {Pranav Gupta and Nithin Surendran},
journal= {arXiv preprint arXiv:2512.12605},
year = {2025}
}