中古の工作機械の販売会社が過去の買取・販売の記録から Python で機種・年式・状態ごとの販売の価格を幅付きで予測し、査定のときの買取の価格の上限の案を出す
中古の工作機械の過去の買取と販売の記録から、Python で査定する機械が整備のあといくらで売れそうかを、下側・中央・上側の幅で予測します。そこから整備・運搬の費用と粗利の目標を引き、買取の価格の上限の案を査定の担当に出します。
- 連携・自動化
- Python
- 対象業界
- 商社/製造
- 対象部門
- 営業/購買
- 対象業務
- 比較検討/集計・分析
- 主な課題
- 判断に時間がかかる/属人化している/引き継ぎができていない
- AIで行う処理
- 予測
- 主な効果
- 判断支援/対応スピード向上/属人化解消
- 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
01導入前 / 導入後の業務フロー
- 査定の担当が、現地の点検表と写真を事務所の共有フォルダに置く
- 在庫と販売の管理の仕組みで、同じメーカー・同じ系統の過去の機械を探し、買取と販売の価格を書き出す
- 年式、主軸の稼働の時間、付属品、状態の違いを見比べ、売れそうな値段を見立てる
- 整備の費用、運搬と搬出の費用、粗利の目標を引いて、買取の値段を決める
- 若手の場合は、ベテランに値段を確かめてもらう
- 売り手に買取の値段を示し、交渉する
- 人査定の担当が、現地の点検表を決まった形の入力の表に入れ、写真を共有フォルダに置く
- 自動Python が点検表を読み込み、学習済みのモデルで販売の価格の下側・中央・上側の見込みと、売れるまでの日数の見込みを出す
- 自動機種の系統の整備の費用の見込み、運搬と搬出の費用、粗利の目標を引き、買取の価格の上限の案を出す
- 自動学習の記録から、似た機械の過去の販売の例を3件並べる
- 人査定の担当が、写真と点検表で記録に出ない状態を確かめ、買取の値段を決める
- 人上限の案を超えて買う場合や、前例の少ない機械は、ベテランが確かめる
- 自動機械が売れたら、販売の価格と売れるまでの日数を見込みと並べて記録する
各工程の詳しい説明を読む
- 査定の担当が、現地の点検表と写真を事務所の共有フォルダに置く
- 在庫と販売の管理の仕組みで、同じメーカー・同じ系統の過去の機械を探し、買取と販売の価格を書き出す
- 年式、主軸の稼働の時間、付属品、状態の違いを見比べ、売れそうな値段を見立てる
- 整備の費用、運搬と搬出の費用、粗利の目標を引いて、買取の値段を決める
- 若手の場合は、ベテランに値段を確かめてもらう
- 売り手に買取の値段を示し、交渉する
(a)値付けが経験で決まる。 3番は「主軸の時間が2万時間を超えると国内では売れない」「この付属品があれば海外で高く売れる」という記憶で成り立っています。台帳には残っていません。
(b)過去の買取の価格を目安にしてしまう。 2番で若手が見るのは、過去に自社がいくらで買ったかです。そのときの担当が高く買いすぎていれば、その値段が次の目安になります。買った値段と売れた値段の差を、1台ずつ見比べている時間はありません。
(c)返事が遅くなる。 5番でベテランを待つあいだに、売り手はほかの買取の会社にも査定を頼んでいます。 返事の遅れで買えなかった機械は、記録にも残りません。
(d)売れ残りを見ていない。 高く買った機械が倉庫で1年売れ残ると、保管の場所と値下げの分だけ損が出ます。 値付けのときに「この系統は売れるまで何日かかるか」を見る材料がありません。
- 【人】 査定の担当が、現地の点検表を決まった形の入力の表に入れ、写真を共有フォルダに置く
- 【自動】 Python が点検表を読み込み、学習済みのモデルで販売の価格の下側・中央・上側の見込みと、売れるまでの日数の見込みを出す
- 【自動】 機種の系統の整備の費用の見込み、運搬と搬出の費用、粗利の目標を引き、買取の価格の上限の案を出す
- 【自動】 学習の記録から、似た機械の過去の販売の例を3件並べる
- 【人】 査定の担当が、写真と点検表で記録に出ない状態を確かめ、買取の値段を決める
- 【人】 上限の案を超えて買う場合や、前例の少ない機械は、ベテランが確かめる
- 【自動】 機械が売れたら、販売の価格と売れるまでの日数を見込みと並べて記録する
5番目で決めるのは査定の担当です。 一覧が出すのは過去の記録から見た販売の価格の見込みで、写真に写った錆、操作盤の傷み、売り手の工場での使われ方は記録に入っていません。 担当はそれを足して決めます。
4番目の似た機械の例は、見込みの根拠を確かめるために出します。 モデルの中身を説明するものではなく、担当が「この見込みはどの機械から来ているか」を確かめる手がかりです。
02今回想定するシステム構成
在庫と販売の管理の仕組み(機械ごとの買取・整備・販売の日と価格) + 査定の点検表(メーカー・系統・年式・主軸の時間・制御装置・ストローク・付属品・状態のランク) + 運搬と搬出の費用の表 + 粗利の目標の表 │ ▼【トリガー】入力の表への保存(査定ごと)、作り直しは3か月に1回 Python(pandas) ├──▶ 点検表を項目にそろえる ▼ scikit-learn の HistGradientBoostingRegressor(loss="quantile") │ 販売の価格の下側(0.1)・中央(0.5)・上側(0.9)の3つのモデル │ 売れるまでの日数の中央(0.5)のモデル ▼ Python ── 整備・運搬の費用と粗利の目標を引き、買取の上限の案と似た機械の例を出す ▼ 【人】査定の担当が値段を決め、上限を超えるときはベテランが確かめる
| 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(分位点の損失) | scikit-learn の GradientBoostingRegressor(分位点の損失)、LightGBM の分位点回帰 |
| 集計 | Python(費用の差し引き、上限の案、似た機械の例、当たり方の記録) | 表計算の計算式 |
| 保管 | 社内のファイルサーバー(学習の記録、査定ごとの見込み、当たり方の記録) | - |
新しく足すのは、Python の処理と、査定の点検表を決まった形にそろえる作業です。 在庫と販売の管理の仕組みには書き込みません。この構成が出すのは、販売の価格の見込みと買取の上限の案までです。
予測のエンジンに分位点の損失の HistGradientBoostingRegressor を選んだのは、幅を直接学べて、区分の項目と欠けた値をそのまま扱えるからです。 公式のページでは、loss に quantile があり、ピンボール損失を使い、quantile の引数で推定する分位点を0から1の間で指定するとされています。区分の項目は categorical_features の既定の from_dtype で、pandas の区分の型の列をそのまま区分として扱えます。 主軸の時間が分からない機械も、欠けた値のまま渡せます。
生成AIは使いません。 出すのは価格の見込みと上限の案の表です。
03どうやって実装するのか
処理の起点を決める
査定の担当が入力の表に点検表を保存したときに、その機械の見込みを出します。 担当が事務所に戻って点検表を入れると、数分で見込みと上限の案が同じ表の横に出ます。 共有フォルダの入力の表を見張る小さな Python のスクリプトを、社内のサーバーで常に動かしておきます。
入力の表は、決まった形にします。 点検表の書き方が担当ごとに違うと、同じ「主軸の振れ 小」でも担当によって意味が違い、学習の記録と予測で項目の意味がずれます。 状態のランクの付け方を点検の手順として決めてから入れます(第14章)。
モデルの作り直しは3か月に1回にします。 中古の工作機械の相場は、景気と海外の需要で動きます。作り直す前と後で直近3か月に売れた機械の当たり方を比べ、悪くなっていれば前のモデルのまま使います。 査定ごとの見込みには、モデルの作成日を必ず印字します。
相場が大きく動いたと感じたら、作り直しを早めます。 第7章の保存・ログで、直近に売れた機械の販売の価格が中央の見込みを続けて上回るか下回るかを毎月見て、続いたら作り直します。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 機械の記録 | 機械の番号、メーカー、機種の系統(立形・横形のマシニングセンタ、NC旋盤、研削盤など)、型式、年式、制御装置の型と世代 | 在庫と販売の管理の仕組み |
| 点検の記録 | 主軸の稼働の時間、ストローク、テーブルの大きさ、ATC の本数、付属品、状態のランク(主軸の振れ・異音・油漏れ・精度の測定から付ける) | 査定の点検表 |
| 取引の記録 | 買取の日と価格、整備の費用、販売の日と価格、販売先の区分(国内・海外)、売れるまでの日数 | 在庫と販売の管理の仕組み |
| 費用の表 | 系統と大きさごとの運搬と搬出の費用の目安、系統ごとの粗利の目標 | 社内で作る表 |
| 在庫の記録 | 売れずに倉庫にある機械の買取の日と、いまの販売の希望の価格 | 在庫と販売の管理の仕組み |
質を決めるのは、状態のランクの付け方です。 「A・B・C」の3段階でも、ベテランの B と若手の B は違うことがあります。ランクの付け方を、主軸の振れの測定の値、異音の有無、油漏れの有無の組み合わせで決め、点検表の値からランクが決まる形にします。
売り手の名前と住所は、項目にしません。 古物営業法では、古物商が古物を受け取ったときに、取引の年月日、品目と数量、古物の特徴、相手方の住所・氏名・職業・年齢などを帳簿等に記録するとされています。この帳簿は法律の決まりで残すもので、モデルの学習には機械の特徴と取引の価格だけを使います。
在庫の記録を入れるのは、売れ残りの偏りを見るためです。 学習の目的の値は販売の価格なので、まだ売れていない機械は学習に入りません。 売れにくい機械ほど学習から抜け落ちるので、系統ごとの売れ残りの割合を別に数えます(前処理の6番目)。
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 |
|---|---|---|
| 機械と取引の記録 | 在庫と販売の管理の仕組みから、作り直しのたびに CSV で書き出す | 学習の記録 |
| 点検の記録 | 過去の点検表を決まった形の表に移し直す | 学習の項目 |
| 査定する機械の点検表 | 入力の表(共有フォルダ) | 予測の対象 |
| 費用の表・粗利の目標 | 社内の表を CSV で保存する | 上限の案の計算 |
| 在庫の記録 | 在庫と販売の管理の仕組みから CSV で書き出す | 売れ残りの割合 |
過去の点検表を移し直すのが、いちばん手間のかかる作業です。 古い点検表は紙や担当ごとの表計算で、主軸の時間が書いていない、付属品が「一式」とだけあるものが多く残っています。5年分を全部そろえるより、よく扱う3つの系統の直近3年から移すのが現実的です。
販売の価格は、値引きの後の価格を使います。 展示の価格や販売の希望の価格ではなく、実際に売れた価格です。値引きの交渉の結果が記録に残っていない取引は、学習から外します。
整備の費用は、学習の項目にしません。 整備の費用は買い取った後に決まるもので、査定のときには分かりません。 かわりに、系統と状態のランクごとの整備の費用の平均を別に作り、上限の案の計算で引きます。
AIへ渡す前に整形する
- 機械ごとに1行にする … 機械の番号、項目、販売の価格、売れるまでの日数
- 年数を作る … 販売の日の年 − 年式。予測のときは査定の日の年 − 年式
- 区分の列の型をそろえる … メーカー・機種の系統・制御装置の世代・販売先の区分を pandas の Categorical の型にします
- 少ない区分をまとめる … 販売の例が5台に満たないメーカーは「その他」にまとめます
- 外れた取引を外す … 部品取りとして売った機械、社内の付き合いの値段で売った機械、値引きの記録が無い取引
- 売れ残りの割合を数える … 系統ごとに、買い取った機械のうち1年を超えて売れていない割合
- 学習と確かめの期間を時間で分ける … 販売の日の順に並べ、TimeSeriesSplit で古い取引で学習し、新しい取引で確かめます
2番目の年数は、学習と予測で同じ時点で数えます。 学習では販売の日の年数、予測では査定の日の年数を使うと、整備と販売を待つあいだの数か月のずれが出ます。売れるまでの日数の見込みが長い系統は、その分だけ年数を足して予測します。
6番目は、この構成の肝の一つです。 学習に入るのは売れた機械だけなので、売れ残りの多い系統では、販売の価格の見込みが高めに出ます。 売れにくかった機械が学習から抜けているからです。売れ残りの割合が高い系統には、一覧に「売れ残り多」と出し、中央でなく下側の見込みから上限を決めます。
7番目でランダムに分けないのは、同じ時期の相場で売れた機械が学習と確かめの両方に入るのを避けるためです。 公式のページでは、TimeSeriesSplit は時間の順に並んだ記録を分けるためのもので、ほかの分け方では未来の記録で学習して過去で確かめることになるとされています。木のモデルは学習の記録の値の範囲の中で見込みを作るので、相場が上がり続ける時期には、新しい期間で確かめないと見込みの低さに気づけません。
AIに処理させる
させるのは、査定する機械の販売の価格の下側・中央・上側と、売れるまでの日数を予測することだけです。
| 出すもの | 作り方 | 使いみち |
|---|---|---|
| 販売の価格の下側の見込み | quantile=0.1 のモデル | 売れにくい系統の上限の元 |
| 販売の価格の中央の見込み | quantile=0.5 のモデル | ふつうの上限の元 |
| 販売の価格の上側の見込み | quantile=0.9 のモデル | 交渉の余地の目安 |
| 売れるまでの日数の見込み | quantile=0.5 のモデル(日数を目的の値に) | 在庫の費用と元にする見込みの切り替え |
| 買取の上限の案 | 元にする見込み − 整備の費用の平均 − 運搬と搬出の費用 − 粗利の目標 | 担当の値付けの上限 |
| 似た機械の例 | 同じ系統・近い年式・同じランクの直近の販売の3件 | 見込みの根拠の確かめ |
| 元にする見込み | 条件 | ねらい |
|---|---|---|
| 下側 | 売れるまでの日数の見込みが180日を超える、または系統が「売れ残り多」 | 売れ残ったときの損を抑える |
| 中央 | それ以外 | ふつうの値付け |
| 下側(必ず) | 前例が少ない(同じ系統の販売が10台に満たない) | 見込みの外れが大きい |
売れるまでの日数で元を切り替えるのは、倉庫に置いておくあいだに値が下がるからです。 売れるまで1年かかる機械を中央の見込みで買うと、値下げをして売ることになりやすく、粗利の目標を割ります。 日数の線と粗利の目標は、営業の責任者と査定の担当で決めます。
| させないこと | 理由 |
|---|---|
| 売り手に示す買取の価格の決定 | 交渉と売り手との関係で決める |
| 機械の状態の合否 | 点検の手順と担当の目で決める |
| 輸出の可否 | 法令と販売先の国の決まりで別に確かめる |
| 売り手の評価 | 売り手は取引の相手で、評価の対象ではない |
1行目は、とくに気を付けてください。 上限の案を売り手にそのまま示すと、交渉の余地が無くなるうえ、見込みの外れがそのまま損になります。 担当は上限の案を見て、写真と点検表の印象と、売り手の事情を足して値段を決めます。
指示内容を固定する
生成AIを使わないので、プロンプトはありません。 かわりに、学習と幅の当たり方の確かめの中身を示します。
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_pinball_loss
import numpy as np
CAT = ["maker", "family", "nc_gen", "market"]
NUM = ["age", "spindle_hours", "stroke_x", "table_w", "atc", "rank_score",
"has_coolant_thru", "has_chip_conveyor"]
X_cols = CAT + NUM
y = np.log(sold["price"]) # 価格は対数にして学ぶ
mono = {"age": -1, "spindle_hours": -1, "rank_score": 1}
qs = {}
for q in (0.1, 0.5, 0.9):
m = HistGradientBoostingRegressor(loss="quantile", quantile=q,
monotonic_cst=mono, learning_rate=0.05,
max_iter=400, min_samples_leaf=20)
m.fit(train[X_cols], y_train, X_val=val[X_cols], y_val=y_val)
qs[q] = m
lo, mid, hi = (np.exp(qs[q].predict(test[X_cols])) for q in (0.1, 0.5, 0.9))
inside = np.mean((test["price"] >= lo) & (test["price"] <= hi)) # 狙いは8割
loss50 = mean_pinball_loss(test["price"], mid, alpha=0.5)
価格を対数にしてから学ぶのは、高い機械と安い機械の外れを同じ割合で見るためです。 200万円の機械の20万円の外れと、2,000万円の機械の20万円の外れは、意味が違います。分位点は対数にしても順番が変わらないので、対数で学んだ0.1の分位点を元に戻せば、価格の0.1の分位点として読めます。
monotonic_cst で向きを決めているのは、年数と主軸の時間が増えるほど見込みが下がるという当たり前を守るためです。 公式のページでは、1が単調に増える、-1が単調に減る、0が制約なしで、文字列のキーの辞書で項目の名前ごとに指定できるとされています。記録の少ない帯で、古い機械が新しい機械より高く見込まれるのを止めます。
X_val と y_val を渡しているのは、早期終了のためです。 公式のページでは、early_stopping の既定の auto は、件数が1万を超えるか X_val と y_val を fit に渡したときに有効になるとされています。売れた機械は5年で数千台で、1万に届きません。
いちばん大事なのは、区間に入った割合の確かめです。 0.1と0.9のモデルなら、新しい期間で実際の販売の価格の8割が区間に入るのが狙いです。公式の例では、学習の記録では区間の当たり方が狙いに近かった一方、確かめの記録では79.6%(狙いは90%)にとどまり、区間が狭すぎたとされています。新しい半年で入った割合を数え、狙いを大きく下回るなら、下側の見込みを一律に下げる補正を加えます。
出力形式を固定する
査定の担当に渡すのは、入力の表の横に出る次の欄です。
【査定 S-2611-042 立形マシニングセンタ(11/2 14:20 作成/モデル作成 2026-10-01)】
| 項目 | 値 |
|---|---|
| 販売の価格の見込み(下側/中央/上側) | 480万円/620万円/760万円 |
| 売れるまでの日数の見込み | 95日 |
| 元にする見込み | 中央 |
| 差し引く費用 | 整備の費用の平均 90万円、運搬と搬出 35万円、粗利の目標 25%(155万円) |
| 買取の上限の案 | 340万円 |
| 印 | 制御装置の世代 古・海外向け多 |
| 似た機械の例 | 年式 | 主軸の時間 | ランク | 販売の価格 | 売れるまで |
|---|---|---|---|---|---|
| M-2303-118 | 2012 | 18,000 | B | 590万円 | 70日 |
| M-2404-021 | 2011 | 22,500 | B | 540万円 | 130日 |
| M-2506-077 | 2013 | 15,200 | A | 700万円 | 40日 |
「印」は、その機械の値が系統のいつもの値から大きく外れている項目と、前例の少なさを並べたものです。 担当が写真や点検表で確かめに行く先の手がかりです。
機械で読む用には、同じ内容を CSV でも残します。 列は、査定の番号、3つの見込み、日数の見込み、元にした見込み、上限の案、担当が決めた買取の価格、買えたかどうか、モデルの作成日です。売れたら、販売の価格と日数を横に入れます。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 在庫と販売の管理の仕組み | 作り直しのたびに CSV で書き出す | 学習の記録と在庫の記録 |
| 入力の表(共有フォルダ) | 保存を見張って読む/見込みの欄を書き込む | 予測の対象と結果 |
| 費用の表・粗利の目標 | CSV で読む | 上限の案の計算 |
| 在庫と販売の管理の仕組みの買取の価格 | 書き込まない(担当が決めてから入れる) | - |
| 古物の取引の帳簿 | つながない(法律の決まりに沿って別に記録する) | - |
在庫と販売の管理の仕組みには書き込みません。 上限の案を買取の価格として自動で入れると、写真と売り手の事情を見ないまま値段が決まります。 担当が決めた値段を、担当が入れます。
人が確認する
- モデルの作成日と印を見る … 「前例少」「売れ残り多」が出ていないかを確かめます
- 似た機械の例を見る … 例の機械が査定する機械と本当に似ているか(制御装置、付属品)を確かめます
- 記録に無い事情を足す … 写真の錆、操作盤の傷み、売り手の工場での使われ方、搬出の難しさを足して値段を決めます
- 上限を超えるときはベテランが見る … 上限の案を超えて買う理由を一言残し、ベテランが確かめます
3番目で上限の案と大きく違う値段にしたら、理由を一言残します。 「搬出にクレーンが要る」が何度も出るなら、搬出の難しさを点検表の項目に足す材料になります。
目標は、160件をならして1件6分です。 印の無いよく扱う系統は数分で済み、時間を使うのは前例の少ない機械と、上限を超えて買うかどうかを決めるところです。
例外に対処する
| 起きること | 対応 |
|---|---|
| 前例の少ない系統・メーカー | 見込みは出すが「前例少」と出し、下側から上限を出し、ベテランが確かめる |
| 主軸の時間が分からない | 欠けた値のまま予測し、「主軸時間なし」と出す |
| 点検表の状態のランクが空 | 見込みを出さず「ランク未入力」と出す |
| 似た機械の例が3件そろわない | そろった分だけ出し「例少」と出す |
| 見込みの区間が広すぎる(上側が下側の2倍を超える) | 「幅広」と出し、ベテランが確かめる |
| 相場が動いて中央の見込みを続けて外れる | 作り直しを早め、それまでは下側から上限を出す |
| 作り直したモデルが前より外れる | 前のモデルのまま使い、作り直しの記録を残す |
| 入力の表の見張りが止まった | 担当が手で実行する。作成日時の無い見込みは使わない |
1行目と5行目は、とくに大事です。 珍しい機械ほど高く売れることもありますが、学習の記録が少ない帯では、見込みの区間の当たり方も分かりません。 系統とメーカーごとに販売の例の件数を数え、一定の件数に満たない機械に印を付けます。
記録を残す
- 実行の日時、使ったモデルの作成日、学習に使った取引の期間と件数、外した取引と理由
- 査定ごとの3つの見込み、日数の見込み、元にした見込み、上限の案、印、似た機械の例
- 担当が決めた買取の価格と、上限の案と違えた理由
- 買えたかどうか(売り手がほかに売った場合も含む)
- 売れた機械の販売の価格と売れるまでの日数
- 月ごとの当たり方(区間に入った割合、中央の見込みの外れの大きさ、系統ごとの売れ残りの割合)
「買えたかどうか」は、記録に残りにくいけれど大事な数です。 上限の案が低すぎれば、買えない査定が増えます。 区間に入った割合と並べて見ると、見込みが低すぎるのか、交渉で負けているのかを分けられます。
04実装レベルの3段階
本格構成の先には、写真から状態を読む形も考えられます。 錆や操作盤の傷みは写真に写っていますが、撮り方が担当ごとにばらばらなうちは、写真から状態を読ませても当たり方が安定しません。 撮る角度と枚数を決め、点検表の見込みが定着してから検討します。 本記事の想定は本格構成です。 半自動化では販売の価格の幅は出ますが、担当はまだ整備と運搬の費用を自分で引き、売れるまでの日数を経験で見積もっています。 半自動化で1件15分が10分ほどに、本格構成で6分になります。 差が大きいのは、似た機械の例の書き出しと費用の差し引きが、記録があれば機械で出せる作業だからです。 段階を飛ばさないでください。 半自動化を3か月使うと、どの系統で区間が当たり、どこで外れるかが分かります。外れる系統の点検表の書き方を直してから、上限の案を足します。
05工数削減シミュレーション
導入後 160件 × 6分 ÷ 60 = 16 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
- 工場の設備の入れ替えや廃業で出る中古の工作機械を買い取り、整備して国内外に販売している会社。査定の依頼が月に100件を超え、過去の買取と販売の記録が機械ごとに5年分以上、販売の価格と整備の費用まで残っている場合。買取の値段をベテランの査定の担当の経験で決めていて、担当によって値段がぶれる、ベテランの引退で値付けを引き継げないことが悩みの場合。
- 扱う機械が年に数十台で、機種もばらばらで、同じ系統の販売の記録がほとんど無い場合。販売の価格を記録しておらず、買取の価格しか残っていない場合。オークションでの転売が中心で、整備して売る記録が無い場合。なお、売り手に示す買取の価格の決定、値引きの交渉、機械の状態の合否、輸出の可否の判断は、この構成では代替できません。
07最小構成で試す方法
- よく扱う系統を1つ選び(たとえば立形のマシニングセンタ)、直近3年に売れた機械の記録を書き出す
- 機械ごとに、点検表から年式・主軸の時間・制御装置・付属品・状態のランクを決まった形に移す
- 第7章の前処理で項目をそろえ、古い2年半で学習し、新しい半年で予測させる
- 新しい半年で、実際の販売の価格が下側から上側の区間に入った割合を数える
- 同じ半年で、当時のベテランが見立てた売れそうな値段と、中央の見込みを並べる
最初は1つの系統で始めます。 販売の例の多い系統で、主軸の時間と制御装置の世代がどれだけ効くかをまず見ます。
| 出てきた内容 | 判断 |
|---|---|
| 区間に入る割合が8割前後で、中央の見込みがベテランの見立てに近い | 系統を広げ、査定ごとに見込みを出す段階に進む |
| 区間に入る割合が6割を下回る | 一律の補正を加え、状態のランクの付け方を確かめる |
| 学習の当たりが良すぎて、新しい半年で外れる | ランダムに分けていないか、整備の費用など査定の後に分かる値を項目に使っていないかを確かめる |
3行目でよくあるのは、整備の費用を項目に入れていることです。 整備の費用は機械の傷み具合をよく表すので、学習の当たりは良くなりますが、査定のときには分かりません。 項目の一覧を作るとき、1つずつ「査定のときに分かるか」を書き添えておくと、この誤りを防げます。
過去の買取の価格で同じ確かめをしてみるのも役に立ちます。 買取の価格を目的の値にしたモデルと、販売の価格から逆算した上限の案を並べると、過去の値付けが高すぎた系統と低すぎた系統が見え、販売の価格を学ぶ理由を若手に説明する材料になります。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 過去の買取の価格を目的の値にする | 実際に売れた販売の価格を学び、上限は逆算する |
| 売れた機械だけで学んで見込みが高めに出る | 系統ごとの売れ残りの割合を数え、多い系統は下側から上限を出す |
| 状態のランクが担当ごとに違う | 点検の値からランクが決まる形にする |
| 整備の費用を項目に入れる | 査定のときに分かる値だけを項目にする |
| 区間が狭すぎる | 新しい期間で入った割合を数え、一律の補正を加える |
| 取引をランダムに分けて確かめる | TimeSeriesSplit で時間の順に分ける |
| 1万件未満で早期終了が効かない | X_val・y_val を渡す |
| 上限の案を売り手に示す | 上限の案は社内の目安。 値段は担当が決める |
上の2行が、この構成の失敗のほとんどです。 どちらも「市場がいくら払ったか」を正しく学ぶことから起きます。ここを押さえれば、残りは点検の書き方と時点の扱いの注意で足ります。
4行目と6行目は、作ってすぐには気づけません。 どちらも学習の当たり方を良く見せる方向に働くので、第8章の新しい半年での確かめを省くと、本番で買った機械が売れてから外れに気づきます。 機械が売れるまでには数か月かかるので、気づくのはさらに遅れます。
最後の行は、運用に乗ってから出てくる問題です。 売り手に「相場はこのくらいです」と見込みを見せたくなりますが、見込みは社内の目安で、売り手に約束する値段ではありません。
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: 機械の特徴と点検の記録、買取と販売の価格、整備の費用、粗利の目標、そして古物の取引の帳簿にある売り手の住所・氏名です。価格と粗利の目標は会社の値付けの中心で、売り手の情報は個人の情報を含みます。
- データを外に出さない … 予測は社内のサーバーの中で動き、生成AIや外部のサービスに記録を送りません
- 売り手の情報を学習に使わない … 古物営業法の帳簿にある相手方の住所・氏名は、法律の決まりで残す記録で、値付けのための記録ではありません。 学習の記録には機械の特徴と価格だけを入れます
- 帳簿は法律の決まりのとおりに残す … 古物営業法では、帳簿等を最終の記載をした日から3年間、営業所に備え付けるなどして保存するとされています。この構成の記録とは別に、帳簿の決まりを守ります
- 粗利の目標を一覧の外に出さない … 査定の欄は、査定の担当と営業の責任者だけが見られる場所に置きます。売り手に送る見積もりの書面に、見込みや粗利を載せません
- 担当の評価に使わない … 上限の案と担当の値段の差は、担当を評価するための値ではありません。 差の理由を集めて、点検表の項目を見直す材料にします
誤りが起きた場合のリスクは、高く買いすぎて損をすることと、低く見積もって買えないことの2つです。 前者は売れ残りの偏りを見落とすと起き、後者は区間の補正をかけすぎると起きます。どちらも見込みの幅の扱いから出ているので、そこだけは設計で守ります。
10まず何から始めるか
1週目:状態のランクの付け方を決める
主軸の振れの測定の値、異音、油漏れ、精度の測定の組み合わせから、状態のランクが決まる形の点検表を、ベテランと若手で作ります。付属品の書き方も決めます。
2〜3週目:1つの系統の記録をそろえる
よく扱う系統を1つ選び、直近3年に売れた機械の点検表を、新しい形に移し直します。主軸の時間が分からない機械は空欄のまま残し、移し直せない機械には印を付けます。 系統ごとの売れ残りの割合も数えます。
4週目:区間の当たり方を確かめる
第8章のとおり、古い2年半で学習し、新しい半年で、実際の販売の価格が区間に入った割合と、中央の見込みとベテランの見立ての近さを確かめます。
2か月目: よく扱う系統で、査定ごとに販売の価格の幅を出す半自動化を始めます。担当はこれまでどおり自分で値段を決めながら、見込みと見比べます。3か月目以降: 売れるまでの日数、元にする見込みの切り替え、費用の差し引きと上限の案、似た機械の例を足します。区間に入る割合が8割前後に収まる月が続き、ベテランが出張の日でも若手が見込みと例で査定の返事を出せ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 の loss に quantile があり(1.1で追加)、ピンボール損失を使うこと。quantile の引数で推定する分位点を0から1の間で指定すること。monotonic_cst が1(増加)・0(制約なし)・-1(減少)で、文字列のキーの辞書で項目の名前ごとに指定できること。categorical_features の既定が from_dtype であること。欠けた値(NaN)をそのまま扱えること。early_stopping の既定 auto は件数が1万を超えるか X_val・y_val を渡したときに有効になること(scikit-learn 1.9.1) | scikit-learn: HistGradientBoostingRegressor | 2026-11-02 |
分位点の損失で0.05と0.95のモデルを作ると90%の区間になること。mean_pinball_loss で比べること。区間の当たり方を区間に入った割合で数えること。学習の記録では90%に近かったが、確かめの記録では79.6%で区間が狭すぎたとしていること | scikit-learn: Prediction Intervals for Gradient Boosting Regression | 2026-11-02 |
| TimeSeriesSplit が時間の順に並んだ記録を分けるためのもので、ほかの分け方では未来の記録で学習して過去で確かめることになること | scikit-learn: TimeSeriesSplit | 2026-11-02 |
| 古物商が古物を受け取り・引き渡したときに、取引の年月日、古物の品目と数量、古物の特徴、相手方の住所・氏名・職業・年齢、確認の措置の区分を帳簿等に記載・記録すること(第16条)。帳簿等を最終の記載をした日から3年間保存すること(第18条)(2025-06-01 施行の版) | e-Gov 法令API: 古物営業法 | 2026-11-02 |
売り手に示す買取の価格、交渉、機械の状態の合否、輸出の可否、古物の取引の記録は、自社の決まりと法令で決めてください。 本記事は上記の公開情報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-2464)についてのご相談はこちらから。
