機械学習アルゴリズムに解かせる予測モデルを、ある期間にECサイトで購入経験のある優良顧客が、行動変容（今後１か月間に再購入する継続顧客か離反顧客か）を予測するものとします。各顧客ごとの特徴量データ（デモグラ・行動・趣味・嗜好）と教師データ（行動変容の結果）から構成されるデータセットを準備します。

データセットを準備したらForecastFlowを実行し、機械学習アルゴリズムに基づいた予測モデルを自動構築します。その際、解釈レポート用の機械学習結果データが出力されます。


解釈レポートでは、予測モデルの精度確認、説明力のある重要特徴量の把握、その反応率を感度分析で理解します。上記の解釈レポートでは、あるECサイトで、これから１か月間で再購入する顧客を予測するモデル（True: 再購入あり; False: 再購入なし）の予測結果を示しています。予測精度は各測定指標が0.5~0.85であり、そこそこのレベルです。よって、より詳細に重要特徴量を把握します。トップ３の特徴量（ある直近の期間での顧客の購買回数、合計購買金額、よく購入する商品の色）で、予測モデルの58%ほどの説明がつくことが分かります。さらに詳細に見ますと、購買回数の感度分析にて、購買回数が１回の顧客の再購入確率は34%であるのに対して、２回の顧客は44%となります。つまり、初回購入の顧客を２回目へと繋げることができれば、この期間で10%の再購入確率の向上を見込めます。４回目まであげることができれば、33%の向上であり、どこまでの購買回数まで伸ばすべきか目標設定がしやすくなります。

施策立案担当者は、解釈レポートで得られた数値に基づいた具体的な知見を元に、施策を立案します。その後、施策の実行、効果検証を行います。