パッケージデザインの好意度スコアを最大5（好き）から最小1（好きではない）までの加重平均値で予測します。全体のほかにも男性・女性、年代別（20代/30代/40代/50代）、性別×年代別の合計15のセグメントごとに算出することができるようになりました。
計算結果は画面上にグラフや数表で表示され、計算済みであれば、グラフはセグメントを切り替えて表示することも可能です。
グラフはPDFで、数表（予測スコアやそのカテゴリーおよびセグメント別の精度）はCSVで保存することができます。
※精度についてはコチラ
ディープラーニング（Convolutional Neural Network）は好意度の予測を算出する過程でコンボリューション層（畳み込み層）に特徴量が集積した特徴量マップを作り出します。
この特徴量マップをベースに、注視している箇所ほど赤く、やや注視している箇所をオレンジに、そうでない箇所ほど青くなるようにヒートマップ形式でわかりやすく可視化しています。
狙ったところが赤くなっているか、といった確認やパッケージデザインの修正をするうえで重要な指針となります。
グラフはPDFで保存することができます。
好意度の理由を19（非飲食系は18）のイメージワードの出現割合で予測することができます。膨大な自由回答から自然言語処理技術を駆使して構築しています。
イメージワードは下記になります。
「おいしそう」（非飲食系はなし）「かわいい」
「シンプル」「デザイン要素がよい」「なつかしい」
「やさしい」「安心感・信頼感がある」「季節感」
「健康感がある」「効果・効能を感じる」「高級感・上質感」
「色味がよい」「新しい・ユニーク」「洗練」
「爽やか・清涼感」「特徴がわかりやすい」「目立つ・印象に残る」
「綺麗・美しい」「清潔」
結果はPDFとCSVで保存でき、CSVには全ワードの結果が保存されます。
好意度の標準偏差（どの程度バラついているか）を予測します。
この数値が高いほどバラつきが大きいと考えられますので、そのデザインの好き嫌いの差が大きいと解釈できます。
好意度スコアの予測値と一緒にみると、よりわかりやすくなりますのでオススメです。
グラフはPDFで、数表（予測スコアやそのカテゴリーおよびセグメント別の精度）はCSVで保存することができます。
