美容室の来店記録から顧客ごとの来店間隔と次の来店予定日を予測し、来店が途切れそうな顧客への連絡リストを作る

処理の起点を決める

2週間ごとの月曜の朝6時の定時実行を起点にします。 スタイリストが連絡するのは週の前半の空き時間が多く、月曜の開店前にリストがそろっていれば、その週のうちに連絡できます。 毎日作る形にはしません。毎日リストが変わると、昨日連絡しようとした顧客が今日は下にいる、ということが起きます。

リストは、作った日の翌日から2週間使います。 その間に予約が入った顧客は、スタイリストが予約の画面で気づけば足ります。リストを途中で作り直さないのは、連絡の印を付けている途中で並びが変わると、どこまで連絡したかが分からなくなるからです。

モデルの学び直しは3か月に1回です。 来店の間隔は季節で変わりますが、2週間ごとに学び直すほどは変わりません。学び直したら、前のモデルと比べて次の来店の時期の当たり方が悪くなっていないかを確かめてから入れ替えます。

入力データを集める

質を決めるのは、来店ごとのメニューと、配信の同意の記録です。 メニューが無いと、カラーで3か月ごとに来る顧客と、カットだけで6週ごとに来る顧客を分けられません。配信の同意の記録が無いと、メールの案を出せる顧客がいなくなります。 同意を記録していない店舗は、まず来店時に同意を取って記録するところから始めます。

年代の区分は、18歳未満かどうかを決めるためだけに使います。 モデルの特徴には入れません。年代で来店の間隔を見込むと、同じ間隔の顧客でも年代で連絡の順が変わってしまいます。

データの取得方法を決める

予約・顧客管理の仕組みの書き出しの機能で、顧客・来店・予約・配信の同意をそれぞれ書き出します。 書き出しの項目は製品ごとに違うので、最初に列を決めて固定し、毎回の処理の最初に、列の名前と数が決めたとおりかを照らします。

学ばせる記録は、「来店から次の来店まで」の1区間を1行にします。 顧客が5回来店していれば、4つの区間は event が1、最後の来店から今日までの1つの区間は event が0です。最後の区間を捨てると、来なくなった顧客の手がかりがすべて消えます。

AIへ渡す前に整形する

1. 区間の組み立て … 顧客ごとに来店日を並べ、区間の始まりの来店日、日数、event を作ります
2. 区間の特徴 … 始まりの来店のメニュー（カラーを含むか、縮毛矯正を含むか）、指名の有無、その顧客のそれまでの来店回数、それまでの間隔の中央の値を列にします
3. 同じ日の来店のまとめ … 同じ日に2回の会計があるもの（カットの後にトリートメントを足した等）は1回の来店にします
4. 短すぎる区間の扱い … 7日以内の再来店は、直しの来店として区間から外し、前の来店に含めます
5. 初めての顧客の扱い … 来店が1回だけの顧客は、それまでの間隔の列を欠けた値にします
6. 担当の変更 … スタイリストが辞めた・異動した顧客は、いまの担当に付け替えます。担当のいない顧客は店長のリストに入れます

区間の1行は、次のような形にします。1行が「ある顧客の、ある来店から次の来店まで（またはまだ来ていない今日まで）」です。

{
  "customer_no": "C-0458812",
  "store": "store_03",
  "interval_start": "2026-07-25",
  "duration_days": 86,
  "event": 0,
  "menu_color": true,
  "menu_perm": false,
  "menu_straightening": false,
  "nominated": true,
  "visit_count_before": 7,
  "log_median_interval_before": 4.143
}

この行は、前回の来店から86日たってまだ来ていない顧客の、最後の区間です。 event が0なので「少なくとも86日」として学ばせます。log_median_interval_before は、それまでの6つの間隔の中央の値（63日）の対数です。customer_no は突き合わせのための列で、特徴には入れません。

4番目を外すと、間隔が短く見えます。 仕上がりの直しで1週間後に来た記録が区間に入ると、「この顧客は7日ごとに来る」と読まれ、翌週には途切れそうな顧客として並んでしまいます。

2番目の「それまでの間隔の中央の値」は、その区間より前の来店だけから作ります。 区間の後の来店まで使うと、未来の情報で学ぶことになります。

AIに処理させる

させるのは、顧客ごとに「次の来店までの日数の分布」を見込むことだけです。 途切れそうな度合いへの直し方、除外、並べ替えは、Python の側の決まった規則で行います。

途切れそうな度合いは、いまの経過日数を条件にして出します。 lifelines の predict_survival_function と predict_median には conditional_after という引数があり、「すでに s 日来ていない」顧客について、その先の見込みを出せます。 公式の説明では、条件付きの生存は S(t)/S(s) で計算され、予測した中央の値に s を足したものが全体の日数になるとされています。

s = 前回の来店からの経過日数
次の30日に来店する見込み p30 = 1 − S(s+30) / S(s)
次の来店の目安の日 = 前回の来店日 + s + predict_median(conditional_after=s)
途切れそうな度合い = 1 − p30（ただし s が その顧客の中央の間隔 未満なら 0）

「中央の間隔未満なら0」を入れるのは、まだいつもの時期が来ていない顧客を並べないためです。 6週ごとに来る顧客が前回から4週なら、来ていないのは当たり前です。

処理の骨組みは、次のようになります。

from lifelines import WeibullAFTFitter

aft = WeibullAFTFitter()
aft.fit(intervals[FEATURES + ["duration_days", "event"]],
        duration_col="duration_days", event_col="event")

current = last_intervals[last_intervals["event"] == 0]   # まだ来ていない顧客
s = current["duration_days"]
median_after = aft.predict_median(current[FEATURES], conditional_after=s)
surv = aft.predict_survival_function(current[FEATURES], times=[30],
                                     conditional_after=s)
current["p_return_30d"] = 1 - surv.loc[30].values

学び直しのたびに、メニューの係数の向きを確かめます。 カラーや縮毛矯正の印で間隔が長くなる向きになっていなければ、メニューの記録の付け方か、区間の組み立てに誤りがあります。 係数を見て「おかしい」と気づけるのが、日数の伸び縮みで読めるモデルを選んだ理由の1つです。

来店が1回だけの顧客は、モデルではなく規則で扱います。 初めての来店から次が来るかは、2回目以降の顧客と傾向が大きく違います。初回から45日たって予約の無い顧客を、別の枠「2回目のお誘い」として並べます。 45日は店舗で決める値です。

4行目は、規則で必ず守ります。 リストの「メールの案」の欄は、同意が有りで停止の申し出が無い顧客にだけ作り、同意の無い顧客は「来店時・電話」の欄にしか出しません。

指示内容を固定する

この構成は生成AIを使わないため、プロンプトはありません。 代わりに、学習・計算・リストの作成を決める設定を、ひとつのファイルにまとめます。

【見込む先】
duration: 来店から次の来店までの日数（まだ来ていなければ今日までの日数）
event: 次の来店があれば 1、まだ無ければ 0
学習期間: 直近36か月の来店
モデル: WeibullAFTFitter
特徴: カラーの印、パーマの印、縮毛矯正の印、指名の印、来店回数、
      それまでの間隔の中央の値（対数）、店舗
入れ替えの条件: 検証の期間で、次の来店の中央の見込みの絶対誤差が前より小さいこと

【リストから除く顧客】
- 次の予約が入っている
- 18歳未満（年代の区分で判定。不明なら除く）
- 連絡を断った、転居した（除外の一覧）
- 直近30日以内にこのリストで連絡した
- 最後の来店から365日を超えた（休眠の顧客として別の一覧へ）

【並べ方】
途切れそうな度合いの高い順。1回のリストは1人のスタイリストあたり最大30人
初回だけの顧客: 初回から45日以上、予約なしを「2回目のお誘い」の枠へ（最大10人）

【連絡の手段の振り分け】
メールの案: 配信の同意あり、かつ停止の申し出なし
来店時・電話: 上記以外（メールの案は出さない）

「直近30日以内に連絡した顧客を除く」が大事です。 2週間ごとにリストを作るので、除かないと同じ顧客に2週続けてお誘いが届きます。連絡は控えめにするほうが、顧客との関係を損ねません。

365日を超えた顧客を別の一覧にするのは、連絡の意味が違うからです。 1年来ていない顧客へのお誘いは、いつもの間隔の顧客への声かけではなく、本部の販促として文面と時期を決めるものです。

出力形式を固定する

リストは表で出し、同じ内容を JSON でも残します。 表はスタイリストが読むため、JSON は次の回の突き合わせのためです。

{
  "run_at": "2026-10-19T06:00:00+09:00",
  "stylist_id": "S-014",
  "store": "store_03",
  "candidates": [
    {
      "customer_no": "C-0458812",
      "last_visit": "2026-07-25",
      "last_menu": "cut_color",
      "days_since": 86,
      "typical_interval_days": 63,
      "expected_next_visit": "2026-10-28",
      "p_return_30d": 0.0,
      "lapse_score": 0.0,
      "channel": "email_draft | in_person_or_phone",
      "segment": "regular | second_visit"
    }
  ],
  "excluded_counts": { "has_booking": 0, "minor": 0, "opted_out": 0, "contacted_recently": 0 },
  "model_version": ""
}

1つ目の理由は、customer_no だけで顧客を指せることです。 リストに電話番号やメールアドレスを書かず、スタイリストは顧客番号から予約・顧客管理の仕組みを開いて連絡します。

2つ目は、excluded_counts で除いた数が分かることです。 「同意が無くて除いた顧客が多い店舗」が分かれば、来店時に同意を取る声かけが足りていないことが見えます。

システムへ連携する

スタイリストが付けた「連絡した」の印は、次の回の処理で読み取ります。 印と日付があれば30日の除外に使い、その後に予約が入ったかを突き合わせて、連絡の結果として記録します。

人が確認する

1. 上から10人を見る … 顧客の事情（転居、体調、前回の不満）を思い出し、連絡しない顧客を外します
2. 手段を確かめる … 「メールの案」の顧客でも、電話のほうがよい顧客は電話にします。逆に「来店時・電話」の顧客にメールを送ることはしません
3. 連絡して印を付ける … 連絡した顧客の列に日付を入れます
4. 外した理由を書く … 転居や連絡を断った顧客は、店舗の除外の一覧に足します

2番目の後半を省かないでください。 同意の無い顧客にメールを送れないようにしているのは、リストの側だけです。スタイリストが仕組みの画面から手で送れば、送れてしまいます。

目標は、80件をならして1件9分です。 リストの上から読み、事情のある顧客を外して印を付けるだけなので、カルテを1人ずつ開いていたときより短く終わります。

店長は、店舗の全スタイリストのリストの件数だけを見ます。 顧客1人ずつの見込みは担当のスタイリストだけが見れば足り、店長が見るのは、連絡の印がほとんど付かないスタイリストがいないか、除外の件数が急に増えていないかです。

例外に対処する

2行目と3行目を「出さない」側に倒しているのは、誤りの向きを決めるためです。 同意が分からない顧客にメールを送る誤りは、送らない誤りよりはるかに重いからです。

記録を残す

• 書き出しと、組み立てた区間の一覧
• 顧客ごとの見込み（目安の日、p30、途切れそうな度合い）と、使ったモデルの版
• リストに載せた顧客と、除いた理由の件数
• スタイリストが連絡した顧客、日付、手段
• その後の予約と来店の有無
• 設定ファイルの変更の履歴（除外の規則、45日、最大の人数）

4つ目と5つ目を並べて残すのが、この構成の振り返りの土台です。 3か月分たまると、いつもの間隔からどれくらい過ぎた時点の連絡がいちばん戻ってくるかが、メニューごとに見えてきます。