Media > AI活用ユースケース > 生産 > コーヒーの焙煎所が、銘柄ごとの出荷の記録から Python で翌月の需要を幅付きで予測し、生豆の量と焙煎の釜数の計画を立てる

コーヒーの焙煎所が、銘柄ごとの出荷の記録から Python で翌月の需要を幅付きで予測し、生豆の量と焙煎の釜数の計画を立てる

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

銘柄ごとの過去の月別の出荷から、Python で翌月の需要を幅付きで予測します。その値を生豆の量と焙煎の釜数に直し、週ごとの焙煎の計画の案と生豆の在庫の過不足を出します。

サマリー
連携・自動化
Python
対象業界
小売/製造/飲食
対象部門
生産
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/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
20h/月
AI導入後
4h/月
想定削減
80%
年間削減
192h
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. 毎月20日、販売管理のシステムから銘柄ごとの出荷の記録を書き出す
  2. 銘柄ごとに、前年の同じ月、先月、先々月の出荷を並べる
  3. 営業から、卸先の取引の開始・終了・量の変更の予定を聞き、メモに書く
  4. 定期便の会員の台帳から、翌月の発送の量を拾う
  5. 銘柄ごとに、責任者が経験から翌月の焙煎の量を決める
  6. ブレンドは配合の表で生豆ごとに分け、焙煎度ごとの目減りを見込んで生豆の量に直す
  7. 生豆の在庫の表と比べ、足りない生豆を商社に手配する
  8. 週ごとの焙煎の予定に割り振り、焙煎の担当に渡す
導入後(After)
  1. 自動毎月20日の朝6時、Python の処理が販売管理のシステムの書き出し、定期便の会員の台帳、生豆の在庫の表を読む
  2. 自動銘柄ごとに、卸と店頭の分の月別の出荷を作り、翌月の量を下の値・中央の値・上の値で予測する
  3. 自動定期便の分を、翌月の発送の予定の会員の数と1回の量から数えて足す
  4. 自動営業が卸先の予定の表に書いた取引の開始・終了・量の変更を足し引きする
  5. 自動ブレンドを配合で生豆に分け、焙煎度ごとの歩留まりで生豆の量に直し、釜の投入量で切り上げる
  6. 自動生豆の在庫と入荷の予定と比べ、過不足を出す
  7. 自動印を付ける(幅が広い、記録が短い、生豆が足りない、卸先の増減が大きい)
  8. 自動焙煎の記録の表の隣のシートに、銘柄ごとの目安と週ごとの釜数の案を書き出す
  9. 人焙煎の責任者が印の付いた銘柄だけを開き、量を直すかを決める
  10. 人生豆が足りない銘柄について、商社への手配か配合の変更かを決める
  11. 自動翌月の終わりに、予測と実際の出荷を比べて当たり方を記録する
各工程の詳しい説明を読む
  1. 毎月20日、販売管理のシステムから銘柄ごとの出荷の記録を書き出す
  2. 銘柄ごとに、前年の同じ月、先月、先々月の出荷を並べる
  3. 営業から、卸先の取引の開始・終了・量の変更の予定を聞き、メモに書く
  4. 定期便の会員の台帳から、翌月の発送の量を拾う
  5. 銘柄ごとに、責任者が経験から翌月の焙煎の量を決める
  6. ブレンドは配合の表で生豆ごとに分け、焙煎度ごとの目減りを見込んで生豆の量に直す
  7. 生豆の在庫の表と比べ、足りない生豆を商社に手配する
  8. 週ごとの焙煎の予定に割り振り、焙煎の担当に渡す

(a)責任者によって見込みが違う。 前年の同じ月を重く見るか、直近の2か月を重く見るかで、同じ銘柄でも量が変わります。責任者が休むと、代わりの人は前月と同じ量にしてしまいがちです。 年末のギフトの時期や夏のアイスコーヒーの時期のように、月によって大きく動く銘柄で外れます。

(b)定期便の伸びが見込みに入らない。 通販の定期便の会員は少しずつ増えていますが、手順の4番目で拾った量を、5番目で前年の伸びと一緒に見てしまい、二重に数えたり落としたりします。 会員の数が分かっている分まで、経験で決める対象に入っています。

(c)生豆の不足に気づくのが遅い。 6番目の生豆への換算はブレンドの配合をまたぐので手間がかかり、月末の忙しい時期には後回しになります。 足りないと分かったのが焙煎の当日で、配合を変えて急場をしのぐ月があります。

(d)40銘柄を毎月見るのに時間がかかる。 1銘柄30分でも40銘柄で20時間です。20日に始めても計画が固まるのが月末になり、翌月の第1週の焙煎の予定が直前まで決まりません。

(e)季節の限定の銘柄に記録が無い。 新しい産地のロットは過去の出荷がありません。似た銘柄を思い浮かべて決めていますが、どの銘柄を参考にしたかは残っていません。

  1. 【自動】 毎月20日の朝6時、Python の処理が販売管理のシステムの書き出し、定期便の会員の台帳、生豆の在庫の表を読む
  2. 【自動】 銘柄ごとに、卸と店頭の分の月別の出荷を作り、翌月の量を下の値・中央の値・上の値で予測する
  3. 【自動】 定期便の分を、翌月の発送の予定の会員の数と1回の量から数えて足す
  4. 【自動】 営業が卸先の予定の表に書いた取引の開始・終了・量の変更を足し引きする
  5. 【自動】 ブレンドを配合で生豆に分け、焙煎度ごとの歩留まりで生豆の量に直し、釜の投入量で切り上げる
  6. 【自動】 生豆の在庫と入荷の予定と比べ、過不足を出す
  7. 【自動】 印を付ける(幅が広い、記録が短い、生豆が足りない、卸先の増減が大きい)
  8. 【自動】 焙煎の記録の表の隣のシートに、銘柄ごとの目安と週ごとの釜数の案を書き出す
  9. 【人】 焙煎の責任者が印の付いた銘柄だけを開き、量を直すかを決める
  10. 【人】 生豆が足りない銘柄について、商社への手配か配合の変更かを決める
  11. 【自動】 翌月の終わりに、予測と実際の出荷を比べて当たり方を記録する

9番目が、この設計の分かれ目です。 40銘柄のうち印の無い銘柄は、目安をそのまま計画に写します。責任者が時間を使うのは、幅が広い銘柄、記録の短い銘柄、生豆が足りない銘柄だけです。

3番目と4番目を予測の外に置いたのは、分かっていることを予測させないためです。 定期便の会員の数と卸先の取引の予定は、20日の時点で分かっています。分かっている分を模型に当てさせると、外れたときに理由が追えません。

10番目は人が決めます。 生豆が足りないとき、商社に追加を頼むか、ブレンドの配合を一時的に変えるかは、味と取引先への説明に関わる判断です。

02今回想定するシステム構成

構成図
販売管理のシステム(銘柄・月・出荷先の区分ごとの出荷のCSV)
定期便の会員の台帳(翌月の発送の予定)   卸先の予定の表(営業が記入)
銘柄の表(配合・焙煎度・歩留まり・釜)   生豆の在庫の表(在庫・入荷の予定)
        │
        ▼【トリガー】毎月20日 6:00
Python(pandas)
   ├──▶ 卸+店頭の月別の出荷を銘柄ごとに作る
   ▼
statsmodels の ETSModel(銘柄ごとの指数平滑法)
   │   下の値・中央の値・上の値
   ▼
Python ── 定期便と卸先の予定を足し引き、生豆への換算、釜数、在庫の過不足、印
   ▼
焙煎の記録の表の隣のシート
   ▼
【焙煎の責任者が印の銘柄を確かめる → 計画と生豆の手配を決める】
   ▼
翌月末: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・statsmodels)R
処理エンジンstatsmodels の ETSModel(誤差・傾向・季節の指数平滑法)scikit-learn の HistGradientBoostingRegressor
集計Python(定期便と卸先の予定の足し引き、生豆への換算、釜数、在庫の過不足、印)表計算の計算式
保管社内のファイルサーバー(材料の版、予測、当たり方)-

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、焙煎の記録の表と生豆の在庫の表はこれまでどおり使います。目安は隣のシートに書き出し、決めた計画は責任者が元の表に写します。

予測には statsmodels の ETSModel を使います。 公式のページ(0.15.0)では、誤差(error)を加法か乗法、傾向(trend)と季節(seasonal)を加法か乗法か無しで選べ、傾向を減衰させる damped_trend もあります。季節を入れるときは seasonal_periods が必須で、月別なら12です。

銘柄ごとに1本ずつ模型を作るのは、銘柄の数が40と少なく、月別の記録が36か月あるからです。 銘柄ごとに季節の形が違い(アイス向けの深煎りは夏、ギフトのブレンドは12月)、同じ形を全銘柄に当てはめる必要がありません。 1本の模型で全銘柄をまとめて学ぶやり方(代替候補の HistGradientBoostingRegressor)は、銘柄が数百に増えたときに考えます。

幅は、ETSModel の予測区間を使います。 公式の例では、get_prediction の結果の summary_frame(alpha=0.05) が mean・pi_lower・pi_upper の列を返します。解析的な式で区間を出せない模型では、既定で1000回の模擬の結果の分位から区間を出すと書かれています。

03どうやって実装するのか

Step1

処理の起点を決める

毎月20日の朝6時に、社内のサーバーの定時の実行で動かします。 責任者が出社する前に目安を出し、午前中に確かめて、その日のうちに商社へ生豆の手配の連絡ができるようにします。

20日に決めるのは、月末の締めを待つと遅いからです。 翌月の第1週の焙煎は月末の数日前から始めたい量があり、生豆の追加は商社の国内の在庫があっても数日かかります。20日の時点の当月の出荷は途中までしかないので、当月の分は予測に使いません。 前月までの確定した記録で翌月を予測し、当月の途中の出荷は印の材料にだけ使います。

月末の27日に、もう一度だけ動かします。 20日以降に大きく動いた銘柄を拾うための実行で、20日の目安と比べて変わった銘柄だけを一覧にします。

Step2

入力データを集める

データ中身取得元
出荷の記録月、銘柄、出荷先の区分(卸・通販の定期便・通販の都度・店頭)、焙煎後の重さ(kg)、欠品の量販売管理のシステムの書き出し
定期便の会員の台帳会員、銘柄、1回の量、翌月の発送の予定、休止の予定通販の会員の台帳
卸先の予定の表卸先、銘柄、取引の開始・終了の月、月の量の見込み営業が記入する表
銘柄の表銘柄、種類(シングル・ブレンド)、配合、焙煎度、歩留まり、使う釜、発売月、終売の予定、似た銘柄焙煎の責任者が作る表
生豆の在庫の表生豆、在庫の量、入荷の予定の日と量生豆の在庫の表

質を決めるのは、出荷先の区分の列です。 定期便の分を卸と店頭の分から切り分けられないと、第1章の「予測するものと数えるもの」が分けられません。販売管理のシステムで、定期便の受注に区分が付いているかを最初に確かめます。 付いていなければ、定期便の会員の台帳の発送の記録と突き合わせて分けます。

欠品の量の列は、出せたはずの量を作るために使います。 焙煎が間に合わずに卸先に待ってもらった月は、出荷の記録が実際の需要より少なく残ります。 そのまま学ばせると、欠品した銘柄ほど翌年の同じ月の予測が低くなり、また足りなくなります。

歩留まりの列は、自社の焙煎の記録から取ります。 同じ生豆でも焙煎度で目減りの割合が違い、一般的な割合を使うと、深煎りの銘柄で生豆が足りなくなります。 焙煎の記録の表に、釜ごとの投入した生豆の重さと焼き上がりの重さが残っていれば、銘柄ごとの直近の平均を出せます。

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
過去36か月の卸+店頭の出荷出荷の記録を銘柄と月で集める学習の系列
翌月の定期便の量会員の台帳の発送の予定 × 1回の量予測に足す
卸先の増減卸先の予定の表で翌月に始まる・終わる取引予測に足し引きする
生豆ごとの必要量銘柄の表の配合と歩留まり生豆への換算
生豆の在庫と入荷生豆の在庫の表過不足
当月の途中までの出荷出荷の記録印の材料(前年同月の同じ日までと比べる)

卸先の増減は、過去の記録の側からも外します。 前年に取引を始めた大口の卸先は、その月から出荷が段で上がっています。この段を模型が傾向として学ぶと、翌月以降もまだ伸び続けると見込みます。 営業の表から、取引の開始と終了の月と量を過去の分も拾い、学習の系列から差し引いたうえで予測し、翌月に続いている取引の分を後から足し戻します。

定期便の量は、休止の予定を引いて数えます。 会員の台帳に翌月の休止が入っていれば、その会員の分は数えません。台帳の締めが20日より後の場合は、20日時点の数で出し、27日の実行で数え直します。

Step4

AIへ渡す前に整形する

  1. 出せたはずの量を作る … 欠品のあった月は、出荷の量に欠品の量を足します
  2. 卸先の段を外す … 取引の開始・終了で生じた段を、営業の表から差し引きます
  3. 定期便を切り分ける … 出荷先の区分で定期便の分を除き、卸+店頭の系列にします
  4. 銘柄の入れ替えをつなぐ … 名前や包装の変更で銘柄コードが変わったものは、銘柄の表で新旧をつなぎます
  5. 記録の長さで分ける … 24か月以上は季節あり、12〜23か月は季節なし、12か月未満は似た銘柄から出します
  6. 0の月を確かめる … 季節の限定で出荷の無かった月は、0のまま学ばせず、販売していない月として外します

2番目を落とすと、模型が営業の成果を傾向と取り違えます。 大口のオフィスのコーヒーサービスが1社増えただけで、ある銘柄の出荷は3割増えます。その3割を傾向として延ばすと、翌月は需要より多く焼き、香りの落ちた在庫が残ります。

5番目の区切りは、季節を学ぶのに少なくとも2回分の同じ月が欲しいからです。 1年分しかない銘柄に12か月の季節を入れると、その1年の偶然の揺れを季節の形として覚えます。24か月という区切りは自社で決める値で、当たり方の記録を見て見直します。

6番目は、季節の限定の銘柄で起きます。 販売していない月を0として渡すと、需要がときどき0になる銘柄として学び、幅が極端に広がります。

Step5

AIに処理させる

させるのは、銘柄ごとに、翌月の卸+店頭の出荷の量を、中央の値と80%の幅で予測することです。 定期便と卸先の増減は足し引きの計算で、模型にはさせません。

銘柄の例模型の形理由
定番のハウスブレンド誤差は加法、傾向は加法で減衰、季節は加法(12か月)3年分の記録があり、年末に山がある
アイス用の深煎り同上夏に山がある
1年半前に始めたシングル誤差は加法、傾向は加法で減衰、季節なし同じ月が2回そろっていない
今月始めた季節の限定模型を作らない似た銘柄の値に、発売からの月数で決めた割合を掛けて参考にする

傾向は減衰させます。 減衰させない傾向は、直近の伸びをそのまま翌月以降に延ばします。翌月1か月だけの予測でも、伸び始めの銘柄で上に外しやすいので、damped_trend=True にします。

使う値は、銘柄の表で決めます。 卸先との約束がある定番のブレンドは上の値、香りの落ちやすい浅煎りのシングルは中央の値を使う、という具合です。欠品の重さと焼きすぎの重さは銘柄で違い、どちらを重く見るかは責任者と営業が決めます。

させないこと理由
焙煎の計画を決める釜の空き、焙煎の担当の人数、焙煎度の切り替えの段取りは人が合わせる
生豆の発注を決める商社の在庫、価格、次の入港の時期を見て人が決める
定期便の量を予測する会員の台帳から数えられる
卸先の増減を予測する営業が知っている。表に書かれた分だけを足し引きする
記録の短い銘柄の量を言い切る似た銘柄を参考にした値に印を付けて人へ
配合を変える味に関わる。生豆が足りないときの判断は人が行う
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、予測の中身を示します。

import math
import pandas as pd
from statsmodels.tsa.exponential_smoothing.ets import ETSModel

def forecast_brand(y: pd.Series) -> dict:
    """y: 月初の日付を索引にした、卸+店頭の焙煎後の重さ(kg)。
    欠品の足し戻しと卸先の段の差し引きを済ませたもの。"""
    n = len(y)
    if n >= 24:
        model = ETSModel(y, error="add", trend="add", damped_trend=True,
                         seasonal="add", seasonal_periods=12)
    elif n >= 12:
        model = ETSModel(y, error="add", trend="add", damped_trend=True)
    else:
        return {"model": "none"}            # 似た銘柄から出す側へ
    fit = model.fit(maxiter=10000)
    pred = fit.get_prediction(start=n, end=n)   # 翌月の1か月
    sf = pred.summary_frame(alpha=0.2)          # 80%の幅
    row = sf.iloc[0]
    return {"model": "ets",
            "mean": max(row["mean"], 0.0),
            "lower": max(row["pi_lower"], 0.0),
            "upper": max(row["pi_upper"], 0.0)}

def to_green(roasted_kg: float, yield_rate: float, charge_kg: float):
    """焙煎後の重さを生豆の重さに直し、釜の投入量で切り上げる"""
    green = roasted_kg / yield_rate
    batches = math.ceil(green / charge_kg)
    return green, batches, batches * charge_kg

alpha=0.2 で80%の幅にしています。 公式の例は alpha=0.05 の95%の幅ですが、翌月の焙煎の量を決める材料としては広すぎ、上の値が実際の出荷を大きく上回ります。 幅をどこで取るかは、当たり方の記録を見て銘柄の表で決め直します。

区間の出し方は、模型の形で変わります。 公式の例の説明では、解析的な式で区間を出せない模型では、既定で1000回の模擬の結果から区間を出します。模擬で出した区間は実行のたびにわずかに変わるので、乱数の種を固定して、同じ材料なら同じ目安が出るようにします。 種の値も保存・ログに残します。

max(…, 0.0) は、加法の誤差で下の値が0を下回るのを止めるためです。 出荷の少ない銘柄では、幅の下端が負になります。負の焙煎量に意味は無いので0で止め、その銘柄に low_volume の印を付けます。

当たり方の確かめは、日付で切ります。 直近の6か月を1か月ずつずらし、その月より前の記録だけで学んで翌月を当てさせます。責任者が当時決めた量と、模型の中央の値と、実際の出荷の3つを並べます。 行を無作為に分けると、未来の月の記録が学習に混ざって本番より当たって見えます。

Step7

出力形式を固定する

目安のシートは、銘柄ごとに次の列を書き出します。

{
  "brand": "BL-HOUSE",
  "month": "2026-12",
  "model": "ets_seasonal",
  "wholesale_store_lower_kg": 158.0,
  "wholesale_store_mean_kg": 182.0,
  "wholesale_store_upper_kg": 207.0,
  "value_used": "upper",
  "subscription_kg": 46.0,
  "account_change_kg": 12.0,
  "total_roasted_kg": 265.0,
  "green_by_bean": [
    {"bean": "BR-SANTOS", "ratio": 0.5, "green_kg": 159.6, "batches": 14},
    {"bean": "CO-HUILA", "ratio": 0.3, "green_kg": 95.8, "batches": 8},
    {"bean": "ET-SIDAMO", "ratio": 0.2, "green_kg": 63.9, "batches": 6}
  ],
  "weekly_batches": [7, 7, 7, 7],
  "flags": ["green_short:ET-SIDAMO"]
}

1つ目の理由は、目安の根拠が1行で読めることです。 予測した卸+店頭の分、数えた定期便の分、営業の表から足した分が別の列に並ぶので、責任者は「なぜ265kgか」を表で追えます。 上の例では、上の値207kgに定期便46kgと新しい卸先の12kgを足して265kgです。歩留まりを0.83とすると生豆は約319kgで、配合で3つに分け、釜の投入量12kgで切り上げています。

2つ目は、生豆の単位で在庫と比べられることです。 ブレンドの生豆は、他の銘柄にも使われています。生豆ごとの必要量を全銘柄で足し合わせてから在庫と比べ、足りない生豆を銘柄の行に印として戻します。

印付け方人が見ること
wide上の値 ÷ 下の値が1.6を超える記録の揺れか、卸先の増減の漏れ
short_history記録が24か月未満季節の山を見込めているか
new_brand記録が12か月未満似た銘柄の値で足りるか
green_short生豆の必要量が在庫と入荷の予定を超える商社への手配か、配合の変更か
account_change卸先の増減が予測の中央の値の2割を超える営業の見込みの確からしさ
low_volume下の値が0で止まった小ロットの焙煎でまとめるか
month_pace当月の途中の出荷が前年同月の同じ日までより大きくずれる27日の再実行で見直す

週への割り振りは、釜数を4週に均等に分けるのが基本です。 定期便の発送の日が月の前半に寄っている銘柄は、その週の釜数を多くします。

Step8

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毎日の夜の書き出しのCSVを読む出荷と欠品の記録
定期便の会員の台帳共有フォルダの書き出しを読む翌月の発送の予定と休止
卸先の予定の表共有フォルダの表を読む取引の開始・終了・量の変更
生豆の在庫の表共有フォルダの表を読む在庫と入荷の予定
焙煎の記録の表隣のシートに書き出す目安・幅・釜数・印
ファイルサーバー保存材料の版、予測、当たり方

焙煎の記録の表の本体には書き込みません。 目安は隣のシートに出し、責任者が決めた量を人が本体に写します。 書き込みを自動にすると、確かめていない量が焙煎の担当の予定にそのまま流れます。

販売管理のシステムと会員の台帳へは読むだけです。 書き出しのCSVの列の並びが変わると処理が止まるので、列の名前で読み、期待する列が無ければ止めて知らせます。 生豆の在庫の表にも書き込みません。発注を決めたら、在庫の担当が入荷の予定を書き足します。

Step9

人が確認する

焙煎の責任者が開くのは、印の付いた銘柄だけです。 印の無い銘柄は、目安をそのまま計画に写します。

  1. green_short を先に見る … その日のうちに商社へ連絡するかを決める。配合を変えるなら、味の確認の段取りを組む
  2. account_change を見る … 営業に、新しい卸先の量の見込みがどこから来たかを確かめる
  3. wide と new_brand を見る … 似た銘柄の値で足りるか、前年の同じ月に何があったかを見る
  4. 直した銘柄と理由を記録する … 当たり方の記録と一緒に、翌月に見直す

1番目を先にするのは、時間が効くからです。 商社の国内の在庫は他の焙煎所も買っています。20日に連絡すれば間に合った生豆が、月末には売り切れていることがあります。

4番目を省かないでください。 直した方が当たっていたのかを残さないと、どの印で人が見るべきかが分からないままになります。

目標は、40銘柄をならして1件6分です。 印の無い銘柄は1分ほどの流し見、生豆が足りない銘柄は商社とのやり取りを含めて20分ほどかかります。

Step10

例外に対処する

起きること対応
出荷のCSVの列が変わった列の名前で読み、無ければ止めて知らせる
模型の当てはめが収束しない季節なしの形で当て直し、short_history の印を付ける
卸先の予定の表に無い大口の注文が入った表に足してから再実行。表に無い増減は予測に入らない
銘柄コードが変わった銘柄の表で新旧をつなぐまで new_brand
生豆の在庫の表が更新されていない最終更新の日を見て、7日より古ければ全銘柄に印
歩留まりが急に変わった直近の焙煎の記録で出し直し、責任者に知らせる
終売が決まった銘柄銘柄の表の終売の月より後は予測しない
当たり方が急に悪くなった直近3か月の当たり方を見て、似た銘柄の割合や幅の取り方を見直す

多いのは、3行目と5行目です。 大口の注文は営業と卸先のやり取りで決まり、表への記入が遅れることがあります。表に無い増減は、予測から見えません。 20日の朝の前に表を締める決まりを営業と作ります。

Step11

記録を残す

  • 毎月の予測に使った材料(出荷の記録の版、会員の台帳の版、卸先の予定の表の版、生豆の在庫の表の版)
  • 銘柄ごとの模型の形、学習の期間、乱数の種
  • 3つの値と、使った値、定期便と卸先の増減の量、生豆の量、釜数、印
  • 人が直した銘柄と、直した量、理由
  • 翌月の実際の出荷と欠品、焼きすぎて残った量

材料の版を残すのは、外れた月を後から作り直すためです。 卸先の予定の表は20日の後にも書き換わるので、そのときの版が残っていないと、模型が何を見て予測したかを再現できません。

最後の行で、外れの種類を分けます。 予測した卸+店頭の分が外れたのか、定期便の休止が増えたのか、営業の見込みが外れたのかは、列が分かれていれば月末に1行ずつ見られます。

04実装レベルの3段階

最小構成:5銘柄の記録を表と Python で手で動かし、直近を当てさせる / 当たり方の確かめ
半自動化:上記+40銘柄を毎月20日に自動で予測し、3つの値を表に書き出す / 予測と材料の並べ
本格構成:上記+定期便と卸先の足し引き、生豆への換算、釜数、在庫の過不足、印、当たり方の記録 / 焙煎と生豆の目安づくりの全体

最小構成では、毎月の計画には使えません。 当たり方を確かめる段階です。 半自動化で、①が無くなり、②が短くなります。 3つの値を見て責任者が決めるので、経験による違いは残ります。本格構成で②と③が印の付いた銘柄だけになり、この段階が本記事の想定です。 差が大きいのは、生豆への換算と在庫との突き合わせが、配合をまたぐ手作業だったからです。 段階を飛ばさないでください。 半自動化で3か月動かすと、どの銘柄で模型が責任者より外れるかが分かります。その銘柄の使う値と印を決めてから本格構成にするほうが、焙煎の現場の信用を得られます。

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
2 名
月間件数
40 件
1件あたり現在時間
30 分
1件あたり導入後時間
6 分
現在  40件 × 30分 ÷ 60 = 20 時間/月
導入後 40件 × 6分 ÷ 60 = 4 時間/月
月間削減時間
16h
削減率
80%
年間削減時間
192h
年間金額換算(時間単価3,000円)
58万円
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. 卸先のカフェ・オフィス・小売店と自社の通販に、シングルオリジンとブレンドを合わせて数十の銘柄を出している焙煎所。翌月の焙煎の量と生豆の発注を、焙煎の責任者が前年同月と先月の出荷の表から経験で決めている場合。出荷の記録を銘柄ごと・月ごとに2〜3年分書き出せ、ブレンドの配合と焙煎度ごとの歩留まりを表にできる場合。喫茶店を兼ねる焙煎所や、焙煎を受託する工場にも使える。
向いていない
  1. 銘柄が数個で、責任者の経験で十分に当たっている場合。受注を受けてから焙煎して間に合う量しか扱わず、見込みで焙煎しない場合。開業から1年に満たず、同じ銘柄の月ごとの記録がそろわない場合。なお、焙煎の計画と生豆の発注を決めること、味や品質の判定、銘柄の入れ替えの判断は、この構成では代替できません。

07最小構成で試す方法

  1. 出荷の多い5銘柄を選び、過去3年の月別の出荷を、定期便とそれ以外に分けて書き出す
  2. 同じ期間の卸先の取引の開始・終了を営業に聞き、月ごとの段を表に書く
  3. 表計算で、銘柄ごとに「前年同月」「直近3か月の平均」を並べ、先月の実際の出荷と比べる
  4. 次に、Python で第7章の中身を5銘柄だけで動かし、直近の6か月を1か月ずつ当てさせる
  5. 責任者が当時決めた量と、模型の中央の値と、実際の出荷の3つを並べる

最小構成でも、日付で切って確かめてください。 行を無作為に分けて当たり方を見ると、未来の月の記録から当てることになり、本番より当たって見えます。

出てきた内容判断
年末や夏の山の月で、責任者より模型の外れが小さい40銘柄に広げる
普段の月は同じくらい、山の月は責任者が上卸先の段の外し方を見直す。構成は有効
全体に模型の外れが大きい定期便の切り分けと欠品の足し戻しを先に直す

2行目が出ることはよくあります。 責任者は、年末に増える卸先の顔ぶれを経験で知っています。その知識を営業の表に書いてもらえるかを考える材料になります。

08実装時につまずきやすいポイント

問題対策
定期便の伸びが二重に入る定期便を切り分けて数え、予測は卸+店頭だけにする
新しい卸先の段を傾向として延ばす営業の表で過去の段も差し引いてから学ぶ
欠品した銘柄ほど予測が低い出荷に欠品を足した量で学ぶ
1年分の銘柄に季節を入れて外す24か月未満は季節なしにする
販売していない月を0として渡す季節の限定は記録の短い銘柄として扱う
95%の幅が広すぎて使えないalpha=0.2 の80%にし、当たり方で見直す
実行のたびに幅が少し変わる乱数の種を固定し、ログに残す
下の値が負になる0で止めて low_volume の印
ブレンドの生豆の不足が見えない生豆ごとに全銘柄を足してから在庫と比べる
一般的な歩留まりで深煎りが足りない自社の焙煎の記録から銘柄ごとに出す
行を無作為に分けて当たり方を見る1か月ずつずらす日付の切り方にする
卸先の予定の表への記入が遅れる20日の朝の前に締める決まりを営業と作る

上の3行は、どれも「予測しなくてよいものを予測させる」ことから起きます。 定期便、卸先の段、欠品は、どれも理由の分かっている動きです。理由の分かっている動きを模型の外で扱うほど、模型が学ぶものは素直になります。

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: 銘柄ごとの出荷の量、卸先ごとの取引の予定、定期便の会員の台帳(氏名・住所・注文の内容)、生豆の在庫と仕入れの量です。

  1. 会員の台帳から読むのは銘柄と量と予定だけにする … 予測に氏名や住所は要りません。書き出しの段階で会員番号と銘柄・量・発送の予定・休止だけに絞ります
  2. 処理は社内のサーバーで行う … 卸先ごとの取引の量は、卸先との関係で預かっている営業の情報です。外部のサービスに出しません
  3. 目安を計画に自動で流さない … 決めるのは焙煎の責任者です。生豆の発注と卸先への約束に直結します
  4. 使う値は会社の方針として決める … どの銘柄で多めに焼くかは、責任者と営業で決めて銘柄の表に残します
  5. 配合の変更を目安から自動で行わない … 生豆が足りないときの配合の変更は、味と表示に関わります。 人が決め、変えた記録を残します
  6. 当たり方を記録し続ける … 卸先の入れ替わりや新しい銘柄で当たり方が変わります。毎月の記録で見ます

誤りが起きた場合のリスクは、焙煎が足りず卸先を待たせることと、焼きすぎて香りの落ちた在庫を抱えることの2つです。 前者は green_short の印と銘柄ごとの使う値で、後者は卸先の段を傾向として延ばさない前処理で守ります。

10まず何から始めるか

1週目:出荷先の区分と欠品を確かめる

販売管理のシステムから過去3年の出荷を書き出し、定期便の分が区分で切り分けられるか、欠品の量が残っているかを確かめます。どちらも無ければ、今日から記録を始めます。

2週目:銘柄の表を作る

40銘柄の配合、焙煎度、使う釜、似た銘柄を表にします。歩留まりは、焙煎の記録の表から直近3か月の平均を銘柄ごとに出します。

3週目:卸先の段を拾う

営業に、過去3年の取引の開始・終了と月の量を表にしてもらいます。大口の卸先から順に埋めます。 上位20件でほとんどの段が拾えます。

4週目:5銘柄で試す

第8章の手順を行います。責任者の量と模型の中央の値を、山の月と普段の月に分けて比べます。

2か月目: 40銘柄を毎月20日に予測し、3つの値を焙煎の記録の表の隣に書き出します。責任者は今までどおり決め、模型の値と並べます。3か月目以降: 定期便と卸先の足し引き、生豆への換算、釜数、在庫の過不足、印を足し、1件30分が何分になったかを実測します。模型の当たり方が責任者の見込みと同じか上回った銘柄から、目安をそのまま使う形に切り替えた時点で、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
版が0.15.0であること。error を加法・乗法、trend と seasonal を加法・乗法・無しで選べ、damped_trend で傾向を減衰できること。seasonal を使うときは seasonal_periods が必須なこと。initialization_method の既定が 'estimated' であることstatsmodels: ETSModel2026-11-17
get_prediction の start・end が0から数える観測の番号であること。method が 'exact'(既定、使える場合)か 'simulated' で、模擬の回数 simulate_repetitions の既定が1000であること。予測の平均と予測区間を返すことstatsmodels: ETSResults.get_prediction2026-11-17
summary_frame(alpha=0.05) が mean・pi_lower・pi_upper の列を返すこと。解析的な式で区間を出せない模型では、既定で1000回の模擬の結果の分位から区間を出すこと。fit(maxiter=10000) の書き方の例statsmodels: ETS models(例)2026-11-17

焙煎の計画と生豆の発注、銘柄ごとに使う値は、焙煎の責任者と営業で決めてください。 本記事は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-3563)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