# Application of Causal Inference to Analytical Customer Relationship Management in Banking and Insurance

**Authors:** Satyam Kumar, Vadlamani Ravi  
**arXiv:** [2208.10916](https://arxiv.org/abs/2208.10916)  
**Date:** 2022-08-19  
**Summary page:** https://www.summarizepaper.com/fr/paper/2208.10916v1/

## Key points

- Les chercheurs soutiennent que les algorithmes d'intelligence artificielle doivent être capables de fournir des explications compréhensibles par les humains pour être mieux acceptés dans divers domaines.
- La causalité permet un niveau spécifique d'explicabilité au niveau humain et une classe spécifique d'algorithmes appelée contre-factuels peut fournir une causalité.
- Dans une étude récente, les principes d'inférence causale ont été utilisés pour fournir une explicabilité afin de résoudre des problèmes liés à la gestion analytique des relations clients (ACRM).
- La recherche actuelle sur l'interprétation dans le domaine bancaire et assurantiel tente de répondre à des questions liées à la causalité telles que pourquoi ce modèle a pris cette décision et est-ce que le choix du modèle a été influencé par un facteur particulier?
- Une solution sous forme d'intervention est proposée où l'effet du changement de distribution des caractéristiques des jeux de données ACRM est analysé sur la caractéristique cible.
- Un ensemble de contre-factuels est obtenu qui peut être fourni aux clients qui demandent une explication sur la décision prise par la banque/compagnie d'assurance.
- Des contre-factuels satisfaisants ont été générés pour les jeux de données concernant l’abandon de carte de crédit et le défaut de paiement ainsi que pour ceux relatifs à la fraude à l’assurance et à la fraude à la carte bancaire où seuls quelques changements sont observés.
- Cette étude est novatrice car elle utilise les principes d'influence causale afin de fournir une explicabilité pertinente au secteur bancaire et assurantiel.

## Summary

De nos jours, pour être mieux acceptés dans divers domaines, les chercheurs ont soutenu que les algorithmes d'intelligence artificielle doivent être capables de fournir des explications compréhensibles par les humains. Cet aspect, également connu sous le nom de causalité, permet un niveau spécifique d'explicabilité au niveau humain. Une classe spécifique d'algorithmes appelée contre-factuels peut fournir une causalité. En statistique, la causalité a été étudiée et appliquée pendant des années mais pas en détail en intelligence artificielle (IA). Dans une étude récente, nous avons utilisé les principes d'inférence causale pour fournir une explicabilité afin de résoudre des problèmes liés à la gestion analytique des relations clients (ACRM). Dans le domaine bancaire et assurantiel, la recherche actuelle sur l'interprétation tente de répondre à des questions liées à la causalité telles que pourquoi ce modèle a pris cette décision et est-ce que le choix du modèle a été influencé par un facteur particulier? Nous proposons une solution sous forme d'intervention où l'effet du changement de distribution des caractéristiques des jeux de données ACRM est analysée sur la caractéristique cible. Ensuite, un ensemble de contre-factuels est obtenu qui peut être fourni aux clients qui demandent une explication sur la décision prise par la banque/compagnie d'assurance. Des contre-factuels satisfaisants ont été générés pour les jeux de données concernant l’abandon de carte de crédit et le défaut de paiement ainsi que pour ceux relatifs à la fraude à l’assurance et à la fraude à la carte bancaire où seuls quelques changements sont observés. Cette étude est novatrice car elle utilise les principes d'influence causale afin de fournir une explicabilité pertinente au secteur bancaire et assurantiel.