ユニフォームのレンタルの会社が、取引先ごとの回収の記録から Python で翌月の週ごとの回収の量を予測し、回収の便と工場の人の手配の目安を作る
取引先ごと・週ごとの過去の回収の点数と、契約の人数・休業日・祝日・衣替えの予定から、翌月の週ごとの回収の点数を予測します。 回収のルートごとに積み上げ、回収の便の数と、洗濯工場の工程ごとの人時の目安まで出します。
- 連携・自動化
- Python
- 対象業界
- その他/医療/製造/飲食
- 対象部門
- 物流/生産
- 対象業務
- 集計・分析
- 主な課題
- データ分析に時間がかかる/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/属人化解消/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
- 基幹のシステムから、ルートごと・週ごとの過去の回収の点数を書き出す
- 前年の同じ月の点数と、最近4週の点数を表に並べる
- 新しい取引先、解約する取引先、着用者の数の変更を、営業の連絡から拾って足し引きする
- 祝日、取引先の休業日(お盆・年末年始・工場の点検の休み)、衣替えの切り替えの週を見て、週ごとに点数を手で調整する
- ルートごとに1便に積める量で割って便の数を出し、2便目が要る週を決める
- 工場の計画の担当が、週ごとの合計の点数から工程ごとの人時を出す
- 運転手と工場の人の手配を始める
- 人営業の担当が、契約の変更(開始・解約・人数・交換の頻度)を契約の表に入れる
- 人取引先から届いた休業日と衣替えの予定を、取引先の予定の表に入れる
- 自動毎月15日の夜、Python の処理が基幹のシステムから回収の点数を取り込む
- 自動契約の表から、翌月の週ごとの「契約で決まる土台の点数」を取引先ごとに計算する
- 自動取引先ごと・週ごとに、土台の点数・祝日・休業日・衣替え・最近の点数などの特徴を作る
- 自動LightGBM で、翌月の週ごとの回収の点数の中央の値と多めの値を予測する
- 自動ルートごとに積み上げ、多めの値から便の数の目安を、中央の値から工程ごとの人時の目安を出す
- 自動新しい取引先、休業日の予定の抜け、前年と大きく違う週に印を付ける
- 人配車と工場の計画の担当が、印の付いた週を中心に目安を確かめて直す
- 人担当が便の数と人時を決め、運転手と工場の人の手配を始める
各工程の詳しい説明を読む
- 基幹のシステムから、ルートごと・週ごとの過去の回収の点数を書き出す
- 前年の同じ月の点数と、最近4週の点数を表に並べる
- 新しい取引先、解約する取引先、着用者の数の変更を、営業の連絡から拾って足し引きする
- 祝日、取引先の休業日(お盆・年末年始・工場の点検の休み)、衣替えの切り替えの週を見て、週ごとに点数を手で調整する
- ルートごとに1便に積める量で割って便の数を出し、2便目が要る週を決める
- 工場の計画の担当が、週ごとの合計の点数から工程ごとの人時を出す
- 運転手と工場の人の手配を始める
(a)調整が担当の頭の中にある。 4番の「この取引先は8月の第2週に工場が止まる」「この病院は10月の第1週に冬物に替える」は、長く担当している人の記憶です。 その人が休むと、翌月の計画が決まりません。
(b)衣替えの週の読み違い。 衣替えの週は、夏物と冬物の両方が回収に出てくる取引先があり、ふだんの1.5倍から2倍の点数になることがあります。 取引先ごとに切り替えの週が違い、前年と同じ週とは限りません。
(c)前年と比べられない月がある。 祝日の曜日が変わると、前年の同じ週の点数はそのまま使えません。ゴールデンウィークのように祝日が並ぶ週は、前年の表をずらして読む手間がかかります。
(d)便と工場が別々に見込む。 配車と工場がそれぞれの表で量を見込み、同じ週の点数の見込みが2つあることがあります。 回収の便は足りたのに工場があふれる、という食い違いが起きます。
- 【人】 営業の担当が、契約の変更(開始・解約・人数・交換の頻度)を契約の表に入れる
- 【人】 取引先から届いた休業日と衣替えの予定を、取引先の予定の表に入れる
- 【自動】 毎月15日の夜、Python の処理が基幹のシステムから回収の点数を取り込む
- 【自動】 契約の表から、翌月の週ごとの「契約で決まる土台の点数」を取引先ごとに計算する
- 【自動】 取引先ごと・週ごとに、土台の点数・祝日・休業日・衣替え・最近の点数などの特徴を作る
- 【自動】 LightGBM で、翌月の週ごとの回収の点数の中央の値と多めの値を予測する
- 【自動】 ルートごとに積み上げ、多めの値から便の数の目安を、中央の値から工程ごとの人時の目安を出す
- 【自動】 新しい取引先、休業日の予定の抜け、前年と大きく違う週に印を付ける
- 【人】 配車と工場の計画の担当が、印の付いた週を中心に目安を確かめて直す
- 【人】 担当が便の数と人時を決め、運転手と工場の人の手配を始める
4番目が、この設計の分かれ目です。 予測の前に、契約の表から土台の点数を計算しておきます。 着用者の数が増えた取引先は、記録が追いつく前から量が増えます。記録だけで学ばせると、契約の変更が予測に出るのが1〜2か月遅れます。
7番目で、便と人時の目安を同じ予測から出しているのも意図してのことです。 配車と工場が別々に見込んでいた点数を1つにそろえ、同じ週の見込みが2つある状態をなくします。
8番目の印は、担当の時間をどこに使うかを決めるためのものです。 80件の全部を同じ深さで見直すと、手で見込んでいたときと手間が変わりません。印の無い週は前年の似た週と並べて流し見て、印の付いた週だけを営業に確かめます。
02今回想定するシステム構成
基幹のシステム(契約・回収の点数) ▼【トリガー】毎月15日の夜(予定の実行) Python(pandas・LightGBM) ├──▶ 回収の点数を取引先ごと・週ごとにまとめる ├──▶ 契約の表から翌月の土台の点数を計算 ├──▶ 祝日(内閣府の CSV)・休業日・衣替えの予定で特徴を作る ├──▶ 中央の値(ポアソン回帰)と多めの値(分位の回帰) ├──▶ ルートごとに積み上げ、便の数と工程ごとの人時の目安 ▼ 計画の表(案の欄・印) ▼【人】配車と工場の計画の担当が直す・決める(20日まで)
| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(pandas・LightGBM) | R |
| 処理エンジン | LightGBM のポアソン回帰(objective="poisson")と分位の回帰(objective="quantile") | scikit-learn の HistGradientBoostingRegressor |
| 集計 | Python(ルートへの積み上げ、便の数と人時の換算、当たり方の記録) | 表計算の計算式 |
| 保管 | Google スプレッドシート(契約の表、取引先の予定の表、計画の表、記録) | - |
新しく足すのは、Python の処理と、取引先の予定の表、便と工程の換算の表、計画の表の案の欄です。 基幹のシステムはこれまでどおりで、この構成は基幹のシステムにも運転手・工場の人の勤務の表にも書き込みません。 生成AIは使いません。
中央の値はポアソン回帰で出します。 公式の説明では、LightGBM の objective に poisson(ポアソン回帰)があり、poisson_max_delta_step(既定0.7)は最適化を守るための値とされています。回収の点数は数えた数で、0以上の整数です。取引先が休業した週の0も、ふだんの数百も同じ形で扱えます。
多めの値は分位の回帰で出します。 objective に quantile を指定し、alpha で分位を決めます。公式の説明では alpha の既定は0.9で、Huber と分位の回帰でだけ使われるとされています。既定のまま動かすと90%点になるので、この構成では80%点(alpha=0.8)を明示して渡します。便を足すかどうかは80%点で判断し、それを超える週は担当が見る、という使い分けです。
祝日は、内閣府の「国民の祝日」の CSV を使います。 内閣府のページでは、昭和30年から令和9年までの国民の祝日を CSV で載せていて、令和10年の祝日は令和9年2月に載せるとされています。翌年の祝日が載る前の月に、翌年の1月を予測することは無いので、毎年2月に取り直せば足ります。
03どうやって実装するのか
処理の起点を決める
毎月15日の夜に、予定の実行で動かします。 担当が翌月の計画を決めるのが20日ごろなので、直す時間を4営業日ほど残します。 15日の時点の回収の点数は、前の週の分まで入っています。
動かす前に、契約の表と取引先の予定の表の「更新の締め」を確かめます。 営業の担当には、翌月の契約の変更と、取引先から届いた休業日・衣替えの予定を14日までに入れてもらいます。締めの後に届いた変更は、担当が計画の表で手で直します。 予測をやり直すことはしません。
モデルの学び直しは、月に1回、予測の前に行います。 最新の4週分を足して学び直し、学び直した日と使った期間を記録に残します。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 回収の点数 | 取引先、回収の日、品目の区分(作業着・白衣・調理衣・事務服)、点数 | 基幹のシステム |
| 契約の表 | 取引先、着用者の数、1人あたりの貸出の着数、交換の頻度(週1・週2)、開始日・解約日、人数の変更の予定 | 基幹のシステム+営業の入力 |
| 取引先の予定の表 | 休業の期間、衣替えの切り替えの週(夏物へ・冬物へ) | 営業の入力 |
| 祝日 | 国民の祝日の日付 | 内閣府の CSV |
| ルートの表 | ルート、取引先、回収の曜日 | 配車の表 |
| 換算の表 | ルートごとの1便に積める袋の数、袋1つの点数、工程ごとの1人時あたりの処理の点数 | 配車と工場で用意 |
質を決めるのは、取引先の予定の表です。 休業日と衣替えの週は記録からは先に分かりません。取引先から届く連絡を、営業がこの表に入れるかどうかで、大きく動く週の当たり方が決まります。 予定が入っていない取引先は、前年の同じ時期の動きから学んだ分しか反映されません。
品目の区分は、工程の人時の換算のために持ちます。 作業着と白衣では洗濯の工程も仕上げの手間も違うので、点数の予測は品目の区分ごとに行い、人時は区分ごとの処理の速さで換算します。
データの取得方法を決める
回収の点数は、基幹のシステムから CSV で書き出して読み込みます。 書き出しの仕組みはシステムによって違うので、この部分は利用環境に応じた個別の実装になります。 書き出す範囲は、過去3年分を最初に一度、その後は毎月の差分です。
回収の日を、月曜始まりの週にまとめます。 週2回の回収の取引先は、同じ週の2回を足します。週の区切りは、計画の表と同じ月曜始まりにそろえます。 計画の表が月曜始まりで、予測が日曜始まりだと、祝日の週がずれて読まれます。
翌月の週は、月の中の週で数えず、月曜の日付で持ちます。 月をまたぐ週(月末の月曜から翌月の日曜まで)は、その週の月曜が属する月の計画に入れる、と決めておきます。
祝日の CSV は、毎年2月に取り直します。 取引先の予定の表と合わせて、週ごとに「祝日の数」「取引先の休業の日数」「営業日の数」を作ります。
AIへ渡す前に整形する
- 取引先ごと・品目の区分ごと・週ごとにまとめる … 回収の点数を足し、回収の無かった週は0にします
- 土台の点数を計算する … 「着用者の数 × 1人あたりの交換の着数 × 交換の頻度」をその週の契約の値で計算します。人数の変更の予定は、変更の日の週から反映します
- 休業の週を印にする … 取引先の予定の表から、その週の休業の日数を数えます
- 衣替えの週を印にする … 切り替えの週と、その前後1週を別の値で持ちます
- 最近の点数を作る … 予測を作る時点(15日)までの最近4週の平均と、土台の点数に対する比を作ります
- 前年の同じ週を合わせる … 前年の同じ月曜の週ではなく、祝日と休業の数が近い週の点数を参考の特徴にします
- 学習から外す週 … 取引先の開始の最初の4週と、回収の伝票の入力が遅れた週は、学習に使いません
5番目の「予測を作る時点まで」を守ってください。 翌月の第3週を予測するのに、学習のときは「その週の直前4週」を使い、予測のときは「15日の時点の直前4週」を使うと、学習と予測で特徴の意味が変わります。 学習のデータも、予測する週の何週前の時点で作った特徴かをそろえます。翌月の週は、15日から見て2〜7週先なので、学習のときも2〜7週前の時点の最近4週を使います。
4番目で衣替えの前後の週まで印にするのは、切り替えが1週で終わらないからです。 取引先によっては、切り替えの週の前に夏物の回収を早めに出し、後の週に冬物の初回の交換が重なります。3週の動きを別々の値で持たせると、モデルが前・当・後の違いを学べます。
2番目の土台の点数は、新しい取引先の予測の柱です。 記録の無い取引先でも、契約の表から土台の点数は出せます。モデルは「土台に対して実際はどれくらいか」の比を、似た業種の取引先から学びます。
AIに処理させる
させるのは、取引先ごと・品目の区分ごと・週ごとの回収の点数の中央の値と多めの値を予測することだけです。 ルートへの積み上げ、便の数と人時の換算は Python の計算で行います。
| 段階 | 中身 | 使うもの |
|---|---|---|
| 中央の値 | 取引先・区分・週ごとの回収の点数 | LightGBM(objective="poisson") |
| 多めの値 | 同じ単位の80%点 | LightGBM(objective="quantile"、alpha=0.8 を明示) |
| ルートへの積み上げ | ルートの表で取引先の値を足す | Python |
| 便の数の目安 | ルート・週ごとに、多めの値を袋の数にし、1便に積める袋の数で割って切り上げる | Python |
| 工程ごとの人時の目安 | 週ごとに、中央の値を区分ごとの1人時あたりの処理の点数で割る | Python |
多めの値は、取引先の値を足してもルートの80%点にはなりません。 取引先ごとの80%点を足すと、全部の取引先が同時に多めになる場合を想定した値になり、ルートの便を出しすぎます。 そこで、ルートの多めの値は「中央の値の合計 + 取引先ごとの(多めの値 − 中央の値)を二乗して足した平方根」で近似します。取引先どうしが独立に振れるとみなした近似なので、衣替えのように同じ週に一斉に動く時期は、担当が見る印を付けます。
| させないこと | 理由 |
|---|---|
| 運転手・工場の人の個別の勤務の割り当て | 本人の希望と労働時間の決まりで人が決める。この構成は人時の目安まで |
| 便の数・人時の確定 | 予測に無い事情(車両の点検、工場の機械の整備)を担当が足す |
| 回収の曜日の組み替え | 取引先との取り決め |
| 取引先ごとの着用の多い・少ないの評価 | 回収の量は契約の範囲のこと。取引先の使い方の評価に使わない |
業種・品目の区分・交換の頻度・衣替えの印は、カテゴリの列として渡します。 公式の説明では、categorical_feature でカテゴリの列を指定できるとされています。pandas の表で渡すなら、列の型をカテゴリにしておけば足ります。取引先の番号そのものは特徴に入れません。 入れると、記録の少ない取引先で過去の値を覚え込むだけになります。
「させないこと」の1行目は、とくに気を付けてください。 人時の目安が出ると、そのまま誰を何時間入れるかまで自動で決めたくなります。勤務の割り当ては、本人の希望、休みの決まり、労働時間の上限を見て、工場の計画の担当が決めることです。
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、学習と目安の作り方の中身を示します。
import lightgbm as lgb
import numpy as np
from sklearn.metrics import mean_pinball_loss
from sklearn.model_selection import TimeSeriesSplit
FEATS = ["customer_type", "item_cat", "base_qty", "freq", "n_holiday",
"n_closed_days", "n_workdays", "koromogae_flag", "recent4_ratio",
"lastyear_similar_qty", "lead_weeks", "month"]
CATS = ["customer_type", "item_cat", "koromogae_flag", "freq"]
def prep(df):
df = df.copy()
for c in CATS:
df[c] = df[c].astype("category")
return df
train = prep(hist[~hist["exclude"]]) # 開始直後・入力遅れの週は除く
mid = lgb.LGBMRegressor(objective="poisson", n_estimators=600,
learning_rate=0.03, min_child_samples=40)
hi = lgb.LGBMRegressor(objective="quantile", alpha=0.8, # 既定0.9を使わない
n_estimators=600, learning_rate=0.03,
min_child_samples=40)
mid.fit(train[FEATS], train["qty"])
hi.fit(train[FEATS], train["qty"])
# 当たり方の確かめ:週の順に分け、予測までの間を空ける
tss = TimeSeriesSplit(n_splits=5, gap=2 * N_PER_WEEK)
for tr, va in tss.split(train):
hi_cv = lgb.LGBMRegressor(objective="quantile", alpha=0.8,
n_estimators=600, learning_rate=0.03)
hi_cv.fit(train.iloc[tr][FEATS], train.iloc[tr]["qty"])
p = hi_cv.predict(train.iloc[va][FEATS])
print(mean_pinball_loss(train.iloc[va]["qty"], p, alpha=0.8))
def route_plan(pred, routes, conv):
df = pred.merge(routes, on="customer_id")
df["spread"] = (df["hi"] - df["mid"]).clip(lower=0) ** 2
g = df.groupby(["route", "week"]).agg(mid=("mid", "sum"), spread=("spread", "sum"))
g["hi"] = g["mid"] + np.sqrt(g["spread"])
g = g.join(conv.set_index("route"), on="route")
g["bags"] = np.ceil(g["hi"] / g["pcs_per_bag"])
g["trips"] = np.ceil(g["bags"] / g["bags_per_trip"])
return g
TimeSeriesSplit の gap を空けるのは、予測するときに直前の週の記録が無いからです。 公式の説明では、gap は各学習の集合の終わりから検証の集合の前までに除くサンプルの数で、既定は0です。15日に翌月の第1週を予測するとき、少なくとも2週分の記録はまだありません。gap を0のまま当たり方を測ると、実際より良く見えます。 行は週の順に並べ、1週の行の数(N_PER_WEEK)の倍数で空けます。
多めの値の当たり方は、mean_pinball_loss を alpha=0.8 で測ります。 公式の説明では、この損失の alpha の既定は0.5で、0.5のときは平均絶対誤差と同じとされています。学習の alpha と合わせないと、80%点のモデルを中央の値の物差しで測ることになります。
出力形式を固定する
計画の表に、ルート × 週の行で書きます。
| 列 | 中身 |
|---|---|
| ルート・週(月曜の日付) | 予測の単位 |
| 中央の点数・多めの点数 | ルートに積み上げた値 |
| 便の数の目安 | 多めの点数から |
| 前年の似た週の点数 | 担当の見比べ用 |
| 印 | 「衣替えの週」「休業の予定なし(前年は休業)」「新しい取引先あり」「前年比で大きく違う」 |
| 担当の決定 | 便の数(担当が入れる) |
| 直した理由 | 担当が入れる |
工場の側は、週 × 品目の区分 × 工程の行で別の表にします。
週: 2026-12-21(月)
作業着 中央 18,400点 洗濯 46.0人時 仕上げ 61.3人時
白衣 中央 6,900点 洗濯 17.3人時 仕上げ 34.5人時
調理衣 中央 4,200点 洗濯 10.5人時 仕上げ 14.0人時
印: 年末の前の週(前年は休業前の回収の増加あり)
1つ目の理由は、便と人時が同じ予測から出ていることが表で分かることです。 配車と工場が別々の点数を持たなくなります。
2つ目は、「直した理由」が次の学び直しの材料になることです。 担当が「この病院は12月に人数が増える」と直したのに、契約の表に入っていなかったなら、直すべきは予測ではなく契約の表への入力の流れです。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 基幹のシステム | CSV の書き出し(個別の実装) | 回収の点数・契約 |
| 契約の表・取引先の予定の表 | スプレッドシートの読み取り | 人数の変更・休業日・衣替え |
| 内閣府の祝日の CSV | 年1回の取得 | 祝日の日付 |
| 計画の表 | スプレッドシートへの書き込み(案の欄だけ) | ルート・週ごと、工程ごとの目安 |
計画の表の「担当の決定」の欄には書き込みません。 案の欄だけを書き換え、担当が入れた決定は、次の月の実行でも消しません。
人が確認する
担当が見るのは、印の付いた週です。 印の無い週は、前年の似た週と並べて流し見ます。
- 衣替えの週 … 取引先の予定の表に切り替えの週が入っているかを見て、入っていない取引先は営業に確かめます
- 「休業の予定なし(前年は休業)」 … 今年は休まないのか、連絡がまだなのかを確かめます
- 新しい取引先のあるルート … 土台の点数だけで出ているので、営業から聞いた立ち上がりの様子で直します
- 便の数を決める … 車両の点検、運転手の休みの予定を足して決めます
- 工場の人時を決める … 機械の整備の予定を足し、勤務の希望の募集を始めます
2番目を省かないでください。 前年に休業した取引先の予定が今年は空、というのは、多くは連絡がまだ届いていないだけです。 そのまま計画すると、休業の週に便を出して空振りします。
目標は、80件をならして1件9分です。 印の無いルートの週は数分で流し見て、衣替えと年末の週に時間を使う想定です。
例外に対処する
| 起きること | 対応 |
|---|---|
| 回収の点数の取り込みが欠ける | 欠けた週を学習から外し、計画の表に「記録の欠け」の印を付ける |
| 契約の表の人数が0や空 | その取引先は予測せず、担当に知らせる |
| 新しい取引先で記録が無い | 土台の点数と、似た業種の比で出す。印を付ける |
| 解約の予定の取引先 | 解約日の週から0にする。最後の回収の週は、返却で点数が増えることがあるので印を付ける |
| 取引先の大きな工場が臨時で止まる | 予定の表に入れ、締めの後なら担当が計画の表で直す |
| 祝日の CSV に翌年が無い | 予測の範囲が翌年にかかるなら止める(毎年2月に取り直す) |
| 予測が土台の点数の2倍を超える | 印を付けて担当に回す。記録の入力の誤りを先に疑う |
| 学び直しで当たり方が前の月より大きく悪くなる | 前の月のモデルで予測し、担当に知らせる |
4行目の「最後の回収で増える」は、解約の取引先で毎回起きます。 貸し出していた全部を返すので、ふだんの数倍の点数が1回に出ます。 記録には少ないので、モデルは学べません。
記録を残す
- 予測に使った特徴の表(取引先・区分・週)と、使ったモデルの日付
- 中央の値・多めの値と、ルート・週への積み上げの結果
- 担当の決定と、直した理由
- 予測した週の実際の回収の点数(翌月に足す)
- 月ごとの当たり方(ルートごとの、中央の値の誤差と、多めの値を超えた週の割合)
- 学び直しの記録(使った期間、当たり方、採用したか)
5つ目の「多めの値を超えた週の割合」を毎月見ます。 80%点なら、5週に1週くらいは超えるはずです。それよりずっと多ければ多めの値が低すぎ、ずっと少なければ便を出しすぎています。
04実装レベルの3段階
最小構成では、計画は作れません。 確かめるための段階です。 半自動化で、1件30分が18分程度になります。 点数の見込みは出ますが、便と人時の換算と、どこを見るべきかの見極めが担当に残ります。本格構成で9分になり、この段階が本記事の想定です。 段階を飛ばさないでください。 半自動化を3か月回すと、取引先の予定の表がどれくらい埋まるか、どのルートで外れるかが分かります。予定の表が埋まらないうちに多めの値と便の数まで出すと、外れた理由が分からなくなります。
05工数削減シミュレーション
導入後 80件 × 9分 ÷ 60 = 12 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
- 作業着・白衣・調理衣・事務服などを数百社に貸し出し、決まった曜日に回収のトラックを回して自社の工場で洗っている会社。取引先ごと・週ごとの回収の点数が、回収の伝票か基幹のシステムに2年以上残っている場合。翌月の回収の便と工場の人の手配を、配車と工場の計画の担当が前年の表と経験で決めていて、大型連休の前後や衣替えの時期に便が足りない・工場があふれることがある場合。
- 取引先が数十社で、毎週の回収の量がほとんど変わらない場合。回収の点数を記録しておらず、袋の数やトラックの台数でしか量が分からない場合。始めて1年未満で、衣替えや大型連休の動きが記録に無い場合。なお、運転手と工場の人の個別の勤務の割り当て、取引先との回収の曜日の取り決め、洗濯の品質の管理は、この構成では代替できません。
07最小構成で試す方法
- ルートを3本選び、過去2年の週ごとの回収の点数を書き出す
- 表計算で、契約の表から週ごとの土台の点数を計算し、実際の点数との比を週ごとに並べる
- 比が大きく動いた週に、祝日・休業・衣替えのどれが重なっていたかを書き込む
- 比の動きを「祝日の数」「休業の日数」「衣替えの週か」で説明できるかを見る
この段階では、モデルは使いません。 土台に対する比が、記録できる事情でどこまで説明できるかを先に見ます。
| 出てきた内容 | 判断 |
|---|---|
| 比の大きな動きが、祝日・休業・衣替えでほぼ説明できる | Python で予測を組み、半自動化に進む |
| 衣替えの週が取引先ごとに分からない | 取引先の予定の表が先。 営業から集める |
| 比が事情と関係なく大きく揺れる | 回収の伝票の入力(数え方・入力の遅れ)を先に見る |
3行目が出たら、予測の前に記録の取り方を直します。 回収の点数を数えずに袋の数で付けている週が混ざっていると、どんなモデルでも当たりません。
あわせて、担当が先月決めた便の数と、実際に出した便の数を並べてください。 実際に2便目を出した週が、比の大きく動いた週と重なっていれば、予測が当たれば2便目を前もって手配できたことになります。 この構成で何が変わるかを、担当と同じ目で確かめられます。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 当たり方の確かめが良すぎる | TimeSeriesSplit の gap を空ける。 予測の時点で無い記録を使わない |
| 学習と予測で「最近4週」の意味が違う | 予測する週の何週前の時点の特徴かをそろえる |
| 多めの値が90%点になっている | alpha の既定は0.9。 0.8 を明示する |
| ルートの便を出しすぎる | 取引先の80%点をそのまま足さない。振れの分を二乗和の平方根で足す |
| 契約の変更が予測に出るのが遅い | 契約の表から土台の点数を作り、特徴に入れる |
| 衣替えの週が外れる | 取引先の予定の表に切り替えの週を入れてもらう |
| 前年の同じ週と比べて外れる | 前年の同じ月曜ではなく、祝日と休業の数が近い週を使う |
| 解約の最後の回収で便が足りない | 解約の週に印を付け、担当が見る |
| 翌年の祝日が入っていない | 内閣府の CSV を毎年2月に取り直す |
| 人時の目安から勤務の割り当てまで自動にしたくなる | 割り当ては人が決める。 この構成は目安まで |
上の2行が、この構成の失敗のほとんどです。 どちらも「予測するときに手元に無い情報」を学習で使ってしまうところから出ています。確かめで当たっていたのに本番で外れる、という形で現れます。
3行目と4行目は、便の数に直接ひびきます。 多めの値が高すぎると、毎週トラックを余分に出します。80%点を明示し、ルートへの積み上げ方を正しくするだけで、便の目安は落ち着きます。
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: 取引先ごとの契約(着用者の数、交換の頻度、開始・解約)、回収の点数、休業日の予定です。着用者の個人の名前やサイズは使いません。
- 着用者の個人の情報を予測に入れない … 基幹のシステムには着用者ごとの名前とサイズがありますが、予測に要るのは取引先ごとの人数だけです。 書き出しの段階で、着用者の単位の情報を含めないようにします
- 取引先の休業の予定を社外に出さない … 工場の点検の休みや閉院の予定は、取引先の営業の情報です。取引先の予定の表の共有は、営業・配車・工場の担当に限ります
- 勤務の割り当てに使わない … 人時の目安は工場全体の量です。個人ごとの勤務の時間や、誰を入れるかは、本人の希望と労働時間の決まりを見て担当が決めます
- 取引先の評価に使わない … 回収の量が多い・少ないは契約の範囲のことです。取引先の使い方を評価したり、値上げの材料に流用したりしないでください
- 予測の結果と特徴の表の保管を決める … 取引先ごとの契約と回収の量が並んだ表は、営業の情報そのものです。保管の場所を社内のサーバーか共有ドライブの限られた場所にし、開発用の手元のパソコンに写しを残さないでください
- 予測の外れの責任を担当に寄せない … 予測は目安です。決めたのは担当でも、外れの理由は予定の表の入力や記録の欠けにあることが多いので、記録で原因を見ます
誤りが起きた場合のリスクは、便が足りずに回収できない取引先が出ることと、便や工場の人を出しすぎることの2つです。 前者のほうが取引先への影響が大きく、便は多めの値から、人時は中央の値からという使い分けは、前者を避けながら後者を抑えるための選択です。
10まず何から始めるか
1週目:取引先の予定の表を作る
取引先ごとの休業の期間と衣替えの切り替えの週を入れる表を作り、営業に入力してもらう流れと締めの日(毎月14日)を決めます。 前年の休業と衣替えは、回収の記録と配車の担当の記憶から埋めます。
2週目:3ルートで土台の点数との比を見る
過去2年の回収の点数と契約の表から、週ごとの土台の点数と比を並べ、比の動きが祝日・休業・衣替えで説明できるかを確かめます。
3週目:換算の表を作る
ルートごとの1便に積める袋の数、袋1つの点数、工程ごとの1人時あたりの処理の点数を、配車と工場で決めます。ここで、配車と工場の点数の数え方をそろえます。
4週目:Python で中央の値を予測する
取引先ごと・週ごとの中央の値を出し、ルートに積み上げて、前の月の実際の点数と比べます。 この時点では計画の表に書かず、担当の見込みと並べて見ます。
2か月目: 多めの値と便の数・人時の目安、印を足し、計画の表の案の欄に書きます。3か月目以降: 当たり方の記録と学び直しを足し、1件30分が何分になったかを実測します。多めの値を超えた週の割合が5週に1週前後に収まり、衣替えの月にも便が足りた時点で、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 |
|---|---|---|
objective に poisson(ポアソン回帰)と quantile(分位の回帰)があること。alpha の既定が0.9で、Huber と分位の回帰でだけ使われること。poisson_max_delta_step の既定が0.7で、最適化を守るための値であること。categorical_feature でカテゴリの列を指定できること | LightGBM: Parameters | 2026-11-17 |
TimeSeriesSplit が時間の順のデータを分け、gap が各学習の集合の終わりから検証の集合の前までに除くサンプルの数で、既定が0であること | scikit-learn: TimeSeriesSplit | 2026-11-17 |
mean_pinball_loss が分位の回帰の損失で、alpha の既定が0.5、0.5のとき平均絶対誤差と同じになること | scikit-learn: mean_pinball_loss | 2026-11-17 |
| 昭和30年から令和9年までの国民の祝日を CSV で載せていること。令和10年の祝日は令和9年2月に載せること | 内閣府: 国民の祝日について | 2026-11-17 |
運転手と工場の人の勤務の割り当ては、本人の希望と労働時間の決まり、就業規則に沿って担当が決めてください。 回収の曜日と量の取り決めは、取引先との契約に従ってください。本記事は公開資料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-3482)についてのご相談はこちらから。
