МЕТОД КОНТЕКСТНО-ЗАЛЕЖНОГО ВИБОРУ XAI ДЛЯ ПРОГНОЗУВАННЯ ВІДТОКУ SAAS-КЛІЄНТІВ

Анотація

У статті запропоновано метод контекстно-залежного вибору
методів пояснюваного штучного інтелекту (XAI) для прогнозування відтоку клієнтів у SaaSплатформах. Запропонований підхід систематизує вибір XAI-методу на основі двох ключових вимірів:
моделі монетизації SaaS (Freemium, PLG, Enterprise) та стадії відтоку клієнта (Early, Mid, Late),
формуючи фреймворк SXS-F у вигляді дерева рішень. Порівняльний аналіз методів SHAP, LIME,
DiCEML та EBM у розрізі запропонованих вимірів показав суттєві відмінності у вірності, стабільності
та практичній застосовності залежно від контексту. Результати підтверджують ефективність
контекстно-залежного підходу до вибору XAI-методів для підвищення операційної цінності систем
прогнозування відтоку у SaaS-середовищі.
Ключові слова: прогнозування відтоку, XAI, пояснюваний штучний інтелект, SaaS, вибір XAI
методів, машинне навчання

Список використаної літератури
1. Lakshmi A. J. та ін. Cloud Computing and Deep Learning for Customer Churn Prediction in
SaaS Platforms. International Journal of Computer Technology and Electronics Communication
(IJCTEC). 2026. Vol. 9, No. 1. P. 75–80. URL: https://doi.org/10.15680/IJCTECE.2026.0901012.
2. Gellanki G. N., Dasari K., Goona G. S., Alapana K. K. Customer Churn Prediction Using
Machine Learning. American Journal of Management and IOT Medical Computing. 2026. Vol. 5,
No. 1. P. 104–111. URL: https://www.ajmimc.com/.
3. Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions. Advances in
Neural Information Processing Systems (NeurIPS 2017). 2017. Vol. 30. P. 4765–4774. URL:
https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-
Abstract.html.
4. Özkurt C. Transparency in Decision-Making: The Role of Explainable AI (XAI) in Customer
Churn Analysis. Information Technology and Economics in Business. 2025. Vol. 2, No. 1. P. 1–11.
URL: https://doi.org/10.69882/ADBA.ITEB.2025011.
5. Ribeiro M. T., Singh S., Guestrin C. "Why should I trust you?": Explaining the predictions of
any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge
Discovery and Data Mining. 2016. P. 1135–1144. URL: https://doi.org/10.1145/2939672.2939778.
6. Oprea S.-V., Bâra A. Customer-Centric Decision-Making with XAI and Counterfactual
Explanations for Churn Mitigation. Journal of Theoretical and Applied Electronic Commerce
Research. 2025. Vol. 20, No. 129. URL: https://doi.org/10.3390/jtaer20020129.
7. Adadi A., Berrada M. Peeking Inside the Black-Box: A Survey on Explainable Artificial
Intelligence (XAI). IEEE Access. 2018. Vol. 6. P. 52138–52160. URL:
https://doi.org/10.1109/ACCESS.2018.2870052.
8. Arrieta A. B., Díaz-Rodríguez N., Del Ser J. та ін. Explainable Artificial Intelligence (XAI):
Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion.
2020. Vol. 58. P. 82–115. URL: https://doi.org/10.1016/j.inffus.2019.12.012.
9. Shahabikargar M., Fabian L., Nesterenko V. та ін. A comprehensive survey on customer
churn analysis studies. Journal of Information and Telecommunication. 2023. Vol. 7, No. 1. P. 45–
72. URL: https://doi.org/10.1080/25765299.2023.2193636.
10.Wachter S., Mittelstadt B., Russell C. Counterfactual Explanations without Opening the Black
Box: Automated Decisions and the GDPR. Harvard Journal of Law & Technology. 2018. Vol. 31,
No. 2. P. 841–887. URL: https://doi.org/10.2139/ssrn.3063289.