Müşteri kaybı verilerinde SHAP (SHapley Additive exPlanations) ve önem temelli yöntemlerin karşılaştırmalı analizi, bu tekniklerin makine öğrenimi modellerinin şeffaflığını ve yorumlanabilirliğini artırma etkinliğini değerlendirir 1.

SHAP analizi, bireysel tahminleri açıklamak için güçlü bir araç sunar ve müşteri kaybı üzerinde etkili olan özellikleri belirlemede etkilidir 1. Örneğin, SHAP değerleri, kısa vadeli sözleşmelere sahip ve teknik destek hizmeti almayan müşterilerin yüksek churn olasılığına sahip olduğunu göstermiştir 1.

Önem temelli yöntemler ise makro düzeyde analizler yaparak genel değişken etkilerini ortaya koyar 1. Örneğin, bu yöntem Aylık Ücretler ve Abonelik Süresi gibi değişkenlerin churn olasılığı üzerindeki etkilerini göstermiştir 1.

Bu karşılaştırmalı analiz, XAI (Açıklanabilir Yapay Zeka) yöntemlerinin daha iyi anlaşılmasına katkı sağlar ve telekomünikasyon gibi sektörlerde müşteri kaybı tahmin modellerinde şeffaflığı artırmak için uygun tekniklerin seçilmesinin önemini vurgular 1.