FMCG dağıtımında yapay zeka benimsemesinin önündeki en büyük engel teknik yetenek değildir. Güvendir. Yıllarca müşteri ilişkileri kuran saha temsilcileri, bir makinenin ne sipariş vereceklerini veya müşteriyi nasıl sınıflandıracaklarını söylemesini kolayca kabul etmez. Gelir hedeflerinden sorumlu yöneticiler, benimsemeyi zorunlu kılmadan önce yapay zekanın neden belirli önerilerde bulunduğunu anlamalıdır. Açıklanabilirlik olmadan, en doğru yapay zeka modeli bile geçersiz kılınır, göz ardı edilir veya kapatılır.
SHAP, kooperatif oyun teorisine dayanan bir matematiksel çerçevedir ve bireysel tahminleri açıklamak için ilkeli bir yol sağlar. Adil dağıtım üzerine çalışmasıyla Nobel Ekonomi Ödülü kazanan Lloyd Shapley'den adını alır. SHAP değerleri her giriş özelliğine, o özelliğin tahmini ortalama sonuca doğru veya ortalamadan uzağa ne kadar ittiğini temsil eden bir katkı puanı atar. Tüm SHAP değerlerinin toplamı artı temel tahmin, nihai tahmine eşittir ve açıklamaların tam ve tutarlı olmasını sağlar.
Müşteri segmentasyonu bağlamında SHAP değerleri, her müşterinin neden her segmente atandığını açıklar. Modelin %78 olasılıkla Gerileyen Risk olarak sınıflandırdığı bir mağazayı düşünün. SHAP açıklaması, azalan sipariş sıklığının Gerileyen Risk puanına +0,23 katkıda bulunduğunu, daralan ürün karışımının +0,18 katkıda bulunduğunu, artan ödeme gecikmelerinin +0,15 katkıda bulunduğunu ve stabil sipariş değerinin -0,12 katkıda bulunduğunu (risk sınıflandırmasından uzağa çekerek) gösterebilir. Temsilci, mağazanın hala makul miktarlarda sipariş vermesine rağmen daha seyrek sipariş verdiğini, daha az kategori satın aldığını ve daha yavaş ödediğini anında görebilir. Bunlar belirli, eyleme dönüştürülebilir sinyallerdir.
Sipariş önerileri için SHAP, her ürün önerisini ayrı ayrı açıklar. Model belirli bir atıştırmalık markasından 8 kasa öneriyorsa, açıklama satın alma geçmişinin 3,2 kasa katkıda bulunduğunu, mevsimselliğin 1,5 kasa eklediğini, yakın zamanda sipariş edilen bir içecekle çapraz satış benzerliğinin 1,0 kasa eklediğini, aktif bir promosyonun 0,8 kasa eklediğini ve tahmini mevcut stokun öneriyi 1,5 kasa azalttığını gösterebilir. Temsilci, temel önerinin mağazanın satın alma kalıbına dayandığını, mevsimsellik ve promosyonlar için ayarlamalar yapıldığını ve mağazanın muhtemelen biraz stoğu olduğu için azaltma yapıldığını görebilir.
Bu şeffaflık düzeyi temsilci ile müşteri arasındaki konuşmayı temelden değiştirir. Sistem bunu sipariş etmenizi öneriyor demek yerine, temsilci mağazanın olağan satın alma kalıbına ve mevcut promosyona dayanarak bu belirli ürünün bu miktarda mantıklı olduğunu söyleyebilir. Bu, yapay zekanın ürettiği sayıların körü körüne zorlanması değil, veriyle desteklenen danışmanlık satışıdır.
Yöneticiler toplu düzeyde SHAP açıklamalarından faydalanır. Bir segmentteki tüm müşterilerin SHAP değerlerini analiz ederek, yöneticiler her segmenti neyin tanımladığını ve bu tanımlayıcı özelliklerin zaman içinde nasıl değiştiğini anlayabilir. Ödeme gecikmesinin Gerileyen Risk segmentine katkısı portföy genelinde artıyorsa, bu yalnızca müşteri düzeyinde müdahaleler değil stratejik ilgi gerektiren pazar genelinde bir kredi sıkılaştırmasının sinyalini verir.
SHAP ayrıca yapay zeka modellerinin kendileri için bir hata ayıklama ve kalite güvence aracı olarak hizmet eder. SHAP değerleri ilgisiz bir özelliğin tahminleri önemli ölçüde etkilediğini gösteriyorsa, veri bilimi ekibi modelin sahte korelasyon öğrenip öğrenmediğini araştırabilir. Önemli olması gereken bir özellik sıfıra yakın SHAP katkısı gösteriyorsa, bu veri kalitesi sorununa işaret edebilir. Pratikte, SHAP değer dağılımlarını incelemek, modelin gürültü yerine anlamlı kalıplar öğrendiğini doğrulamanın en etkili yollarından biridir.
Üretim FMCG sisteminde SHAP uygulaması ödünleşimler içerir. Karmaşık modeller için kesin SHAP değerleri hesaplamak hesaplama açısından pahalı olabilir. TreeSHAP, ağaç tabanlı modeller için verimli kesin hesaplama sağlarken, KernelSHAP herhangi bir model türü için yaklaşık değerler sunar. GMM ile müşteri segmentasyonu için API yanıtının gecikme bütçesi dahilinde güvenilir SHAP tahminleri sağlayan örnekleme tabanlı yaklaşım kullanıyoruz. Açıklamalar model eğitim zamanında hesaplanır ve önbelleğe alınır, böylece çalışma zamanı sorguları hızlıdır.
SHAP değerlerini iş diline çevirmek, birçok uygulamanın atladığı kritik son adımdır. Ham SHAP puanları saha temsilcisi için anlamsızdır. Sistem bunları yorumlanabilir etiketlere çevirir: bu müşteri yüksek sipariş sıklığı ve geniş ürün karışımı nedeniyle Premium Aktif segmenttedir. Veya: bu sipariş miktarı öncelikli olarak geçmiş satın alma kalıbına dayalı önerilmiş, mevsimsel talep için yukarı ayarlanmıştır. Bu çeviriler, özellik adlarını ve SHAP katkı yönlerini iş dostu ifadelere eşleyen şablonlardan oluşturulur.
Dağıtımlardan elde edilen benimseme metrikleri tutarlı olarak aynı kalıbı göstermektedir. İlk ayda temsilciler yapay zeka önerilerini %40-60 oranında geçersiz kılar. SHAP açıklamaları arayüzde gösterildikten sonra geçersiz kılma oranları altı hafta içinde %15-25'e düşer. Açıklamalar yalnızca mevcut öneriye güven oluşturmaz. Aynı zamanda temsilcilere modelin nasıl düşündüğünü öğretir ve bu, açıklamayı görmeden önce bile gelecekteki önerilere güven oluşturur. Zaman içinde yapay zeka ve temsilci, her birinin diğerini bilgilendirdiği bir çalışma ilişkisi geliştirir.
Açıklanabilirlik için iş gerekçesi, yapay zekanın kendisi için iş gerekçesinden ayrı değildir. Zamanın yarısında geçersiz kılınan açıklanamaz model, potansiyel değerinin yarısını sunar. Temsilcilerin güvendiği ve benimsediği şeffaf model tam değer sunar. SHAP hesaplama, şablon çevirisi ve arayüz entegrasyonuna yapılan yatırım, daha yüksek öneri kabul oranları aracılığıyla kendini defalarca amorti eder; bu, bir yapay zeka sisteminin yatırım getirisi üretip üretmediğini nihai olarak belirleyen metriktir.
Açıklanabilirlik bir özellik değildir. Bir gerekliliktir. Düzenlenen endüstrilerde yasal gereklilik olabilir. Saha ekiplerinin sahada nihai karar vericiler olduğu FMCG dağıtımında pratik bir gerekliliktir. Kendini açıklayamayan yapay zeka sistemleri kullanılmaz ve kullanılmayan yapay zeka sistemleri değer üretmez. SHAP matematiksel temeli sağlar, ancak asıl iş bu temeli saha ekibinizin anlayabileceği ve harekete geçebileceği dil ve arayüzlere çevirmektir.