Media > AI活用ユースケース > 物流 > 製氷会社が飲食店・鮮魚店からFAXで届く手書きの氷の注文書を読み取り、配送のルートごとの出荷表を作る

製氷会社が飲食店・鮮魚店からFAXで届く手書きの氷の注文書を読み取り、配送のルートごとの出荷表を作る

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

飲食店や鮮魚店からFAXで届く手書きの氷の注文書を読み取り、配送のルートごとの出荷表と、氷の種類ごとの積込の合計表を作ります。読めない数量やふだんから外れた数量の注文だけを、受注の担当に回します。

サマリー
AIサービス
AWS Textract/Azure AI/Google Document AI
連携・自動化
Google Apps Script/Make/Power Automate/Python
対象業界
小売/物流/製造/飲食
対象部門
物流
対象業務
データ入力・転記/集計・分析
主な課題
入力作業が多い/期限・対応漏れが起きる/確認ミスが多い
AIで行う処理
読み取り(OCR)
主な効果
入力漏れ削減/対応スピード向上/工数削減
導入難易度
★☆☆☆☆
実装レベル
半自動化
費用感
API連携(中)
人間の確認
条件付き
現在工数
100h/月
AI導入後
30h/月
想定削減
70%
年間削減
840h
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. 複合機が受けたFAXを、受注の担当が朝5時半に印刷して束ねる(共有フォルダにはPDFも残る)
  2. 1枚ずつ見て、店コード・配達の日・時間帯・種類ごとの数量を販売管理のシステムに打ち込む
  3. かすれて読めない数字は、店の前回の注文と見比べるか、開店を待って電話で確かめる
  4. 打ち込んだ注文を店の台帳のルートで並べ替え、ルートごと・配達の順に出荷表を作る
  5. ルートごとに種類別の数量を足して、積込の合計表を作り、冷凍庫の担当に渡す
  6. 配達員に出荷表を渡し、トラックに積み込んでもらう
導入後(After)
  1. 自動複合機がFAXを受けてPDFを共有の保存先(Azure Blob Storage)に置く
  2. 自動保存をきっかけに、ページを1枚ずつに分け、受信の時刻を記録する
  3. 自動カスタム テンプレート モデルが、店コード・配達の日・時間帯の印・種類ごとの数量・備考を、値と信頼度つきで返す
  4. 自動店コードを店の台帳と照らし、ルートと配達の順、ふだんの注文の量を引く
  5. 自動読めない数量、ふだんから外れた数量、同じ店・同じ配達の日の二重の注文、締め切り後の受信に印を付ける
  6. 人受注の担当が朝5時半に、印の付いた注文書だけを画像と並べて確かめる。要るものは開店後に電話する
  7. 自動確かめた注文をルートごと・配達の順に並べて出荷表を作り、種類ごとの積込の合計表を作る
  8. 人配送の担当が出荷表と合計表を見て、配達員と冷凍庫の担当に渡す
  9. 自動確定した注文を販売管理のシステムの取り込み用のファイルにする
各工程の詳しい説明を読む
  1. 複合機が受けたFAXを、受注の担当が朝5時半に印刷して束ねる(共有フォルダにはPDFも残る)
  2. 1枚ずつ見て、店コード・配達の日・時間帯・種類ごとの数量を販売管理のシステムに打ち込む
  3. かすれて読めない数字は、店の前回の注文と見比べるか、開店を待って電話で確かめる
  4. 打ち込んだ注文を店の台帳のルートで並べ替え、ルートごと・配達の順に出荷表を作る
  5. ルートごとに種類別の数量を足して、積込の合計表を作り、冷凍庫の担当に渡す
  6. 配達員に出荷表を渡し、トラックに積み込んでもらう

(a)早朝に集中する。 前日の夕方から朝までのFAXを、出発までの1時間で打ち込みます。夏場は枚数が倍になり、出荷表が出発に間に合わない日があります。 間に合わないと、配達員が注文書の束を持って出ることになり、積込の数が合いません。

(b)FAXのかすれで数字を読み違える。 店の人が鉛筆やにじむペンで書いた数字は、FAXで線が細くなり、「1」と「7」、「3」と「8」が紛れます。氷は配達してから「頼んだ数と違う」と言われても、溶けるので持ち帰れません。

(c)二重の送信と締め切り後の注文に気づけない。 店は届いたか不安になって同じ注文書を二度送ることがあり、打ち込みのときに気づかないと、2倍の氷を配達します。 逆に、前日の17時を過ぎて届いた注文を翌朝分として打ち込み、作っていない分の氷が足りなくなることもあります。

(d)積込の合計を手で足す。 ルートごとの種類別の合計を電卓で足すので、出荷表が直されると合計の直しが漏れます。 冷凍庫の担当が合計表どおりに出した氷が、トラックの上で足りなくなります。

  1. 【自動】 複合機がFAXを受けてPDFを共有の保存先(Azure Blob Storage)に置く
  2. 【自動】 保存をきっかけに、ページを1枚ずつに分け、受信の時刻を記録する
  3. 【自動】 カスタム テンプレート モデルが、店コード・配達の日・時間帯の印・種類ごとの数量・備考を、値と信頼度つきで返す
  4. 【自動】 店コードを店の台帳と照らし、ルートと配達の順、ふだんの注文の量を引く
  5. 【自動】 読めない数量、ふだんから外れた数量、同じ店・同じ配達の日の二重の注文、締め切り後の受信に印を付ける
  6. 【人】 受注の担当が朝5時半に、印の付いた注文書だけを画像と並べて確かめる。要るものは開店後に電話する
  7. 【自動】 確かめた注文をルートごと・配達の順に並べて出荷表を作り、種類ごとの積込の合計表を作る
  8. 【人】 配送の担当が出荷表と合計表を見て、配達員と冷凍庫の担当に渡す
  9. 【自動】 確定した注文を販売管理のシステムの取り込み用のファイルにする

6番目で人が見るのは、印の付いた注文書だけです。 全部の注文書を画像と見比べる設計にすると、100.0時間は大きくは減りません。数量がはっきり読め、ふだんの量の範囲に入り、二重でも締め切り後でもない注文は、そのまま出荷表に載せます。

7番目の合計は、出荷表を直すたびに作り直します。 出荷表と合計表を同じ台帳から作るので、片方だけ直して合計が合わなくなる失敗がなくなります。

02今回想定するシステム構成

構成図
氷の注文書(自社様式のA4。店が手書きしてFAXで送る)
   │  複合機がFAXを受けてPDFで保存
   ▼【トリガー】Azure Blob Storage の受付コンテナーへの保存
Python(Azure Functions)
   ├──▶ 1枚ずつに分割、受信の時刻の記録
   ▼
Azure AI Document Intelligence(カスタム テンプレート モデル)
   │   店コード・配達の日・時間帯の印(選択マーク)
   │   種類ごとの数量の表(固定の表)・備考
   │   項目と単語の信頼度、文書の型の信頼度
   ▼
Python ── 店の台帳・ふだんの注文の量・締め切りと照合
   │   ① 店とルートの特定  ② 信頼度の判定
   │   ③ ふだんの量との比較  ④ 二重の送信  ⑤ 締め切り
   ▼
注文ごとの判定(ok / low_confidence / unknown_store /
              unusual_qty / possible_duplicate / after_cutoff / not_template)
   ▼
【受注の担当が ok 以外だけ確認】
   ▼
注文の台帳 ──▶ ルートごとの出荷表 + 種類ごとの積込の合計表
          └──▶ 販売管理のシステムへの取り込み用のファイル
役割想定する製品代替候補
OCRAzure AI Document Intelligence(カスタム テンプレート モデル)Google Document AI(Form Parser)。AWS Textract は日本語を読めないため対象外
差異計算Python(店とルートの特定、信頼度・ふだんの量・二重・締め切りの判定)Google Apps Script
集計Python(ルートごとの出荷表と種類ごとの積込の合計表)─
連携Python(Azure Functions。保存を起点に読み取りを呼び、台帳に書く)Power Automate、Make
保管Azure Blob Storage(FAXの画像と読み取りの結果)社内のファイルサーバー

販売管理のシステムは、新しく足すものではありません。 確定した注文を取り込み用のファイルにして渡すだけで、売上と請求は、これまでどおり販売管理のシステムで扱います。

生成AIは使いません。 注文書に書かれるのは店コード・日付・印・数量で、言い換えや要約の対象がありません。読めない数量を推し量る仕組みは、そのまま余る氷か足りない氷になります。 備考の一言も、人が読む欄として画像の切り抜きとあわせて見せます。

読み取りの中心は、カスタム テンプレート モデルです。 公式の説明では、カスタム テンプレート(旧称 カスタム フォーム)は、ラベルを付けたキーと値・選択マーク・表・領域・署名を取り出す学習の簡単なモデルで、レイアウトの手がかりから値を取り出すので、決まった見た目の様式を持つ構造化された文書に向くとされています。日本語の手書きにも対応しています。 カスタム テンプレートの手書きの対応言語の表に、日本語が含まれています。

様式が変わると精度が落ちることも、公式に書かれています。 テンプレートのモデルは決まった見た目に頼るので、様式の違いがあるときは、それぞれの様式で少なくとも5枚の見本を用意して様式ごとにモデルを学ばせ、1つにまとめる(compose)ことが勧められています。旧い様式の注文書を使い続ける店がある場合は、この形で扱います。

03どうやって実装するのか

Step1

処理の起点を決める

複合機がFAXを受けてPDFを保存したことを起点にします。 1枚届くたびに動かすので、朝5時半に受注の担当が来たときには、夜のあいだのFAXが読み終わって印が付いた状態になっています。印刷して束ねる作業はなくなります。

締め切りの判定には、FAXの受信の時刻を使います。 保存先のファイルの作成の時刻ではなく、複合機がファイル名に入れる受信の日時を使います。保存が遅れたときに、締め切り前の注文を締め切り後と誤って判定しないためです。

出荷表は、朝6時と、当日の午後の配達分の締め切りの後の8時15分に作ります。 その時点までに ok になった注文と、人が確かめた注文を並べます。台帳まで書けたファイルだけを処理済みの場所に移し、受付に残る数を未処理の数にします。

Step2

入力データを集める

データ中身取得元
注文書FAXのPDF。店コード・店名・配達の日・時間帯の印・8種類の数量・備考受付の保存先
受信の時刻複合機が付けたFAXの受信の日時ファイル名
読み取り結果項目の値と信頼度、表のセルの値と信頼度、選択マークの状態、文書の型の信頼度Azure AI Document Intelligence
店の台帳店コード、店名、ルート、配達の順、配達できる時間帯、FAXの番号販売管理のシステムから書き出した一覧
ふだんの注文の量店ごと・種類ごとの、直近8週・同じ曜日の数量の幅注文の台帳から計算
締め切りの表配達の便ごとの締め切りの時刻配送の担当が持つ表

質を決めるのは、店の台帳のルートと配達の順です。 出荷表は台帳の並びのまま作るので、新しい店がルートに入っていないと、その店の注文だけが出荷表から落ちます。 始める前に、配達員と一緒に各ルートの順を見直します。

ふだんの注文の量は、読み違いを見つけるために持ちます。 毎週金曜に角氷を5袋頼む店で「50」と読めたら、「5」の後ろに書いた印を0と読んだか、宴会で本当に増えたかのどちらかです。 機械では決めず、印を付けて人に見せます。

Step3

データの取得方法を決める

読み取りの前に、モデルを1度学ばせます。 Document Intelligence Studio で、実際に届いた注文書のFAXを見本にし、店コード・配達の日・時間帯の3つの印・数量の表・備考の欄に名前を付けて囲みます。公式の例では、学習は buildMode を template にした build の呼び出しで行い、見本は Blob Storage のコンテナーから読み込みます。 見本のページ数は、テンプレートのモデルで最大500ページ、合計50MBまでとされています。

取るものどこから何に使うか
店コード・配達の日・備考ラベルを付けた項目(fields)の値と信頼度注文の見出し
時間帯の印選択マークの項目(選択の状態と信頼度)開店前・午前・午後のどれか
種類ごとの数量表の項目(固定の表。行=種類、列=数量)出荷表の数量
単語の信頼度pages の words の confidence数字がかすれていないか
文書の型の信頼度分析の結果の文書の型の信頼度自社の様式かどうか

数量の表は、固定の表としてラベルを付けます。 種類の行は印刷済みで、どの注文書でも同じ8行です。行に「角氷」「かち割り」「クラッシュ」「板氷」などの名前を付けておけば、空の行は空として、書かれた行はその種類の数量として返ってきます。

信頼度は、項目の信頼度と単語の信頼度の両方を見ます。 公式の説明では、項目の信頼度は取り出した値の位置についての確からしさで、文字の読み取りの確からしさは単語の信頼度で別に見て、両方を合わせて項目の確からしさを考えることが勧められています。2024-11-30 の版では、カスタムのモデルの項目の信頼度に単語の信頼度が含まれ、表・行・セルの信頼度も返るようになっています。

空の行の扱いにも、信頼度が使えます。 公式の説明では、見本の中でふだん空になっている欄は、値が無いことを高い信頼度で返すとされています。逆に、空として返った欄の信頼度が低ければ、値を見落とした恐れがあるということです。かすれて消えかけた数字は、この形で拾えます。

文書の型の信頼度は、自社の様式かどうかの判定に使います。 公式の説明では、文書の型の信頼度が低いのは、分析した文書の様式や構造が見本と違うしるしとされています。店が自作のメモや別の会社の注文書を流用して送ってきたものは、ここで分けます。

Step4

AIへ渡す前に整形する

  1. ページの分割 … 1回のFAXに複数の注文書が入っていれば1枚ずつに分けます。送信の表紙が付いていれば外します
  2. 形式の確認 … PDFまたは画像であることを確かめます。パスワードの付いたPDFは、ロックを外してから入れる必要があります
  3. 画像の寸法と文字の大きさ … 画像は50×50〜10,000×10,000ピクセルで、文字の高さの下限は1024×768の画像で12ピクセル(150 dpi で約8ポイント)とされています
  4. 向き … 上下が逆に送られた注文書を直します
  5. 受信の時刻と送信元の番号 … ファイル名から取り出し、注文の台帳の列に入れます

3番目がいちばん効きます。 FAXは画質の設定によって縦方向の解像度が粗くなり、小さく書いた数字はこの下限に近づきます。 注文書の数量の欄を大きく取り、店には「数字は欄いっぱいに大きく」と書き添えておくと、読み取りの前に問題が減ります。

Step5

AIに処理させる

Azure AI Document Intelligence にさせるのは、欄の値と印と信頼度を返すことだけです。 店の特定、締め切りと二重の判定、ふだんの量との比較、出荷表と合計表の作成は Python の規則です。

確かめること規則外れたとき
自社の様式か文書の型の信頼度が下限以上か下限未満なら not_template
店コード店の台帳にあるか。送信元のFAXの番号と台帳の番号が合うか無ければ unknown_store。番号から候補を出す
配達の日受信の日の当日か翌日以降か。休業日でないか過去の日付や遠い先なら low_confidence
時間帯の印1つだけ選ばれているか。その店が受けられる時間帯か0個か2個以上なら low_confidence
数量の数字数字だけか。項目と単語の信頼度が下限以上か下限未満なら low_confidence
数量の幅店・種類・曜日のふだんの幅に入るか大きく外れれば unusual_qty
二重の送信同じ店・同じ配達の日・同じ時間帯の注文がすでにあるかあれば possible_duplicate
締め切り受信の時刻がその便の締め切りより前か後なら after_cutoff

7行目の二重は、決めつけずに印を付けるだけです。 同じ店から同じ日の注文が2枚来たとき、二度送ったのか、追加の注文なのかは注文書だけでは分かりません。 数量がまったく同じなら二度送った可能性が高く、違えば追加か訂正の可能性が高いので、その違いを理由に添えて人に見せます。

させないこと理由
読めない数量の推定前回や曜日の平均から埋めると、余る氷か足りない氷になる
空の行を0とみなすこと「頼んでいない」と「かすれて消えた」を分ける。空は空のまま
二重の注文の片方を消すこと追加の注文の可能性がある。決めるのは人
締め切り後の注文の受け付けの判断店との関係と在庫で決まる。配送の担当が決める
店コードの付け替え候補は出すが、決めるのは人

1行目がいちばん起きやすい失敗です。 かすれた数量を、いつもの量で埋めて出荷表に載せると、その日に限って量を増やした店にだけ氷が足りず、宴会の準備に間に合いません。 氷は後から足すのに配達がもう1回要るので、読めないものは必ず人に回します。

Step6

指示内容を固定する

カスタム テンプレート モデルには自由な指示文を渡しません。 指示にあたるのは、学習のときのラベルの付け方と、分析の呼び出しの設定と、Python の規則です。

【学習のラベル(Document Intelligence Studio)】
  store_code      … 店コードの欄(文字の項目)
  delivery_date   … 配達の日の欄(文字の項目)
  slot_before_open / slot_am / slot_pm … 時間帯の3つの印(選択マーク)
  items           … 数量の表(固定の表。行=8種類、列=数量)
  note            … 備考の欄(文字の項目)
  見本:届いたFAXから10枚以上。かすれたもの、空の行の多いもの、
        印を2つ付けたものを混ぜる。旧い様式は別に5枚以上で別モデル

【分析の呼び出し】
  モデル:学習したカスタム テンプレート モデル(旧い様式があれば compose したもの)
  API の版:2024-11-30

【Python の規則(抜粋)】
- 文書の型の信頼度が下限未満なら not_template とし、以降の判定をしない。
- 数量:セルの文字から数字だけを取り出す。数字以外が混ざれば low_confidence。
  セルの信頼度と、セルに含まれる単語の confidence の最小値のどちらかが
  下限未満なら low_confidence。
  セルが空なら value を空にし、0 を入れない。空のセルの信頼度が下限未満なら
  reason に blank_low_conf を付けて low_confidence にする。
- 時間帯:選択された印が1つのときだけ採る。0個・2個以上は low_confidence。
- 店コード:台帳に無い、または送信元のFAXの番号と台帳の番号が合わなければ
  unknown_store とし、FAXの番号から引いた店を候補に出す。
- ふだんの幅:同じ店・同じ種類・同じ曜日の直近8週の幅から大きく外れたら
  unusual_qty。
- 二重:同じ店・配達の日・時間帯の注文が台帳にあれば possible_duplicate。
  数量がすべて同じなら reason に same_qty、違えば diff_qty を付ける。
- 締め切り:受信の時刻がその便の締め切りより後なら after_cutoff。
- 判定が ok の注文だけを出荷表に載せる。ok 以外は人が確かめた値で載せる。

規則で効くのは、空の欄の信頼度まで見ることです。 空として返った欄を、そのまま「頼んでいない」と読むと、かすれて消えた数字が出荷表から黙って落ちます。 空でも信頼度が低ければ人に回します。

Step7

出力形式を固定する

注文書1枚ごとに次の形のJSONを作り、注文の台帳に1行ずつ積みます。

{
  "order_id": "",
  "received_at": "",
  "sender_fax": "",
  "store_code": "",
  "store_candidates": [],
  "route": "",
  "stop_no": 0,
  "delivery_date": "",
  "slot": "before_open | am | pm",
  "items": [
    { "item": "kakugori | kachiwari | crushed | itagori_kan | ...",
      "qty": "", "conf": 0 }
  ],
  "note": "",
  "doc_type_conf": 0,
  "status": "ok | low_confidence | unknown_store | unusual_qty | possible_duplicate | after_cutoff | not_template",
  "reasons": [],
  "source_page": ""
}

1つ目の理由は、status と reasons で人の確認が速くなることです。 かすれなのか、ふだんより多いのか、二度送られたのかが分かれば、画像を開く前に、電話で何を聞けばよいかが決まります。

2つ目は、ルートと配達の順を注文に持たせておけることです。 出荷表は台帳を route と stop_no で並べ替えるだけで作れ、人が直した注文もその場で正しい位置に入ります。

出荷表と積込の合計表は、この台帳から作ります。

出力中身作る時期
ルートごとの出荷表配達の順、店名、時間帯、種類ごとの数量、備考、確認中の印朝6時と8時15分
種類ごとの積込の合計表ルートごと・種類ごとの数量の合計、確認中の注文の数量出荷表と同時
確認待ちの一覧ok 以外の注文と理由、電話する店の番号届くたびに更新
Step8

システムへ連携する

つなぎ先方式内容
受付の保存先(Azure Blob Storage)保存のイベントで Azure Functions を起動FAXのPDFの受け取り
Azure AI Document Intelligence学習したカスタム テンプレート モデルの分析項目・印・表・信頼度
店の台帳販売管理のシステムから毎日書き出す一覧を読む店コード・ルート・配達の順・FAXの番号
注文の台帳Azure Functions から書く注文ごとの数量と判定
出荷表・合計表台帳から作ってPDFで出す配達員と冷凍庫の担当へ
販売管理のシステム取り込み用のファイル確定した注文

販売管理のシステムには、この構成から直接書き込みません。 配達が終わってから、実際に届けた数量で売上を立てる会社が多いからです。取り込み用のファイルは、配達員が持ち帰った出荷表の直しを反映してから取り込みます。

Step9

人が確認する

受注の担当が開くのは、ok 以外の注文書だけです。 ok の注文は出荷表に載り、件数だけを確かめます。

  1. not_template と unknown_store を先に片づける … 自作のメモで届いた注文は、画像を見て打ち込みます。店の候補はFAXの番号から出ています
  2. low_confidence を画像と並べて見る … 読めなければ開店後に電話で確かめます
  3. possible_duplicate を決める … same_qty なら二度送りとして1枚を外し、diff_qty なら追加か訂正かを電話で聞きます
  4. after_cutoff を配送の担当に回す … 受けるか翌日に回すかは、在庫を見て配送の担当が決めます
  5. unusual_qty を確かめる … 備考に「宴会」「祭り」とあれば、そのまま通します
  6. 直したら記録する … どの注文書の、どの欄を、何から何へ直したかを残します

目標は、1,500件をならして1件1.2分です。 ok 以外が多い朝は、特定の店のかすれか、旧い様式の注文書に理由があることが多いので、その店に新しい注文書を届けます。

電話で確かめる店は、出荷表に「確認中」の印を付けたまま配達に出ることがあります。 配達員が店で数量を確かめて、その場で直せるようにするためです。確認中の注文を黙って外すことはしません。

Step10

例外に対処する

起きること対応
FAXがかすれて数字が読めない下限未満は low_confidence。開店後に電話で確かめる
空の欄の信頼度が低い消えかけた数字の恐れ。blank_low_conf で人へ
自作のメモや他社の注文書で届いたnot_template。画像を見て人が打ち込み、新しい注文書を届ける
店コードが書かれていない送信元のFAXの番号から店を候補に出す
同じ注文書が二度届いたpossible_duplicate。数量が同じなら1枚を外すのは人が決める
訂正の注文書が後から届いた二重として印を付け、備考の「訂正」を理由に添える。前の注文を人が取り消す
締め切り後に届いたafter_cutoff。受けるかは配送の担当が在庫で決める
時間帯の印が2つ付いているlow_confidence。店が受けられる時間帯を台帳から添える
休業日の配達の日が書かれているlow_confidence。翌営業日の意図か電話で確かめる
送信の表紙だけのページ文書の型の信頼度で外し、ログに残す
旧い様式の注文書compose したモデルで読む。様式ごとに少なくとも5枚の見本
読み取りが失敗した受付に残す。処理済みに移すのは成功したときだけ

上の2行が大半を占めます。 どちらもFAXの線の細さが原因で、店に濃いペンで大きく書いてもらうだけで減ることが多いので、月に一度、low_confidence の多い店の一覧を営業の担当に渡します。

Step11

記録を残す

  • 元のFAXの画像と、受信の日時・送信元の番号
  • Document Intelligence が返したJSONと、使ったモデルのIDと API の版
  • 注文ごとの判定(status・reasons)と、人が直した値
  • 出荷表と積込の合計表の各版と、作った時刻
  • 二重と判断して外した注文と、外した人
  • 店ごとの low_confidence と not_template の件数

人が直した値は、読み取りの値と並べて残します。 直した値だけを残すと、どの店のどの欄が読みにくいのかが後から分かりません。並べて残せば、信頼度の下限の見直しと、モデルの学び直しの見本選びに使えます。

04実装レベルの3段階

最小構成:Studio で学ばせたモデルに注文書を読ませ、数量を手で出荷表に写す / 手書きの数量と印の読み取り
半自動化:上記+FAXの保存を起点に読み取り、判定を付けて、ルートごとの出荷表と積込の合計表を出す / 読み取り・判定・出荷表と合計表
本格構成:上記+配達員が端末で届けた数量を返し、販売管理のシステムへの取り込みと、ふだんの量の更新までつなぐ / 注文の受け取りから売上の取り込みまで

半自動化で、1件4分が1.2分程度になり、これが本記事の想定です。 打ち込み・並べ替え・合計の計算がなくなり、受注の担当は印の付いた注文書の確認と電話だけをします。 本格構成は配達員の手順が変わるので、半自動化が落ち着いてから進めます。

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
3 名
月間件数
1,500 件
1件あたり現在時間
4 分
1件あたり導入後時間
1.2 分
現在  1,500件 × 4分 ÷ 60 = 100 時間/月
導入後 1,500件 × 1.2分 ÷ 60 = 30 時間/月
月間削減時間
70h
削減率
70%
年間削減時間
840h
年間金額換算(時間単価2,300円)
193万円
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. 角氷・かち割り・クラッシュアイス・板氷などを、飲食店・鮮魚店・居酒屋・旅館に毎日配達している製氷会社や氷の販売店。取引先に自社の様式の注文書を配り、前日の夕方から当日の朝までにFAXで受けて、受注の担当が1枚ずつ数量を打ち込んでからルートごとの出荷表を作っている場合。夏場にFAXの枚数が増え、早朝の出発までに出荷表が間に合わない日がある場合。
向いていない
  1. 注文の大半がすでにWebの受注画面や電話の自動応答で入っていて、FAXが数枚しか届かない場合。取引先ごとに注文書の書式がばらばらで、自社の様式を配れない場合(この構成は様式がそろっていることが前提です)。なお、配送のルートの組み替え、製氷の計画、取引先との価格や締め切りの取り決めは、この構成では行いません。

07最小構成で試す方法

  1. 先月届いた注文書のFAXから40枚を選ぶ(かすれたもの、印を2つ付けたもの、空の行の多いものを入れる)
  2. 40枚について、当時打ち込んだ数量を用意する
  3. 40枚のうち10枚を見本にして、Document Intelligence Studio でカスタム テンプレート モデルを学ばせる
  4. 残りの30枚を読ませ、店コード・時間帯・種類ごとの数量が当時の値と合うかを1枚ずつ見る
  5. 合わなかった注文書の項目と単語の信頼度を並べ、どこから下を人に回すかの目安を決める

出荷表を作る前に、「FAXの注文書から数量と印をどこまで読めるか」を確かめます。

出てきた内容判断
数量と印が当時の値と合い、信頼度も高い店の台帳との照合と出荷表の作成に進む
値は合うが、特定の店だけ信頼度が低い店の書き方とFAXの画質で直る。構成は有効
欄の位置がずれて別の欄の値を取る見本を足して学び直すか、様式ごとにモデルを分けて compose する

3行目が出ても失敗ではありません。 FAXは送る機械によって少し縮んだり傾いたりします。ずれた注文書を見本に足して学び直せば、多くは収まります。 それでも収まらないなら、学習の見本を店の機械ごとに選び直します。

08実装時につまずきやすいポイント

問題対策
かすれた数量をいつもの量で埋める読めないものは必ず low_confidence で人へ
空の欄を「頼んでいない」と読む空の欄の信頼度も見て、低ければ人へ
二度送りの注文を片方だけ自動で消す印を付けるだけ。外すかは人が決める
締め切りをファイルの作成の時刻で判定する複合機の受信の日時で判定する
旧い様式の注文書で欄がずれる様式ごとに5枚以上の見本でモデルを分け、compose する
見本がきれいな注文書だけかすれ・印の二重・空の行の多いものを混ぜる
店の台帳のルートが古い出荷表から注文が落ちる。始める前に配達員と見直す
確認中の注文が出荷表から消える「確認中」の印を付けて載せ、合計表にも別の列で出す
締め切り後の注文を機械で断る受けるかは配送の担当が在庫で決める
無料のレベルのまま本番に入るF0 は最初の2ページしか読まない。複数枚のFAXが途中で切れる

上の2行が、この構成の失敗のほとんどです。 どちらも数量の「無い」と「読めない」の扱いで、空と0を分け、読めないものを信頼度で人に回すことで、余る氷と足りない氷を止められます。

「片方だけ自動で消す」「機械で断る」の2行は、店との関係に関わるところです。 二重に見えた注文が追加の注文だったら、その店の宴会の氷が足りなくなります。決めるのは人という線を、最初から崩さないでください。

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: 取引先の店名・店コード・FAXの番号、配達の日と時間帯、種類ごとの数量、備考の一言です。個人の情報はほとんど含みませんが、店ごとの注文の量は、競合に知られたくない取引の情報です。

  1. 保存の場所を自社のテナントに置く … FAXの画像と読み取りの結果は Blob Storage に置き、受注と配送の担当だけが見られるようにします
  2. 単価を読み取りの側に渡さない … 注文書には単価を書かず、売上の計算は販売管理のシステムで行います
  3. 見本の注文書の扱いを決める … 学習に使った見本は、店の実際の注文です。学習が終わったら見本の置き場所を絞り、要らなくなった見本を消す時期を決めます
  4. この構成は受け付けの判断をしない … 締め切り後の注文や二重の注文をどう扱うかは、店との取り決めに沿って配送の担当が決めることです
  5. 誤送信のFAXに備える … 別の会社あての書類が届くことがあります。not_template になったものは、注文として扱う前に人が中身を見て、自社あてでなければ送信元に知らせます

誤りが起きた場合のリスクは、読み違えた数量の氷を配達することと、確かな注文を出荷表から落とすことの2つです。 前者は読めない数量を推し量ると起き、後者は空の欄や二重の注文を機械で片づけると起きます。どちらも「決めるのは人」の線から出ているので、そこだけは崩さないでください。

10まず何から始めるか

1週目:店の台帳をそろえる

店の台帳のルートと配達の順を配達員と一緒に見直し、各店のFAXの番号と、受けられる時間帯を台帳に入れます。あわせて、締め切りの表を配送の担当と確かめます。

2週目:40枚で試す

先月の注文書から40枚を選び、10枚で Studio のモデルを学ばせ、30枚を読ませて当時の数量と突き合わせます。かすれた数量と空の欄の扱いを最優先で見ます。

3週目:注文書の様式と書き方を見直す

数量の欄を大きくし、時間帯の印を1つだけ選ぶ形にした新しい注文書を刷ります。旧い様式を使い続ける店の一覧を作り、新しい注文書を配達のついでに届けます。

4週目:FAXの保存から出荷表までをつなぐ

保存を起点に読み取り、判定を付けて、出荷表と合計表を出すところまで作ります。この時点では受注の担当の打ち込みと並べ、出荷表が同じになるかを比べます。

2か月目以降: 打ち込みをやめ、印の付いた注文書だけを確かめる運用に切り替え、1件4分が何分になったかを実測します。夏場の早朝に、出荷表が出発に間に合う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

技術仕様確認日:2026-11-02/最終更新:2026-11-03
確認した内容情報源確認日
カスタム テンプレート(旧称 カスタム フォーム)が、ラベルを付けたキーと値・選択マーク・表・領域・署名を取り出す学習の簡単なモデルで、レイアウトの手がかりから値を取り出し、決まった見た目の様式を持つ構造化された文書に向くこと。様式が変わると精度が落ち、様式ごとに少なくとも5枚の見本でモデルを学ばせて compose できること。学習は buildMode を template にした build で行うこと。入力の条件(PDF と TIFF は2,000ページまで、F0 は最初の2ページ、S0 は500MB、パスワードのロックは解除が必要、画像は50×50〜10,000×10,000ピクセル、文字の高さの下限が1024×768の画像で12ピクセル)。学習の見本がテンプレートで最大500ページ・合計50MBであることMicrosoft Learn: Custom template document model2026-11-02
カスタム テンプレートとカスタム ニューラルの手書きの文字の対応言語に日本語が含まれることMicrosoft Learn: Language and locale support for custom models2026-11-02
信頼度が0〜1の確率で、正しさが重要な場面では自動で受け入れるか人の確認に回すかを決めるのに使えること。2024-11-30 でカスタムのモデルの項目の信頼度に単語の信頼度が含まれ、表・行・セルの信頼度が返ること。項目の信頼度は値の位置の確からしさで、単語の信頼度と合わせて見ること。文書の型の信頼度が低いのは様式や構造が見本と違うしるしであること。見本でふだん空の欄は値が無いことを高い信頼度で返し、低い信頼度は見落としの恐れを示すこと。実際の文書が見本と違って見えるときは少なくとも5枚の見本を足して学び直すことMicrosoft Learn: Interpret and improve model accuracy and confidence scores2026-11-02

締め切り・受け付けの扱い・価格は、自社と取引先との取り決めに従ってください。 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-2478)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