予測分析では、学習と予測という２つのステップがあります。以下は購入実績データから顧客の購入予測を行う例です。
予測寄与度は、予測モデルに対して算出されます。まず、あるデータ（例：顧客 a の情報）について予測結果（例：購入確率）を算出します。
次に入力データからある項目（例：部署の情報）を取り除いた状態で、再度予測結果を算出します。
取り除いた項目の予測寄与度は、その項目を 含めた場合/取り除いた場合 の予測確率の差です。上記の例ですと、顧客 a の部署の情報の予測寄与度は、0.85－0.70=0.15 となります。部署の項目が予測確率を 0.15 増加させたとみなします。
予測確率の差が大きいほど、項目は予測結果に寄与しているとみなします。たとえば、予測結果に影響を与えない（寄与度がない）項目があった場合は、あってもなくても同じなので予測確率の差は 0 になるはずです。また予測確率を増やすか減らすかを見ることで、購入確率を上げる方に寄与しているのか、下げる方に寄与しているのかがわかります。
予測時の「予測理由を追加する」オプションとのその出力結果の見方について説明します。
予測時に「予測理由を追加する」というオプションにチェックを入れると、予測データの行毎に予測理由を追加できます。
「予測理由を追加する」というオプションがONのときは、予測結果のCSVファイルに「～を上げる1」「～を上げる2」「～を上げる3」「～を下げる1」「～を下げる2」「～を下げる3」という列が追加されます。これは予測確率や予測値を上昇/下降させる要素のTop1/Top2/Top3という意味です。
各予測理由の列は、[項目名]:[項目内容]:[寄与度]の形式で出力されています。
この例では、「顧客ID」が「ID01006」の顧客は、購入ありの確率が71.95%と高いですが、購入ありの確率を上昇させる要素のTop1は、「顧客ランク」が「プラチナ」だから、ということがわかります。さらに、「顧客ランク」が「プラチナ」であることによって、購入ありの確率が21.61%上昇した、ということもわかります。
(寄与度は二値分類の時は予測確率の上昇/下降分、数値予測のときは予測値の上昇/下降分と解釈できます。ただし、多値分類のときは予測確率としての解釈はできません。)