Media > AI活用ユースケース > 物流 > 自動販売機のオペレーターが、機械ごと・商品ごとの販売実績と気温の予報から Python で次の巡回までの売れ数を予測し、補充の積込量と売切れの恐れが高い機械からの巡回の優先順を出す

自動販売機のオペレーターが、機械ごと・商品ごとの販売実績と気温の予報から Python で次の巡回までの売れ数を予測し、補充の積込量と売切れの恐れが高い機械からの巡回の優先順を出す

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

自動販売機の機械ごと・商品の列ごとに、次の巡回の日までに何本売れるかを予測します。その予測から、ルートごとの車への積込量と、売切れの恐れが高い機械を先に回す巡回の優先順の案を、前日の夕方に営業所へ渡します。

サマリー
連携・自動化
Python
対象業界
その他/小売/製造
対象部門
物流
対象業務
比較検討/集計・分析
主な課題
データ分析に時間がかかる/判断に時間がかかる/属人化している
AIで行う処理
予測
主な効果
属人化解消/工数削減/機会損失防止
導入難易度
★★★★☆
実装レベル
本格構成
費用感
個別開発(大)
人間の確認
条件付き
現在工数
90h/月
AI導入後
30h/月
想定削減
67%
年間削減
720h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 配車の担当が、翌日の巡回予定表を開き、ルートごとに回る機械を確かめる
  2. 機械ごとに前回の補充数を販売の記録の仕組みで見て、商品ごとの本数を積込の表に写す
  3. 通信の機種は、前回の巡回からの販売数を見て、売切れの列があれば印を付ける
  4. 天気予報を見て、暑くなりそうな日は担当者の判断で冷たい商品を多めにする
  5. ルートの担当が積込の表を確かめ、自分の経験で本数を直す
  6. 倉庫で積込の表のとおりに車に積む
  7. 巡回し、補充した数と売切れの列を端末に入力する。積み残しは営業所に持ち帰る
導入後(After)
  1. 自動毎晩、販売の記録の仕組みからその日の販売数と補充の記録を取り込み、売切れのあった列に印を付ける
  2. 自動毎朝、気象庁の防災情報XMLから週間天気予報の電文を取り、地域ごとの気温の予報を取り出す
  3. 自動毎週日曜の夜に、過去の記録でモデルを学ばせ直し、過去の週で外れ方を確かめる
  4. 自動毎日15時に、翌日と翌々日に回る機械について、次の巡回の日までの売れ数を3本で予測する
  5. 自動機械ごとの今の残りの本数を見積もり、補充する本数とルートごとの積込量を計算する
  6. 自動次の巡回の前に売り切れる恐れが高い機械に順位を付け、回らなくてよい機械の候補を出す
  7. 人配車の担当が、ルートごとの積込量と優先順の案を確かめ、印の付いた機械を見る
  8. 人ルートの担当が案を見て、設置先の事情(行事、休み、工事)で直し、直した理由を書く
  9. 人倉庫で積込量のとおりに車に積み、巡回する
  10. 自動巡回の後、補充した数・売切れの列・持ち帰りの本数を予測と照らし、外れ方を記録する
各工程の詳しい説明を読む
  1. 配車の担当が、翌日の巡回予定表を開き、ルートごとに回る機械を確かめる
  2. 機械ごとに前回の補充数を販売の記録の仕組みで見て、商品ごとの本数を積込の表に写す
  3. 通信の機種は、前回の巡回からの販売数を見て、売切れの列があれば印を付ける
  4. 天気予報を見て、暑くなりそうな日は担当者の判断で冷たい商品を多めにする
  5. ルートの担当が積込の表を確かめ、自分の経験で本数を直す
  6. 倉庫で積込の表のとおりに車に積む
  7. 巡回し、補充した数と売切れの列を端末に入力する。積み残しは営業所に持ち帰る

(a)売切れと持ち帰りが同時に起きる。 夏の屋外の機械で冷たい水が売り切れている一方で、同じ日に同じ車で、事務所の機械向けに積んだ缶コーヒーが持ち帰りになります。 前回の補充数を写すだけでは、天気や曜日の違いが反映されません。

(b)売切れの機械に気づくのが遅い。 通信の機種なら売切れは分かりますが、通信できない機種は、巡回して初めて空の列に気づきます。 次の巡回までの数日間、売れたはずの分は売れません。

(c)積込量が担当者の勘で決まる。 ベテランは「この病院は月曜に売れる」「この工場は夏休みに止まる」と知っていますが、それは担当者の頭の中だけにあります。 ルートの担当が替わると、最初の数か月は売切れと持ち帰りが増えます。

(d)売切れの記録が、次の判断を狂わせる。 前回空になった列は、前回の補充数が列の容量いっぱいになります。それを写すと「容量いっぱい入れれば足りる」ように見え、 巡回の間隔を詰める必要があるとは誰も気づきません。

(e)前日の準備に時間がかかる。 1台あたり3分でも、1日に回る機械が営業所全体で約90台あると、配車の担当とルートの担当で合わせて4時間を超えます。 夕方の巡回から戻った後の作業なので、急いで写すと転記の誤りが出ます。

  1. 【自動】 毎晩、販売の記録の仕組みからその日の販売数と補充の記録を取り込み、売切れのあった列に印を付ける
  2. 【自動】 毎朝、気象庁の防災情報XMLから週間天気予報の電文を取り、地域ごとの気温の予報を取り出す
  3. 【自動】 毎週日曜の夜に、過去の記録でモデルを学ばせ直し、過去の週で外れ方を確かめる
  4. 【自動】 毎日15時に、翌日と翌々日に回る機械について、次の巡回の日までの売れ数を3本で予測する
  5. 【自動】 機械ごとの今の残りの本数を見積もり、補充する本数とルートごとの積込量を計算する
  6. 【自動】 次の巡回の前に売り切れる恐れが高い機械に順位を付け、回らなくてよい機械の候補を出す
  7. 【人】 配車の担当が、ルートごとの積込量と優先順の案を確かめ、印の付いた機械を見る
  8. 【人】 ルートの担当が案を見て、設置先の事情(行事、休み、工事)で直し、直した理由を書く
  9. 【人】 倉庫で積込量のとおりに車に積み、巡回する
  10. 【自動】 巡回の後、補充した数・売切れの列・持ち帰りの本数を予測と照らし、外れ方を記録する

8番目が、この設計の分かれ目です。 予測は過去の記録から作るので、「来週この工場は休み」「この病院は来月から改装」といった、記録に無い事情は入っていません。 それを知っているのはルートの担当で、予測の上に直しを書けるようにしておきます。

4番目を前日の15時にしているのも、意図してのことです。 巡回から戻る前に案を出しておけば、夕方の準備の時間は、案を確かめて直すだけになります。

02今回想定するシステム構成

構成図
販売の記録の仕組み(通信の機種の日ごとの販売数/巡回時の端末の入力)
   │  毎晩の書き出し
   ▼
Python ── 取り込み、売切れの期間の印、残りの本数の見積もり
   │
   ├── 気象庁防災情報XML(毎朝。週間天気予報の電文)
   ├── 内閣府の祝日のCSV(年に1回)
   ├── 機械の台帳(設置先の型、列ごとの商品と容量、温度の区分)
   ▼【毎週日曜の夜】
LightGBM ── 機械・列・日ごとの販売数のモデルを学ばせ直す
   ▼【毎日15時】
LightGBM ── 次の巡回の日までの売れ数(少なめ/真ん中/多め)
   ▼
Python ── 補充する本数、ルートごとの積込量、売切れの恐れの順位、印
   ▼
【配車の担当とルートの担当が確かめ、直す】
   ▼
積込の表 → 巡回 → 補充の記録 → 予測との照合
役割想定する製品代替候補
実行環境Python(pandas・LightGBM・scikit-learn)R
処理エンジンLightGBM(ポアソン回帰と分位点の損失)scikit-learn の HistGradientBoostingRegressor、statsmodels
集計Python(補充の本数と積込量への換算、予測と実績の照合)-
保管営業所のデータの置き場所(販売・補充・天気予報・予測・直し)-

新しく足すのは、Python の処理と、データの置き場所だけです。 販売の記録の仕組みと巡回予定表は変えません。この構成は、どの仕組みにも直接書き込みません。 積込量と優先順は表で渡し、配車の担当が積込の表に使います。

販売数の予測には、LightGBM のポアソン回帰を使います。 公式のページでは、objective に poisson(ポアソン回帰)を指定でき、最適化を安定させるための poisson_max_delta_step(既定値0.7)があるとされています。1日に0本・1本・2本と数える販売数は、売れない日が多い列ほど0が続きます。 そうした数の予測に向いた損失です。

幅を出すには、分位点の損失を別に学ばせます。 objective に quantile を指定し、alpha でどの分位点を学ぶかを決めます(既定値0.9)。真ん中はポアソン回帰、多めと少なめは分位点の損失、という組み合わせにします。

定時実行の場所は、社内のサーバーかクラウドの定時実行の仕組みです。 600台×平均8列でも、日ごとの行は数千行で、大きな計算の資源は要りません。難しいのは計算ではなく、売切れの期間を正しく記録に残すことです。

03どうやって実装するのか

Step1

処理の起点を決める

処理は4つの時刻で動きます。 毎晩の取り込み、毎朝の天気予報の取得、毎週日曜の夜の学ばせ直し、毎日15時の予測です。予測だけを動かしても、前の晩の取り込みが欠けていれば、残りの本数の見積もりがずれます。

15時の予測は、翌日と翌々日に回る機械を対象にします。 翌日の分が本番で、翌々日の分は配車の担当が週の積込の見通しを立てるために使います。巡回予定表に載っていない機械も、売切れの恐れが高ければ「臨時に回る候補」として出します。

取り込みが欠けた日は、予測を出す前に配車の担当に知らせます。 販売の記録の書き出しが失敗していると、前回の巡回から売れていないように見え、補充の本数が0になります。 欠けたまま出すより、欠けたと知らせるほうが安全です。

Step2

入力データを集める

データ中身取得元
販売の記録機械・列・日ごとの販売数(通信の機種)、巡回ごとの販売数(それ以外)販売の記録の仕組み
補充の記録巡回の日、列ごとの補充数、売切れの有無、持ち帰りの本数巡回時の端末の入力
機械の台帳設置先の型(屋外・事務所・工場・病院など)、地域、列ごとの商品・容量・温度の区分(冷・温)機械の台帳
天気の予報地域ごとの最高気温の予報気象庁防災情報XML
祝日国民の祝日内閣府の祝日のCSV
設置先の予定休み、行事、工事(ルートの担当が書く)共有の予定表

質を決めるのは、補充の記録の「売切れの有無」の欄です。 この欄が空のままだと、売り切れて止まった販売数と、本当に売れなかった販売数の区別がつきません。ルートの担当が巡回のときに、空の列を端末で1回押すだけの手間です。 この構成を始める前に、まずここを全員にそろえてもらいます。

温度の区分は、季節の切替えで変わります。 秋に冷たい列を温かい列に切り替えると、同じ列でも別の商品として売れ方が変わります。 切替えの日を台帳に残し、切替えの前後を別の系列として扱います。

Step3

データの取得方法を決める

取るものどこから何に使うか
日ごとの販売数販売の記録の仕組みの毎晩の書き出し通信の機種の学ばせる記録と、残りの本数の見積もり
巡回ごとの販売数と補充数巡回時の端末の入力の書き出し通信できない機種の学ばせる記録
週間天気予報の電文気象庁防災情報XMLの長期のフィード最高気温の予報の列
祝日内閣府の祝日のCSV祝日の列
機械の台帳台帳の書き出し設置先の型・列の商品と容量・温度の区分

天気は、気象庁の防災情報XMLから取ります。 公式のページでは、長期のフィードは毎時更新され、数日間の全入電を掲載するとされています。毎朝決まった時刻に取りに行けば、取りこぼしません。 同じページでは、確実で迅速な配信が要る場合は気象業務支援センターや予報業務の許可を受けた事業者に問い合わせるよう案内されています。天気予報が取れなかった日でも予測は止まらない作りにし、気温の列を空のまま渡します。

祝日は、内閣府のページのCSVを年に1回取ります。 公式のページでは、昭和30年から令和9年までの祝日がCSVで掲載され、令和10年の祝日は令和9年の2月に掲載するとされています。毎年2月に取り直す手順を、定時実行に入れておきます。

販売の記録の仕組みからの書き出しは、仕組みによって方法が違います。 毎晩CSVで書き出せる仕組みが多いですが、どの形で出せるかは仕組みによるので、利用環境に合わせた個別の実装になります。

Step4

AIへ渡す前に整形する

  1. 売切れの期間の印 … 補充の記録で売切れの有無が「あり」の列は、前回の巡回からその巡回までの期間に印を付けます。通信の機種は、販売数が0になった日からを売切れの期間とします
  2. 巡回ごとの販売数を日に割り振る … 通信できない機種は、巡回と巡回のあいだの合計しか分かりません。学ばせるときは日ごとの値を作らず、期間の合計を目的の値にした別のモデルにします
  3. 温度の区分の切替え … 切替えの日の前後で、列を別の系列として扱います
  4. 商品の入替え … 列の商品が替わったら、商品の番号と商品の型(水・茶・コーヒー・炭酸など)を列として持ち、新しい商品は商品の型で前の売れ方を引き継ぎます
  5. 休みの日の扱い … 設置先が休みの日(工場の夏休みなど)は、予定表から列を作ります
  6. 欠けた日 … 書き出しが欠けた日は、0で埋めずに欠けたままにします

1番目が、この構成でいちばん大事な前処理です。 売切れの期間の販売数は、本当の売れ数より少ない値です。印の付いた期間は、学ばせる記録から外すか、外さない場合は「少なくともこれだけ売れた」という扱いにします。 最初は外す方から始め、外したことで記録が少なくなりすぎる機械だけ別に考えます。

6番目を0で埋めないでください。 欠けた日を0にすると、その日は売れなかったとモデルが学び、 書き出しの失敗が続いた機械ほど少なく予測されます。

Step5

AIに処理させる

させるのは、機械ごと・列ごとに、次の巡回の日までの売れ数を3本で予測することだけです。

予測するもの使い方外れたときの影響
真ん中(ポアソン回帰)売切れの恐れの順位、回らなくてよい機械の候補半分の機械は上回る
多め(分位点 0.8)補充する本数と、車への積込量10台のうち2台ほどはこれを上回る
少なめ(分位点 0.2)「回らなくてよい」を判断する下限10台のうち2台ほどはこれを下回る

積込量を多めで決めるのは、売切れと持ち帰りの重さが違うからです。 持ち帰りの本数は次の日に積めますが、売切れで売れなかった分は戻ってきません。 どこまで多めにするか(0.8か0.9か)は、持ち帰りの本数を見ながら営業所が決めます。

売切れの恐れは、残りの本数と真ん中の予測で決めます。 今の残りの本数が、次の巡回の日までの真ん中の予測より少なければ、巡回の前に売り切れる見込みです。売り切れる見込みの日が早い機械から順位を付けます。

させないこと理由
巡回の順路の決定ルートの担当が道路事情と設置先の都合で決める
巡回予定の確定配車の担当がルートの担当の直しを見て決める
商品の入替えや列の割当て設置先との相談と、営業の判断
売れない機械の撤去の判断設置先との契約に関わる
外れた理由の断定理由の候補は人が記録と設置先の事情から考える

4行目を混ぜないでください。 予測で売れ数が少ない機械を「撤去の候補」として出すと、売切れが続いて記録上の売れ数が小さくなっている機械まで候補に入ります。 第1章の悪い循環が、撤去の判断にまで広がります。

Step6

指示内容を固定する

この構成は生成AIを使わないので、プロンプトの代わりに、モデルの設定と換算・印付けの規則を書いておきます。

【モデル(通信の機種:日ごと)】
- LightGBM、objective="poisson"(真ん中)
- LightGBM、objective="quantile"、alpha を 0.2/0.8 で2つ
- 目的の値 = 機械・列・日ごとの販売数
- 売切れの期間の印が付いた日は、学ばせる記録から外す
- 区分の列 = 設置先の型、地域、商品の型、温度の区分、曜日、祝日の有無
  (0以上の整数に置き換えて渡す)
- 数の列 = 最高気温の予報、直近7日と28日の販売数の平均(予測を出す日の前日まで)
- 欠けた日は欠けたまま渡す(0で埋めない)

【モデル(通信できない機種:巡回ごと)】
- 目的の値 = 前回の巡回から今回の巡回までの販売数の合計
- 数の列に「巡回の間隔の日数」と、期間中の平均の最高気温の予報を足す
- 売切れの印が付いた期間は外す

【確かめ方】
- TimeSeriesSplit で、週を単位に過去から順に確かめる
- 学ばせる期間の末尾と確かめる期間のあいだに gap を置く(予測から巡回までの日数分)
- 比べる相手 = 前回の補充数をそのまま使う方法(いまのやり方)
- 機械の型ごとに、比べる相手より外れ方が小さい型だけ予測を使う

【換算】
- 残りの本数 = 前回の巡回の後の本数 − 前回の巡回から今日までの販売数
  (通信できない機種は、前回の後の本数 − 今日までの真ん中の予測)
- 巡回の時点の残り = 残りの本数 − 巡回の日までの多めの予測(0未満は0)
- 補充する本数 = 列の容量 − 巡回の時点の残り
- 積込量 = ルートごと・商品ごとの補充する本数の合計

【印を付ける条件】
- sellout_risk:残りの本数 < 巡回の日までの真ん中の予測
- skip_candidate:巡回の時点の残りが、すべての列で容量の5割以上
- new_item:商品の入替えから4週に満たない
- no_weather:気温の予報が取れていない
- stale:前の晩の取り込みが欠けている
- over_capacity:ルートの積込量の箱の数が、車に積める上限を超える

比べる相手を「いまのやり方」にしているのは、置き換える意味があるかを確かめるためです。 前回の補充数をそのまま使う方法より外れ方が大きい型(たとえば、設置先の行事で売れ方が大きく動く駐車場の機械)は、予測を使わず、ルートの担当の見込みのままにします。

gap を置くのは、本番と同じ条件で確かめるためです。 scikit-learn の公式のページでは、TimeSeriesSplit は gap で各学ばせる期間の末尾から除く件数を決められるとされています。15時に予測して翌日から当たるなら、その日数を空けて確かめます。 空けないと、本番では手に入らない直近の記録で当てたことになり、外れ方を小さく見積もります。

区分の列を0以上の整数にするのは、LightGBM の決まりです。 公式のページでは、categorical_feature で区分の列を指定でき、負の値は欠けた値として扱われるとされています。新しい設置先の型や商品の型が出てきたら、番号を足してから学ばせ直します。

Step7

出力形式を固定する

ルートごとに2つの表を出します。 1つは機械ごとの補充の案、もう1つは商品ごとの積込量です。

route, visit_date, machine_id, site_type, priority, column, item_name,
stock_est, p20, p50, p80, refill_qty, flags, model_version
R03, 2026-10-27, VM-0412, 屋外, 1, 03, 水(500ml), 4, 9, 14, 21, 26, "sellout_risk", 2026-10-25
R03, 2026-10-27, VM-0412, 屋外, 1, 07, 緑茶(600ml), 11, 6, 9, 13, 22, "", 2026-10-25
R03, 2026-10-27, VM-0388, 事務所, 14, 02, 缶コーヒー(185g), 18, 2, 4, 7, 9, "skip_candidate", 2026-10-25
route, visit_date, item_name, load_qty, machines
R03, 2026-10-27, 水(500ml), 186, 12
R03, 2026-10-27, 緑茶(600ml), 144, 15

商品ごとの積込量の表の末尾には、箱の数に直した合計と、車に積める箱の数の上限を並べます。 合計が上限を超えるルートには over_capacity の印を付けます。どの商品を削るかはプログラムでは決めず、配車の担当が優先順の低い機械の分から削るかどうかを判断します。箱の数への換算は、商品ごとの1箱の本数を台帳に持って行います。

1つ目の理由は、priority と flags でルートの担当が見る機械を絞れることです。 sellout_risk の機械を先に回すかどうかと、skip_candidate の機械を今回は飛ばすかどうかを、ルートの担当が順路と合わせて決めます。

2つ目は、stock_est を出していることです。 残りの本数の見積もりが見えるので、巡回で実際の本数と違えば、取り込みの欠けか、記録の誤りに気づけます。

3つ目は、model_version で後から照らせることです。 学ばせ直した週と、外れ方が変わった週を突き合わせられます。

ルートの担当が直すときは、refill_qty の横に driver_qty と reason の列を足して書きます。 予測の列は書き換えません。予測と直しを別の列に残すと、翌週にどちらが合っていたかを比べられます。

Step8

システムへ連携する

つなぎ先方式内容
販売の記録の仕組み毎晩の書き出し日ごとの販売数、巡回ごとの販売数と補充数、売切れの有無
気象庁防災情報XML長期のフィードを毎朝取得週間天気予報の電文
内閣府の祝日のCSV年に1回取得祝日
機械の台帳書き出しの読み取り設置先の型、列の商品・容量・温度の区分
設置先の予定表共有の表の読み取り休み・行事・工事
補充の案と積込量共有の表にルートごとのシートで書く2つの表と、直しの欄

販売の記録の仕組みにも巡回予定表にも、直接は書き込みません。 予測が大きく外れた日に、そのまま積込量が確定すると、誰も止める場所がありません。 配車の担当の確認を挟みます。

直しの欄は、翌朝の学ばせる記録に入れません。 ルートの担当の直しは、学ばせる記録ではなく照合の記録として残します。直しをそのまま学ばせると、予測が担当者の勘に寄っていき、 置き換えた意味が薄れます。

Step9

人が確認する

配車の担当は、ルートごとの積込量と、印の付いた機械だけを見ます。 600台すべての列を見る設計にはしません。全部を見ると、第10章の1台1分には収まりません。

  1. stale と no_weather を先に見る … 取り込みや天気予報が欠けていれば、そのルートは多めに積むかを決めます
  2. sellout_risk の機械を見る … 優先順が設置先の事情と合っているかを、ルートの担当と確かめます
  3. skip_candidate の機械を見る … 飛ばしてよいかを、ルートの担当が設置先との約束(決まった曜日に来てほしいなど)を見て決めます
  4. 積込量を確かめる … 前週の同じ曜日の積込量と大きく違うルートは、理由を確かめます
  5. 直しを書く … 直したら driver_qty と reason を書きます

3番目を省かないでください。 予測で売れ数が少なくても、設置先との約束で毎週決まった日に来ることになっている機械があります。 飛ばす判断は、記録に無い約束を知っている人が行います。

目標は、1台をならして1分です。 印の無い機械は表を流し見るだけで、印の付いた機械は数分かかります。それより長くかかる日は、取り込みが欠けているか、売切れの印の付け忘れが続いています。

Step10

例外に対処する

起きること対応
前の晩の取り込みが欠けたstale の印を付け、配車の担当に知らせる。欠けた日を0で埋めない
天気予報が取れない気温の列を空のまま予測し、no_weather の印を付ける
売切れの有無が入力されていないその期間は売切れの印が無いものとして扱わず、欠けた記録として学ばせる記録から外す
商品が入れ替わった直後商品の型の売れ方で予測し、new_item の印を付ける
新しく置いた機械同じ設置先の型・地域の機械の売れ方で予測し、配車の担当に知らせる
機械の故障で販売が止まっていた故障の期間を台帳に書き、学ばせる記録から外す
設置先が急に休みになったルートの担当が予定表に書き、翌日の予測から反映する
残りの本数の見積もりがマイナスになる記録の誤りを疑い、0にして担当者に知らせる

上から3行目までが大半を占めます。 どれもモデルの問題ではなく、記録の取り方の問題です。 特に3行目の「売切れの有無が空」を放っておくと、第1章の悪い循環が気づかないうちに戻ってきます。

Step11

記録を残す

  • 毎晩取り込んだ販売の記録と補充の記録、売切れの期間の印
  • 毎朝取った天気予報の電文と、取り出した気温の値
  • 学ばせ直したモデルの版と、確かめたときの外れ方(機械の型ごと)
  • 毎日の予測(3本)と、補充する本数、積込量、印
  • ルートの担当の直し … どの機械の何を、何本から何本に、どんな理由で変えたか
  • 巡回の後の実績(補充した数、売切れの列、持ち帰りの本数)と、予測との差

最後の行は、多めの予測の分位点(0.8か0.9か)を決める材料になります。 持ち帰りの本数と売切れの列の数を月ごとに並べれば、どちらを減らすためにどれだけ積むかを、数字で話せます。

04実装レベルの3段階

最小構成:30台の過去の記録を書き出し、手元で学ばせて当たり方を確かめる / 予測が使えるかの確認
半自動化:上記+毎日15時に全台の予測を出し、補充する本数の表を書く。積込量の合計は配車の担当が作る / 機械ごとの補充の案
本格構成:上記+取り込み・天気予報・学ばせ直しを定時で動かし、積込量・優先順・印・実績との照合まで出す / 前日の準備の全体と、外れ方の記録

最小構成では、まだ前日の準備は減りません。 予測が前回の補充数より当たるかを確かめるための段階です。 半自動化で、1台3分が2分程度になります。 機械ごとの補充の案は出ますが、ルートごとの積込量の合計と、優先順の判断が手作業で残ります。本格構成で1分になり、この段階が本記事の想定です。 差が大きいのは、積込量の合計と、売切れの恐れの順位付けが、1台ずつ見比べる作業だからです。 段階を飛ばさないでください。 半自動化の表を1か月使うと、ルートの担当がどの機械でいつも直すかが分かります。直しの多い機械の事情を台帳や予定表に入れてから本格構成に進むほうが、直しが減ります。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
14 名
月間件数
1,800 件
1件あたり現在時間
3 分
1件あたり導入後時間
1 分
現在  1,800件 × 3分 ÷ 60 = 90 時間/月
導入後 1,800件 × 1分 ÷ 60 = 30 時間/月
月間削減時間
60h
削減率
67%
年間削減時間
720h
年間金額換算(時間単価2,800円)
202万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 屋外・事務所・工場・病院などに数百台の自動販売機を置き、ルートの担当が決まった曜日に巡回して補充しているオペレーター。積込量を前回の補充数や担当者の勘で決めていて、売切れと積み過ぎ(持ち帰り)の両方が起きている場合。機械ごと・商品の列ごとの販売数を、通信か巡回時の記録で1年分以上持っている場合。社内に Python を書ける担当者がいるか、外部に頼める場合。
向いていない
  1. 台数が数十台で、担当者が機械ごとの売れ方を覚えていられる規模のオペレーター。販売数の記録が機械の合計だけで、商品の列ごとに分かれていない場合。設置先が毎月大きく入れ替わり、同じ機械の過去の記録がたまらない場合。なお、巡回の順路の決定、設置先との契約や商品の入替えの判断、ルートの担当の配置はこの構成では代替できません。

07最小構成で試す方法

  1. 通信の機種のうち、設置先の型が違う30台を選ぶ(屋外・事務所・工場・病院を必ず入れる)
  2. その30台の、過去1年分の日ごとの販売数と、売切れの有無の記録を書き出す
  3. 曜日・祝日・地域の最高気温の実績を列に足し、Python で LightGBM のポアソン回帰を学ばせる
  4. 先月の4週を確かめる期間にして、前回の補充数をそのまま使う方法と、外れ方を比べる
  5. 売切れの期間を外した場合と外さない場合で、予測がどれだけ変わるかを見る

30台は必ずやってください。 仕組みを組む前に、「売切れの記録がそろっているか」を確かめます。

出てきた内容判断
前回の補充数より外れ方が小さい定時実行と積込量の換算に進む
屋外の機械だけ当たり、事務所の機械は当たらない設置先の型で使い分ける。構成は有効
売切れの期間を外すと記録がほとんど残らない機械が多い売切れの記録の取り方が先。 モデルの問題ではない

3行目が出ることは珍しくありません。 失敗ではなく、売切れが日常になっている機械が分かったということです。 その機械は、まず補充の頻度か列の割当てを見直す相談を営業所で始めてください。

08実装時につまずきやすいポイント

問題対策
売切れの期間をそのまま学ばせる印を付けて外す。 そのままでは売切れの機械ほど少なく予測する
欠けた日を0で埋める欠けたまま渡す。0にすると書き出しの失敗が「売れない」になる
gap を置かずに確かめる本番と同じ日数を空ける。空けないと外れ方を小さく見積もる
通信できない機種を日ごとに割り振る期間の合計を目的の値にした別のモデルにする
温度の切替えの前後を同じ系列で扱う切替えの日を台帳に残し、別の系列にする
積込量を真ん中の予測で決める多めで積み、真ん中で順位を決める
区分の列に負の値が入る0以上の整数にそろえる。負の値は欠けた値として扱われる
天気予報が取れない日に止まる気温の列を空にして予測し、印を付ける
直しを学ばせる記録に入れる照合の記録として別に残す
予測を撤去の判断に使う使わない。 売切れで記録が小さい機械が候補に入る

上の2行が、この構成の失敗のほとんどです。 どちらも、記録に残った数が本当の売れ数ではないという同じ問題から出ています。売切れと欠けの2つを記録の段階で見分けておけるかどうかで、予測が使えるかが決まります。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 機械ごと・商品ごとの販売数、設置先の名称と所在地、ルートの担当の補充の記録と直し、天気予報と祝日です。個人の情報はほとんど含みません。

  1. 設置先との契約の範囲を確かめる … 販売の記録は、設置先との契約で扱いが決まっていることがあります。設置先ごとの売上が分かる表を、営業所の外に出す範囲を決めておきます
  2. ルートの担当の直しを評価に使わない … 直しの記録は予測と照らすためのものです。担当者の成績の比較に使うと、直しが書かれなくなり、 記録に無い事情がモデルに届かなくなります
  3. 天気予報の取得の条件を守る … 防災情報XMLは公開の仕組みで、確実で迅速な配信が要るなら気象業務支援センター等に問い合わせるよう案内されています。取れない日がある前提で作ります
  4. この構成は補充の判断を代替しない … 積込量と巡回の優先順は案です。確定するのは配車の担当とルートの担当で、 設置先との約束や道路事情はこの構成に入っていません
  5. 予測を設置先の評価に使わない … 売れ数の予測が低い設置先を「売れない設置先」と扱うと、売切れで記録が小さくなっている設置先まで含まれます
  6. モデルの変更を記録に残す … 学ばせ直しのたびに版を上げ、確かめたときの外れ方を残します。外れ方が前の版より大きくなった週は、前の版に戻せるようにしておきます
  7. データの置き場所の権限を分ける … 販売の記録と予測の表は営業所ごとに見られる範囲を分けます。ほかの営業所の設置先の売上が見える必要はありません

誤りが起きた場合のリスクは、売切れを招くことと、持ち帰りを増やすことの2つです。 前者は売切れの期間をそのまま学ばせると起き、後者は欠けた日の扱いや多めの分位点の選び方で起きます。どちらも記録の段階で見分けられるので、そこを設計で守ります。

10まず何から始めるか

1週目:売切れの有無の入力をそろえる

ルートの担当全員に、巡回のときに空の列を端末で記録してもらいます。この1か月の記録が、売切れの期間の印の土台になります。 あわせて、機械の台帳に設置先の型と、温度の切替えの日を足します。

2週目:30台で試す

通信の機種のうち設置先の型が違う30台について、過去1年分の記録を書き出し、Python で LightGBM を学ばせます。前回の補充数をそのまま使う方法と外れ方を比べ、売切れの期間を外したときの違いを見ます。

3週目:多めの分位点と印の条件を決める

積込量を決める分位点(0.8か0.9か)と、skip_candidate の条件を、営業所の配車の担当とルートの担当で決めます。 持ち帰りと売切れのどちらを重く見るかは、営業所が決めることです。

4週目:全台の予測を表に出す

毎日15時に全台の予測を出し、補充する本数の表に書くところまで作ります。この時点では積込量の合計と優先順を出さず、機械ごとの補充の案だけを見ます。

2か月目: 取り込み・天気予報・学ばせ直しを定時で動かし、積込量と優先順と印を足します。ルートの担当の直しの件数を毎週数えます。3か月目以降: 予測と実績の照合を足し、1台3分が何分になったかを実測します。持ち帰りの本数と売切れの列の数を月ごとに並べ、分位点を見直した時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-10-26/最終更新:2026-10-26
確認した内容情報源確認日
objective に poisson(ポアソン回帰)・quantile(分位点回帰)を指定できること。alpha の既定値が0.9で quantile に使われること。poisson_max_delta_step の既定値が0.7で最適化の安定のためにあること。categorical_feature で区分の列を指定でき、負の値は欠けた値として扱われることLightGBM: Parameters2026-10-26
TimeSeriesSplit の n_splits(既定5)、max_train_size、test_size、gap(各学ばせる期間の末尾から除く件数。既定0)scikit-learn: TimeSeriesSplit2026-10-26
防災情報XMLの長期のフィードが毎時更新で数日間の全入電を掲載すること。高頻度のフィードが毎分更新であること。定時・随時などのフィードの区分。確実で迅速な配信が要る場合は気象業務支援センター等に問い合わせるよう案内していること気象庁: 防災情報XMLのPull型提供2026-10-26
昭和30年から令和9年までの国民の祝日がCSVで掲載され、令和10年の祝日は令和9年2月に掲載されること内閣府: 国民の祝日について2026-10-26

積込量を決める分位点と、回らなくてよい機械の条件は、営業所で決めてください。 本記事は各公式ページで確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-1800)についてのご相談はこちらから。

AI活用について相談する
目次