Glosario de analítica
SHAP (SHapley Additive exPlanations) es un método de IA explicable que atribuye la predicción de un modelo de machine learning a sus variables de entrada, mostrando qué factores empujaron el resultado hacia arriba o hacia abajo y en qué medida. Se basa en los valores de Shapley de la teoría de juegos cooperativos y fue formalizado por Lundberg y Lee en su artículo de NeurIPS 2017.
SHAP trata cada predicción como un juego: las variables de entrada son los jugadores, la predicción es el premio y cada variable recibe el crédito que le corresponde por su contribución al resultado.
SHAP toma el valor de Shapley de la teoría de juegos cooperativos: la única forma de repartir un premio entre jugadores que cumple axiomas de equidad como la consistencia y la precisión local. El valor SHAP de una variable es su contribución justa a la predicción.
Los valores SHAP suman: la predicción base (media) del modelo más el valor SHAP de cada variable da exactamente la predicción real. Cada explicación es auditable; nada queda oculto en un residuo de caja negra.
Una predicción concreta puede explicarse por sí sola (¿por qué se marcó este pedido?) y miles de explicaciones SHAP pueden agregarse para revelar qué factores pesan más en el conjunto del negocio.
Una cascada SHAP ilustrativa para una variación de margen.
El valor esperado del modelo (base) más la contribución con signo de cada factor suma exactamente la cifra final — las barras que empujan hacia arriba añaden a la métrica y las que tiran hacia abajo la restan. Esa propiedad aditiva es lo que hace auditable la atribución SHAP: cada punto del cambio queda asignado a un factor con nombre, nada queda en una caja negra.
Una predicción que no se puede explicar es una recomendación que no se puede defender. SHAP convierte las salidas opacas de un modelo en factores cuantificados y ordenados que los responsables pueden cuestionar, verificar y llevar a la acción.
En el paso Explain de la cadena analítica de Adaptrix (Connect → See → Explain → Predict → Act), las atribuciones de tipo SHAP se traducen a resúmenes de factores en lenguaje claro: un cambio en un KPI llega con el porqué incluido, no solo con un gráfico. Y como Adaptrix puede ejecutarse totalmente autoalojado, esas explicaciones se calculan sin que tus datos salgan de tu infraestructura.
Sigue ampliando tu vocabulario de analítica.
Ambos explican predicciones individuales, pero SHAP se basa en valores de Shapley y garantiza propiedades como la precisión local y la consistencia; LIME ajusta un modelo sustituto local sin esas garantías. De hecho, el artículo de SHAP de 2017 muestra que LIME es uno de los seis métodos que el marco SHAP unifica.
No. SHAP explica qué usó el modelo, no qué causa el resultado en el mundo real. Si el modelo aprendió una correlación espuria, SHAP la reflejará fielmente. Para decisiones que dependen de causa y efecto, conviene combinar SHAP con análisis causal.
No necesariamente. Las bibliotecas de código abierto ponen SHAP al alcance de los profesionales, y cada vez más plataformas de analítica integran atribuciones de tipo SHAP directamente en los cuadros de mando, traduciéndolas a resúmenes en lenguaje claro para usuarios de negocio.
Calcular valores de Shapley exactos tiene coste exponencial, pero las aproximaciones prácticas —como TreeSHAP para árboles con gradient boosting o los estimadores por muestreo para otros modelos— hacen que SHAP sea suficientemente rápido para analítica en producción con cargas realistas.
Trae una pregunta real de tu negocio y mira la respuesta en directo —con razonamiento, fuentes y cálculos— o calcula primero lo que te ahorra.