事務処理の受託(BPO)の会社が、委託元ごとの過去の処理の件数・締め日・祝日から Python で翌月の日ごとの件数を予測し、必要な人員と委託元への体制の連絡を作る
事務処理の受託の会社が、委託元ごとの過去の受付の件数と締め日・祝日から、Python で翌月の営業日ごとの件数を幅付きで予測します。処理の期限と出勤の予定に照らして必要な人員と残業の見込みを出し、委託元への体制の連絡を作ります。
- 連携・自動化
- Python
- 対象業界
- その他/人材/保険/金融
- 対象部門
- 人事
- 対象業務
- 書類作成/集計・分析
- 主な課題
- 人手が足りない/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/対応スピード向上/工数削減
- 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
- 毎月20日ごろ、業務管理課の担当が、委託元ごとの前月と前年の同じ月の日ごとの件数を書き出す
- 委託元から届いた翌月の見込み(販促の予定、発送の数、制度の変更)を確かめる
- 翌月の暦で締めの日と祝日の並びを確かめ、委託元ごとの日ごとの件数を見立てる
- 標準の処理の時間を掛けて必要な人時を出し、班ごとの出勤の予定の人時と見比べる
- 足りない日は、残業、ほかの班からの兼務、派遣の追加のどれで埋めるかを班長と決める
- 委託元ごとに、翌月の体制と繁忙の日の処理の期限の見込みをメールで伝える
- 月の途中で件数が見立てとずれたら、班長と残業と兼務を組み直す
- 人業務管理課の担当が、委託元から届いた翌月の見込みの件数と、締めの日の変更を、委託元の予定の表に入れる
- 自動毎日の夜に、Python が業務の管理の仕組みから委託元ごとの前日の受付と処理の件数を取り込む
- 自動毎月18日の朝に、翌月の営業日ごと・委託元の業務ごとの受付の件数を、中央と上振れで予測する
- 自動標準の処理の時間と処理の期限から、日ごとの必要な人時を出し、班ごとの出勤の予定と並べて、足りない人時を出す
- 自動足りない人時を、兼務できる人の余裕、残業、派遣の追加の順に割り当てた案を出し、協定の時間に近づく班に印を付ける
- 自動委託元ごとの体制の連絡の文書を、決まった書式に数を差し込んで作る
- 人業務管理課の担当とセンター長が印の付いた班を中心に見て、人員・残業・派遣の追加を決め、体制の連絡を直して送る
- 【自動/人】 月の10日に、その月の前半の実績を足して後半を予測し直し、担当が組み直すかを決める
各工程の詳しい説明を読む
- 毎月20日ごろ、業務管理課の担当が、委託元ごとの前月と前年の同じ月の日ごとの件数を書き出す
- 委託元から届いた翌月の見込み(販促の予定、発送の数、制度の変更)を確かめる
- 翌月の暦で締めの日と祝日の並びを確かめ、委託元ごとの日ごとの件数を見立てる
- 標準の処理の時間を掛けて必要な人時を出し、班ごとの出勤の予定の人時と見比べる
- 足りない日は、残業、ほかの班からの兼務、派遣の追加のどれで埋めるかを班長と決める
- 委託元ごとに、翌月の体制と繁忙の日の処理の期限の見込みをメールで伝える
- 月の途中で件数が見立てとずれたら、班長と残業と兼務を組み直す
(a)締めの日のずれで処理の期限を外す。 3番の見立てで、前年の同じ月の日付をそのまま使うと、締めの日が土日に当たって前にずれた月に、山を2日遅く見込みます。 山の初日に人が足りず、受け付けてから2営業日の期限を外した件数が出ます。 期限を外すと委託元への報告が要り、契約によっては料金の減額の取り決めがあります。
(b)残業の上限に気づくのが月の半ば。 5番で足りない日を残業で埋めると決めても、同じ人が別の委託元の山でも残業していると、月の合計が協定で決めた時間に近づきます。 気づくのは勤怠の仕組みで月の半ばの集計を見たときで、それから派遣の会社に追加を頼んでも、教える時間が取れません。
(c)見立てが管理の担当の頭の中にある。 どの委託元の見込みが毎回多めに来るか、販促のあと何週で戻るかは、担当が経験で知っています。担当が異動した年は、委託元の見込みをそのまま信じて人を集めすぎます。
(d)委託元への連絡が月によってばらつく。 6番のメールは担当が毎月書いており、繁忙の日に何件まで期限内に処理できるかを書く月と書かない月があります。委託元が大きな発送を前もって知らせてくれるかは、この1行で変わります。
- 【人】 業務管理課の担当が、委託元から届いた翌月の見込みの件数と、締めの日の変更を、委託元の予定の表に入れる
- 【自動】 毎日の夜に、Python が業務の管理の仕組みから委託元ごとの前日の受付と処理の件数を取り込む
- 【自動】 毎月18日の朝に、翌月の営業日ごと・委託元の業務ごとの受付の件数を、中央と上振れで予測する
- 【自動】 標準の処理の時間と処理の期限から、日ごとの必要な人時を出し、班ごとの出勤の予定と並べて、足りない人時を出す
- 【自動】 足りない人時を、兼務できる人の余裕、残業、派遣の追加の順に割り当てた案を出し、協定の時間に近づく班に印を付ける
- 【自動】 委託元ごとの体制の連絡の文書を、決まった書式に数を差し込んで作る
- 【人】 業務管理課の担当とセンター長が印の付いた班を中心に見て、人員・残業・派遣の追加を決め、体制の連絡を直して送る
- 【自動/人】 月の10日に、その月の前半の実績を足して後半を予測し直し、担当が組み直すかを決める
7番目で決めるのは人です。 モデルが出すのは件数と人時の案で、誰がどの委託元の業務を兼ねられるか、派遣の会社に何日前に頼めば教える時間が取れるかを知っている担当とセンター長が決めます。
6番目は生成AIで書かせません。 委託元への連絡は、契約の処理の期限に関わる数を伝える文書です。数は Python が表から差し込み、文の形は会社で決めた書式に固定します。 書式に無いことを書き足すかは、担当が送る前に決めます。
02今回想定するシステム構成
業務の管理の仕組みの受付と処理の件数(毎日の夜に書き出しを取り込む) + 委託元の予定の表(締めの日、見込みの件数、販促・発送の予定) + 祝日(内閣府の CSV) + 標準の処理の時間の表 + 班ごとの出勤の予定 + 兼務できる人の表 + 勤怠の仕組みの当月の残業の実績 │ ▼【トリガー】毎日夜(取り込み)、毎月18日と10日の朝(予測) Python(pandas) ├──▶ 委託元の営業日の暦を作り、何営業日目か・締めから何営業日かにそろえる ▼ scikit-learn(HistGradientBoostingRegressor) │ 翌月の営業日ごと・委託元の業務ごとの受付の件数:中央(ポアソン)・上振れ(分位点) ▼ Python ── 処理の期限から日ごとの必要な人時、班ごとの出勤の予定との差 ▼ Python ── 兼務・残業・派遣の追加の割り当ての案、協定の時間の印、体制の連絡の文書 ▼ 【人】担当とセンター長が人員と派遣の追加を決め、連絡を直して送る
| 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、statsmodels |
| 集計 | Python(必要な人時、兼務と残業の割り当て、体制の連絡の文書への差し込み) | スプレッドシートの計算式 |
| 保管 | センターの共有フォルダ(委託元の予定の表、標準の処理の時間の表、決めた人員の記録) | - |
新しく足すのは、Python の取り込みと予測と割り当てのスクリプト、委託元の予定の表です。 業務の管理の仕組みと勤怠の仕組みはこれまでどおりで、この構成はどちらにも書き込みません。 出すのは翌月の案と連絡の文書の下書きです。
予測のエンジンに HistGradientBoostingRegressor を選んだのは、委託元ごとに違う山の形を、委託元の業務を項目にして1本のモデルで学べるからです。 公式のページでは、categorical_features の既定が 'from_dtype' で、pandas の Categorical の型の列はカテゴリとして扱われるとされています。委託元の業務を Categorical にしておけば、委託元ごとにモデルを分けなくても、山の形の違いを学びます。記録の短い新しい委託元も、似た業務の委託元の傾向を借りられます。
生成AIは使いません。 予測は数の問題で、委託元への連絡も書式に数を差し込むだけです。
03どうやって実装するのか
処理の起点を決める
取り込みは毎日の夜、予測は毎月18日と10日の朝に動かします。 業務の管理の仕組みは、その日の受付と処理の件数を夜の締めの処理で確定させます。確定のあとの夜11時に、委託元ごとの件数を書き出して取り込みます。 センターのサーバーの定時実行で Python のスクリプトを起動します。
18日の朝は、翌月の計画のための回です。 派遣の会社への追加の依頼は、教える時間を取るために前月の20日までに出す決まりにしています。18日に案を出し、19日に班長と詰め、20日に派遣の依頼と委託元への連絡を出せる日程です。18日が土日祝日なら、その前の営業日に動かします。
10日の朝は、その月の後半を予測し直す回です。 月の前半の件数が分かれば、委託元の販促の効き方や、見込みの件数の外れ方が見えます。後半の山の前に、残業と兼務を組み直せます。
年に1回、委託元との契約の更新の時期にモデルを作り直します。 あわせて、毎月の予測のあとに先月の当たり方を記録し、3か月続けて上振れを上回った委託元があれば、その時点で作り直します。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 受付と処理の件数 | 委託元の業務、日付、受付の件数、処理の件数、期限を外した件数、差し戻しの件数 | 業務の管理の仕組みの書き出し |
| 委託元の予定 | 委託元ごとの締めの日の決まり(月末・20日・第5営業日など)、休みの日、委託元から届く見込みの件数、販促・発送の予定 | 委託元の予定の表 |
| 祝日 | 国民の祝日の日付 | 内閣府の祝日の CSV |
| 標準の処理の時間 | 委託元の業務ごとの1件あたりの処理の時間、処理の期限(何営業日以内か) | 標準の処理の時間の表 |
| 出勤の予定 | 班ごと・日ごとの出勤の予定の人時 | 班ごとの出勤の予定の表 |
| 兼務できる人 | 人ごとに処理できる委託元の業務と習熟の段階 | 兼務できる人の表 |
| 残業の実績 | 人ごとの当月の時間外労働の時間の累計 | 勤怠の仕組みの書き出し |
| 協定の時間 | 時間外労働の協定で決めた1か月の時間と、社内の目安 | 人事が決めた値 |
質を決めるのは、委託元の予定の表の「見込みの件数」と「締めの日の決まり」の列です。 委託元の見込みは毎回そのまま当たるわけではなく、多めに出す委託元と少なめに出す委託元があります。 モデルには見込みの件数そのものを渡し、過去の見込みと実績の比を学ばせます。 見込みの届かない月は「見込みなし」の印の列を立て、見込みの件数を0にしておきます。
協定の時間は、労働基準法の決まりの範囲で会社が結んだ値を入れます。 法律では、時間外労働の限度時間は1か月について45時間、1年について360時間とされ、臨時的な特別の事情があっても1か月について時間外と休日の労働で100時間未満、2〜6か月の平均で80時間以内などの決まりがあります。この構成が使うのは会社が結んだ協定の時間と、それより低い社内の目安で、法律の解釈には使いません。
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 |
|---|---|---|
| 受付と処理の件数 | 業務の管理の仕組みの日ごとの書き出し(CSV)を受け取りのフォルダから読む | 委託元の業務ごとの件数 |
| 委託元の予定・標準の処理の時間・兼務の表 | 共有フォルダのスプレッドシートを CSV で書き出して読む | 予測の項目、人時の換算、割り当て |
| 出勤の予定 | 班ごとの出勤の予定の表を CSV で書き出して読む | 日ごとの出勤の予定の人時 |
| 残業の実績 | 勤怠の仕組みから人ごとの当月の時間外の累計を書き出す(10日の回だけ) | 協定の時間までの残り |
件数は、受付の日で数えます。 処理の件数は、その日の人員で決まるので、処理の件数で学ぶと「人が少なかった日は件数が少ない」と覚えてしまいます。 予測するのは委託元から届く量なので、受付の件数を使います。
委託元の営業日の暦を、委託元ごとに作ります。 センターは土日祝日が休みですが、委託元の中には年末年始や夏の一斉の休みが違う会社があります。委託元の予定の表の休みの日と祝日の CSV から、委託元ごとの営業日の暦を作り、その暦で何営業日目かを数えます。
AIへ渡す前に整形する
- 数えないものを外す … 委託元の都合で取り消した受付、テストの受付、同じ書類の再送で重なった受付を外します
- 委託元の営業日の暦を作る … 委託元ごとに、土日・祝日・委託元の休みの日を除いた営業日に番号を振ります
- 営業日ごとに数える … 委託元の業務ごと・営業日ごとの受付の件数にします。休みの日に届いた受付は翌営業日に足します
- 締めの日を置く … 締めの日の決まりから、その月の締めの日を委託元の暦の上で決めます。締めの日が休みの日に当たる場合に前にずらすか後ろにずらすかは、委託元ごとの決まりに従います
- 項目を作る … 委託元の業務、曜日、月、月初から何営業日目か、月末まであと何営業日か、締めの日から何営業日か(前後)、その月の営業日の数、委託元の見込みの件数と「見込みなし」の印、販促・発送の予定からの営業日の数、前年の同じ月の件数の合計、2か月前の同じ営業日の番号の件数
- 委託元の業務・曜日・月を Categorical にする … 既定の設定でカテゴリとして扱われます
5番目の最後の2つは、翌月を予測するときに分かっている値だけを使うための選び方です。 18日に翌月を予測するとき、翌月の前の週の件数はまだありません。 直近の週の件数を項目にすると、学習のときには使えるのに予測のときには使えない、という食い違いが起きます。予測の時点で確定している、2か月前と前年の値だけを使います。
4番目のずらし方は、委託元との契約や業務の手順書で確かめます。 推測で決めると、締めの山の位置が1営業日ずれた暦で学習します。
AIに処理させる
させるのは、翌月の営業日ごと・委託元の業務ごとの受付の件数を予測することだけです。 機械学習のモデルを2本作ります。
| 出すもの | 損失 | 使いみち |
|---|---|---|
| 中央の見込み | loss="poisson" | 班ごとの出勤の予定と派遣の追加の人数の目安 |
| 上振れの見込み(0.8) | loss="quantile"、quantile=0.8 | 処理の期限を守れるかの確かめ、残業の見込み |
上振れに0.8を使うのは、月単位の先の予測で幅が大きく、0.9にすると派遣を集めすぎるからです。 10日の予測し直しで後半を直せるので、18日の時点では0.8で組み、10日に上振れを外しそうな委託元を組み直します。 どの分位を使うかは、期限を外す重さと、人を集めすぎる費用のどちらを重く見るかで、センター長が決めます。
必要な人時は、処理の期限の中で平らにならして出します。 「受け付けてから2営業日以内」の業務なら、その日の受付は当日と翌営業日のどちらで処理してもよいので、山の日の受付の一部を翌営業日に回して、日ごとの人時をならします。 ならしたあとの件数に標準の処理の時間を掛けたものが、日ごとの必要な人時です。
足りない人時は、決まった順に割り当てます。 1つ目はその日に余裕のある班の、その業務を兼ねられる人、2つ目は班の中の残業、3つ目は派遣の追加です。残業は人ごとの当月の見込みの合計が社内の目安を超えない範囲で割り当てます。
| 班の残業の見込み(上振れ) | 案 | 表の印 |
|---|---|---|
| 全員が社内の目安以下 | 通常 | - |
| 社内の目安を超える人がいるが、協定の時間以下 | 兼務の追加か、派遣の追加の案 | 黄 |
| 協定の時間に届く人がいる | 派遣の追加の案、委託元に処理の期限を相談する案 | 赤 |
| させないこと | 理由 |
|---|---|
| 人員と残業の確定 | 班の事情と本人の都合を知る担当とセンター長が決める |
| 派遣の契約と依頼 | 派遣の会社との取り決めに従い人が行う |
| 協定の時間を超える働かせ方の判断 | 協定の運用は人事と労使で決める |
| 委託元との契約の条件の変更 | 営業と委託元が決める |
| 委託元の新しい業務の初月の件数 | 記録が無い。委託元の見込みを担当が置く |
3行目は、とくに気を付けてください。 赤の印は、協定の時間を超えないために人を足す合図で、協定の特別の条項を使う合図ではありません。
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、月の先を見る検証の分け方と、予測の中身を示します。
import numpy as np
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import TimeSeriesSplit
FEATURES = ["client_job", "weekday", "month", "bd_index", "bd_to_month_end",
"bd_from_cutoff", "n_bdays_month", "client_estimate", "no_estimate",
"bd_since_campaign", "last_year_month_total", "lag2m_same_bd"]
# client_job・weekday・month は pandas の Categorical にしておく
def hgb(**kw):
return HistGradientBoostingRegressor(max_iter=500, learning_rate=0.05,
random_state=0, **kw)
# 日付の並びで分け、学習の最後と確かめの間を約1か月(20営業日)空ける
days = np.sort(train["date"].unique())
tss = TimeSeriesSplit(n_splits=6, test_size=20, gap=20)
for k, (tr_i, te_i) in enumerate(tss.split(days)):
tr = train[train["date"].isin(days[tr_i])]
te = train[train["date"].isin(days[te_i])]
m = hgb(loss="poisson").fit(tr[FEATURES], tr["received"])
err = (m.predict(te[FEATURES]) - te["received"]).abs().groupby(te["client_job"]).mean()
print(k, err.round(1).to_dict())
center = hgb(loss="poisson").fit(train[FEATURES], train["received"])
upper = hgb(loss="quantile", quantile=0.8).fit(train[FEATURES], train["received"])
TimeSeriesSplit を行ではなく日付の並びにかけているのは、委託元の業務ごとに1日1行あるからです。 公式のページでは、時間の順に並んだデータで、未来で学習して過去で確かめることを避ける分け方とされ、gap は学習の最後から確かめの前に除く標本の数とされています。行のままかけると、同じ日の別の委託元の行が学習と確かめに分かれます。日付の並びにかけ、gap=20 で約1か月を空けると、18日に翌月を予測する状況に近い確かめ方になります。
公式のページは、区切りの間隔がそろっていることを求めています。 営業日の並びで分ければ、どの区切りも同じ20営業日になります。
出力形式を固定する
担当とセンター長に渡すのは、次の表です。 19日の班長との打合せで画面に映して見ることを前提にします。
【翌月の委託元の業務ごとの見込み(12月・11月18日 7:40 作成/取り込み 11月17日 23:12)】
| 委託元の業務 | 山の営業日 | 受付の件数(中央/上振れ)山の日 | 必要な人時(上振れ) | 出勤の予定の人時 | 割り当ての案 | 印 |
|---|---|---|---|---|---|---|
| C社 経費の精算の点検 | 第14〜16営業日(12/18〜12/22) | 1,240/1,410 | 188 | 150 | 住所変更の班から2名を兼務、残業1人あたり6時間 | 黄 |
| F社 申込書の点検 | 第3〜8営業日 | 620/760 | 102 | 104 | 通常 | - |
| K社 住所変更の入力 | 第18〜19営業日(12/24〜12/25) | 980/1,180 | 96 | 64 | 派遣2名の追加(12/15から教える)、期限の相談 | 赤 |
「割り当ての案」の列で、派遣の追加が要るかを先に見ます。 赤の委託元は、20日の派遣の依頼に間に合わせるため、19日のうちに決めます。
委託元への体制の連絡の文書は、委託元ごとに1枚ずつ作ります。 書式は会社で決めた1つで、差し込むのは翌月の体制の人数、繁忙の見込みの営業日、その日に2営業日以内で処理できる件数の上限、上限を超える見込みのときに知らせてほしい期日です。上限は上振れではなく、決めた人員で処理できる件数から出します。
表の一番下には、注意の印を並べます。 見込みの件数が届いていない委託元には「見込みなし」、締めの日の決まりが空の委託元には「締めの日が未入力」、取り込みが前日より古ければ「取り込みが止まっている」を出します。
同じ内容を CSV でも残します。 翌月に実績と並べて当たり方を見るのは、この CSV です。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 業務の管理の仕組み | 日ごとの書き出し(CSV)を受け取りのフォルダから読む | 受付と処理の件数 |
| 勤怠の仕組み | 人ごとの当月の時間外の累計を書き出す | 協定の時間までの残り |
| 予定・処理の時間・兼務・出勤の表 | スプレッドシートを CSV で書き出して読む | 予測と割り当ての項目 |
| 業務の管理の仕組み・勤怠の仕組み・出勤の予定の表 | 書き込まない(決めてから人が直す) | - |
| 委託元へのメール | 自動で送らない(文書の下書きまで) | - |
委託元への連絡は、担当が文書を確かめてから送ります。 処理できる件数の上限は、委託元にとって大きな発送の日を決める材料になります。数を誤って送ると、委託元の計画まで狂わせます。
人が確認する
- 作った日時と取り込みの日時を見る … 表の上の2つの日時が当日の朝と前日の夜であることを確かめます
- 赤の委託元を見る … 派遣の追加の人数と、教え始める日を決めます。委託元に処理の期限を相談するかも、ここで決めます
- 黄の委託元を見る … 兼務の案の人が本当にその業務を処理できるかを、兼務できる人の表と班長に確かめます
- 委託元の見込みを足し引きする … 委託元の担当から電話で聞いた予定、制度の改正の時期などを足し引きします
- 体制の連絡の文書を確かめる … 人数と上限の件数が、決めた人員と合っているかを見てから送ります
目標は、15件をならして1件16分です。 印の無い委託元は案と文書を確かめるだけで、時間を使うのは赤と黄の委託元です。
例外に対処する
| 起きること | 対応 |
|---|---|
| 取り込みが失敗した・止まっている | 予測を止め、表の一番上に「取り込みが止まっている」と出す |
| 委託元の見込みが届かない | 「見込みなし」の印で予測し、表に出す。担当が委託元に問い合わせる |
| 委託元の新しい業務 | 記録が3か月たまるまでは委託元の見込みを中央に置き、表に印を付ける |
| 委託元が締めの日の決まりを変えた | 変えた月から委託元の予定の表を直し、前の月までの学習の暦はそのままにする |
| 制度の改正などで件数が一時に跳ねた月 | 記録に印を付け、学習から外すか、項目に「改正の月」を足す |
| 協定の時間に届く人が出た(10日の回) | 赤の印を出し、残業の割り当てからその人を外す |
| 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 |
4行目は、委託元の社内の制度の変更で起きます。 締めの日が20日から月末に変われば、山は月末のあとに移ります。委託元の担当から変更を聞いたら、その月のうちに予定の表を直す決まりにします。
記録を残す
- 実行の日時、使ったモデルの作成日、最後に取り込みが成功した日時
- 委託元の業務ごと・営業日ごとの件数の中央と上振れ、必要な人時、割り当ての案、印
- 担当とセンター長が決めた人員・残業・派遣の追加と、案から変えた理由
- 委託元へ送った体制の連絡の文書と、送った日時
- 翌月の実績(受付の件数、期限を外した件数、班ごとの残業の時間)と、月ごとの当たり方
3つ目と5つ目を並べると、人員の判断が合っていたかが分かります。 赤の委託元に派遣を足して期限を外した件数が出なかったなら、判断は働いています。
04実装レベルの3段階
本記事の想定は本格構成です。 半自動化では件数の表までで、人時への換算と割り当て、連絡の文書は担当の手に残ります。 第4章の③の時間がそのまま残ります。 半自動化で1件48分が30分ほどに、本格構成で16分になります。 差が大きいのは、割り当てと連絡の文書が、兼務の表と書式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。 半自動化の表を2か月見ると、どの委託元の見込みが当たり、どの委託元の見込みが毎回ずれるかが分かります。その差を担当が納得してから、本格構成に進みます。
05工数削減シミュレーション
導入後 15件 × 16分 ÷ 60 = 4 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
- 複数の委託元から書類の入力・点検・受付の事務を受託し、委託元ごとに担当の班を分けている事務処理センター。業務の管理の仕組みに、委託元ごと・日ごとの受付の件数と処理の件数が2年分以上残っている場合。委託元の締め日や月末に件数が集中し、翌月の人員と残業の見込みを管理の担当が表計算で毎月作っていて、処理の期限を外す月と残業が協定の時間に近づく月がある場合。
- 委託元が1〜2社で、件数が毎月ほぼ同じ場合。件数を委託元ごと・日ごとに数えられる記録が無い場合。件数が委託元の販促や制度の改正だけで決まり、過去の記録からは動きを読めない業務が大半の場合。なお、人員の確定、派遣の契約、時間外労働の協定の締結と運用の判断、委託元との契約の条件の変更は、この構成では代替できません。
07最小構成で試す方法
- 業務の管理の仕組みから、過去2年分の委託元ごと・日ごとの受付の件数を書き出す
- 委託元ごとの締めの日の決まりと休みの日を、契約と手順書から拾って表にする
- 委託元から届いた見込みの件数を、過去のメールから月ごとに拾う
- Python で第7章の設定を動かし、最後の6か月を「翌月」として、月ごとに予測させる
- 当時の担当の見立て(計画の表に残っている件数)と、実際の件数と並べる
2年・6か月で十分です。 確かめたいのは、「締めの日のずれた月の山の位置を、担当の見立てと同じくらい当てられるか」です。
| 出てきた内容 | 判断 |
|---|---|
| 締めの日のずれた月の山の位置が実績と合う | 処理の期限でならした人時と割り当てまで出す段階に進む |
| 山の位置が1営業日ずれる | 締めの日のずらし方が委託元の決まりと違う。契約と手順書を見直す |
| 処理の件数が少ない日を少なく見込む | 処理の件数で学習している。受付の件数で学習し直す |
2行目は、ほとんどのセンターで一度は出ます。 失敗ではなく、委託元ごとの締めの決まりを表にしておく理由が数字で分かったということです。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 暦の日で学習して山の位置がずれる | 委託元の営業日の暦で、何営業日目か・締めから何営業日かで数える |
| 予測のときに無い直近の件数を項目にする | 2か月前と前年の値だけを使う |
| 処理の件数で学習する | 受付の件数で学習する |
| 委託元の見込みをそのまま信じる | 見込みの件数を項目にし、見込みと実績の比を学ばせる |
| 締めの日のずらし方を推測で決める | 契約と手順書で委託元ごとに確かめる |
| 検証の行をでたらめに選ぶ | 日付の並びに TimeSeriesSplit をかけ、gap で1か月空ける |
| 残業を班の合計だけで見る | 人ごとの当月の見込みで社内の目安と協定の時間を見る |
| 兼務の案の人が実は処理できない | 兼務できる人の表に習熟の段階を持たせ、班長が確かめる |
| 連絡の文書の上限を上振れから出す | 決めた人員で処理できる件数から出す |
| 委託元へ自動で送る | 下書きまでにし、担当が確かめて送る |
上の2行が、この構成の失敗のほとんどです。 どちらも、翌月の予測を、翌月にならないと分からない情報で組んでしまうことから起きます。ここを押さえれば、残りは他の件数の予測と同じ注意で足ります。
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: 委託元ごとの受付と処理の件数、委託元の予定、出勤の予定、人ごとの残業の時間です。委託元から預かった書類の中身(契約者の名前・住所など)は扱いません。
- 件数だけを取り込む … 業務の管理の仕組みの書き出しは、委託元の業務・日付・件数の列だけにします。受付の明細を書き出す設定にしないでください。 委託元との契約で、預かった情報の使い道が決まっています
- 委託元ごとの情報を混ぜて見せない … 予測の表と連絡の文書には、ほかの委託元の件数や名前を載せません。連絡の文書は委託元ごとに1枚にします
- 人ごとの残業の時間の扱い … 割り当てに使うのは人ごとの当月の累計で、表に名前付きで並べるのは担当とセンター長が見る画面だけにします。予測の数を人の評価に使わないでください
- データを外に出さない … 予測はセンター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
- 協定の運用は人が決める … 赤の印は人を足す合図で、協定の時間を超える働かせ方を許す合図ではありません。 協定の内容と運用は人事と労使で決めます
誤りが起きた場合のリスクは、処理の期限を外して委託元への報告が要ることと、派遣を集めすぎて費用がかさむことの2つです。 前者は営業日の暦や締めの日を誤ると起き、後者は上振れの線や委託元の見込みを信じすぎると起きます。委託元ごとの当たり方と、上振れを上回った日の割合の確認で、両方を抑えます。
10まず何から始めるか
1週目:委託元ごとの決まりを表にする
15社の契約と手順書から、締めの日の決まり、休みの日、締めの日が休みに当たったときのずらし方、処理の期限を1枚の表にします。分からない委託元は、営業の担当を通して確かめます。
2週目:2年分で試す
第8章のとおり、受付の件数と営業日の暦を合わせ、最後の6か月を月ごとに予測させます。締めの日のずれた月の山の位置と、受付の件数で学んでいるかを最優先で見ます。
3週目:処理の時間と兼務の表を決める
班長と一緒に、委託元の業務ごとの標準の処理の時間と、兼務できる人の習熟の段階を表にします。人事と、残業の社内の目安と協定の時間を確かめます。
4週目:翌月の表を毎月出す
毎日の取り込みと、18日に翌月の件数の表を出す半自動化を始め、担当はこれまでどおり自分で計画を作りながら、表と見比べます。 翌月の末に、担当の見立てと表の中央のどちらが実績に近かったかを書き残します。
3か月目以降: 人時のならし、割り当ての案、連絡の文書を足し、10日の予測し直しを始めます。案から変えた理由、期限を外した件数、班ごとの残業の時間を毎月見ます。 担当が印の付いた委託元だけを見て計画と連絡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 の loss に 'poisson'(y >= 0 が要る)と 'quantile' があること。categorical_features の既定が 'from_dtype' で、Categorical の型の列をカテゴリとして扱うこと(版 1.9.1) | scikit-learn: HistGradientBoostingRegressor | 2026-11-03 |
TimeSeriesSplit が時間の順のデータで未来で学習して過去で確かめることを避ける分け方であること、区切りの間隔がそろっている必要があること、test_size と gap(学習の最後から確かめの前に除く標本の数)を指定できること(版 1.9.1) | scikit-learn: TimeSeriesSplit | 2026-11-03 |
| 労働基準法第36条:時間外労働の協定で定める限度時間が1か月45時間・1年360時間であること、臨時的な場合でも1か月の時間外と休日の労働が100時間未満、2〜6か月の平均が80時間以内などとされること(2026-07-17 施行の版) | e-Gov 法令API: 労働基準法 | 2026-11-03 |
| 国民の祝日の CSV が昭和30年から令和9年までを収録し、令和10年の分を前年の2月に掲載するとされていること | 内閣府: 国民の祝日について | 2026-11-03 |
人員の決定、派遣の契約、時間外労働の協定の運用、委託元との契約の条件は、会社の判断で行ってください。 本記事は公開されている仕様と法令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-2623)についてのご相談はこちらから。
