社員食堂の受託会社が喫食の記録・曜日・天気・社内の行事から Python で翌日のメニューごとの食数を予測し、仕込みの量の案を出す
社員食堂の喫食の記録と出社の予定、社内の行事、天気から、翌日のメニューごとの食数を Python で幅つきで予測します。食数にレシピの量を掛けて、食材ごとの仕込みの量と発注の量の案を出し、調理の責任者の確認に回します。
- 連携・自動化
- Python
- 対象業界
- IT・SaaS/製造/飲食
- 対象部門
- 生産
- 対象業務
- 書類作成/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
- 判断支援/工数削減/機会損失防止
- 導入難易度
- ★★★☆☆
- 実装レベル
- 半自動化
- 費用感
- 個別開発(大)
- 人間の確認
- 条件付き
01導入前 / 導入後の業務フロー
- 精算機から前日までの喫食の数を書き出し、前週と前年の同じ曜日の数を並べる
- 委託元からのメールで、出社の予定の人数と行事(健康診断、全社の会議、工場の稼働の停止、棚卸)を確かめる
- 天気予報を見て、雨や暑さで食堂に来る人が増えるか減るかを考える
- 献立の組み合わせを見て、メニューごとの食数を決める
- レシピの台帳から1食あたりの量を引き、食材ごとの仕込みの量と発注の量を計算する
- 仕込みの表を調理の担当に渡し、発注の画面に数を入れる
- 自動毎日14時30分に Python が動き、精算機の書き出しから前日までの喫食の数と売り切れの時刻を読み込む
- 人責任者が、委託元から届いた出社の予定の人数と行事を、決まった形の行事の表に入れる(届かない日は空のまま)
- 自動気象庁の過去の気象データと、責任者が入れた天気予報の区分・最高気温を読み込む
- 自動食堂ごとの翌日の総食数を、真ん中と上側・下側の幅で見込む
- 自動その日の献立の組み合わせから、メニューごとの選ばれ方を見込み、総食数に掛けてメニューごとの食数にする
- 自動レシピの台帳の1食あたりの量を掛け、食材ごとの仕込みの量と発注の量の案を出す
- 自動初めての献立、大きな行事、出社の予定の大幅な変動、幅の広い日に印を付ける
- 人責任者が見込みと印を見て、食数を決め、仕込みの表を確定する
- 人営業の終わりに、メニューごとの売り切れの時刻を精算機の画面か記録の表に入れる
各工程の詳しい説明を読む
- 精算機から前日までの喫食の数を書き出し、前週と前年の同じ曜日の数を並べる
- 委託元からのメールで、出社の予定の人数と行事(健康診断、全社の会議、工場の稼働の停止、棚卸)を確かめる
- 天気予報を見て、雨や暑さで食堂に来る人が増えるか減るかを考える
- 献立の組み合わせを見て、メニューごとの食数を決める
- レシピの台帳から1食あたりの量を引き、食材ごとの仕込みの量と発注の量を計算する
- 仕込みの表を調理の担当に渡し、発注の画面に数を入れる
(a)決め方が責任者ごとに違う。 4番目の決め方は、その食堂に長くいる責任者の頭の中にあります。同じ献立でも、責任者が替わった月から余り方が変わります。 休みの日に代わりの者が決めると、売り切れか大量の余りが出ます。
(b)売り切れの記録が残らない。 精算機には喫食の数が残りますが、何時に売り切れたかは残っていません。 売り切れた日の数を「その日の人気」と読んで翌週の数を決めると、同じメニューがまた早く売り切れます。
(c)行事の情報を取りこぼす。 2番目のメールは、総務の担当によって書き方が違い、添付の表の中に「午後から全社の会議(弁当の手配あり)」と1行あるだけのこともあります。読み落とすと、昼の喫食が大きく減る日に普段どおりの数を作ります。
(d)毎日の作業として重い。 1番目と5番目は、数字を写して掛け算をする作業です。営業の終わったあとの疲れた時間に、毎日18分ずつかかります。
- 【自動】 毎日14時30分に Python が動き、精算機の書き出しから前日までの喫食の数と売り切れの時刻を読み込む
- 【人】 責任者が、委託元から届いた出社の予定の人数と行事を、決まった形の行事の表に入れる(届かない日は空のまま)
- 【自動】 気象庁の過去の気象データと、責任者が入れた天気予報の区分・最高気温を読み込む
- 【自動】 食堂ごとの翌日の総食数を、真ん中と上側・下側の幅で見込む
- 【自動】 その日の献立の組み合わせから、メニューごとの選ばれ方を見込み、総食数に掛けてメニューごとの食数にする
- 【自動】 レシピの台帳の1食あたりの量を掛け、食材ごとの仕込みの量と発注の量の案を出す
- 【自動】 初めての献立、大きな行事、出社の予定の大幅な変動、幅の広い日に印を付ける
- 【人】 責任者が見込みと印を見て、食数を決め、仕込みの表を確定する
- 【人】 営業の終わりに、メニューごとの売り切れの時刻を精算機の画面か記録の表に入れる
8番目で、責任者は「前週の数を見て考える」代わりに「印の付いた日の理由を確かめる」ことに時間を使います。 印の無い日は、案を流し見て確定します。時間を使うのは、初めての献立や、委託元の大きな行事の日です。
9番目の売り切れの時刻だけは、新しく人が入れる記録です。 この構成が見込みを正しく保つための材料で、入れ忘れると、第1章で書いた「売り切れたメニューほど人気が低く見える」がそのまま起きます。
02今回想定するシステム構成
精算機の書き出し(メニューごとの喫食の数・時刻) 売り切れの時刻の記録/献立表/レシピの台帳 行事の表(出社の予定の人数・行事・天気予報の区分) 気象庁の過去の気象データ(CSV) │ ▼【トリガー】毎日14時30分(昼の営業の後) Python(pandas) ├──▶ 売り切れの日の数に印を付け、日ごとの表を作る ├──▶ 暦・行事・出社の予定・天気・献立の組み合わせの項目を作る ▼ scikit-learn(HistGradientBoostingRegressor) │ 総食数(loss="poisson"、上側・下側は loss="quantile") │ メニューごとの選ばれ方(割合) ▼ Python ── メニューごとの食数、食材ごとの仕込み・発注の量の案、印付け ▼ 【責任者が印の理由を確かめ、食数と仕込みの表を確定する】
| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(pandas・scikit-learn) | R |
| 処理エンジン | scikit-learn の HistGradientBoostingRegressor(ポアソン損失と分位点損失) | LightGBM |
| 集計 | Python(メニューごとの食数、食材ごとの量の換算、印付け) | 表計算の計算式 |
| データの取得元 | 精算機の書き出し、売り切れの記録、献立表、レシピの台帳、行事の表、気象庁のCSV | 調理の日報 |
| 結果の出力先 | 営業所の共有フォルダの見込みの表 | 責任者への通知 |
精算機と発注の画面には、何も書き込みません。 精算機の書き出しを読み、見込みの表を出すだけです。発注の数を見込みから自動で入れる作りにはしません。 発注は責任者が見込みを見てから入れます。
土台になるのは、scikit-learn の HistGradientBoostingRegressor です。 公式のページ(1.9.1)では、loss に poisson を選べ、その場合は目的の値が0以上である必要があるとされています。食数のような数える値に向いた損失です。loss="quantile" はピンボール損失で、quantile に0から1の値を渡すと、その分位点を見込むとされています。上側と下側は、分位点を変えた別のモデルで見込みます。
欠けた値(NaN)をそのまま扱えることも効きます。公式のページでは、学習のときに分かれ目ごとに欠けた値の行を左右どちらに送るかを学ぶとされています。委託元から出社の予定が届かなかった日も、その項目を空のまま入れられます。 届いた日と届かない日を分けて別のモデルを作る必要がありません。
過去の天気は、気象庁の「過去の気象データ・ダウンロード」から取ります。 昨日までの気象観測データから複数の地点の複数の項目を抽出でき、結果は CSV の形でダウンロードできるとされています。気象庁ホームページのコンテンツは公共データ利用規約(第1.0版)に準拠した利用条件で使え、出典を記載し、編集・加工した場合はそのことも記載するよう求められています。
03どうやって実装するのか
処理の起点を決める
毎日14時30分、昼の営業が終わったあとに動かします。 責任者が仕込みの表を作る15時台に、翌日の見込みができている状態にします。昼の営業中の数は使わず、前日までの確定した数だけで見込みます。
見込む先は2つです。翌日の分と、発注の締め切りに合わせた数日先の分です。 翌日の分は仕込みの量の案に、数日先の分は発注の量の案に使います。数日先の分は出社の予定や天気予報が固まっていないので、幅が広く出ます。 幅が広いことを隠さずに出し、発注は上側寄りに、仕込みは翌日の見込みで絞る、という使い分けを責任者と決めておきます。
金曜日には、月曜日の分まで見込みます。 週末は精算機の数が増えないので、金曜の14時30分の時点の材料で月曜を見込みます。月曜の朝に委託元から出社の予定が届いたら、責任者が行事の表に入れ、手で動かして作り直します。
精算機の書き出しが届かない、または前日の喫食の数が0のときは、動かしません。 書き出しの失敗を「喫食が0食の日」として学ばせないためです。営業所の管理者に知らせます。委託元の休日で本当に0食の日は、会社の暦の表で営業日でないことを先に確かめ、学習の対象から外します。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 喫食の記録 | 食堂、日付、メニュー、喫食の数、精算の時刻(10分ごとに集計) | 精算機の書き出し |
| 売り切れの記録 | 食堂、日付、メニュー、売り切れの時刻、作った数 | 責任者が営業の終わりに入れる記録の表 |
| 献立表 | 日付、メニューの枠(定食A・定食B・麺・丼・ヘルシー)、料理名、主菜の種類(肉・魚・揚げ物・カレー・麺など)、価格、初めての献立か | 献立表のファイル |
| レシピの台帳 | 料理名、食材、1食あたりの量、歩留まり | レシピの台帳 |
| 行事の表 | 日付、出社の予定の人数、行事の種類(健康診断・全社の会議・稼働の停止・棚卸・弁当の手配あり)、天気予報の区分、最高気温 | 責任者が入れる表 |
| 会社の暦 | 委託元の営業日、交代勤務の組、長期休暇 | 委託元から年度の初めに受け取る暦 |
| 過去の天気 | 日ごとの降水量、最高気温 | 気象庁の過去の気象データ・ダウンロード |
質を決めるのは、行事の表と売り切れの記録です。 喫食の記録は精算機から毎日そろって出ますが、行事と売り切れは人が入れないと残りません。 この2つの入れ方を決めるのが、最初の準備作業の半分です。
行事の表は、決まった欄だけにします。 委託元から届くメールの書き方はばらばらなので、責任者がそれを読んで、行事の種類を決まった選択肢から選び、出社の予定の人数を数字で入れます。 自由な文で書くと、プログラムが読めません。天気予報も、気象庁の天気予報を見て「晴れ・曇り・雨・雪」の4つと最高気温の数字だけを入れます。
精算機の記録は、メニューごとの集計だけを取ります。 社員証で精算している食堂でも、誰が何を食べたかは取り込みません。 見込みに要るのは日ごと・メニューごとの数だけです。
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 |
|---|---|---|
| 喫食の数 | 精算機の書き出しの CSV を毎日共有フォルダへ | 目的の値(総食数・メニューごとの数) |
| 売り切れの時刻 | 記録の表 | 売り切れた日の数の扱い |
| 献立の組み合わせ | 献立表 | 選ばれ方の項目 |
| 出社の予定・行事・天気予報 | 行事の表 | 総食数の項目 |
| 過去の天気 | 気象庁の CSV | 学習のときの天気の項目 |
| 1食あたりの量 | レシピの台帳 | 仕込み・発注の量の換算 |
過去の天気は、最初に2年分をまとめて取り、その後は毎週1週間分を足します。 地点は、食堂にいちばん近い観測の地点にします。学習に使うのは観測の値、見込みに使うのは天気予報の区分なので、両者をそろえるために、観測の降水量から「晴れ・曇り・雨・雪」に近い区分を作る決まりを1つ決めておきます。見込みの資料には「出典:気象庁ホームページ」と、加工したことを書いておきます。
精算の時刻は、10分ごとの数にまとめて取ります。 売り切れの時刻と並べると、売り切れる前の10分ごとの喫食の速さが分かり、売り切れなければ何食出たかの手がかりになります。
AIへ渡す前に整形する
- 営業日の確認 … 会社の暦で営業日でない日、精算機の書き出しが欠けた日を学習から外します
- 売り切れの印 … 売り切れの時刻が営業の終わりの30分より前のメニューの日に
sold_out_earlyの印を付けます - 総食数の作成 … 食堂・日ごとにメニューの喫食の数を足します。売り切れの印がある日は、総食数にも
censoredの印を付けます - 選ばれ方の作成 … メニューごとの数を総食数で割り、割合にします。売り切れの印があるメニューの日は、割合の学習から外します
- 献立の組み合わせの項目 … その日の5品の主菜の種類を並べ、「揚げ物の数」「カレーがあるか」「麺の種類」などの項目にします
- 暦の項目 … 曜日、月、委託元の長期休暇の前後、給料日の前後、交代勤務の組
- 型の指定 … 食堂、メニューの枠、主菜の種類、行事の種類を pandas の Categorical 型にします
4番目で外すのが、この構成の要です。 売り切れたメニューの割合は、その日にそれを選びたかった人の割合より必ず小さくなります。 外さずに学ばせると、人気のメニューほど少なく見込まれ、翌月にさらに早く売り切れる、という循環が始まります。
7番目は、カテゴリの項目をそのまま渡すためです。 公式のページでは、categorical_features の既定は "from_dtype" で、データフレームの Categorical 型と Enum 型の列がカテゴリの項目として扱われるとされています(1.6で既定が変わった)。数字に置き換えて渡すと、「肉=1、魚=2」の大小に意味があるように扱われます。
AIに処理させる
させるのは2つの見込みです。食堂ごとの総食数と、メニューごとの選ばれ方です。
| 見込むもの | 項目 | 判断できないときの扱い |
|---|---|---|
| 翌日の総食数(真ん中) | 過去の総食数、曜日、出社の予定の人数、行事、天気予報の区分、最高気温、長期休暇の前後 | 行事の種類が初めてなら new_event |
| 総食数の上側・下側 | 同じ項目(loss="quantile"、0.9と0.1) | 上側と下側の差が真ん中の3割を超えたら wide |
| メニューごとの選ばれ方 | 献立の組み合わせ、メニューの枠、主菜の種類、価格、曜日、天気 | 初めての献立は new_menu を付け、同じ主菜の種類の過去の割合で埋める |
総食数には monotonic_cst で、出社の予定の人数に対して増える向きの制約を付けます。 公式のページでは、項目ごとに1(増える向き)・0(制約なし)・−1(減る向き)を指定でき、項目名をキーにした辞書でも渡せるとされています。記録の少ない日に、出社が多いのに食数が少なく見込まれる、という逆転を防ぎます。
選ばれ方は、5品の割合の合計が1になるように、見込んだ割合を足して割り直します。 メニューごとに別々に数を見込むと、合計が総食数と合わなくなります。総食数 × 割合でメニューごとの食数にし、上側は総食数の上側に割合を掛けて出します。
| させないこと | 理由 |
|---|---|
| 献立の変更の提案 | 献立は栄養と原価と委託元との取り決めで決まる。栄養士が決める |
| 食数の確定 | 見込みは案。決めるのは責任者 |
| 発注の画面への入力 | 発注の誤りは食材の廃棄か欠品に直結する |
| 天気の予報を自分で作ること | 気象庁の天気予報の区分を材料として使うだけにする |
| 社員一人ひとりの選び方の見込み | 集計の数で足りる。個人の喫食の記録を使わない |
4行目は、気象業務法との関係でも守ります。 気象庁ホームページの利用条件のページでは、予報業務の許可(気象業務法第17条第1項)に関わる内容があり、自ら予報を行う場合は案内のページを確かめるよう書かれています。この構成が見込むのは食数で、天気ではありません。 天気は気象庁の予報を材料に使うだけにします。
指示内容を固定する
この構成は生成AIではなく、Python のプログラムと scikit-learn のモデルで動きます。 指示文の代わりに、プログラムが従う決まりを設定のファイルに書いておきます。
【見込みの決まり(設定のファイル)】
対象の食堂: 6食堂(食堂ごとに別のモデル)
学習の期間: 直近2年。献立の枠を変えた日より前は使わない
学習から外す日: 委託元の営業日でない日/精算機の書き出しが欠けた日
総食数のモデル:
HistGradientBoostingRegressor(loss="poisson")
上側: loss="quantile", quantile=0.9 / 下側: loss="quantile", quantile=0.1
monotonic_cst: {"planned_attendance": 1}
categorical_features: "from_dtype"(食堂・行事の種類・天気予報の区分は Categorical 型)
選ばれ方のモデル:
HistGradientBoostingRegressor(loss="squared_error")、目的の値はメニューの割合
売り切れの印(sold_out_early)のメニューの日は学習から外す
見込んだ割合は5品の合計が1になるように割り直す
印の決まり:
new_event … 行事の種類が過去2年に無い
new_menu … 初めての献立
wide … 総食数の上側と下側の差が真ん中の30%を超える
attendance_jump … 出社の予定の人数が前週の同じ曜日から20%以上動く
no_attendance … 出社の予定が届いていない
仕込みの量:
食材ごとに、メニューの食数(真ん中)× 1食あたりの量 ÷ 歩留まり
上側の食数での量も並べて出す(どちらを使うかは責任者が決める)
してはいけないこと:
献立を変えない/食数を確定しない/発注の画面に入れない
売り切れの日の数を、その日の食べたかった人の数として扱わない
「上側の食数での量も並べて出す」は、責任者が使い分けるためです。 売り切れを避けたいメニュー(主力の定食)は上側寄りに、余りが廃棄になりやすいメニュー(揚げ物)は真ん中寄りに、という判断は、メニューと食材と委託元との取り決めで変わります。 プログラムは両方を出し、選ぶのは人です。
出力形式を固定する
食堂・日ごとに、次の形の JSON で見込みを残し、見込みの表に写します。
{
"site": "第2工場",
"date": "2026-11-10",
"horizon": "next_day | order",
"total": { "p10": 0, "median": 0, "p90": 0 },
"menus": [
{ "slot": "定食A", "dish": "", "share": 0.0, "median": 0, "p90": 0,
"flags": ["new_menu"] }
],
"prep": [
{ "ingredient": "", "unit": "kg", "qty_median": 0.0, "qty_p90": 0.0 }
],
"inputs": {
"planned_attendance": null,
"events": ["健康診断"],
"weather_input": "雨",
"max_temp": 0
},
"flags": ["no_attendance", "wide"],
"model_version": ""
}
inputs を見込みと並べて残すのが大事です。 どの出社の予定と天気予報で見込んだかが分かれば、外れたときに、材料の外れかモデルの外れかを分けられます。 出社の予定が届かずに null のまま見込んだ日は、外れても仕方のない日として、モデルの評価から分けて見ます。
horizon で、翌日の分と発注の分を分けます。 同じ日について、発注のときの見込みと、翌日の見込みの両方が残ります。2つの差が大きい日は、発注の段階では分からなかった何かがあった日です。
見込みの表は、食堂ごとに次の形で出します。
【第2工場 11/10(火) 翌日の見込み】総食数 620(下側 560/上側 690)
印:健康診断(new_event ではない)、雨
定食A 鶏の照り焼き 190(上側 215)
定食B 白身魚フライ 120(上側 140) ※揚げ物
麺 かけうどん 105(上側 120)
丼 カツ丼 140(上側 160) ※揚げ物が2品
ヘルシー 豆腐ハンバーグ 65(上側 75)
出典:気象庁ホームページ(過去の気象データを加工して作成) システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 精算機 | 毎日の CSV の書き出しを共有フォルダへ | 喫食の数と時刻を読む |
| 記録の表・行事の表 | 共有フォルダの表のファイル | 売り切れの時刻、出社の予定、行事、天気予報を読む |
| 献立表・レシピの台帳 | 共有フォルダの表のファイル | 献立の組み合わせと1食あたりの量を読む |
| 気象庁 | 過去の気象データ・ダウンロードの CSV | 過去の天気を読む |
| 見込みの表 | 共有フォルダに書き出す | 食堂ごとの見込み、仕込みの量、印 |
どのつなぎ先にも、読む以外のことをしません。 書き出すのは見込みの表だけです。精算機の保守の会社に頼むのは、毎日の書き出しを決まったフォルダに置く設定だけにします。
プログラムは、営業所の管理用の端末か、社内のサーバーで動かします。 定時の実行は、端末の予定の機能か、サーバーのジョブの機能で起こします。動かなかった日は、見込みの表の日付が古いままになるので、責任者が開いたときに分かるよう、表の上に作った日時を大きく出します。
人が確認する
責任者は、毎日15時ごろに見込みの表を開きます。
- 作った日時を見る … 今日の14時30分のものかを確かめます。古ければ営業所の管理者に知らせ、これまでどおり手で決めます
- 印の付いた日とメニューを見る …
new_event、new_menu、no_attendance、wideが付いたものです。その日の事情を知っているのは責任者です - 食数を決める … メニューごとに、真ん中で作るか上側で作るかを決め、仕込みの表を確定します
- 発注の量を確かめる … 数日先の分は幅が広いので、日持ちする食材は上側、日持ちしない食材は真ん中、と使い分けます
- 営業の終わりに売り切れの時刻を入れる … 翌日以降の見込みの材料になります
2番目の no_attendance は、委託元への問い合わせの合図でもあります。 出社の予定が届かない日が続くなら、総務の担当に届け方を相談します。この構成の見込みは、出社の予定が届く日ほど幅が狭くなります。
目標は、120件をならして1件5分です。 印の無い日は数分で確定し、印の付いた日に時間を使います。
例外に対処する
| 起きること | 対応 |
|---|---|
| 精算機の書き出しが届かない | 見込みを作らず管理者に知らせる。責任者は手で決める |
| 出社の予定が届かない | 空のまま見込み、no_attendance を付ける |
| 初めての行事(大規模な来客、地域の防災訓練など) | new_event を付け、過去の近い行事の日の数を並べて出す |
| 初めての献立 | 同じ主菜の種類の過去の割合で埋め、new_menu を付ける |
| 献立の急な差し替え(食材の欠品など) | 責任者が献立表を直し、手で動かして作り直す |
| 売り切れの時刻の入れ忘れ | 喫食の数が作った数と同じで、最後の10分の喫食が0なら、入れ忘れの疑いとして責任者に確かめる |
| 委託元の暦の変更(臨時の休み・稼働の停止) | 会社の暦を直し、学習から外す日を決め直す |
| 見込みが過去の最大を大きく超える | 印を付け、行事の表の入力の誤り(桁の誤り)をまず疑う |
| 食堂の席数や営業の時間の変更 | その日より前の記録の扱いを決め、必要なら学習の期間を区切る |
6行目の確かめは、売り切れの記録を守るためです。 入れ忘れは避けられないので、記録の側からも疑わしい日を拾います。 作った数ちょうどで最後に喫食が止まっていれば、売り切れの可能性が高い日です。
8行目のように、外れの原因はモデルより入力の誤りのほうが多くなります。 出社の予定の「620」を「6200」と入れれば、見込みはそのとおり跳ね上がります。
記録を残す
- 食堂・日ごとの見込みの JSON(
inputsとmodel_versionを含む) - 責任者が確定した食数と、真ん中・上側のどちらで作ったか
- 実際の喫食の数、売り切れの時刻、余った数(残食ではなく作って出なかった数)
- 印の種類と、その日の外れの大きさ
- モデルを学習し直した日、使った期間、評価の値
- 気象庁のデータを取った日と地点
2つ目の「どちらで作ったか」は、責任者の判断を学ぶための記録です。 上側で作って余った日、真ん中で作って売り切れた日が積み上がると、メニューの種類ごとにどちらで作るのがよいかの決まりが書けます。 これまで責任者の頭の中にあった決め方が、記録として残ります。
3つ目の余った数は、廃棄の量の目安にもなります。 見込みを入れる前と後で余った数がどう動いたかを、食堂ごとに比べられます。
04実装レベルの3段階
本記事の想定は半自動化です。 1件18分のうち、数の書き出し・並べ替え・量の計算は自動になり、残るのは行事の表の入力と、印の付いた日の確認と、食数の確定だけです。 この段階で1件5分になります。 本格構成は、委託元とのつなぎ方の話です。 出社の予定を自動で受け取るには、委託元の総務と座席の予約の仕組みの担当の協力が要ります。半自動化で no_attendance の日にどれだけ外れるかを数字で示せれば、委託元に相談する材料になります。
05工数削減シミュレーション
導入後 120件 × 5分 ÷ 60 = 10 時間/月
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。
06向いている企業・向いていない企業
- 工場や事業所の社員食堂を複数受託し、日替わりで3〜6品のメニューを出している給食会社。精算機や食券機からメニューごとの喫食の数を日ごとに書き出せ、委託元から出社の予定の人数や行事の予定を受け取れる場合。翌日の食数と仕込みの量を調理の責任者が前週の数と勘で決めていて、責任者によって余り方と売り切れ方が違う場合。病院・大学の職員食堂の受託にも使える。
- 食堂が1か所で喫食が1日100食に満たず、責任者が毎日の様子を見て足りる場合。メニューが固定の1〜2品だけで、選ばれ方を見込む必要が無い場合。予約制で喫食の数が前日までに確定している場合。精算機が無く、喫食の数がメニューごとに残っていない場合。なお、献立の決定、衛生の管理、委託元との食数の取り決めの判断は、この構成では代替できません。
07最小構成で試す方法
- 1食堂を選び、精算機から直近1年分のメニューごとの喫食の数を書き出す
- 献立表から、日ごとの5品の主菜の種類を表にする
- 委託元のメールから、分かる範囲で出社の予定の人数と行事を日ごとの表に起こす(届いていない日は空にしておく)
- 気象庁の過去の気象データ・ダウンロードから、同じ期間の降水量と最高気温を取る
- Python で総食数のモデルを作り、直近2か月を学習から外して見込み、責任者が当時決めた数と実際の喫食の数を並べる
5番目で、責任者の当時の数と比べてください。 モデルが実際の喫食の数に近いかだけでなく、責任者の数より近いかを見ます。 責任者の決め方は、すでにかなり当たっていることが多いからです。
| 出てきた内容 | 判断 |
|---|---|
| 責任者の数と同じくらいか、それより近い | 選ばれ方のモデルと仕込みの量の換算に進む |
| 行事の日だけ大きく外れる | 行事の表の起こし方の問題。行事の種類を見直して取り直す |
| 売り切れの多いメニューで少なく見込む | 売り切れの記録が無いため。記録を3か月ためてから選ばれ方のモデルを作る |
3行目は、ほぼ必ず出ます。 売り切れの時刻はこれまで残っていなかったので、最小構成の段階では選ばれ方を正しく学べません。 総食数の見込みから先に使い始め、その間に売り切れの記録をためます。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 売り切れたメニューほど少なく見込む | 売り切れの時刻を記録し、その日の割合を学習から外す |
| 総食数とメニューごとの数の合計が合わない | 総食数 × 割合で出し、割合の合計を1に割り直す |
| 書き出しの失敗を0食の日として学ぶ | 0食の日は会社の暦で確かめ、営業日なら見込みを作らずに止める |
| 出社の予定が届かない日にモデルが止まる | NaN のまま渡す。no_attendance の印を付ける |
| 出社が多いのに食数が少なく出る | monotonic_cst で増える向きの制約を付ける |
| 主菜の種類を数字にして渡す | Categorical 型にして from_dtype で扱わせる |
| 行事を自由な文で書いて読めない | 行事の表を決まった選択肢にする |
| 学習の天気と見込みの天気の形が違う | 観測の降水量から予報の区分に近い区分を作る決まりを決める |
| 天気の見込みを自分で作って出す | 気象庁の天気予報を材料に使うだけにする |
| 見込みを発注の画面に自動で入れる | 入れない。 発注は責任者が見込みを見てから入れる |
| 気象庁のデータの出典を書き忘れる | 見込みの表に出典と加工したことを書く |
上の2行が、この構成の失敗のほとんどです。 どちらも、記録された数をそのまま「食べたかった人の数」として扱うことから出ています。売り切れは需要を隠し、別々の見込みは合計を崩します。
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: メニューごとの喫食の数、売り切れの時刻、献立とレシピ、委託元の出社の予定の人数と行事の予定です。委託元の出社の人数や稼働の計画は、委託元の事業の情報です。
- 個人の喫食の記録を使わない … 社員証で精算している食堂でも、取り込むのは日ごと・メニューごとの集計だけです。誰が何を食べたかは、見込みに要りません
- 委託元の情報を食堂の外に出さない … 出社の予定の人数や稼働の停止の予定は、委託元から預かった情報です。営業所の共有フォルダの中で扱い、ほかの委託元の食堂の担当と共有しません
- 見込みで献立や発注を自動で決めない … 献立は栄養と原価と委託元との取り決めで、発注は食材の廃棄と欠品に直結します。どちらも人が決めます
- 気象庁のデータの利用条件を守る … 公共データ利用規約(第1.0版)に準拠した利用条件で、出典と、編集・加工したことを記載します
- 天気の予報を作らない … この構成が見込むのは食数だけです。天気そのものの見込みを自社で作って委託元に配る形にはしません
- 衛生の管理は見込みと切り離す … 作り置きの時間、検食の保存などの衛生の決まりは、見込みの数にかかわらず自社の手順に従います
誤りが起きた場合のリスクは、作りすぎて廃棄が出ることと、作り足りずに売り切れることの2つです。 どちらも、見込みに幅を付けて出し、真ん中で作るか上側で作るかを責任者が決めることで、誤りを責任者の判断の範囲に収めます。
10まず何から始めるか
1週目:売り切れの記録と行事の表を始める
6食堂の責任者に、営業の終わりにメニューごとの売り切れの時刻を入れてもらいます。行事の表の欄(出社の予定の人数、行事の種類の選択肢、天気予報の区分、最高気温)を決め、毎日入れてもらいます。 この2つは、モデルを作る前から始めます。
2週目:1食堂の過去の記録をそろえる
精算機から1年分の喫食の数を書き出し、献立表に主菜の種類の列を足し、気象庁の過去の気象データを取ります。
3週目:総食数のモデルを試す
1食堂で総食数のモデルを作り、直近2か月を外して見込み、責任者の当時の数と実際の喫食の数と並べます。
4週目:見込みの表を毎日出す
1食堂で、毎日14時30分に総食数の見込みを出し、責任者が見てから決める運用を始めます。この時点では選ばれ方のモデルは作らず、総食数だけを使います。
2か月目: 6食堂に広げ、仕込みの量と発注の量の換算を足します。3か月目以降: 売り切れの記録が3か月たまったら選ばれ方のモデルを足し、1件18分が何分になったかと、余った数・売り切れの時刻がどう動いたかを食堂ごとに比べます。責任者が替わっても同じ見込みの表から食数を決められるようになった時点で、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
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
HistGradientBoostingRegressor(1.9.1)の loss に poisson と quantile があり、poisson は目的の値が0以上である必要があること。quantile が0から1の分位点を指定すること。欠けた値(NaN)をそのまま扱えること。categorical_features の既定が "from_dtype"(1.6で変更)で、Categorical 型と Enum 型の列をカテゴリとして扱うこと。monotonic_cst で項目ごとに1・0・−1の制約を付けられ、項目名の辞書でも渡せること | scikit-learn: HistGradientBoostingRegressor | 2026-10-27 |
| 昨日までの気象観測データから複数の地点の複数の項目を抽出でき、結果を CSV の形でダウンロードできること | 気象庁: 過去の気象データ・ダウンロード(使い方) | 2026-10-27 |
| 気象庁ホームページのコンテンツが公共データ利用規約(第1.0版)に準拠した利用条件で使え、出典と編集・加工したことの記載が求められること。予報業務の許可(気象業務法第17条第1項)に関わる内容があり、自ら予報を行う場合は案内を確かめるよう書かれていること | 気象庁: 気象庁ホームページについて | 2026-10-27 |
食数の決め方、作り置きの時間などの衛生の決まりは、自社の手順と委託元との取り決め、所管の保健所の指導に沿って決めてください。 本記事は公式の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-2065)についてのご相談はこちらから。
