甘酒のメーカーが、品目ごとの出荷の記録・気温・販促の予定から Python で翌月の出荷を幅付きで予測し、麹の仕込みの回数と米の量の計画の案を作る
甘酒の品目ごとの出荷の記録・気温・販促の予定から、Python で翌月の週ごとの出荷を下の値・中央の値・上の値の幅で予測します。その幅と賞味期限・在庫から、麹の仕込みの回数と米の量の計画の案を作ります。
- 連携・自動化
- Python
- 対象業界
- EC/小売/製造
- 対象部門
- 生産/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
01導入前 / 導入後の業務フロー
- 月の終わりに、販売管理のシステムから品目ごと・出荷先ごとの出荷の記録を書き出す
- 去年の同じ月の出荷と、直近の数週の出荷を並べる
- 営業の販促の表を開き、翌月の量販店の特売と、生協の掲載の予定を拾う
- 天気の見通しを見て、暑くなりそうか寒くなりそうかで、去年の数字を経験で上げ下げする
- 品目ごとの見込みから、在庫と賞味期限を見て仕込みの量を出し、1回の仕込みの量で割って回数にする
- 製麹の部屋の空きに収まるかを見て、回数を週に割り振る
- 米の量を出し、発注の担当に渡す
- 人営業が販促の表に、翌月の特売・掲載・催事の予定を入れる(これまでどおり)
- 自動月の終わりの夜に Python が動き、出荷の記録・販促の表・気温の実績を読み込む
- 自動週ごとに集計し、気温の平年との差、年のうちの週、販促の印などの特徴量を作る
- 自動分位点回帰のモデルを学び直し、下の値・中央の値・上の値の3本を作る
- 自動翌月の週ごとの行を、気温の3つの筋書き(平年並・暑い・寒い)で作り、予測する
- 自動品目ごとの賞味期限の区分と在庫から、仕込みの量と回数、米の量の案を作る
- 自動幅が広い・製麹の部屋に収まらない・新しい品目などの印を付け、計画のシートの隣に書き出す
- 人生産管理課が印を見て、品目ごとにどの値で受けるかを決める
- 人生産の責任者が仕込みの回数と米の量を確定する
- 自動月の終わりに、予測と実際の出荷を比べた当たり方の記録を残す
各工程の詳しい説明を読む
- 月の終わりに、販売管理のシステムから品目ごと・出荷先ごとの出荷の記録を書き出す
- 去年の同じ月の出荷と、直近の数週の出荷を並べる
- 営業の販促の表を開き、翌月の量販店の特売と、生協の掲載の予定を拾う
- 天気の見通しを見て、暑くなりそうか寒くなりそうかで、去年の数字を経験で上げ下げする
- 品目ごとの見込みから、在庫と賞味期限を見て仕込みの量を出し、1回の仕込みの量で割って回数にする
- 製麹の部屋の空きに収まるかを見て、回数を週に割り振る
- 米の量を出し、発注の担当に渡す
(a)気温の効き方を経験で上げ下げしている。 4番は、長く担当してきた1名の感覚です。「9月の残暑が続くと、冷やしの品目が月の半ばまで伸びる」「12月の初めが暖かいと、温めの品目の立ち上がりが遅れる」。数字の根拠を説明できず、担当が替わると同じ計画は組めません。
(b)夏と冬で逆向きに効くことが表に出てこない。 去年の同じ月と比べるだけでは、去年が暑かったのか寒かったのかで数字が大きく変わり、その差を取り除く方法がありません。
(c)特売と気温の重なりを読めない。 量販店の特売の週と、暑さの週が重なると、出荷は足し算以上に伸びることがあります。どれだけ伸びるかは、過去の特売の記録を探し直して推し量っています。
(d)幅が無い。 見込みは1つの数字で出しているので、外れたときにどこまで外れうるかの目安がありません。 チルドの品目は日持ちが短く、多めに仕込むと廃棄になり、少なめだと欠品になります。
(e)米の発注が見込みに引きずられる。 米は精米の工場から決まった単位で届き、月の初めの発注の量を後から大きく増やすのは難しい材料です。見込みが外れて仕込みを足すときに、米の手当てが追いつかない月があります。 見込みに幅があれば、米を上の値に合わせて手当てし、仕込みは中央の値で始める、といった分け方ができます。
- 【人】 営業が販促の表に、翌月の特売・掲載・催事の予定を入れる(これまでどおり)
- 【自動】 月の終わりの夜に Python が動き、出荷の記録・販促の表・気温の実績を読み込む
- 【自動】 週ごとに集計し、気温の平年との差、年のうちの週、販促の印などの特徴量を作る
- 【自動】 分位点回帰のモデルを学び直し、下の値・中央の値・上の値の3本を作る
- 【自動】 翌月の週ごとの行を、気温の3つの筋書き(平年並・暑い・寒い)で作り、予測する
- 【自動】 品目ごとの賞味期限の区分と在庫から、仕込みの量と回数、米の量の案を作る
- 【自動】 幅が広い・製麹の部屋に収まらない・新しい品目などの印を付け、計画のシートの隣に書き出す
- 【人】 生産管理課が印を見て、品目ごとにどの値で受けるかを決める
- 【人】 生産の責任者が仕込みの回数と米の量を確定する
- 【自動】 月の終わりに、予測と実際の出荷を比べた当たり方の記録を残す
8番を人の仕事に残しているのが、この設計の要です。 モデルが出すのは幅で、どこで受けるかは、品目の日持ちと取引先との約束で決まります。同じ幅でも、チルドの品目と常温の品目では受け方が違います。
10番の当たり方の記録は、翌月の8番の材料になります。 ある品目で実際の出荷が上の値を超える月が続けば、生産管理課はその品目を上の値寄りで受けるようになります。モデルを直す前に、受け方で調整できることが、幅で出す利点です。
02今回想定するシステム構成
販売管理のシステム(出荷の記録) 営業の販促の表 気象庁の過去の気象データ(CSV)
│ │ │
└──────────────┬───────────┴─────────────────┘
▼【トリガー】月の終わりの夜
Python
├──▶ 週ごとに集計、気温の平年との差・週・販促の特徴量
├──▶ 時間の順を守った検証(週の単位で TimeSeriesSplit)
▼
scikit-learn HistGradientBoostingRegressor(loss="quantile":0.1・0.5・0.9)
│ 気温の3つの筋書きごとに予測
▼
Python ── 賞味期限の区分・在庫から仕込みの量と回数、米の量の案、印
▼
【生産管理課が受ける値を決める → 責任者が確定】
▼
月の終わり: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 HistGradientBoostingRegressor(分位点回帰) | LightGBM |
| 集計 | Python(筋書きの予測、仕込みの回数と米の量の案、当たり方の記録) | 表計算の計算式 |
| 保管 | 社内のファイルサーバー(学習の記録、計画の案、当たり方の記録) | - |
新しく足すのは Python の処理だけです。 出荷の記録は販売管理のシステムから書き出し、販促の表と計画のシートはこれまでどおり使います。計画の案は計画のシートの隣のシートに書き出し、確定した計画は人が元のシートに写します。
LightGBM ではなく scikit-learn を選んでいるのは、追加の部品を減らすためです。 社内に scikit-learn と pandas の実行環境があれば、新しく入れるものはありません。3年分の週ごとの行(約1万5千行)なら、学習の速さに差はほとんど出ません。 行が大きく増えたときや、細かい設定が要るようになったときに LightGBM を検討します。
予測には scikit-learn の HistGradientBoostingRegressor の分位点回帰を使います。 loss に "quantile" を指定し、quantile に0から1の値を入れて、何分位を予測するかを決めます。公式のページでは quantile の既定は None で、loss と一緒に指定するものとされています。 3本のモデルで、それぞれ0.1・0.5・0.9を明示します。
03どうやって実装するのか
処理の起点を決める
月の終わりの夜に1回、タスクスケジューラなどで Python を動かします。 翌月の仕込みの回数と米の発注は、月の初めの計画の会議で決めます。会議の前日の朝に案が出そろっていれば、生産管理課が印を見る時間が取れます。
| 段 | いつ | すること |
|---|---|---|
| 1. 読み込みと集計 | 月の終わりの夜 | 出荷・販促・気温を読み、週ごとに集計 |
| 2. 学習と検証 | 1の後 | 3本のモデルを学び直し、過去の週で当たり方を測る |
| 3. 予測と計画の案 | 2の後 | 筋書きごとの予測、仕込みの回数と米の量 |
| 4. 当たり方の記録 | 翌月の終わり | 予測と実際の出荷を比べる |
学び直しは毎月行います。 新しい品目が出たり、取引先が増えたりすると、出荷の形が変わります。3年分の週ごとの行なら、学び直しは数分で終わります。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 出荷の記録 | 日付、品目、出荷先の区分、数量 | 販売管理のシステムの書き出し |
| 販促の予定と実績 | 週、品目、出荷先の区分、販促の種類(特売・掲載・催事)、確度 | 営業の販促の表 |
| 気温の実績 | 出荷先の多い地域の地点の日平均気温、平年値 | 気象庁の過去の気象データ(CSV) |
| 品目の情報 | 飲み方(冷やし・温め・どちらも)、賞味期限の区分(チルド・常温)、発売日 | 品目の一覧 |
| 生産の条件 | 1回の仕込みの出来高(品目の系統ごと)、製麹の部屋の数と週の上限の回数、在庫 | 計画のシート |
質を決めるのは、販促の表の「確度」の列です。 量販店の特売は、取引先からの案内で決まるものと、営業が提案中のものが混ざっています。確定と提案中を分けずに渡すと、提案中の特売まで出荷を押し上げます。 確度を「確定」「見込み」の2つで持ち、特徴量を分けます。
品目の「飲み方」の列も欠かせません。 冷やしの品目と温めの品目では、気温の効き方が逆です。この列をカテゴリとして渡すと、モデルは飲み方ごとに気温との関係を分けて学べます。
データの取得方法を決める
| 取るもの | 範囲 | 使い道 |
|---|---|---|
| 出荷の記録 | 過去3年 | 学習(週ごとに集計) |
| 販促の予定と実績 | 過去3年と翌月 | 学習の特徴量と、予測の行 |
| 気温の実績と平年値 | 過去3年の日ごと | 学習の特徴量(週の平均の平年との差) |
気温は、気象庁の「過去の気象データ・ダウンロード」から CSV で取ります。 公式の説明では、地点・項目・期間を選んでCSVでダウンロードでき、選んだデータの量が100%を超えると表示もダウンロードもできなくなるとされています。3年分の日ごとの値を数地点なら、期間を分けて取ります。 平年値(1991〜2020年の30年の平均)との差を一緒に出せるとされているので、平年値も同じ画面で取ります。
欠測の扱いを決めておきます。 CSV では欠測の値を「すべて数値で格納」で出すと値の列が空になり、品質情報の列が0になるとされています。品質情報の列で欠測を見分け、その日は週の平均から外します。 同じ均質番号の値どうしは比べられるとされているので、地点の移転などで番号が変わった年をまたぐときは注意します。
学習には、過去の天気予報ではなく、実際の気温を使います。 モデルが学ぶべきは「その気温のときにどれだけ出たか」で、予報の不確かさは予測のときの筋書きで入れます。
AIへ渡す前に整形する
- 週ごとの集計 … 出荷の記録を、品目×出荷先の区分×週(月曜はじまり)に集計します
- 年のうちの週 …
week_of_yearを作ります。夏と冬の効き方の違いを、気温とこの列の組み合わせで学ばせます - 気温の平年との差 … 週の日平均気温の平均から、同じ週の平年値の平均を引きます
- 販促の印 … 特売・掲載・催事を確定と見込みに分けて、0か1の列にします
- 過去の出荷の列 … 去年の同じ週の出荷、4〜8週前の平均の出荷。予測の時点で分かっていない値を入れません
- カテゴリの型 … 品目・出荷先の区分・飲み方の列を pandas の
category型にします - 新しい品目の印 … 発売から52週に満たない品目に印を付け、似た品目の去年の出荷を列に入れます
6番を忘れやすいので注意します。 公式のページでは、categorical_features の既定は "from_dtype" で、データフレームの列の型が Categorical か Enum のものだけがカテゴリとして扱われるとされています(1.6で既定が変わった)。品目のコードを整数のまま渡すと、カテゴリではなく大小のある数として扱われます。 また、カテゴリの種類の数は max_bins まで(255以下)とされているので、品目×出荷先の組み合わせを1つの列にまとめず、別の列で渡します。
5番の「4〜8週前」は、予測の時点を守るためです。 翌月の最後の週を予測するとき、直前の数週の出荷はまだありません。1〜3週前の出荷を列に入れると、学習では当たり、本番では値が無い列になります。
AIに処理させる
させるのは、品目×出荷先の区分×週の出荷の量を、0.1・0.5・0.9の3つの分位点で予測することだけです。
| させること | させないこと |
|---|---|
| 週ごとの出荷の3つの分位点 | 仕込みの回数の決定(人が決める) |
| 気温の筋書きごとの予測 | 気温そのものの予測(筋書きとして置く) |
| 販促の確定・見込みごとの効き方の学習 | 販促の可否の判断(営業が決める) |
気温の縛り(単調性の制約)を入れないのが、この題材での要点です。 公式のページでは、monotonic_cst で特徴量ごとに増加(1)・減少(-1)・制約なし(0)を指定できるとされています。アイスクリームのように暑いほど出る品目なら増加の縛りが効きますが、甘酒は飲み方で向きが逆になります。 冷やしの品目だけのモデルと温めの品目だけのモデルに分ければ、それぞれに縛りを入れる手もありますが、品目が少ない側の学習の行が足りなくなります。この構成では1つのモデルで縛りを入れず、飲み方の列と週の列で効き方を分けさせ、検証で向きを確かめます。
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。
import numpy as np, pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import mean_pinball_loss
features = ["item", "channel", "serve", "week_of_year", "temp_anom",
"promo_sale_fix", "promo_sale_est", "promo_coop", "promo_event",
"ly_same_week", "mean_wk4_8", "similar_item_ly", "is_new_item"]
for c in ["item", "channel", "serve"]:
train[c] = train[c].astype("category") # from_dtype で拾わせる
def fit_q(q, X, y):
return HistGradientBoostingRegressor(
loss="quantile", quantile=q, learning_rate=0.05,
max_iter=500, early_stopping=False).fit(X, y)
# 行ではなく「週」で分ける(1週に96行あるため)
weeks = np.sort(train["week_start"].unique())
tscv = TimeSeriesSplit(n_splits=4, gap=4) # 4週あけて検証
for tr_w, va_w in tscv.split(weeks):
tr = train["week_start"].isin(weeks[tr_w]); va = train["week_start"].isin(weeks[va_w])
for q in (0.1, 0.5, 0.9):
m = fit_q(q, train.loc[tr, features], train.loc[tr, "qty"])
score = mean_pinball_loss(train.loc[va, "qty"],
m.predict(train.loc[va, features]), alpha=q)
record_score(q, score, weeks[va_w])
models = {q: fit_q(q, train[features], train["qty"]) for q in (0.1, 0.5, 0.9)}
TimeSeriesSplit を週の配列にかけているのが、この設定の要です。 公式のページでは、時間の順に並んだデータを分けるためのもので、各回の検証が同じ時間の長さになるよう、標本が等しい間隔で並んでいる必要があるとされています。1週に96行あるデータに行のままかけると、検証の区切りが週の途中に入り、同じ週の行が学習と検証に分かれます。週の配列で分けてから行に戻します。 gap=4 は、学習の終わりから4週を外して検証する設定で、翌月を見込む本番の距離に合わせています。
検証の物差しは mean_pinball_loss で、alpha に分位点を渡します。 公式のページでは alpha の既定は0.5で、0.5のときは平均絶対誤差と同じになるとされています。既定のまま3本を測ると、0.1と0.9のモデルまで中央の値の物差しで測ることになり、幅の良し悪しが分かりません。 分位点ごとに alpha を合わせ、前の月の値と並べて記録します。
early_stopping=False を明示しているのは、既定の 'auto' だと、標本が1万を超えるときだけ早期終了が有効になるからです。 3年分の行は1万を超えるので、指定しないと学習の行の一部が検証用に取り分けられ、月ごとに条件が変わります。毎月同じ条件で学ぶために、明示して切ります。
翌月の予測は、3つの筋書きで行を作ります。
scen_temp = {"normal": 0.0,
"hot": hist_anom.groupby("week_of_year").quantile(0.8),
"cold": hist_anom.groupby("week_of_year").quantile(0.2)}
rows = []
for s, t in scen_temp.items():
x = next_month_rows.copy() # 品目×区分×週
x["temp_anom"] = 0.0 if s == "normal" else x["week_of_year"].map(t)
for q, m in models.items():
x[f"q{int(q*100)}"] = m.predict(x[features]).clip(min=0)
x["scenario"] = s
rows.append(x)
pred = pd.concat(rows)
「暑い」「寒い」の筋書きは、過去の同じ週の平年との差の上位2割と下位2割の値です。 天気を予測するのではなく、「去年までの暑い週くらいなら」「寒い週くらいなら」という幅を置きます。冷やしの品目は「暑い」の上の値、温めの品目は「寒い」の上の値が、欠品を避けたいときの目安になります。
出力形式を固定する
品目×出荷先の区分×週の表で出します。 生産管理課が開く計画のシートの隣のシートに書き出します。
| 列 | 中身 |
|---|---|
| 品目・区分・週 | 予測の単位 |
| 平年並の q10・q50・q90 | 平年並の筋書きの下・中央・上 |
| 暑い・寒いの q90 | 飲み方に応じた欠品の目安 |
| 販促 | その週の販促(確定・見込み) |
| 印 | 幅が広い/新しい品目/見込みの販促あり |
品目の系統ごとに、仕込みの案をまとめます。
| 列 | 中身 |
|---|---|
| 系統 | 同じ麹と仕込みで作れる品目のまとまり |
| 目指す出荷 | 賞味期限の区分の規則で選んだ値の合計(チルドは q50、常温は筋書きの q90 を上限に人が決める) |
| 在庫と安全在庫 | 月の初めの在庫、自社で決めた安全在庫 |
| 仕込みの量 | 目指す出荷+安全在庫-在庫 |
| 仕込みの回数 | 仕込みの量 ÷ 1回の出来高(切り上げ) |
| 週ごとの割り振り | 製麹の部屋の週の上限に収まるか。収まらなければ印 |
| 米の量 | 回数 × 1回の米の量 |
3本の分位点が逆転することがあります。 分位点ごとに別々のモデルを学ぶので、まれに q10 が q50 を上回る週が出ます。書き出す前に、週ごとに3つの値を小さい順に並べ直し、並べ直した行に印を付けます。 印が多い品目は、学習の行が足りていない合図です。
仕込みの回数は、Python が四則演算で出します。 予測のモデルは出荷の量を出すだけで、回数への直し方は計画のシートの規則のままです。目指す出荷の列は、生産管理課が品目ごとに選び直せる形にしておきます。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 販売管理のシステム | 書き出したファイル | 出荷の記録 |
| 営業の販促の表 | 共有のスプレッドシートを読む | 販促の予定と確度 |
| 気象庁の過去の気象データ | CSV をダウンロードして置く | 気温の実績と平年値 |
| 計画のシート | 隣のシートに書き出す | 予測の表と仕込みの案 |
販売管理のシステムと計画のシートには書き込みません。 確定した仕込みの回数は、責任者が計画のシートに写します。
気象庁のデータを社内の資料に載せるときは、出典を書きます。 気象庁のページは、権利表記が無い限り公共データ利用規約(第1.0版)に準拠した条件で使え、「出典:気象庁ホームページ(当該ページのURL)」の形で出典を記載し、編集・加工した情報を国が作成したかのように公表・利用してはいけないとしています。平年との差は加工した値なので、計画の資料にはその旨を添えます。
人が確認する
- 印の付いた行を見る … 幅が広い、新しい品目、見込みの販促ありの行を先に見ます
- 目指す出荷の値を選ぶ … チルドの品目は日持ちを、常温の品目は在庫の置き場所を見て選びます
- 製麹の部屋の印を見る … 収まらない週は、前の週に回すか、常温の品目の仕込みを後ろにずらします
- 責任者が確定する … 回数と米の量を計画のシートに写します
2番は生産管理課の判断として残します。 夏の山の前に常温の品目を作りだめするか、チルドの品目の欠品を受け入れるかは、取引先との約束と倉庫の空きで決まり、モデルの外にあります。 選んだ値と理由は、計画の案のシートの「受け方」の列に一言で残します。翌月の当たり方の記録と並べると、受け方の癖が品目ごとに見えてきます。
例外に対処する
| 起きること | 対応 |
|---|---|
| 出荷の記録の書き出しが欠けている週がある | 集計の段で週ごとの件数を見て、極端に少ない週があれば止める |
| 気温のCSVに欠測がある | 品質情報で見分け、週の平均から外す。週の全日が欠測なら平年並とする |
| 新しい品目で去年の出荷が無い | 似た品目の去年の出荷を使い、印を付ける |
| 販促の表に翌月の予定が入っていない | 営業に確かめるまで、販促なしで予測し印を付ける |
| 検証のピンボールの損失が前の月より大きく悪化 | 計画の案を出さず、学習の記録を担当が見る |
| 予測が負になる | 0で切る(clip) |
| 3つの分位点が逆転する | 小さい順に並べ直し、印を付ける |
| 取引先の終売・棚替えで出荷が止まる | 営業が品目の一覧に終売の週を入れ、その週以降は予測の行を作らない |
| 気象庁のサイトからデータが取れない月 | 前の月までの実績で学び、翌月の筋書きは平年並だけで出す |
記録を残す
- 学習に使ったデータの範囲と、特徴量の一覧、モデルの設定
- 検証の結果(分位点ごとのピンボールの損失、週ごと)
- 筋書きごとの予測の表と、仕込みの案
- 生産管理課が選んだ目指す出荷の値と、責任者が確定した回数
- 翌月の終わりの当たり方(実際の出荷が q10〜q90 に入った割合、品目ごと)
最後の行が、このモデルを信用してよいかの物差しです。 q10〜q90 の幅には、本来は8割前後の週が入るはずです。入る割合が大きく下がる品目は、特徴量か販促の記録に足りないものがあります。
04実装レベルの3段階
本記事の想定は本格構成です。 1件15分が5分になるのは、並べる・上げ下げする・割るの作業がそろって出てくるからです。残る5分は、印の付いた行を見て、目指す値を選ぶ時間です。 半自動化で、夏か冬のどちらかの山を1回越えてから本格構成に進みます。 山の時期の当たり方を見ると、販促の確度の付け方や、気温の地点の選び方の癖が分かります。筋書きと仕込みの案は、予測そのものが信用できると分かってから足すほうが、案の数字を疑う議論に時間を取られません。 計画の会議の進め方も変わります。 これまでは担当の見込みを聞く場でしたが、印の付いた行だけを、筋書きの値を見ながら議論する場になります。印の無い行は案のまま通すことを、会議の決まりにしておきます。
05工数削減シミュレーション
導入後 96件 × 5分 ÷ 60 = 8 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
- 米麹の甘酒を、量販店・生協・通販・業務用に出荷しているメーカー。品目が20〜30あり、夏の冷やしと冬の温かい飲み方で出荷の山が年に2回あり、気温と量販店の特売で週ごとの出荷が大きく動く場合。製麹から充填までに日数がかかり、翌月の仕込みの回数を月の初めに決めなければならない場合。生産の担当が過去の出荷の表と天気の見通しを見比べ、経験で仕込みを決めていて、担当が替わると計画が組めない場合。過去2〜3年分の品目ごと・週ごとの出荷と、販促の記録が残っている場合。
- 品目が数個で、受注を受けてから仕込んでも間に合う場合。取引先の確定した発注が月の初めに出そろい、見込みで仕込む部分がほとんど無い場合。出荷の記録が1年分に満たない、または新しい品目が大半を占める場合。なお、天気そのものを予測する構成ではなく、気温は筋書きとして置きます。何をどれだけ仕込むかは生産の責任者が決めます。
07最小構成で試す方法
- 去年の8月と12月について、冷やしと温めの代表の品目を2つずつ選ぶ
- 過去2年の週ごとの出荷と、同じ週の気温の平年との差を表にする
- 散布図で、飲み方ごとに気温の平年との差と出荷の関係を見る
- 去年の8月と12月を隠して、残りの期間で分位点回帰を学び、隠した月を予測する
- 実際の出荷が q10〜q90 に入った週の割合を数える
| 出てきた内容 | 判断 |
|---|---|
| 冷やしと温めで、気温の向きが逆に出た | 飲み方の列を入れた構成に進む |
| 幅に入る週が少ない | 販促の確度を分ける、去年の同じ週の列を足す |
| 気温と出荷に関係が見えない | 地点の選び方を見直す。出荷先の多い地域の地点に替える |
散布図の段を飛ばさないでください。 モデルに入れる前に、冷やしと温めで点の傾きが逆になっているのを目で見ておくと、学習の後に冬の山が平らになったとき、どこを疑えばよいかが分かります。 傾きが見えないなら、地点か飲み方の区分のどちらかが実態と合っていません。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 品目のコードが数として扱われる | category 型にする。既定の from_dtype は型で判断する |
| 検証の区切りが週の途中に入る | 行ではなく週の配列で TimeSeriesSplit をかける |
| 月ごとに学習の条件が変わる | early_stopping を明示する。'auto' は1万を超えると有効 |
| 冬の山を学べない | 気温に増加の縛りを入れない。飲み方と週の列で分けさせる |
| 学習では当たり本番で外れる | 1〜3週前の出荷を列に入れない |
| 提案中の特売で押し上がる | 販促を確定と見込みに分ける |
| 気温の欠測を0として扱う | 品質情報で見分け、平均から外す |
quantile の指定を忘れる | 既定は None。3本とも明示する |
| 検証の物差しが中央の値のまま | mean_pinball_loss の alpha を分位点に合わせる(既定は0.5) |
| q10 が q50 を上回る週が出る | 並べ直して印を付ける |
| 伸びている区分が足りなくなる | 直近の水準の列(4〜8週前の平均)を入れる |
上の3行は、エラーにならずに当たり方だけが悪くなる失敗です。 どれも scikit-learn の既定の動きと、データの形の組み合わせから起きます。
4行目は、この題材ならではの失敗です。 暑いほど出る品目の予測の書き方をそのまま流用すると、気温に増加の縛りが入り、冬の温めの品目の山が平らになります。 検証の段で、温めの品目の12月・1月の当たり方を必ず別に見てください。
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: 品目ごと・出荷先の区分ごとの出荷の数量、販促の予定、在庫、気温。個人の情報は扱いません。
- 外部へ送らない … 生成AIを使わず、社内のPCかサーバーで動かします
- 販促の予定の扱い … 量販店の特売の予定は、取引先との約束で外に出せない情報です。計画の案のシートの共有を生産管理課と営業に限ります
- 予測を確定の数字として扱わない … 出すのは幅と案で、仕込みの回数は責任者が決めます
- 気象庁のデータの出典を書く … 加工した値であることを添えます
- モデルと設定の版を残す … 学習に使ったデータの範囲と設定を、計画の案と一緒に保存します。後から「なぜこの回数にしたか」を説明するときの材料です
- スクリプトを1人の持ち物にしない … 書いた人しか動かせない状態は、経験に頼っていた頃と同じ属人化です。手順書と、動かし方を知る2人目を用意します
誤りが起きた場合のリスクは、欠品と廃棄の2つです。 どちらも幅の受け方を人が品目ごとに選ぶことと、当たり方の記録でモデルを見直すことで抑えます。
予測の表を取引先との商談に持ち出さないでください。 量販店の特売の予定は、取引先から預かった情報を含みます。予測の表には、その予定から作った列が入っているので、社外に出す資料は、出荷の実績と自社の計画の数字だけで作ります。 予測の幅は社内の判断の材料にとどめます。
10まず何から始めるか
1週目:品目の一覧に2つの列を足す
飲み方(冷やし・温め・どちらも)と賞味期限の区分(チルド・常温)の列を足します。販促の表には確度の列を足します。
2週目:代表の品目で試す
第8章のとおり、冷やしと温めの品目で、気温の向きが逆に出るかを見ます。どちらの向きも出ない品目は、飲み方の区分を付け直します。
3週目:週ごとの集計を作る
3年分の出荷を週ごとに集計し、気温の平年との差を付けます。週の件数が極端に少ない週が無いかを確かめます。 年末年始と大型の連休の週は、出荷の日が少なく、数字が谷になります。祝日の数の列を足すか、その週に印を付けておくと、モデルが谷を気温のせいと取り違えません。
4週目:全品目の予測を出す
3本のモデルを学び、週の配列での検証の結果を記録します。計画の会議で、これまでの見込みと並べて見ます。
2か月目: 筋書きと仕込みの案を足し、米の発注の担当にも案の見方を説明します。3か月目以降: 当たり方の記録を毎月見て、幅に入る割合の低い品目の特徴量を足します。夏と冬の山を1回ずつ越え、担当が替わっても同じ計画を組め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 |
|---|---|---|
| loss の quantile(ピンボールの損失、1.1で追加)、quantile の既定 None、categorical_features の既定 from_dtype(Categorical・Enum の列、1.6で変更)、カテゴリは max_bins まで、max_bins は255以下、monotonic_cst の1・0・-1、early_stopping の 'auto' が1万超で有効 | scikit-learn: HistGradientBoostingRegressor | 2026-11-17 |
| mean_pinball_loss の alpha の既定が0.5で、0.5なら平均絶対誤差と同じ | scikit-learn: mean_pinball_loss | 2026-11-17 |
| 時間の順のデータを分けること、標本が等しい間隔で並ぶ必要、gap と n_splits の既定 | scikit-learn: TimeSeriesSplit | 2026-11-17 |
| CSV でのダウンロード、選んだデータの量が100%を超えると表示・ダウンロードできないこと、欠測の格納と品質情報、均質番号、平年値(1991〜2020年)との比較 | 気象庁: 過去の気象データ・ダウンロードの使い方 | 2026-11-17 |
| 公共データ利用規約(第1.0版)に準拠した利用、出典の記載の形、編集・加工した情報を国が作成したかのように扱わないこと | 気象庁: ホームページについて | 2026-11-17 |
何をどれだけ仕込むかは、生産の責任者が決めてください。 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-3562)についてのご相談はこちらから。
