機械学習モデルは通常、特定の目標に焦点を当て、例えば分類器の作成など、ビジネスコンテクストでは既知の集団特性分布に基づいて行われることが多い。しかし、個々の特性を計算するモデルは時間とともに精度向上のために適応し、点評価からデータ分布への移行という概念である「デカップリング」が導入される。私たちは、ビジネスロジックフレームワーク内のスコアベースのアクションから機械学習（ML）分類器をデカップリングするための戦略として、キャリブレーション戦略を使用する。これらの戦略を評価するために、実際のビジネスシナリオと複数のMLモデルを使用して比較分析を行った。その結果は、このアプローチにおけるトレードオフと性能への影響を明らかにし、デカップリング努力を最適化しようとする実践者にとって貴重な洞察を提供している。特に、訓練データとテストデータ間にシフトがある場合において、イソトニックキャリブレーション法とベータキャリブレーション法が優れていることが示された。