Explainability

In den letzten Jahren hat sich die Vorhersagequalität von statistischen Verfahren signifikant verbessert. Moderne Algorithmen des maschinellen Lernens und der Künstlichen Intelligenz, wie beispielsweise sogenannte Deep Neural Networks, sind in der Lage, deutlich komplexere Zusammenhänge zu modellieren als traditionelle Methoden. Zu letzteren zählen bewährte Ansätze wie lineare Regressionsmodelle oder Entscheidungsbäume. Die höhere Genauigkeit geht allerdings mit einer gesteigerten Komplexität einher, die eine Interpretation der vom Modell gefundenen Logik deutlich erschwert. Daher bezeichnet man diese Modelle oft als "Black Box".  Es existiert ein Trade-off zwischen Genauigkeit und Erklärbarkeit der Vorhersagen eines Modells:

Je mehr Genauigkeit erzielt werden soll, desto weniger nachvollziehbar wird das Modell.

Im Folgenden stellen wir Ihnen ein Forschungsprojekt zum Thema Accuracy-Interpretability Trade-off vor.

Das Forschungsprojekt wurde gemeinsam mit unserem wissenschaftlichen Kooperationspartner, der City University London, und Vertriebsmitarbeitern eines führenden europäischen Versicherungsunternehmens durchgeführt.

Referenzprojekt der Enrion GmbH
Durchführungszeitraum: 2016

Ausgangssituation

In vielen Anwendungsfällen ist ein Verständnis der vom Modell getroffenen Einschätzungen jedoch unerlässlich oder zumindest gewünscht. Die Wahl des Modells für einen Anwendungsfall in einem Wirtschaftsunternehmen wird also maßgeblich von diesem Genauigkeits-Interpretierbarkeits-Trade-off bestimmt. Unternehmen müssen bei der Auswahl eines Modells verschiedene Faktoren berücksichtigen, wie

  • eventuelle regulatorische Rahmenbedingungen,
  • die Bedürfnisse ihrer Kunden,
  • die Ausbildung und Ansprüche ihrer Mitarbeiter.

Beispielsweise sind Kredinstitute aufgrund von Bestimmungen der Finanzaufsicht gezwungen, die Gründe für die Ablehnung eines Kreditantrags darlegen zu können. In diesem Anwendungsfall ist also eine Interpretierbarkeit der Scoring-Modelle unerlässlich. Aber auch in anderen Branchen sind zukünftig verschärfte regulatorische Anforderungen zu erwarten, sehen Sie dazu die Ausführungen von B. Goodman und S. Flexman zu kommenden EU-Gesetzen.

Umsetzung von Enrion

Gemeinsam mit der City University London haben wir im Rahmen unserer wissenschaftlichen Kooperation zu diesem Thema ein Forschungsprojekt aufgesetzt. Für den Anwendungsfall der potenzialorientierten Vertriebssteuerung bei Versicherungen wurde untersucht, inwieweit die Vertriebsmitarbeiter Wert auf die Verständlichkeit des zugrundeliegenden Vorhersagemodells legen.

Projektfazit

Die Ergebnisse sind in einem wissenschaftlichen Artikel dokumentiert, den wir Ihnen gern zur Verfügung stellen. Die wichtigsten Resultate sind:

  • Ein Vorhersagemodell kann nur zu Umsatzsteigerungen führen, wenn die Vertriebsmitarbeiter es akzeptieren und darauf vertrauen.
  • Die befragten Vertriebsmitarbeiter legen großen Wert auf die Verständlichkeit des Modells.
  • Sie sind bereit, zugunsten eines verständlichen Modells auf einen nicht zu vernachlässigenden Anteil an Provision zu verzichten.
  • Für das Versicherungsunternehmen empfiehlt sich also der Einsatz eines einfach verständlichen Modells.

Erfahren Sie mehr...