Media > AI活用ユースケース > 営業 > 牛乳の宅配の販売店が、契約者ごとの配達・休止・問い合わせの記録から Python で解約しそうな契約者を見込み、配達のコースごとの訪問の順番の表を作る

牛乳の宅配の販売店が、契約者ごとの配達・休止・問い合わせの記録から Python で解約しそうな契約者を見込み、配達のコースごとの訪問の順番の表を作る

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

契約者ごとの配達の本数・休止・問い合わせの記録から、Python で2か月以内に解約しそうな契約者を見込みます。確率と理由を添えて、配達のコースごとに訪ねる順番の表を作ります。

サマリー
連携・自動化
Python
対象業界
その他/小売
対象部門
営業
対象業務
比較検討/集計・分析
主な課題
データ分析に時間がかかる/営業フォローが追いつかない/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
本格構成
費用感
個別開発(大)
人間の確認
条件付き
現在工数
45h/月
AI導入後
15h/月
想定削減
67%
年間削減
360h
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. 月の初め、事務の担当が配達の管理の仕組みから、前の月の本数の変更と休止の一覧を書き出す
  2. 店主が、問い合わせのノートと集金の記録をめくり、苦情や支払の遅れがあった契約者に印を付ける
  3. 店主が契約者を1世帯ずつ見て、「最近減っている」「休みが多い」と感じた人を拾う
  4. 拾った人を配達のコースごとに分け、配達員に口頭かメモで伝える
  5. 配達員が集金の日や夕方に訪ね、話した内容を店主に伝える
  6. 解約の申し出が来たら、店主が電話か訪問で事情を聞く
導入後(After)
  1. 人配達員が、保冷箱にびんが残っていた日と、訪ねたときの結果を配達の管理の仕組みに入れる
  2. 人店主が、解約の申し出を受けたときに理由の区分を選んで残す
  3. 自動毎月1日の朝、Python が契約・配達・休止・集金・問い合わせの記録を読む
  4. 自動契約者ごとに、2か月以内に「変わりうる理由」で解約する確率を出す
  5. 自動確率を押し上げた記録を上から3つ、言葉にして「理由の札」を付ける
  6. 自動配達のコースごとに、確率の高い順に訪問の順番の表を作る
  7. 人店主が表を見て、訪ねる世帯と、話す内容を決める
  8. 人配達員が訪ね、結果を区分で入れる
  9. 自動2か月後に、見込みと実際の解約・訪問の結果を当たり方の記録に残す
各工程の詳しい説明を読む
  1. 月の初め、事務の担当が配達の管理の仕組みから、前の月の本数の変更と休止の一覧を書き出す
  2. 店主が、問い合わせのノートと集金の記録をめくり、苦情や支払の遅れがあった契約者に印を付ける
  3. 店主が契約者を1世帯ずつ見て、「最近減っている」「休みが多い」と感じた人を拾う
  4. 拾った人を配達のコースごとに分け、配達員に口頭かメモで伝える
  5. 配達員が集金の日や夕方に訪ね、話した内容を店主に伝える
  6. 解約の申し出が来たら、店主が電話か訪問で事情を聞く

(a)申し出の後では遅い。 6番で事情を聞いたときには、他の店に切り替える日が決まっていることが多くあります。本数が減り始めたころに一度話していれば、品目の変更や配達の曜日の見直しで続いたかもしれない契約者です。

(b)見る目が店主ひとりに頼っている。 3番の「最近減っている」は、店主が契約者ごとの普段の本数を覚えていて決めています。店主が休むと、見直しそのものが止まります。 配達員が交代したコースでは、前の担当が知っていた様子が引き継がれません。

(c)記録をめくるのに時間がかかる。 本数・休止・集金・問い合わせは別々の場所にあり、1世帯の様子をそろえて見るのに画面とノートを行き来します。 900世帯を毎月見るのは続かず、忙しい月は苦情のあった人だけになります。

(d)訪ねた結果が残らない。 配達員が何を話し、契約者がどう答えたかは店主の記憶に残るだけで、どの声かけで続いたのか、訪ねても解約になったのかが振り返れません。

(e)変えられない解約と混ざる。 解約の理由は申し出のときに聞きますが、記録の書き方がばらばらで、転居と乗り換えが同じ「解約」として並んでいます。 どれくらいの解約が訪ねて変わりうるものだったのか、店主にも分かっていません。

  1. 【人】 配達員が、保冷箱にびんが残っていた日と、訪ねたときの結果を配達の管理の仕組みに入れる
  2. 【人】 店主が、解約の申し出を受けたときに理由の区分を選んで残す
  3. 【自動】 毎月1日の朝、Python が契約・配達・休止・集金・問い合わせの記録を読む
  4. 【自動】 契約者ごとに、2か月以内に「変わりうる理由」で解約する確率を出す
  5. 【自動】 確率を押し上げた記録を上から3つ、言葉にして「理由の札」を付ける
  6. 【自動】 配達のコースごとに、確率の高い順に訪問の順番の表を作る
  7. 【人】 店主が表を見て、訪ねる世帯と、話す内容を決める
  8. 【人】 配達員が訪ね、結果を区分で入れる
  9. 【自動】 2か月後に、見込みと実際の解約・訪問の結果を当たり方の記録に残す

7番目で店主が見るのは、表の上のほうだけです。 確率の低い世帯は件数だけを確かめます。900世帯を毎月1世帯ずつ見る作業が、表の上位と理由の札の確かめに変わります。

1番目と2番目が、この構成でいちばん大事な入力です。 保冷箱に残ったびんは、契約者が飲みきれていない、留守が続いている、という信号です。解約の理由の区分は、何を答えにするかを決めます。 どちらも、配達員と店主が入れなければ記録に残りません。

8番目の訪問の結果も区分で残します。 「話せた」「本数を減らした」「曜日を変えた」「休止にした」「不在」「訪問を断られた」。断られた世帯は、次の月から表に出さないようにします(第13章)。

02今回想定するシステム構成

構成図
配達の管理の仕組み(契約・品目・本数・曜日・休止・残りびん)
集金の記録(支払方法・遅れ)   問い合わせの表(種類・日付)
訪問の結果(区分)             解約の記録(理由の区分)
        │
        ▼【トリガー】毎月1日の朝
Python
   ├──▶ 契約者ごと・月ごとの行を作る(本数の変化、休止、残りびん、問い合わせ)
   ▼
scikit-learn の LogisticRegression(2か月以内の解約の確率)
   │   係数と値から、確率を押し上げた記録を上から3つ
   ▼
Python ── 配達のコースごとの訪問の順番の表・理由の札
   ▼
【店主が訪ねる世帯を決める → 配達員が訪ねて結果を入れる】
   ▼
2か月後:当たり方の記録
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 LogisticRegressionscikit-learn の HistGradientBoostingClassifier、LightGBM の二値分類
集計Python(理由の札、コースごとの並べ替え、当たり方の記録)表計算の計算式
保管店のパソコンの共有フォルダ(学習の記録、訪問の順番の表、当たり方の記録)-

新しく足すのは Python の処理だけです。 配達の管理の仕組みと集金の記録は、それぞれの書き出しの機能でファイルにします。訪問の順番の表は店主と配達員が見る資料として書き出し、配達の管理の仕組みには書き込みません。

予測にはロジスティック回帰を使います。 決定木を重ねる手法のほうが当たりは良くなることがありますが、この構成では配達員に理由を伝えることが先です。 ロジスティック回帰は特徴量ごとの係数(coef_)を持つので、契約者ごとに「係数×その人の値」を並べれば、どの記録が確率を押し上げたかがそのまま読めます。

scikit-learn 1.9 では、正則化の種類を penalty ではなく l1_ratio と C で指定します。 penalty は1.8で非推奨になり、1.10で削除される予定です。l1_ratio=0 が L2、l1_ratio=1 が L1 に当たります。 古い書き方の例をまねると、次の版で動かなくなります。

03どうやって実装するのか

Step1

処理の起点を決める

毎月1日の朝に、Windows のタスク スケジューラーから Python のスクリプトを起動します。 前の月の配達と集金の記録が締まった後に動かし、月の最初の集金の日までに配達員へ表を渡せるようにします。

見込むのは「翌月と翌々月のうちに解約するか」です。 1か月先だけを見ると、訪ねる前に申し出が来てしまい、3か月先まで見ると、まだ何も変化が出ていない世帯が混ざります。集金の機会が月に1回なので、2か月あれば少なくとも1回は顔を合わせられます。

時期すること
毎月1日全世帯の確率と理由の札、コースごとの表
毎月の集金の日配達員が表の上位を訪ね、結果を入れる
毎月1日(同じ処理の中)2か月前の見込みの当たり方を記録する
3か月に1回学び直しと、係数の向きの確かめ
Step2

入力データを集める

データ中身取得元
契約の記録契約者の番号、配達のコース、開始日、品目、週の本数、配達の曜日、月額配達の管理の仕組み
配達の記録日付、品目、届けた本数、保冷箱に前回のびんが残っていたか配達の管理の仕組み(配達員が入力)
休止の記録開始日、終了日、理由(旅行・入院・その他)配達の管理の仕組み
変更の記録日付、品目、本数の増減、曜日の変更配達の管理の仕組み
集金の記録支払方法(集金・口座振替)、支払の遅れ、未払いの月集金の記録
問い合わせの記録日付、種類(配達の遅れ・品質・価格・その他)問い合わせの表
訪問の結果日付、区分配達員が入力
解約の記録解約の日、理由の区分店主が入力
価格の改定の記録品目、改定の日、改定の前後の価格店の一覧

質を決めるのは、解約の理由の区分です。 区分は「転居」「入院・施設への入所」「亡くなった」「味・品目」「価格」「飲みきれない」「他の店への乗り換え」「理由を聞けなかった」の8つにします。最初の3つは答えから外し、残りを答えにします(前処理の4番)。

残りびんは、配達員の入力に頼ります。 保冷箱に前回のびんが残っている日は、飲みきれていないか留守が続いているかのどちらかです。配達の端末に「残りあり」のボタンを1つ足すだけで入力でき、配達の手を止めません。

価格の改定の記録を持つのは、改定の後の数か月に解約が増えやすいからです。 改定の日からの経過の月数を列にすると、改定の影響と、契約者ごとの変化を分けて見られます。

Step3

データの取得方法を決める

取るもの範囲使い道
契約・配達・休止・変更の記録過去2年学習と、今月の見込みの行
集金と問い合わせの記録過去2年同上
解約の記録過去2年(理由の区分つき)答え
訪問の結果記録を始めてから当たり方の記録と、効いた声かけの振り返り

学習の行は「契約者×月の初め」です。 過去2年の毎月1日に、その時点で契約が続いていた世帯を1行ずつ作り、その時点までの記録だけで特徴量を計算し、その後2か月の解約を答えにします。 1世帯から最大24行ができます。

答えが出ていない最後の2か月の行は、学習に入れません。 直近の月の初めの行は、2か月後がまだ来ていないので、解約しなかったのか、まだ分からないのかが区別できません。

Step4

AIへ渡す前に整形する

  1. 月の初めの行を作る … 毎月1日に契約が続いていた世帯を並べます
  2. 本数の変化を作る … 直近3か月の週の本数の平均と、その前の3か月の平均の比
  3. 休止と残りびんを数える … 直近3か月の休止の日数・回数、残りびんの日数
  4. 答えを作る … その後2か月以内に「変わりうる理由」で解約したら1。転居・入院・施設への入所・亡くなったことによる解約の世帯は、その行を学習から外します
  5. 問い合わせと集金を数える … 直近3か月の問い合わせの種類ごとの回数、支払の遅れの回数
  6. 価格の改定からの月数 … 契約の品目で最後に改定があった日からの月数
  7. 値をそろえる … 数の列は平均0・ばらつき1にそろえ、支払方法と配達のコースは0と1の列に分けます

4番目で外すのは、0にするのではありません。 転居で解約した世帯を「解約しなかった」とすると、本数が減っていたのに続いた世帯として学び、本数の減りの係数が弱くなります。行ごと外して、外した件数を記録します。

7番目で値をそろえるのは、理由の札のためです。 係数の大きさは値の単位で変わるので、そろえないと「休止の日数」と「本数の比」の効き方を比べられません。

2番目から4番目は、次のように作ります(要点だけ)。

# 月の初めごとに、その時点までの記録だけで特徴量を作る
rows = []
for t in month_starts:                                     # 毎月1日
    act = contracts[(contracts.start < t) & ((contracts.end.isna()) | (contracts.end >= t))]
    d = deliveries[(deliveries.date >= t - pd.DateOffset(months=6)) & (deliveries.date < t)]
    recent = d[d.date >= t - pd.DateOffset(months=3)]
    f = pd.DataFrame(index=act.cust_id)
    f["qty_ratio"]   = (recent.groupby("cust_id").qty.mean()
                        / d[d.date < t - pd.DateOffset(months=3)].groupby("cust_id").qty.mean())
    f["left_days"]   = recent[recent.bottle_left].groupby("cust_id").date.nunique()
    f["pause_days"]  = pause_days_between(pauses, t - pd.DateOffset(months=3), t)
    end2 = t + pd.DateOffset(months=2)
    c = churns[(churns.date >= t) & (churns.date < end2)].set_index("cust_id")
    f["y"] = c.reason.isin(CHANGEABLE).reindex(f.index, fill_value=False).astype(int)
    f["drop"] = c.reason.isin(UNCHANGEABLE).reindex(f.index, fill_value=False)
    f["month"] = t
    rows.append(f.fillna({"left_days": 0, "pause_days": 0}))
data = pd.concat(rows)
data = data[~data["drop"]]                                 # 変えられない解約は行ごと外す

qty_ratio は、本数が減ったほど小さくなります。 前の3か月に配達が無い新しい契約者は値が出ないので、契約から6か月未満の世帯は別の印を付け、比の列を空けて扱います。

Step5

AIに処理させる

させるのは、契約者ごとに「2か月以内に変わりうる理由で解約する確率」を出すことと、その確率を押し上げた記録を3つ並べることだけです。

出すもの作り方使い道
確率predict_proba の解約の側訪ねる順番
理由の札そろえた値 × 係数 のうち、プラスの大きいもの上から3つ配達員が切り出す話題
失いそうな月額確率 × 月額同じ確率のときの並べ替え

理由の札は、記録の言葉に直して出します。 「pause_days +0.8」ではなく「この3か月にお休みが18日」と出します。配達員が見るのは数字の名前ではなく、訪ねたときに切り出せる話題です。

させないこと理由
年齢・世帯の人数・健康の推し量り変えられない解約を当てることになる。記録にも持たせない
値引きの額の決定価格は店主が決める。表には出さない
訪問の実施や電話の発信訪ねるかどうかは店主が決める
断られた世帯への再びの訪問の提案訪問販売の再勧誘の禁止に触れうる(第13章)
配達員の成績づけ当たり方の記録はモデルを直すためのもの

1行目は、答えから変えられない解約を外したことと対になっています。 年齢の列を入れると、変わりうる解約だけを答えにしていても、高齢の世帯ほど確率が高く出る形を学びえます。 入れないことで、配達の記録の変化だけで並べます。

Step6

指示内容を固定する

この構成の中心は生成AIではなく予測のモデルなので、プロンプトの代わりに、学習と予測の設定を示します。

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline

num = ["qty_ratio", "left_days", "pause_days", "pause_count", "months_since_price",
       "inq_quality", "inq_price", "inq_delay", "late_pay", "tenure_months", "items"]
cat = ["pay_method", "route"]

pre = ColumnTransformer([("num", StandardScaler(), num),
                         ("cat", OneHotEncoder(handle_unknown="ignore"), cat)])
clf = LogisticRegression(l1_ratio=0.0, C=0.5,         # penalty は1.8で非推奨。L2 を l1_ratio=0 で指定
                         class_weight=None, max_iter=1000)
model = Pipeline([("pre", pre), ("clf", clf)])

# 月で学習と検証を分ける。検証の月より前の行だけで学ぶ
tr = data[data.month <= cut - pd.DateOffset(months=2)]   # 答えの2か月が切り日より前に収まる行
va = data[data.month >= cut]
model.fit(tr[num + cat], tr.y)

学習を「切り日の2か月前まで」にしているのは、答えの期間が切り日をまたがないようにするためです。 切り日の1か月前の行の答えには、検証の期間の解約が入っています。月で分けただけでは、学習の答えに検証の期間が混ざります。

class_weight は既定の None のままにします。 "balanced" は件数の逆数(n_samples / (n_classes * np.bincount(y)))で重みを付けるので、解約の少ない店では確率が実際より高く出ます。 この構成では確率を「失いそうな月額」の計算にも使うので、確率の大きさを歪めないほうを選びます。

max_iter は既定の100から上げます。 収まりきらない警告を見落とすと、途中の係数で理由の札を作ることになります。

理由の札は、次のように作ります。

Z = np.asarray(model.named_steps["pre"].transform(cur[num + cat]).todense())
contrib = Z * model.named_steps["clf"].coef_[0]               # そろえた値 × 係数
cur["p"] = model.predict_proba(cur[num + cat])[:, 1]
top3 = np.argsort(-contrib, axis=1)[:, :3]                    # プラスの大きい順に3つ
cur["at_risk_yen"] = (cur.p * cur.monthly_yen).round()

札にするのは、contrib がプラスのものだけです。 列の名前は「この3か月にお休みが{n}日」のような文の型に置き換えます。プラスの寄与が1つも無い世帯は、札を空けて「理由なし」の印を付けます。

Step7

出力形式を固定する

配達のコースごとの表で出します。 配達員が集金の日に持ち歩ける1枚の紙にします。

順契約者確率月額理由の札前回の訪問
12コース・04120.414,200円本数が前の3か月の半分/残りびんが7日/価格の問い合わせなし
22コース・01870.333,600円この3か月にお休みが18日/休止明けの再開が遅れた8月・話せた
32コース・05300.295,800円品質の問い合わせが2回なし

1つ目の理由は、訪ねる前に話す内容が決まることです。 1行目の世帯は、本数が減り、びんが残り、価格を気にしています。「少し量が多いようでしたら、本数や曜日を見直せます」と切り出せます。

2つ目は、前回の訪問を同じ行に並べられることです。 2行目の世帯は8月に一度話しています。同じ話を2度くり返さないよう、配達員は前回の結果を見てから訪ねます。

住所と名前は、この表に載せません。 契約者の番号だけにし、配達員は手元の配達の帳面で番号を引きます。表をなくしても、誰の家のことかが外に分からないようにするためです。

Step8

システムへ連携する

つなぎ先方式内容
配達の管理の仕組み書き出したファイルを読む契約・配達・休止・変更・残りびん・訪問の結果
集金の記録書き出したファイルを読む支払方法、遅れ
問い合わせの表・解約の記録・価格の改定の記録ファイルを読む種類、理由の区分、改定の日
訪問の順番の表ファイルを書くコースごとの順番と理由の札
店のパソコンの共有フォルダファイルの保存モデル、学習の記録、当たり方の記録

配達の管理の仕組みには書き込みません。 確率を契約者の画面に出すと、配達員が電話や配達のたびに目にして、確率の数字そのものが契約者との会話に出てしまうおそれがあります。 表は訪ねる直前に見る資料にとどめます。

Step9

人が確認する

  1. 表の上位を店主が見る … 理由の札を読み、訪ねる世帯と話す内容を決めます。コースごとに月5世帯までを目安にします
  2. 断られた記録を確かめる … 前回「訪問を断られた」世帯が残っていないかを見ます
  3. 理由なしの世帯を見る … 確率だけが高く理由の札が空の世帯は、店主の知っている事情と照らします
  4. 訪問の結果を入れてもらう … 配達員が区分で入れたかを月末に確かめます

1番目でコースごとに上限を置くのは、配達員が訪ねられる数に限りがあるからです。 集金の日の合間に話せるのは数世帯で、表の30世帯を渡しても、上から順に訪ねきれずに終わります。

訪ねないと決めた世帯にも、「先月入院と聞いた」のように理由を一言残します。 記録に無い事情の多さが分かります。

Step10

例外に対処する

起きること対応
契約から6か月未満の世帯本数の比を空けて見込み、「新しい契約」の印
解約の理由が「理由を聞けなかった」答えに入れるが、件数を毎月数え、多ければ聞き取りの仕方を直す
休止の理由が入院休止の日数の列に入れず、「入院の休止」の印で別に数える
残りびんの入力が無いコースそのコースは残りびんの列を空け、配達員に入力を頼む
訪問を断られた世帯表から外す。理由の札も作らない
確率は高いが理由の札が空「理由なし」の印。店主が見るかを決める
係数の向きが逆になった(本数が増えるほど解約しやすい等)その月は表を出さず、学習の行を確かめる

入院の休止を別にするのは、休止の日数の係数が「入院」を学ばないようにするためです。 入院の休止が長く続いた後の解約は、変えられない解約として答えから外していますが、休止の日数の列に入れたままだと、入院の多い年齢層ほど確率が高く出ます。

Step11

記録を残す

  • 学習に使った行の数、答えから外した行の数(理由の区分ごと)
  • 学習したモデルのファイルと、設定(l1_ratio、C、max_iter)、係数の一覧
  • 毎月の見込みと理由の札、そのとき使った記録の締めの日
  • 店主が訪ねると決めた世帯、訪ねないと決めた世帯とその一言
  • 訪問の結果の区分と、その後2か月の解約・本数の変化
  • 2か月前の見込みの当たり方(上位の世帯のうち、実際に解約した割合)

2つ目で係数の一覧を毎回残すのは、向きが変わったことに気づくためです。 価格の改定の後や、配達員の交代の後に、係数の大きさが大きく動くことがあります。一覧を並べて見れば、理由の札の出方が変わった理由が分かります。

最後の行と、5つ目を並べると、訪問の効き目が見えてきます。 上位の世帯のうち訪ねた世帯と訪ねなかった世帯で、その後の解約の割合を比べます。ただし訪ねる世帯は店主が選んでいるので、差がそのまま訪問の効き目とは言えません。

04実装レベルの3段階

最小構成:表計算で解約した世帯と続いている世帯の記録を並べる / 変化の確かめ
半自動化:上記+Python で世帯ごとの確率と理由の札を出す / 解約のおそれの見込み
本格構成:上記+コースごとの訪問の順番の表、訪問の結果の取り込み、当たり方の記録 / 見込みから訪問の表まで

本記事の想定は本格構成です。 1件3分が1分になるのは、記録をそろえる作業と見込みが自動になり、店主が見るのが表の上位と理由の札だけになるからです。 半自動化で3か月回してから、本格構成に進みます。 確率と理由の札だけを出して店主の見立てと並べると、理由の札の言葉が配達員に伝わるか、残りびんの入力が続くかが先に分かります。 表の形は、その後で配達員と決めます。 本格構成の先として、新しい契約者の最初の数か月を見ることも考えられます。 試飲から契約した世帯は、最初の3か月で本数を減らすことが多い、という傾向が記録から見えれば、3か月目に一度訪ねる決まりを作るほうが早いこともあります。 その場合はモデルより決まりのほうが役に立ちます。

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
900 件
1件あたり現在時間
3 分
1件あたり導入後時間
1 分
現在  900件 × 3分 ÷ 60 = 45 時間/月
導入後 900件 × 1分 ÷ 60 = 15 時間/月
月間削減時間
30h
削減率
67%
年間削減時間
360h
年間金額換算(時間単価2,500円)
90万円
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. 数百から千数百の世帯に牛乳・乳製品を宅配している販売店で、解約の申し出を受けてから慌てて訪ねることが多い場合。配達の本数・休止・集金・問い合わせの記録を、配達の管理の仕組みや表で2年分以上残している場合。配達員が集金や配達の合間に契約者を訪ねる時間を取れるが、誰から訪ねるかが店主の勘で決まっている場合。
向いていない
  1. 契約者が百世帯ほどで、店主が全員の様子を把握できている場合。配達の記録が紙の伝票だけで、本数や休止の履歴を契約者ごとに数えられない場合。解約の多くが転居・施設への入所など本人の事情で、訪ねても変えられない場合。なお、訪ねるかどうか、何を提案するかを決めるのは店主と配達員で、この構成は契約の条件や価格を変えるものではありません。

07最小構成で試す方法

  1. 過去1年に解約した世帯から30世帯、続いている世帯から30世帯を選ぶ
  2. 解約した世帯について、申し出のときに聞いた理由を思い出し、8つの区分に分ける
  3. 60世帯それぞれの、解約の前(続いている世帯は同じ時期)の6か月の本数と休止の日数を表計算で並べる
  4. 変わりうる理由で解約した世帯と、続いている世帯で、本数の比と休止の日数を見比べる

この段階ではモデルを作りません。 解約の前に配達の記録が変わっていたかを確かめます。

2番目で区分に分けるのが大事です。 解約の何割が転居や入所だったかを数えると、訪ねて変わりうる解約がどれくらいあったかが分かります。 それが少なければ、この構成で減らせる解約も少ないということです。

出てきた内容判断
変わりうる解約の前に、本数の減りか休止の増えが出ているPython の構成に進む
変化は出ているが、理由が思い出せない世帯が多い解約の理由の区分を先に残し始める。構成は有効
解約の大半が転居・入所で、記録の変化も見えないこの構成は向かない

08実装時につまずきやすいポイント

問題対策
高齢の世帯ばかりが上位に出る変えられない解約を答えから外し、年齢の列を持たせない
検証では当たるのに本番で外れる答えの2か月が切り日より前に収まる行で学ぶ
直近の行が「解約しなかった」になる答えが出ていない最後の2か月の行を学習に入れない
penalty の指定で警告が出る1.8で非推奨。l1_ratio と C で書く
確率が実際より高く出るclass_weight="balanced" を使わない
収まりきらない警告が出るmax_iter を上げる。警告を残す
理由の札の大きさが比べられない数の列を平均0・ばらつき1にそろえる
入院の休止が確率を押し上げる入院の休止を休止の日数から分ける
残りびんの入力がコースで偏る入力の無いコースは列を空け、配達員に頼む
断られた世帯がまた表に出る訪問を断られた世帯を表から外す

上の3行は、答えの作り方の失敗です。 どれもエラーにならず、表の上位の顔ぶれがおかしいという同じ症状になります。配達員から「この人はもう訪ねても無理だ」という声が続いたら、まずここを疑います。

真ん中の4行は、scikit-learn の設定の問題です。 既定のまま動かしても結果は出ますが、確率の大きさと理由の札の比べ方が崩れます。

下の3行は、入力と運用の問題です。 特に最後の行は、店と契約者の関係そのものに関わります。断られた世帯は、モデルの外で必ず外します。

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: 契約者の番号、配達の本数・休止・残りびん、支払方法と遅れ、問い合わせの種類、解約の理由の区分。名前と住所は配達の管理の仕組みに置いたまま、この処理には取り込みません。

  1. 断られた世帯を二度訪ねない … 特定商取引法の第3条の2第2項では、訪問販売に係る契約を締結しない旨の意思を表示した者に対し、その契約の締結について勧誘をしてはならないとされています。訪問で新しい品目を勧める場合は訪問販売に当たりうるので、「訪問を断られた」の区分を必ず残し、表から外します
  2. 訪ねるときに名乗りと目的を明らかにする … 同法の第3条では、訪問販売をしようとするときは、勧誘に先立って事業者の名称、契約の締結について勧誘をする目的である旨、商品の種類を明らかにしなければならないとされています。品目の追加を勧めるなら、配達の続きの話であっても最初にそう伝えます
  3. 書面と申込みの撤回の扱いを確かめる … 同法の第4条・第5条は書面の交付を、第9条は書面を受け取った日から8日を経過するまでの申込みの撤回等を定めています。第26条第6項には適用されない場合の定めもあります。訪問で品目を足す契約を受けるときにどの定めが当たるかは、店で決めずに専門家に確かめてください
  4. 年齢や健康を推し量らない … 列に持たせず、理由の札にも出しません。入院や入所の事情は、店主が契約者から聞いた範囲で扱います
  5. 確率を契約者との会話に出さない … 表は訪ねる前に見る資料で、配達の管理の仕組みには書き込みません。「解約しそうと出ている」と伝えることはしません
  6. 見込みを配達員の評価に使わない … 担当のコースの解約の多さは、地域や契約者の年齢層で変わります

誤りが起きた場合のリスクは、変わりうる解約を見逃すことと、訪ねる必要のない世帯を訪ねて煩わしく思わせることの2つです。 後者は解約を早めることさえあります。コースごとの上限と、断られた世帯を外す決まりで、訪ねすぎを止めます。

10まず何から始めるか

1週目:解約の理由の区分を決める

8つの区分を店主と決め、今日から申し出のたびに選んで残します。 過去1年の解約も、覚えている範囲で区分し直します。

2週目:60世帯で記録を見る

第8章のとおり、解約した世帯と続いている世帯の本数と休止の日数を並べます。変わりうる解約の前に、記録が変わっていたかを見ます。

3週目:残りびんと訪問の結果の入力を始める

配達の端末に「残りあり」のボタンを足し、訪問の結果の6つの区分を配達員と決めます。 断られた世帯の区分は、この週から必ず残します。

4週目:Python で確率と理由の札だけを出す

1コースで確率と理由の札を出し、店主の見立てと並べます。コースごとの表はまだ渡しません。 店主が「この人は違う」と言った世帯の理由を残し、理由の札の言葉が配達員に通じるかを主任の配達員に見てもらいます。

2か月目: 6コースに広げ、コースごとの表と上限を足します。3か月目以降: 訪問の結果を取り込み、2か月前の見込みの当たり方を毎月記録します。半年たって、表の上位の世帯のうち実際に解約した割合が安定し、訪ねた世帯の結果を区分で振り返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

技術仕様確認日:2026-11-16/最終更新:2026-11-16
確認した内容情報源確認日
penalty が1.8で非推奨となり1.10で削除予定で、l1_ratio と C で指定すること(l1_ratio=0 が L2、1 が L1)。C の既定1.0で小さいほど正則化が強いこと。class_weight="balanced" が n_samples / (n_classes * np.bincount(y)) で重みを付けること。solver の既定が lbfgs、max_iter の既定が100であること。二値分類で coef_ が (1, n_features) の形で得られること(scikit-learn 1.9.1)scikit-learn: LogisticRegression2026-11-16
訪問販売の勧誘に先立つ氏名等の明示(第3条)、契約を締結しない旨の意思を表示した者への勧誘の禁止(第3条の2第2項)、書面の交付(第4条・第5条)、書面を受領した日から起算して8日を経過するまでの申込みの撤回等(第9条)、第4条から第10条までが適用されない訪問販売の定め(第26条第6項)。2026-08-12 施行の版e-Gov 法令API: 特定商取引に関する法律2026-11-16

どの世帯を訪ね、何を提案するかは、店主と配達員が決めてください。 本記事は上の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-3323)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