情報システム部が社内ヘルプデスクの過去の問い合わせ件数と、入社・異動・PCの入れ替えなど社内の行事の予定から Python で拠点ごとの週の件数を予測し、4週先までの当番の人数を決める
社内ヘルプデスクの過去の問い合わせ件数と、入社・異動・PCの入れ替えなど社内の行事の予定から、Python で拠点ごと・週ごとの件数を4週先まで幅付きで予測します。行事ごとの増え方の目安を添え、当番の人数と応援の依頼の案を出します。
- 連携・自動化
- Python
- 対象業界
- IT・SaaS/商社/製造/金融
- 対象部門
- 情報システム
- 対象業務
- 比較検討/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/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
- 月曜に、責任者が Jira で拠点ごとの直近8週と前年の同じ時期の週の件数を書き出す
- 人事の入社・異動の予定表を開き、4週先までの拠点ごとの人数を拾う
- 変更作業の予定表を開き、PCの入れ替えの台数と全社の作業の予定を拾う
- 拠点ごと・週ごとに「何件くらい来るか」を見立てる
- 専任の担当の休みと見比べ、当番の人数を決める
- 当番が要る週は、インフラの係とアプリの係の上長に応援を頼む
- 週の途中で件数が積み上がったら、その場で応援を頼み直す
- 人人事から、4週先までの拠点ごと・週ごとの入社と異動の予定人数を毎週受け取る(人数だけで、名前は受け取らない)
- 人情報システム部の担当が、変更作業の予定表にPCの入れ替えの台数と全社の作業の規模を入れる
- 自動毎週日曜の深夜に、Python が Jira から前の週までのチケットを取り込み、数えないものを外して拠点ごと・週ごとの件数を更新する
- 自動月曜の朝に、4週先までの拠点ごと・週ごとの件数を、中央と上振れで予測する
- 自動専任の担当の予定と1件あたりの対応の時間から、当番の人数の案と、応援を頼む週の印を出す
- 人責任者が印の付いた週を中心に見て、当番の人数と応援の依頼を決める
- 人応援が要る週は、4週前のうちにほかの係の上長に頼む
各工程の詳しい説明を読む
- 月曜に、責任者が Jira で拠点ごとの直近8週と前年の同じ時期の週の件数を書き出す
- 人事の入社・異動の予定表を開き、4週先までの拠点ごとの人数を拾う
- 変更作業の予定表を開き、PCの入れ替えの台数と全社の作業の予定を拾う
- 拠点ごと・週ごとに「何件くらい来るか」を見立てる
- 専任の担当の休みと見比べ、当番の人数を決める
- 当番が要る週は、インフラの係とアプリの係の上長に応援を頼む
- 週の途中で件数が積み上がったら、その場で応援を頼み直す
(a)行事の週に当番が足りない。 4番の見立てで、入社とPCの入れ替えが同じ週に重なることを見落とすと、本社の窓口に初期設定の問い合わせが並び、パスワードの再設定のような急ぎの問い合わせまで待たされます。 入社した人の最初の週の印象が、ヘルプデスクの待ち時間で決まります。
(b)応援を頼むのが直前。 6番で応援を頼むのは、責任者が見立てに自信を持てた週だけで、多くは7番の、積み上がってからの頼み直しになります。 ほかの係も自分の作業の予定があり、当日に人を出すのは難しく、関係がぎくしゃくします。
(c)見立てが責任者の頭の中にある。 入社1名でどれくらい増えるか、全社の作業の週は何割増えるかは、責任者が経験で知っています。責任者が休みの週は、前の週と同じ当番のまま進みます。 当番の数を説明する根拠も、責任者の経験しかありません。
(d)件数の記録がそのままでは使えない。 Jira のチケットには、監視からの自動の通知、同じ問い合わせの重複、ポータルの使い方の練習で作られたものが混ざります。画面の件数と、人が対応した件数が違います。 1番の書き出しのたびに、責任者が目で外しています。
- 【人】 人事から、4週先までの拠点ごと・週ごとの入社と異動の予定人数を毎週受け取る(人数だけで、名前は受け取らない)
- 【人】 情報システム部の担当が、変更作業の予定表にPCの入れ替えの台数と全社の作業の規模を入れる
- 【自動】 毎週日曜の深夜に、Python が Jira から前の週までのチケットを取り込み、数えないものを外して拠点ごと・週ごとの件数を更新する
- 【自動】 月曜の朝に、4週先までの拠点ごと・週ごとの件数を、中央と上振れで予測する
- 【自動】 専任の担当の予定と1件あたりの対応の時間から、当番の人数の案と、応援を頼む週の印を出す
- 【人】 責任者が印の付いた週を中心に見て、当番の人数と応援の依頼を決める
- 【人】 応援が要る週は、4週前のうちにほかの係の上長に頼む
6番目で決めるのは人です。 モデルが出すのは件数と当番の人数の案で、誰を当番にするか、ほかの係のどの作業と重なるかは、責任者が決めます。
7番目が、第3章の(b)への答えです。 4週先までの案が毎週出るので、応援を頼むのが、ほかの係が自分の予定を組む前になります。
02今回想定するシステム構成
Jira Service Management のチケット(search/jql で毎週取り込む) + 入社・異動の予定人数(人事から毎週) + 変更作業の予定表(PCの入れ替えの台数・全社の作業の規模) + 祝日(内閣府の CSV)+ 拠点ごとの社員数 + 専任の担当の予定(当番の表) │ ▼【トリガー】毎週日曜の深夜(取り込み)、月曜の朝(予測) Python(pandas) ├──▶ 数えないチケットを外し、拠点ごと・週ごとの件数にそろえる ▼ scikit-learn(PoissonRegressor) │ 拠点ごと・週ごとの「社員100名・1営業日あたりの件数」の中央 ▼ Python ── 過去の外れ方から上振れの幅、件数への戻し、当番の人数の案 ▼ 【人】責任者が当番の人数と応援の依頼を決める
| 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 PoissonRegressor(ポアソン回帰) | statsmodels の一般化線形モデル、LightGBM |
| 集計 | Python(件数への戻し、上振れの幅、当番の人数への換算) | スプレッドシートの計算式 |
| 連携 | Jira Service Management(Jira Cloud の REST API の search/jql で取り込む) | ServiceNow、Zendesk |
| 保管 | Google スプレッドシート(人事の予定人数、変更作業の予定、対応の時間の表、決めた当番の記録) | - |
新しく足すのは、Python の取り込みと予測のスクリプト、対応の時間の表です。 Jira と当番の表はこれまでどおりで、この構成はチケットも当番の表も書き換えません。
予測のエンジンに PoissonRegressor を選んだのは、係数を読めるからです。 公式のページでは、ポアソン分布の一般化線形モデルで、log のリンク関数を使うとされています。係数を exp で戻すと、項目が1増えたときに件数が何倍になるかとして読めます。週ごとの行は3拠点で年に約150行と少なく、複雑なモデルより、行事ごとの効き方を責任者が確かめられる形のほうが運用に向きます。
fit には sample_weight を渡せます。 件数を「社員100名・1営業日あたり」の率にして目的にし、重みにその週の社員数と営業日の数を掛けたものを渡すと、社員の多い拠点と営業日の多い週ほど重く見る、率のポアソン回帰と同じ形になります。祝日のある週は営業日が少なく、件数も少なくなりますが、率にすれば同じ物差しで比べられます。
生成AIは使いません。 予測は数の問題で、責任者に渡すのは週ごとの表です。
03どうやって実装するのか
処理の起点を決める
取り込みは毎週日曜の深夜、予測は月曜の朝に動かします。 社内のサーバーか、クラウドの小さな仮想マシンの定時実行(cron)で Python のスクリプトを起動します。月曜の朝の案をもとに、責任者がその日のうちに応援を頼めるようにします。
取り込みは、直近の8週を毎回取り直します。 公式のページでは、Jira の検索は直近の更新がすぐには結果に出ないことがあるとされています。また、担当があとから重複の印を付けたり、拠点の項目を直したりします。1回取ったら終わりにせず、8週ぶんを毎回数え直します。
月に1回、モデルを作り直します。 毎月の第1月曜に先月までの記録で学習し直し、作り直す前と後で、直近の8週の当たり方を比べた結果を残します。悪くなっていれば前のモデルのまま使います。
結果の表には、作った日時と、取り込みが成功した日時を印字します。 取り込みが止まると、直近の件数が少なく見え、4週先までを少なく見込みます。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| チケット | 課題のキー、作成日時、拠点(依頼のフォームの項目)、依頼の種類、解決の状態(重複・取り下げ)、作成した経路(ポータル・メール・担当の代理の作成)、ラベル | Jira Service Management |
| 入社・異動の予定 | 週ごと・拠点ごとの入社の人数と異動の人数 | 人事(毎週、人数だけを受け取る) |
| 変更作業の予定 | 週ごと・拠点ごとのPCの入れ替えの台数、全社の作業(多要素認証・OS・メールなど)の有無と規模 | 情報システム部の変更作業の予定表 |
| 社員数 | 拠点ごとの在籍の人数(月ごと) | 人事 |
| 祝日 | 国民の祝日の日付と、会社の休日 | 内閣府の祝日の CSV、会社のカレンダー |
| 専任の担当の予定 | 週ごとの専任の担当の出勤日 | 当番の表 |
| 対応の時間の表 | 依頼の種類ごとの1件あたりの対応の時間、当番1人の週の対応の時間 | 責任者が決める表 |
質を決めるのは、変更作業の予定表の「規模」です。 同じ全社の作業でも、画面の案内だけで済むメールの設定の変更と、全員が端末で操作する多要素認証の切り替えでは、問い合わせの増え方がまるで違います。 規模を「小・中・大」で付け、大は「全員が自分の端末で操作が要る作業」と決めておきます。
障害の週を記録しておきます。 大きな障害の週は、問い合わせが一気に増えます。障害は前もって分からないので、予測の対象にしません。 学習から外すため、障害の週と影響した拠点を記録します。
人事から受け取るのは人数だけです。 予測に要るのは、何名が入社し、何名が異動するかで、誰が入社するかは要りません。 人事の予定表の閲覧の権限をもらうのではなく、人数の表だけを毎週もらう取り決めにします。
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 |
|---|---|---|
| チケット | Jira Cloud の REST API の GET /rest/api/3/search/jql を、JQL で作成日時の範囲を絞って呼ぶ | 拠点ごと・週ごとの件数 |
| 人事の予定人数・変更作業の予定・対応の時間の表 | スプレッドシートを CSV で書き出して読む | 行事の項目と当番の換算 |
| 祝日 | 内閣府の祝日の CSV と会社のカレンダー | 営業日の数 |
チケットの取り込みには、新しい検索の API を使います。 Jira Cloud の公式のリファレンスでは、従来の GET /rest/api/3/search と POST /rest/api/3/search に「Currently being removed(削除が進行中)」と表示され、/rest/api/3/search/jql(enhanced search)が並んでいます。新しい API は nextPageToken で続きのページを取ります。古い API の startAt で書いた既存のスクリプトを流用しないでください。
JQL は、プロジェクトと作成日時で絞ります。 たとえば project = HD AND created >= -56d ORDER BY created ASC のように、直近8週を作成日時の順で取ります。fields には、キー・作成日時・拠点・依頼の種類・解決の状態・ラベルだけを指定し、チケットの説明や添付は取りません。 公式のページでは、結果に含まれるのは、呼び出す利用者がそのプロジェクトの閲覧の権限を持つ課題だけとされています。取り込み用の利用者には、ヘルプデスクのプロジェクトの閲覧の権限を付けます。
件数だけなら POST /rest/api/3/search/approximate-count で数を返す API もあります。 ただし名前のとおり概数の API で、数えないチケットを細かく外す必要があるこの構成では、課題を取って自分で数えます。
祝日の CSV は年に1回入れ替えます。 内閣府のページでは、CSV は昭和30年から令和9年までを収め、令和10年の分は令和9年の2月に載せるとされています。会社の夏季休暇や年末年始の休みは、会社のカレンダーから足します。
AIへ渡す前に整形する
- 数えないものを外す … 監視からの自動の通知(ラベルで判別)、解決の状態が「重複」「取り下げ」のもの、ポータルの練習で作られたものを外します
- 週に集める … 作成日時を日本時間にして、月曜始まりの週ごと・拠点ごとに数えます。拠点が空のものは「不明」として数え、件数を表に出します
- 障害の週を外す … 記録した障害の週と、影響した拠点の行を学習から外します
- 率にする … 件数を、その週の営業日の数と拠点の社員数(100名単位)で割ります
- 項目を作る … 拠点、月、営業日の数、社員100名あたりの入社の人数、異動の人数、PCの入れ替えの台数、全社の作業の規模(小・中・大)、月初の週か、連休明けの週か、直近4週の率の平均
- カテゴリを0と1の列にする … 拠点・月・作業の規模は、0と1の列に分けてからモデルに渡します
1番目が、この構成の肝です。 監視の通知は、障害の多い週に数百件まとめて作られます。外さずに数えると、障害の週の件数を行事の効き方として覚えます。 責任者がいままで目で外していたものを、ラベルと解決の状態の決まりにします。
5番目で入社と異動を「社員100名あたり」にするのは、拠点の大きさをそろえるためです。 本社の20名と開発拠点の20名では、拠点に占める割合が違います。
6番目は、PoissonRegressor がカテゴリをそのまま扱わないためです。 pandas の get_dummies などで列に分けます。月の列は1つを基準にして外し、列どうしが完全に重ならないようにします。
AIに処理させる
させるのは、拠点ごと・週ごとの「社員100名・1営業日あたりの件数」を予測することだけです。 モデルは1本で、上振れは過去の外れ方から付けます。
| 出すもの | 作り方 | 使いみち |
|---|---|---|
| 中央の見込み | PoissonRegressor の予測に、営業日の数と社員数を掛けて件数に戻す | 当番の人数の目安 |
| 上振れの見込み | 中央に、過去の検証での「実績 ÷ 中央」の0.9の分位を掛ける | 応援を頼む週の印 |
| 行事ごとの増え方 | 係数を exp で戻した倍率 | 当番の根拠、日程の相談の材料 |
上振れを過去の外れ方から付けるのは、ポアソン回帰が平均しか出さないからです。 TimeSeriesSplit で週の順に当たり方を確かめた結果から、拠点ごとに「実績が中央の何倍になったか」を集め、その0.9の分位を倍率にします。どの分位を使うかは、当番が足りないときの影響と、ほかの係の負担のどちらを重く見るかで、責任者が決めます。
当番の人数は、上振れの件数から出します。 依頼の種類ごとの対応の時間で件数を時間に直し、専任の担当の出勤の時間を引いた残りを、当番1人の週の対応の時間で割って切り上げます。
| 当番の人数の案(上振れ) | 表の印 |
|---|---|
| 専任の担当だけで足りる | - |
| 当番1名 | 黄 |
| 当番2名以上 | 赤(4週前のうちに応援を頼む) |
行事ごとの増え方は、係数の大きさが妥当かを責任者が確かめます。 たとえば「社員100名あたりの入社1名」の係数が負なら、記録か項目の作り方に誤りがあります。係数が読めることが、この構成でポアソン回帰を選んだ理由です。
| させないこと | 理由 |
|---|---|
| 誰を当番にするかの決定 | ほかの係の作業と人の事情を知る責任者が決める |
| 変更作業の日程の変更 | 作業の担当と責任者が決める。予測は材料 |
| 障害の判断と社内への告知 | 障害の対応の決まりで行う |
| 入社や異動の日程 | 人事が決める |
| 初めての種類の全社の作業の効き方 | 記録が無い。責任者が上乗せする |
2行目は、とくに気を付けてください。 赤の週が出ても、それを理由に変更作業を延ばす判断を予測に任せないでください。 予測は当番を決めるための見込みです。日程を相談するなら、係数の倍率を材料に作業の担当と話します。
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、率のポアソン回帰と上振れの付け方の中身を示します。
import numpy as np
from sklearn.linear_model import PoissonRegressor
from sklearn.model_selection import TimeSeriesSplit
NUM = ["hires_per100", "moves_per100", "pc_swaps_per100",
"month_start", "after_holiday", "recent4w_rate"]
CAT = ["site", "month", "change_size"]
X = pd.get_dummies(df[NUM + CAT], columns=CAT, drop_first=True, dtype=float)
exposure = df["workdays"] * df["employees"] / 100
y_rate = df["tickets"] / exposure
model = PoissonRegressor(alpha=0.1, max_iter=1000)
# 週の順に並べ、直近を検証にして外れ方を集める(3拠点 × 8週を1区切りに)
ratios = []
for tr, te in TimeSeriesSplit(n_splits=5, test_size=24).split(X):
model.fit(X.iloc[tr], y_rate.iloc[tr], sample_weight=exposure.iloc[tr])
pred = model.predict(X.iloc[te]) * exposure.iloc[te]
ratios.append(df["tickets"].iloc[te] / pred)
upper_factor = pd.concat(ratios).groupby(df["site"]).quantile(0.9)
model.fit(X, y_rate, sample_weight=exposure)
effects = pd.Series(np.exp(model.coef_), index=X.columns) # 項目が1増えたときの倍率
alpha は小さめに置きます。 公式のページでは、alpha は L2 の罰則の強さで、既定は1、0にすると罰則の無い一般化線形モデルになり、そのときは列どうしが完全に重ならないことが要るとされています。既定の1のままだと係数が小さく縮み、行事の効き方を控えめに読むことになります。0.01〜1の間でいくつか試し、検証の当たり方で決めます。
TimeSeriesSplit の区切りは、拠点の数の倍数にします。 公式のページでは、k 回目は最初の k の区切りで学習し次の区切りで確かめる分け方で、比べられる指標にするには区切りの間隔がそろっている必要があるとされています。行を週・拠点の順に並べ、test_size を「3拠点 × 8週」の24にすると、どの区切りも8週ぶんになります。同じ週の拠点が学習と検証に割れないように並べ方を確かめます。
4週先の予測には、4週先の行事の予定を入れます。 直近4週の率の平均は、予測する週から見て4週より前の値で作ります。4週先を予測するのに、まだ来ていない3週ぶんの実績を使わないためです。
出力形式を固定する
責任者に渡すのは、次の表です。 月曜の朝に画面で見ることを前提にします。
【4週先までの問い合わせの見込み(11月第2週・月曜 7:20 作成/取り込み 日曜 2:10)】
| 週 | 拠点 | 行事 | 件数(中央/上振れ) | 専任で受けられる件数 | 当番の案 | 印 |
|---|---|---|---|---|---|---|
| 11/16 | 本社 | 入社18名、PC入れ替え60台 | 212/268 | 210 | 1名 | 黄 |
| 11/23 | 本社 | 多要素認証の切り替え(大) | 287/362 | 168(祝日あり) | 3名 | 赤 |
| 11/23 | 大阪 | 多要素認証の切り替え(大) | 64/88 | 70 | 1名 | 黄 |
| 11/30 | 福岡 | なし | 31/42 | 70 | - | - |
「印」で、責任者が見る先を決めます。 赤の週は、4週前のうちにほかの係の上長に応援を頼むかを決めます。黄の週は、専任の担当の休みをずらせるかも含めて決めます。
表の下には、行事ごとの増え方を並べます。 「社員100名あたりの入社1名で、その週の件数が約1.0X倍」「全社の作業(大)の週は約1.X倍」のように、係数を倍率で出します。月ごとのモデルの作り直しで、倍率がどう変わったかも並べます。
表の一番下には、注意の印を並べます。 変更作業の予定表に「規模」が空の作業がある週には「作業の規模が未入力」、初めての種類の全社の作業には「上乗せ未定」、拠点が「不明」のチケットが1割を超えた週には「拠点の未入力が多い」、取り込みが古ければ「取り込みが止まっている」を出します。
機械で読む用には、同じ内容を CSV でも残します。 列は、週、拠点、営業日の数、社員数、行事の項目、率と件数の中央と上振れ、専任で受けられる件数、当番の案、印、モデルを作った日付です。4週後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 |
|---|---|---|
| Jira Service Management | REST API の search/jql で週に1回取り込む。取り込み用の利用者はヘルプデスクのプロジェクトの閲覧の権限だけ | キー、作成日時、拠点、依頼の種類、解決の状態、ラベル |
| 人事の予定人数・変更作業の予定表・当番の表 | スプレッドシートを CSV で書き出して読む | 行事の項目、専任の出勤 |
| 結果の表 | スプレッドシートに書き出し、責任者と当番の表の担当に共有 | 週ごとの見込みと当番の案 |
| Jira のチケットと当番の表 | 書き込まない(決めてから人が直す) | - |
Jira には読み取りしかしません。 取り込みに使う利用者の権限を閲覧に絞り、チケットの担当の割り当てや状態を変える処理は作りません。 当番の表も、責任者が決めてから担当が書き込みます。
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つの日時が当日と前日であることを確かめます
- 赤と黄の週を見る … 応援を頼むか、専任の担当の休みをずらすかを決めます
- 注意の印を見る … 作業の規模の未入力は作業の担当に聞き、初めての種類の作業は上乗せを決めます
- 行事ごとの増え方を確かめる … 倍率の向きと大きさが経験と食い違っていないかを見ます。大きく食い違えば、記録か項目の作り方を疑います
- 予測の外の事情を足し引きする … 大きな組織の変更、新しい業務システムの稼働、拠点の引っ越しなどを足し引きします
目標は、12件をならして1件15分です。 印の無い拠点は案を写すだけで、時間を使うのは赤と黄の週と、初めての種類の作業の週です。
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 |
| 呼び出しの上限や一時的なエラー | 間を空けて呼び直す。失敗が続けば前の週の件数のまま予測し、印を付ける |
| 拠点が空のチケットが多い | 「不明」として数え、1割を超えた週は表に印。ポータルの拠点の項目を必須にする |
| 人事の予定人数が届かない | その週の入社・異動を前年の同じ週の値で置き、「人事の予定が未着」と出す |
| 大きな障害が起きた週 | 障害の週を記録し、学習から外す。その週の予測には印 |
| 初めての種類の全社の作業 | 表に印を出し、責任者が上乗せ |
| 依頼の種類や拠点の区分を変えた | 変えた日より前の件数を新しい区分に読み替える表を作る |
| 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、運用が続くと必ず起きます。 前年の値で置いた週は外れやすいので、印を見た責任者が人事に確かめます。
記録を残す
- 実行の日時、使ったモデルの作成日と
alpha、取り込みが成功した日時 - 拠点・週ごとの率と件数の中央と上振れ、専任で受けられる件数、当番の案、印
- 行事ごとの倍率と、月ごとの作り直しでの変化
- 責任者が決めた当番の人数と応援の依頼と、案から変えた理由
- 実績(拠点・週ごとの件数、初回の応答までの時間、積み残しの件数)
- 月ごとの当たり方(拠点ごとの中央の外れの大きさ、上振れを上回った週の割合)
4つ目と5つ目を並べると、当番の判断が合っていたかが分かります。 赤の週に応援を頼み、積み残しが出なかったなら、判断は働いています。印の無い週に積み残しが出たなら、対応の時間の表を見直します。
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、当番の人数への置き換えは責任者の手に残ります。 第4章の③の時間がそのまま残ります。 半自動化で1件55分が30分ほどに、本格構成で15分になります。 差が大きいのは、当番の人数への置き換えが、対応の時間の表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1か月見ると、どの拠点とどの行事の予測が当たり、どこが外れるかが分かります。
05工数削減シミュレーション
導入後 12件 × 15分 ÷ 60 = 3 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
- 社員が千名を超え、複数の拠点で社内ヘルプデスクを持ち、ヘルプデスクの担当に情報システム部のほかの係から当番の応援を入れている会社。4月の入社、10月の異動、PCの入れ替え、多要素認証やOSの切り替えなど、社内の行事の週に問い合わせが大きく増え、当番の人数を前の月に決めたい場合。問い合わせをチケットで受け、作成日時と拠点と依頼の種類が記録に残っている場合。
- 社員が数百名までで、週の問い合わせが数十件しか無い場合(件数の揺れが大きく、予測より余裕を持った当番のほうが早い)。問い合わせを電話とメールだけで受け、件数の記録が残っていない場合。外部の委託先が件数に関わらず決まった人数で受けている場合。なお、当番の勤務の決定、変更作業の日程の変更、障害の判断と社内への告知、入社や異動の日程は、この構成では代替できません。
07最小構成で試す方法
- Jira から過去2年分のチケットのキー、作成日時、拠点、解決の状態、ラベルを書き出す
- 人事に頼み、同じ期間の拠点ごと・月ごとの入社と異動の人数をもらう(週ごとが無ければ月ごとで始める)
- 変更作業の記録から、PCの入れ替えの台数と全社の作業の週を拾い、規模を付ける
- Python で第7章の設定を動かし、最後の12週を「4週先」として予測させる
- 当時の責任者の見立てと、実際の件数と並べ、行事ごとの倍率を読む
2年・12週で十分です。 確かめたいのは、「入社や全社の作業の効き方を、責任者の経験と同じ向き・同じくらいの大きさで読めるか」です。
| 出てきた内容 | 判断 |
|---|---|
| 行事の週の件数が実績と合い、倍率も経験と近い | 対応の時間の表を作り、当番の案まで出す段階に進む |
| 全社の作業の週が低めに出る | 作業の規模の区別が無い。変更作業の予定表に規模を付ける |
| 件数が全体に多めに出る、倍率がおかしい | 監視の通知や重複が混ざっている。数えないものの決まりを見直す |
3行目は、ほとんどの会社で一度は出ます。 失敗ではなく、画面の件数と人が対応した件数がどれだけ違っていたかが数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 |
|---|---|
| 監視の通知や重複を件数に入れる | ラベルと解決の状態で外す決まりを作る |
| 古い検索の API で書く | 削除が進行中。search/jql と nextPageToken で書く |
| 祝日の週を少なく覚える | 営業日の数で割った率で学習し、件数に戻す |
| 拠点の大きさをそろえない | 入社・異動・入れ替えを社員100名あたりにする |
alpha を既定の1のまま使う | 係数が縮む。検証の当たり方で決める |
| 4週先の予測に、まだ来ない実績を使う | 直近の率は予測する週の4週前までで作る |
| カテゴリをそのまま渡す | 0と1の列に分け、1つを基準にして外す |
| 障害の週を学習する | 障害の週を記録し、学習から外す |
| 取り込み用の利用者に書き込みの権限がある | 閲覧に絞る |
| 人の名前まで受け取る | 人事からは人数だけを受け取る |
上の2行が、この構成の失敗のほとんどです。 どちらも、画面で見ている件数と、人が対応した件数がずれることから起きます。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: チケットのキー、作成日時、拠点、依頼の種類、解決の状態、ラベル、拠点ごとの入社・異動の人数、PCの入れ替えの台数、変更作業の予定です。Jira の応答には、依頼した社員の名前や問い合わせの本文を含めることができます。
- 依頼者と本文を取り込まない …
fieldsでキー・作成日時・拠点・依頼の種類・解決の状態・ラベルだけを指定します。予測に要るのは件数だけです - 人事からは人数だけを受け取る … 入社と異動の予定は、拠点ごと・週ごとの人数の表で受け取り、名前や所属の細かい情報は受け取りません。 発令前の異動の情報が含まれるので、表の共有先を責任者と担当に限ります
- API の権限を閲覧に絞る … 取り込みに使う利用者は、ヘルプデスクのプロジェクトの閲覧の権限だけにし、API のトークンはスクリプトに書かず、サーバーの秘密の置き場に置きます
- データを外に出さない … 予測は社内のサーバーか自社のクラウドの中で動き、生成AIや外部のサービスに記録を送りません
- 当番は人が決める … 案はあくまで案で、誰を当番にするかは責任者が決めます。 予測の数や拠点ごとの件数を、担当や拠点の評価に使わないでください
- 変更作業の判断に使わない … 赤の週が出ても、作業の日程は作業の担当と責任者が決めます。変更作業の予定表には、まだ社内に知らせていない作業が載ります。 結果の表の共有先も限ります
誤りが起きた場合のリスクは、当番が足りずに問い合わせが積み残されることと、応援を頼みすぎてほかの係の作業を止めることの2つです。 前者は数えないチケットの扱いや作業の規模を誤ると起き、後者は上振れの分位が高すぎると起きます。拠点ごとの当たり方と、上振れを上回った週の割合の確認で、両方を抑えます。
10まず何から始めるか
1週目:数え方を決める
Jira から過去2年分のチケットを書き出し、監視の通知・重複・練習のチケットを外す決まりを作ります。外したあとの件数と、画面で見ていた件数を比べます。障害の週も、障害の記録から拾います。
2週目:2年分で試す
第8章のとおり、人事の月ごとの人数と変更作業の記録を合わせ、最後の12週を予測させます。行事ごとの倍率が、責任者の経験と同じ向きかを最優先で見ます。
3週目:取り決めと表を決める
人事と、拠点ごと・週ごとの入社と異動の人数を毎週受け取る取り決めをします。作業の担当と、変更作業の予定表に「規模」の列を足す取り決めをします。責任者と、依頼の種類ごとの対応の時間と上振れの分位を表にします。
4週目:4週先までの表を毎週出す
毎週の取り込みと、月曜の朝に件数の表を出す半自動化を始め、責任者はこれまでどおり自分で決めながら、表と見比べます。
2か月目以降: 上振れの幅と当番の案、行事ごとの倍率の表を足します。案から変えた理由、積み残しの件数、上振れを上回った週の割合を毎月見ます。 責任者が印の付いた週だけを見て当番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 |
|---|---|---|
PoissonRegressor がポアソン分布の一般化線形モデルで log のリンク関数を使うこと。alpha が L2 の罰則の強さで既定が1、0で罰則なし(列が完全に重ならないことが要る)。solver の既定が 'lbfgs'、max_iter の既定が100。fit が sample_weight を受け取ること。coef_ と intercept_(版 1.9.1) | scikit-learn: PoissonRegressor | 2026-11-03 |
TimeSeriesSplit が k 回目に最初の k の区切りで学習し次の区切りで確かめること、比べられる指標にするには区切りの間隔がそろっている必要があること、test_size と gap を指定できること(版 1.9.1) | scikit-learn: TimeSeriesSplit | 2026-11-03 |
従来の GET/POST /rest/api/3/search が「Currently being removed」と表示され、GET/POST /rest/api/3/search/jql(enhanced search)が nextPageToken・maxResults・fields を受け取ること。直近の更新がすぐに結果に出ないことがあり、reconcileIssues で強い整合を求められること。結果がプロジェクトの閲覧の権限を持つ課題に限られること。POST /rest/api/3/search/approximate-count で件数を返すこと | Atlassian Developer: Jira Cloud REST API v3 Issue search | 2026-11-03 |
| 国民の祝日の CSV が昭和30年から令和9年までを収め、令和10年の分を令和9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 |
当番の勤務、変更作業の日程、障害の対応、入社と異動の日程は、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-2701)についてのご相談はこちらから。
