Media > AI活用ユースケース > 経営企画 > 小売チェーンの経営企画部が、既存の店舗の売上と商圏の人口・競合・立地の条件から Python で出店の候補地の売上を予測し、候補ごとの見込みの幅を出す

小売チェーンの経営企画部が、既存の店舗の売上と商圏の人口・競合・立地の条件から Python で出店の候補地の売上を予測し、候補ごとの見込みの幅を出す

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

既存の約160店の売上と、商圏の人口・競合・立地の条件の関係から、出店の候補地ごとに開店2年目の年の売上を Python で予測します。売上の中ほどと「10回のうち8回はこの間に入る」幅を出し、条件の近い既存の店を3つ並べて検討会の資料の下書きにします。

サマリー
連携・自動化
Python
対象業界
不動産/小売/飲食
対象部門
経営企画
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/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
現在工数
80h/月
AI導入後
30h/月
想定削減
63%
年間削減
600h
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. 店舗開発の担当から、候補地の住所と現地の調査の票を受け取る
  2. 地図の画面で候補地の周りを見て、半径1km・3kmの円の中の人口を、国勢調査の資料から拾って足す
  3. 円の中の競合の店を、競合の店の一覧と地図で数える
  4. 立地の型が近い既存の店を2〜3店選び、その店の売上と商圏の人口を並べる
  5. 類似の店の売上を人口の比で直し、競合の数で手で加減して、見込みの売上を1つ決める
  6. 見込みと類似の店の比較を、検討会の資料にまとめる
導入後(After)
  1. 人店舗開発の担当が、候補地の緯度・経度と現地の調査の値を、候補の表に入れる
  2. 自動毎日の夜、Python の処理が候補の表の新しい行を見つける
  3. 自動地域メッシュの人口・世帯から、候補地の半径1km・3kmの人口と高齢者の割合を出す
  4. 自動競合の店の一覧から、半径1km・3kmの競合の数と、最も近い自社の店までの距離を出す
  5. 自動既存の店で学んだ線形回帰で、開店2年目の年の売上の中ほどと80%の予測の幅を出す
  6. 自動条件の近い既存の店を3つ選び、その実際の売上と条件を並べる
  7. 自動既存の店の範囲を外れる条件に印を付け、検討会の資料の下書きを作る
  8. 人経営企画部の担当が、下書きと類似の店を見て、現地の事情を所見として書き足す
  9. 人検討会で、賃料と費用の条件と合わせて出店の可否を決める
各工程の詳しい説明を読む
  1. 店舗開発の担当から、候補地の住所と現地の調査の票を受け取る
  2. 地図の画面で候補地の周りを見て、半径1km・3kmの円の中の人口を、国勢調査の資料から拾って足す
  3. 円の中の競合の店を、競合の店の一覧と地図で数える
  4. 立地の型が近い既存の店を2〜3店選び、その店の売上と商圏の人口を並べる
  5. 類似の店の売上を人口の比で直し、競合の数で手で加減して、見込みの売上を1つ決める
  6. 見込みと類似の店の比較を、検討会の資料にまとめる

(a)1件に半日かかる。 ②の人口を拾う作業と、③の競合を数える作業が、地図の画面と資料の行き来になります。月20件では、3名の担当の時間の大半がこの作業で埋まります。

(b)類似の店の選び方が人で違う。 同じ候補地でも、ある担当は駐車の台数が近い店を、別の担当は人口が近い店を選びます。選んだ店が違えば、見込みが1割以上違うこともあります。 どちらの選び方が当たっていたかを、開店の後に誰も振り返っていません。

(c)見込みが1つの数で、外れ方が分からない。 検討会の資料には見込みの売上が1つだけ書かれます。その数がどのくらい確かなのかは、資料からは読めません。 既存の店と条件の違う候補ほど外れやすいのに、資料の見た目は同じです。

(d)見込みが目標に引っ張られる。 出店の数の目標がある年には、見込みを少し強気に置きたくなります。手で加減する部分が大きいほど、その誘惑が数に入ります。

  1. 【人】 店舗開発の担当が、候補地の緯度・経度と現地の調査の値を、候補の表に入れる
  2. 【自動】 毎日の夜、Python の処理が候補の表の新しい行を見つける
  3. 【自動】 地域メッシュの人口・世帯から、候補地の半径1km・3kmの人口と高齢者の割合を出す
  4. 【自動】 競合の店の一覧から、半径1km・3kmの競合の数と、最も近い自社の店までの距離を出す
  5. 【自動】 既存の店で学んだ線形回帰で、開店2年目の年の売上の中ほどと80%の予測の幅を出す
  6. 【自動】 条件の近い既存の店を3つ選び、その実際の売上と条件を並べる
  7. 【自動】 既存の店の範囲を外れる条件に印を付け、検討会の資料の下書きを作る
  8. 【人】 経営企画部の担当が、下書きと類似の店を見て、現地の事情を所見として書き足す
  9. 【人】 検討会で、賃料と費用の条件と合わせて出店の可否を決める

8番目が、この設計の分かれ目です。 担当の時間は、人口を拾う作業から、類似の店との違いを読む作業に移ります。 下書きの数を書き換えるのではなく、所見として違いを書き足します。

7番目の印は、幅だけでは伝わらない危うさを示します。 既存の店のどれよりも商圏の人口が多い候補では、式をそのまま延ばした数が出ますが、それを支える店がありません。 印の付いた候補は、幅の数より印を先に読みます。

02今回想定するシステム構成

構成図
候補の表(緯度・経度、現地の調査の値)/店舗の台帳(既存の店の売上・条件)
e-Stat の API(国勢調査の地域メッシュの人口・世帯)
競合の店の一覧(自社で調べた位置と業態)
   ▼【トリガー】毎日の夜の定時の実行(新しい候補の行)
Python(pandas・statsmodels・scikit-learn)
   ├──▶ 半径1km・3kmの人口・高齢者の割合(メッシュの中心で集計)
   ├──▶ 競合の数、自社の店までの距離
   ├──▶ 売上の中ほどと80%の予測の幅(OLS、対数の売上)
   ├──▶ 条件の近い既存の店3つ(NearestNeighbors)
   ├──▶ 既存の店の範囲を外れる条件の印
   ▼
検討会の資料の下書き(候補ごとの1枚)
   ▼【人】担当が所見を書き足し、検討会で判断
役割想定する製品代替候補
実行環境Python(pandas・statsmodels・scikit-learn)R
処理エンジンstatsmodels の OLS(対数の売上の線形回帰と予測の幅)scikit-learn の GradientBoostingRegressor(分位点の損失)
集計Python(メッシュの集計、競合の数、類似の店の検索、印付け)地図の画面の集計の機能
保管経営企画部の限られた共有フォルダ(候補、予測、所見、開店後の実績)-
定時実行Windows のタスク スケジューラcron

新しく足すのは、Python の処理と候補の表です。 店舗の台帳と競合の店の一覧はこれまでどおり使い、この構成はどちらにも書き込みません。

線形回帰を選ぶのは、店の数が160ほどだからです。 木を重ねる手法は表の行が多いときに強みが出ますが、160行では、少ない店に合わせすぎた式になりやすくなります。 線形回帰なら、係数の向き(人口が多いほど売上が多い、競合が多いほど少ない)を担当が確かめられ、予測の幅を式から出せます。

予測の幅は、statsmodels の get_prediction で出します。 公式の説明では、返り値は平均の予測と新しい観測の予測について、区間と要約の表を必要に応じて計算できるものとされています。区間を出す conf_int は、obs が既定の False だと平均の信頼区間を返し、True だと観測の標準誤差を使った新しい観測の予測区間を返すとされています。出店の候補は「新しい1店」なので、obs=True の側を使います。

商圏の人口は、国勢調査の地域メッシュ統計から取ります。 総務省統計局の説明では、地域メッシュ統計は緯度・経度に基づいて地域を隙間なく網の目の区域に分けて統計を編成したもので、データを合算することで任意の地域のデータを得やすいとされています。基準地域メッシュは一辺約1kmで、それを縦横に2等分した2分の1地域メッシュがあります。 半径1kmの円を数えるには、2分の1のメッシュを使います。

メッシュのデータは、e-Stat の API で取ります。 API の仕様(3.0版)では、統計表の情報を探すときの検索データの種別に「2:小地域・地域メッシュ」を指定でき、アプリケーション ID(appId)が必須とされています。

03どうやって実装するのか

Step1

処理の起点を決める

毎日の夜の定時の実行を起点にします。 店舗開発の担当が候補の表に新しい行を入れると、その夜の実行で予測と下書きが作られ、翌朝に経営企画部の担当が読めます。 検討会の前の週に候補がまとめて入っても、毎晩ならして処理できます。

既存の店で学ぶやり直しは、四半期に1回にします。 新しく2年目に入った店が増えたとき、店を閉じたとき、競合の店の一覧を大きく直したときに学び直します。学び直す前後で、同じ候補の予測がどれだけ動いたかを記録します。 検討会の後で数が変わったことに気づかないと、資料の数と記録の数がずれます。

国勢調査の新しい結果が出たときは、メッシュの人口を入れ替えて学び直します。 そのときは既存の店の側の人口も同じ回の結果に入れ替え、学習と予測で違う年の人口を混ぜないようにします。

Step2

入力データを集める

データ中身取得元
既存の店店、緯度・経度、開店の日、開店2年目以降の直近12か月の売上、売場の面積、駐車の台数、前面の道路、角地、立地の型店舗の台帳
候補地候補の番号、緯度・経度、売場の面積、駐車の台数、前面の道路、角地、立地の型、持ち込んだ先候補の表
人口・世帯2分の1地域メッシュごとの人口、世帯、65歳以上の人口e-Stat の API(国勢調査の地域メッシュ統計)
競合の店店の名前、業態(ドラッグストア・食品スーパー・ホームセンター)、緯度・経度、開店・閉店の日自社で調べた一覧
自社の店の位置既存の店と、開店が決まっている店の緯度・経度店舗の台帳

質を決めるのは、競合の店の一覧です。 人口は公的な統計で取れますが、競合の店の位置と開店・閉店の日は、自社で調べ続けるしかありません。 一覧が古いと、既存の店の売上を説明する式そのものが、今は無い競合を前提に作られます。

既存の店の売上は、開店2年目以降の直近12か月にそろえます。 開店1年目は売上が伸びている途中で、条件が同じでも数が低く出ます。1年目の店を混ぜると、式は「新しい店ほど売れない」と学び、候補地の見込みを低く出します。

Step3

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
メッシュの人口・世帯e-Stat の API の統計データの取得(appId、統計表の ID)半径1km・3kmの人口と高齢者の割合
メッシュの中心の緯度・経度メッシュのコードから計算する円の中に入るメッシュの判定
競合の数競合の店の一覧の緯度・経度と、その時点で営業していたかの日付半径1km・3kmの業態ごとの数
自社の店までの距離店舗の台帳の緯度・経度自社の店どうしで客を分け合う度合い
既存の店の売上と条件店舗の台帳学習の目的の値と説明の値

e-Stat の API で一度に取れる行には上限があります。 仕様では、データの取得件数(limit)を省略すると10万件で、件数が多いときは受け取ったデータの NEXT_KEY の値を次の取得の開始位置に指定するとされています。県をまたぐ商圏では、続きを取り忘れると、円の片側の人口が抜けます。 取れた行の数と、統計表の全体の件数が合うかを確かめます。

メッシュの中には、人口が少なすぎて隣と合算されているものがあります。 統計局の用語の解説では、1つのメッシュの人口または世帯の数が極めて少ない場合、近くのメッシュの数に合算して表章する(秘匿措置)とされています。半径1kmの円の端で、合算された先のメッシュだけが円に入ると、人口を多く見ます。 郊外のロードサイドでは、この影響が無視できない候補があります。合算の対象のメッシュは印を付けて、担当が地図で確かめます。

競合の数は、その店の売上を数えた期間に営業していたかで数えます。 既存の店の直近12か月の売上を説明するなら、その12か月に営業していた競合だけを数えます。 今の一覧で数えると、最近できた競合の影響を、その前の売上に当てはめることになります。

Step4

AIへ渡す前に整形する

  1. 対数にする … 売上、商圏の人口、売場の面積は対数にします。売上は掛け算で効く要素が多く、対数にすると線形の式で表しやすくなります
  2. 立地の型の0と1の列 … ロードサイド・住宅地・駅前の3つから、ロードサイドを基準に2本の列を作ります
  3. 列の並びを固定する … 学習のときの列の並びを保存し、候補地の行をその並びにそろえます
  4. 既存の店の範囲の確認 … 候補地の各列の値が、既存の店の最小から最大の間にあるかを見ます
  5. 欠けた値の扱い … 現地の調査の値が欠けた候補は予測せず、「調査未了」の印で担当に戻します
  6. 類似の店のための標準化 … 類似の店の検索に使う列を、既存の店の平均と標準偏差で標準化します

3番目は、statsmodels のこの使い方では欠かせません。 公式の説明では、式(formula)を使わずに学習したモデルでは、予測の列は名前ではなく位置で合わせられ、データフレームを渡すなら学習のときと同じ列の順にする必要があるとされています。列の順が1つずれると、駐車の台数の係数が角地の列に掛かった売上が、エラーも出ずに返ります。

6番目を省くと、類似の店が人口だけで決まります。 scikit-learn の NearestNeighbors の既定の距離はミンコフスキー距離(p=2、ふつうの直線の距離)です。人口は数万、角地は0か1なので、標準化しないと人口の差だけで近さが決まります。

Step5

AIに処理させる

させるのは、候補地の売上の中ほどと予測の幅を出すことと、条件の近い既存の店を選ぶことです。 商圏の集計、印付け、資料の下書きは Python の計算で行います。

段階中身使うもの
学習対数の売上を、人口・高齢者の割合・競合の数・面積・駐車・道路・角地・立地の型・自社の店までの距離で説明するstatsmodels の OLS
中ほど予測した対数の売上を元に戻した値get_prediction の predicted_mean
80%の予測の幅新しい1店の予測区間を元に戻した値conf_int(obs=True, alpha=0.2)
類似の店標準化した条件で最も近い既存の店3つNearestNeighbors の kneighbors
当たり方の確認既存の店を1店ずつ外して学び、外した店がその幅に入った割合Python
印付け範囲の外の条件、合算のメッシュ、類似の店が遠い、幅が広いPython

中ほどは、平均ではなく真ん中の目安として読みます。 対数の売上の予測を元に戻した値は、売上の平均より少し低い、真ん中あたりの値になります。資料には「中ほど」と書き、平均とは書きません。

当たり方は、既存の店を1店ずつ外して確かめます。 160店のそれぞれについて、その店を除いた159店で学び、外した店の売上が80%の幅に入ったかを数えます。入った割合が8割前後なら、幅の付け方は既存の店については筋が通っています。 7割を大きく下回るなら、説明の値が足りないか、合わない店が混ざっています。

させないこと理由
出店の可否の判断賃料・費用・配置を合わせて検討会で決める
目標に合わせて入力の値を直す見込みを動かしたいなら所見として書く。入力は現地の調査の値のまま
賃料の上限を決める損益の計算と交渉の方針は別の判断
範囲の外の候補に数だけを出す印を付け、数は参考と書く
競合の出店を予想するこの構成は今の競合の一覧だけを使う

2行目は、とくに気を付けてください。 駐車の台数を「計画では増やせる」と多めに入れると、見込みは簡単に上がります。入力の値を変えたときは、変えた人と理由を記録に残し、変える前の予測も資料に並べます。

Step6

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・予測の幅・類似の店の中身を示します。

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import NearestNeighbors

NUMS = ["log_pop_1km", "log_pop_3km", "elderly_3km", "comp_1km", "comp_3km",
        "log_floor_m2", "parking", "arterial", "corner", "own_store_km"]

def design(df):
    X = df[NUMS].astype(float).copy()
    for t in ("residential", "station"):              # 基準はロードサイド
        X[f"type_{t}"] = (df["site_type"] == t).astype(float)
    return sm.add_constant(X, has_constant="add")

Xs = design(stores)
COLS = list(Xs.columns)                                # 予測の列をこの並びにそろえる
res = sm.OLS(np.log(stores["sales_12m"]), Xs).fit()

def forecast(cands, alpha=0.2):
    Xc = design(cands)[COLS]                           # 位置で合わせるので並びを固定
    pred = res.get_prediction(Xc)
    lo, hi = pred.conf_int(obs=True, alpha=alpha).T    # 新しい1店の幅(平均の幅ではない)
    return pd.DataFrame({"mid": np.exp(pred.predicted_mean),
                         "lo": np.exp(lo), "hi": np.exp(hi)}, index=cands.index)

SIM = ["log_pop_1km", "log_pop_3km", "comp_1km", "log_floor_m2", "parking", "arterial"]
scaler = StandardScaler().fit(stores[SIM])
nn = NearestNeighbors(n_neighbors=3).fit(scaler.transform(stores[SIM]))

def similar_stores(cands):
    dist, idx = nn.kneighbors(scaler.transform(cands[SIM]))
    return dist, stores.iloc[idx.ravel()][["store", "sales_12m"] + SIM]

conf_int(obs=True, ...) の obs=True を落とさないでください。 既定の False では平均の信頼区間が返り、「この条件の店を何店も出したときの平均」の幅になります。 新しい1店の売上の幅よりずっと狭く、資料の幅が実際の外れ方を語らなくなります。

has_constant="add" は、候補が1件だけのときのためです。 1行だけの表では、どの列も「一定の値」に見え、定数の列が足されないことがあります。定数が抜けたまま位置で合わせると、全部の係数が1つずつずれて掛かります。

類似の店の距離も資料に出します。 kneighbors が返す距離が大きいときは、3店が選ばれていても、どれも候補地に似ていません。 既存の店どうしの近さの分布と比べて、上位の1割より遠いときに「類似の店が遠い」の印を付けます。既存の店を自分自身と比べるときは、公式の説明のとおり kneighbors に X を渡さない形で呼ぶと、その店自身は近い店に数えられません。 当たり方の確認で使います。

Step7

出力形式を固定する

担当に渡すのは、候補ごとに1枚の資料の下書きです。

【候補 2026-11-07(○○市 国道沿い)の売上の見込み(11月18日 2:10 作成、モデル 2026年10月版)】

項目値
開店2年目の年の売上(中ほど)3.2億円
80%の予測の幅2.5億円 〜 4.1億円
半径1km・3kmの人口8,400人・52,100人
半径1km・3kmの競合(ドラッグストア/食品スーパー)1/1・4/3
最も近い自社の店4.8km
印黄(合算のメッシュが円の端に1つ)

【条件の近い既存の店】

店年の売上1kmの人口1kmの競合売場駐車近さ
A店3.4億円9,100人11,050㎡60台0.42
B店2.9億円7,800人2990㎡55台0.57
C店3.0億円8,800人1900㎡40台0.63

表の下には、印の意味と、モデルの当たり方を並べます。 「既存の店を1店ずつ外したとき、80%の幅に入った店の割合は○%」と書き、幅がどのくらい信用できるかを資料の中で読めるようにします。 最後に、e-Stat の API を使った旨と、統計の出典を書きます。

機械で読む用には、同じ内容を CSV でも残します。 列は、候補の番号、入力の値、中ほど、幅、類似の店とその距離、印、モデルの版、担当の所見と、入力を変えた記録です。

Step8

システムへ連携する

つなぎ先方式内容
候補の表スプレッドシートを読む新しい候補の行、現地の調査の値
店舗の台帳スプレッドシートを読む既存の店の売上と条件
e-Stat の API統計データの取得(appId)地域メッシュの人口・世帯
競合の店の一覧スプレッドシートを読む位置・業態・開店と閉店の日
検討会の資料の置き場所下書きのファイルを置く候補ごとの1枚の資料

書き込むのは、下書きのファイルだけです。 候補の表の値は書き換えません。担当の所見は、下書きの所見の欄に人が書きます。

e-Stat の API を使ったサービスを公開する場合には、クレジットの表示が求められています。 公式のページでは、「このサービスは、政府統計総合窓口(e-Stat)のAPI機能を使用していますが、サービスの内容は国によって保証されたものではありません。」という表示を求めています。この構成は社内の資料ですが、資料に出典として同じ趣旨を書いておきます。

Step9

人が確認する

  1. 印の付いた候補を先に読む … 範囲の外、合算のメッシュ、類似の店が遠い、幅が広い、の印を確かめます
  2. 類似の店との違いを所見に書く … 担当が現地の事情(交差点の見え方、近くの病院、計画中の道路)を3店との違いとして書きます
  3. 入力を変えたときは理由を残す … 現地の調査の値を直したときは、直す前の予測も並べます
  4. 開店した店の当たり方を見る … 開店2年目に入った店について、見込みの幅に入ったかを四半期ごとに振り返ります

4番目が、この構成を育てる入口です。 見込みの幅を外れた店が出たら、その店のどの条件が式に入っていなかったかを、担当と店舗開発で話します。 説明の値を足す候補はそこから出てきます。

目標は、1件の資料を90分で仕上げることです。 下書きを読み、類似の店の売上と条件を地図で確かめ、所見を書く時間です。

Step10

例外に対処する

起きること対応
現地の調査の値が欠けている予測せず「調査未了」の印で店舗開発に戻す
候補の条件が既存の店の範囲の外予測は出すが「範囲外」の印と、外れている列の名前を書く
立地の型が既存の店に無い(商業施設の中など)予測を出さず「対象外」とする
e-Stat の API の取得が途中で止まるNEXT_KEY の続きから取り直し、件数が合うまで予測しない
円の端に合算のメッシュがある「合算メッシュ」の印。担当が地図で確かめる
類似の店の距離が大きい「類似の店が遠い」の印。3店は参考として並べる
学び直しで同じ候補の予測が大きく動いた前の版と新しい版の両方を資料に並べる
既存の店の売上に改装・休業の期間が含まれるその店を学習から外し、台帳に印を付ける

上から3行目までが、印の大半を占めます。 どれもモデルの不具合ではなく、既存の店の経験の外にある候補だということです。 印の付いた候補ほど、担当の所見が資料の中心になります。

Step11

記録を残す

  • 候補ごとの入力の値(人口・競合・現地の調査の値)と、取得したメッシュの統計表の ID と件数
  • 中ほど、80%の幅、類似の店とその距離、印、モデルの版
  • 入力を変えた人と理由、変える前の予測
  • 担当の所見と、検討会の結論
  • 開店した店の開店2年目の売上と、見込みの幅に入ったか
  • 学び直しのたびの係数の一覧と、既存の店を1店ずつ外したときの当たり方

3つ目を残すのは、見込みが目標に引っ張られていないかを後から確かめるためです。 入力を変えた候補ばかりが出店に進み、開店後に幅の下を割っていたら、入力の直し方に偏りがあります。

04実装レベルの3段階

最小構成:表計算の回帰で、市区町村の人口と面積・駐車から売上の式を作り、過去の開店の店で比べる / 式の試し
半自動化:上記+Python で地域メッシュの人口と競合の数を候補地ごとに自動で集計し、表に書く / 商圏の集計
本格構成:上記+OLS の予測の幅、類似の店の検索、範囲の外の印、当たり方の確認、資料の下書きまで / 集計から資料の下書きまで

本記事の想定は本格構成です。 1件240分が90分になります。半自動化の段階で、①の人口を拾う作業と②の競合を数える作業はほとんど要らなくなります。 予測の幅と類似の店が自動になるのは、本格構成からです。 段階を飛ばさないでください。 半自動化で集計した人口と競合の数を3か月使うと、合算のメッシュや競合の一覧の抜けがどの地域に多いかが分かります。 それを直してから式を作るほうが、幅の付け方が安定します。

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
20 件
1件あたり現在時間
240 分
1件あたり導入後時間
90 分
現在  20件 × 240分 ÷ 60 = 80 時間/月
導入後 20件 × 90分 ÷ 60 = 30 時間/月
月間削減時間
50h
削減率
63%
年間削減時間
600h
年間金額換算(時間単価3,500円)
210万円
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. 同じ業態の店を百店以上持ち、不動産の会社や地主から出店の候補地が毎月十件以上持ち込まれるチェーン。既存の店ごとの年の売上と、売場の面積・駐車の台数・立地の型が台帳にそろっている場合。経営企画の担当が類似の店を探して手で売上を見積もっていて、担当ごとに見積もりの考え方が違う場合。ドラッグストアのほか、食品スーパー、ホームセンター、郊外の飲食のチェーンにも使える。
向いていない
  1. 店の数が数十で、条件の近い既存の店が少なく、統計のモデルが立たない場合。出店のほとんどが駅ビルや商業施設の中で、商圏の人口より施設の集客で売上が決まる場合。初めての地域や新しい業態の出店で、既存の店に似た条件が無い場合。なお、出店の可否、賃料や建設の条件の交渉、地主との契約、開発の許可の要否の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 既存の店から、開店2年目以降の店の直近12か月の売上と、面積・駐車・立地の型を表にまとめる
  2. 各店の住所から、市区町村の人口を表に足す(メッシュの前に、市区町村の単位で試す)
  3. 表計算の回帰の機能で、対数の売上を人口・面積・駐車で説明する式を作る
  4. 過去2年に開店した10店について、開店の前に作っていた見込みと、この式の値と、実際の売上を並べる
  5. どちらが実際に近かったか、外れ方に偏りがあるかを見る

4番目の比べ方が大事です。 これまでの見込みより式のほうが近ければ、メッシュの人口と競合の数を入れて幅を出す段階に進みます。

出てきた内容判断
式のほうがこれまでの見込みより近かったメッシュと競合を入れた本格的な式に進む
開店の前の見込みが残っていない見込みを残す運用が先。 予測の問題ではない
競合の店の開店・閉店の日が分からない競合の一覧の整備が先

2行目が出ることは珍しくありません。 失敗ではなく、見込みの当たり方を誰も確かめられなかった理由が1つ分かったということです。 今月の候補から見込みを記録に残し始めます。

08実装時につまずきやすいポイント

問題対策
予測の幅が狭すぎるconf_int の既定は平均の信頼区間。obs=True で新しい1店の予測区間にする
係数が別の列に掛かる式を使わないモデルは列を位置で合わせる。学習の列の並びに固定する
1件だけの予測で定数が消えるadd_constant に has_constant="add" を渡す
類似の店が人口だけで決まるNearestNeighbors の既定はふつうの直線の距離。標準化してから探す
候補地の見込みが低く出る開店1年目の店を学習から外し、2年目以降の12か月にそろえる
今は無い競合で過去の売上を説明する競合はその12か月に営業していた店で数える
円の片側の人口が抜けるAPI の上限は10万件。NEXT_KEY の続きを取り、件数を確かめる
円の端で人口を多く見る秘匿措置で合算されたメッシュに印を付け、地図で確かめる
既存の店に無い条件で数だけが出る範囲の外の印を付け、外れた列の名前を書く
見込みが目標に引っ張られる入力を変えた人と理由、変える前の予測を残す

上の2行が、この構成の失敗のほとんどです。 どちらも ERR も警告も出ないまま、狭すぎる幅や、ずれた係数の売上が資料に載ります。 既存の店を1店ずつ外した当たり方を見るまで気づけません。

最後の行も早く効いてきます。 予測の仕組みができると、入力の値を少し動かして見込みを合わせることも簡単になります。 変えた記録を残す決まりを、仕組みと同時に作ります。

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: 出店の候補地の場所と条件、既存の店ごとの売上、競合の店の一覧、検討会の結論です。個人の情報は扱いませんが、未公表の出店の計画と店ごとの売上は、社外に出ると交渉と競争に直接響く情報です。

  1. 置き場所と見られる人を限る … 候補の表、予測、資料の下書きは、経営企画部と店舗開発の限られた人だけが見られる場所に置きます
  2. 持ち込んだ先に予測を渡さない … 不動産の会社や地主に、売上の見込みや幅を渡しません。賃料の交渉の材料を相手に渡すことになります
  3. 出店の可否は人が決める … この構成が出すのは見込みと幅と類似の店です。検討会の結論を仕組みの側で決める作りにしません
  4. 入力を変えた記録を消さない … 見込みを動かした入力の変更は、人と理由と変える前の予測を残します
  5. 統計の出典を書く … e-Stat の API で取った統計を使った旨と、その統計の名前を資料に書きます。API を使ったサービスを公開するときは、求められているクレジットの表示を付けます
  6. 担当の評価に当たり外れを使わない … 開店後の振り返りは、式と情報の足りないところを見つけるための材料です。外れた候補の担当を責めると、範囲の外の候補に所見を書かなくなります

誤りが起きた場合のリスクは、売上を多く見て採算の合わない店を出すことと、少なく見て良い候補を逃すことの2つです。 前者は狭すぎる幅と入力の直しで起き、後者は開店1年目の店を混ぜた学習で起きます。どちらも、予測区間の取り方と記録の時点のそろえ方で守ります。

10まず何から始めるか

1週目:過去の見込みを集める

過去2年に開店した店について、開店の前に作った見込みの資料を集めます。見込みと実際の売上を並べる表を作ります。

2週目:既存の店の表をそろえる

開店2年目以降の店の直近12か月の売上と、面積・駐車・道路・角地・立地の型を1つの表にします。改装や休業の期間がある店に印を付けます。

3〜4週目:市区町村の人口で式を試す

表計算の回帰で式を作り、過去に開店した10店で、これまでの見込みと比べます。 あわせて、e-Stat の API のアプリケーション ID を取ります。

2か月目: メッシュの人口と競合の数を候補地ごとに自動で集計する半自動化に進みます。競合の店の一覧に開店・閉店の日を足します。3か月目以降: OLS の予測の幅と類似の店の検索、範囲の外の印を足し、資料の下書きを作ります。既存の店を1店ずつ外した当たり方が8割前後で落ち着き、開店した店の振り返りを四半期ごとに回せ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:2026-11-17/最終更新:2026-11-17
確認した内容情報源確認日
get_prediction が平均の予測と新しい観測の予測の区間を計算できる結果を返すこと。式を使わずに学習したモデルでは、予測の列が名前でなく位置で合わせられ、学習と同じ列の順が必要なこと。statsmodels 0.15.0statsmodels: OLSResults.get_prediction2026-11-17
conf_int の obs が既定の False で平均の信頼区間を返し、True で観測の標準誤差を使った新しい観測の予測区間を返すこと。alpha の既定が 0.05 であることstatsmodels: PredictionResults.conf_int2026-11-17
NearestNeighbors の既定の距離が metric='minkowski'・p=2 であること。kneighbors に X を渡さないと、各点自身は近い点に数えられないことscikit-learn: NearestNeighbors2026-11-17
検索データの種別に「2:小地域・地域メッシュ」を指定できること。appId が必須なこと。データの取得件数の既定が10万件で、続きは NEXT_KEY の値を開始位置に指定して取ること(API 仕様 3.0版)e-Stat: API 仕様 3.0版2026-11-17
API 機能を使用したサービスを公開する場合に求められるクレジットの表示の文言e-Stat: クレジット表示2026-11-17
地域メッシュ統計が緯度・経度に基づき地域を網の目に分けて編成したもので、合算により任意の地域のデータを得やすいこと。基準地域メッシュが一辺約1kmで、それを縦横に2等分した2分の1地域メッシュがあること総務省統計局: 地域メッシュ統計について2026-11-17
人口・世帯の数が極めて少ないメッシュは近くのメッシュに合算して表章すること(秘匿措置)。分割地域メッシュに2分の1・4分の1・8分の1があること総務省統計局: 地域メッシュ統計の用語の解説2026-11-17

出店の可否、賃料と費用の条件、地主との契約は、検討会と担当の部署が決めてください。 予測の幅の水準(80%など)と、範囲の外の候補の扱いは、自社で決めてください。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-3485)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