Maschinelles Lernen (ML) konzentriert sich in der Regel auf spezifische Ziele wie die Erstellung von Klassifikatoren, häufig basierend auf bekannten Merkmalsverteilungen der Population in einem geschäftlichen Kontext. Allerdings passen Modelle zur Berechnung individueller Merkmale im Laufe der Zeit an, um die Genauigkeit zu verbessern, was das Konzept der Entkopplung einführt: den Übergang von punktuellen Bewertungen zu Datenverteilungen. Wir verwenden Kalibrierungsstrategien als Methode zur Entkopplung von ML-Klassifikatoren von scores-basierten Aktionen innerhalb von Geschäftslogikrahmen. Um diese Strategien zu evaluieren, führen wir eine vergleichende Analyse unter Verwendung eines realen Geschäftsszenarios und mehrerer ML-Modelle durch. Unsere Ergebnisse verdeutlichen die Kompromisse und Leistungsimplikationen des Ansatzes und bieten wertvolle Einblicke für Praktiker, die ihre Entkopplungsanstrengungen optimieren möchten. Insbesondere zeichnen sich die isotone und Beta-Kalibrierungsmethoden in Szenarien aus, in denen es zwischen Trainings- und Testdaten zu Verschiebungen kommt.