Media > AI活用ユースケース > 購買 > トレーディングカードの販売店が、自店の販売と買取の記録から、予定に無い出来事でカードの売れ方が変わったことを Python で拾い、買取の価格の見直しの候補を毎週出す

トレーディングカードの販売店が、自店の販売と買取の記録から、予定に無い出来事でカードの売れ方が変わったことを Python で拾い、買取の価格の見直しの候補を毎週出す

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

カードごとに「いつもどおりなら何枚売れ、何枚持ち込まれるか」を Python で予測し、直近7日の実際と比べます。偶然では起きにくい外れ方をしたカードを、変化の始まった日とともに拾い、買取の価格の見直しの候補として毎週出します。

サマリー
連携・自動化
Python
対象業界
EC/小売
対象部門
購買
対象業務
内容確認・チェック/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
40h/月
AI導入後
10h/月
想定削減
75%
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. 土曜に、在庫の画面から在庫の切れたカードと多すぎるカードを書き出す
  2. 係から聞いた「よく聞かれるカード」と、SNS の話題のカードを書き足す
  3. 書き出した約300種について、先週の販売と買取の枚数を POS と通販の記録から拾う
  4. カードごとに、売れ方が変わったのか、たまたまかを見当づける
  5. 上げる・下げる・据え置くを決め、価格表を直す
  6. 週の途中で係から「持ち込みが急に多い」と聞いたカードは、その場で下げる
導入後(After)
  1. 自動毎朝、POS と通販の記録、在庫のあった日の記録を書き出し、カード・日ごとの表に足す
  2. 自動毎週日曜の夜、直近7日を除いた記録で「いつもどおり」のモデルを学び直す
  3. 自動直近7日のカードごとの「いつもどおりなら売れる枚数・持ち込まれる枚数」を予測する
  4. 自動実際の枚数との外れが偶然で起きる確率を出し、確率の小さい順に並べる
  5. 自動外れの向きから、上げ候補・下げ候補・様子見に分け、変化の始まった日を推定する
  6. 自動在庫が切れていた日の多いカード、自店で売値を変えたカード、1万円をまたぐ価格のカードに印を付ける
  7. 人月曜の朝、責任者が一覧の上から見て、大会の結果・発表の有無を確かめ、価格を決める
  8. 自動毎朝、確率がとくに小さいカードだけを「急ぎ」として責任者に知らせる
  9. 自動翌週、候補にしたカードの売れ方がその後どう動いたかを記録する
各工程の詳しい説明を読む
  1. 土曜に、在庫の画面から在庫の切れたカードと多すぎるカードを書き出す
  2. 係から聞いた「よく聞かれるカード」と、SNS の話題のカードを書き足す
  3. 書き出した約300種について、先週の販売と買取の枚数を POS と通販の記録から拾う
  4. カードごとに、売れ方が変わったのか、たまたまかを見当づける
  5. 上げる・下げる・据え置くを決め、価格表を直す
  6. 週の途中で係から「持ち込みが急に多い」と聞いたカードは、その場で下げる

(a)気づくのが遅い。 大会の結果が出た週末に売れ出したカードは、在庫が切れてから在庫の画面に出てきます。 そのときには相場が上がっていて、買取の価格を上げても持ち込みが来ません。

(b)持ち込みの急増は、カウンターで初めて分かる。 制限の発表で使えなくなるカードは、発表の翌日から持ち込みが増えます。係が気づいて責任者に伝えるまで、高い価格のまま買い続けます。

(c)300種の外は見ていない。 価格表の9割は毎週据え置きです。ふだん1日1枚売れるカードが1日4枚売れ出しても、在庫が残っているあいだは誰も気づきません。

(d)通販の売れ方が店頭の画面に出ない。 通販のサイトの受注は別の画面で、在庫の画面には店頭と合わせた在庫の枚数しか出ません。大会の結果が出た夜に通販で売れ出したカードは、翌日の店頭の係が知らないまま、前の価格で買取を続けます。

(e)「たまたま」との見分けが経験頼み。 先週3枚売れたカードが今週9枚売れたとき、それが変化かどうかを決めているのは責任者の勘です。責任者が休みの週は、補佐の担当が判断を避けて据え置きます。

  1. 【自動】 毎朝、POS と通販の記録、在庫のあった日の記録を書き出し、カード・日ごとの表に足す
  2. 【自動】 毎週日曜の夜、直近7日を除いた記録で「いつもどおり」のモデルを学び直す
  3. 【自動】 直近7日のカードごとの「いつもどおりなら売れる枚数・持ち込まれる枚数」を予測する
  4. 【自動】 実際の枚数との外れが偶然で起きる確率を出し、確率の小さい順に並べる
  5. 【自動】 外れの向きから、上げ候補・下げ候補・様子見に分け、変化の始まった日を推定する
  6. 【自動】 在庫が切れていた日の多いカード、自店で売値を変えたカード、1万円をまたぐ価格のカードに印を付ける
  7. 【人】 月曜の朝、責任者が一覧の上から見て、大会の結果・発表の有無を確かめ、価格を決める
  8. 【自動】 毎朝、確率がとくに小さいカードだけを「急ぎ」として責任者に知らせる
  9. 【自動】 翌週、候補にしたカードの売れ方がその後どう動いたかを記録する

7番を人に残しているのが、この設計の要です。 この構成が分かるのは「売れ方がいつもと違う」ことまでで、なぜ違うのかは分かりません。 大会の結果か、制限の発表か、誰かのまとめ買いかは、責任者が確かめます。理由の分からない外れには価格を動かさない、という判断も残します。

8番の「急ぎ」は、件数を絞ります。 毎朝の知らせが多いと読まれなくなるので、週に数件しか出ない確率の水準に決めます。

一覧は、店頭と通販を合わせた数で作ります。 売れ方の変化は、通販で先に出ることが多いからです。店頭の係が気づく前に、通販の夜の受注の伸びが外れとして拾われ、翌朝の急ぎの知らせになります。

02今回想定するシステム構成

構成図
POS(店頭の販売・買取)   通販の受注   在庫のあった日の記録   新弾の発売の予定
        │                    │               │                     │
        └─────────┬──────────┴───────────────┴─────────────────────┘
                  ▼【トリガー】毎朝(集計)・日曜の夜(学び直しと一覧)
Python
   ├──▶ カード・日ごとの表(販売の枚数、持ち込みの枚数、在庫のあった日、自店の売値)
   ▼
scikit-learn の HistGradientBoostingRegressor(loss="poisson")
   │   販売と持ち込みのそれぞれについて「いつもどおりの1日あたりの枚数」
   ▼
Python + SciPy(scipy.stats.poisson)── 直近7日の外れが偶然で起きる確率
   ├──▶ 上げ候補・下げ候補・様子見、変化の始まった日、印
   ▼
見直しの候補の一覧(買取の価格表の隣のシート)/急ぎの知らせ
   ▼
【責任者が理由を確かめて価格を決める】
役割想定する製品代替候補
実行環境Python(pandas・NumPy)R
処理エンジンscikit-learn の HistGradientBoostingRegressor(ポアソン損失)LightGBM(objective="poisson")
集計Python(SciPy で外れの確率、候補の分け方、変化の始まった日)表計算の計算式
保管本店の共有フォルダ(学習の記録、一覧、決めた価格と理由)-

新しく足すのは、Python の処理と、在庫のあった日の記録です。 POS と通販の仕組み、価格表のスプレッドシートは、これまでどおり使います。一覧は価格表の隣のシートに書き出し、決めた価格は責任者が価格表に入れます。

モデルは scikit-learn の HistGradientBoostingRegressor です。 公式のページ(1.9.1)では、loss に poisson を選ぶと半分のポアソン逸脱度を使い、内部で対数のリンクを使い、y >= 0 が必要とされています。売れる枚数・持ち込まれる枚数は0以上の数なので、この損失が合います。 外れの確率は SciPy の scipy.stats.poisson で出します。公式のページ(v1.18.0)では、確率質量関数は exp(−μ)μ^k/k! で、sf は生存関数(1 − cdf。sf のほうが正確なことがある)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

2つの間隔で動かします。 毎朝の開店前に、前の日の販売・買取・在庫を集計の表に足します。毎週日曜の夜に、モデルを学び直して一覧を作ります。月曜の朝に責任者が一覧を見て、開店前に価格表を直します。

段いつすること
1. 集計毎朝の開店前前の日の販売・持ち込み・在庫のあった日を足す
2. 急ぎの確認集計の後直近3日の外れがとくに大きいカードだけを知らせる
3. 学び直しと一覧毎週日曜の夜直近7日を除いて学び、直近7日の外れで一覧を作る
4. 振り返り翌週の日曜候補にしたカードのその後を記録する

2番の急ぎの確認は、学び直しをせずに前の日曜のモデルで行います。 毎朝学び直すと、前の日の変化がもう学習に入ってしまいます。直近3日の合計で外れの確率を出し、日曜の一覧の水準よりさらに厳しい水準を下回ったカードだけを知らせます。 知らせには、カードの型番、実際といつもどおりの枚数、在庫の枚数だけを書き、判断は責任者に任せます。

3番で直近7日を学習から外すのが、この構成の決まりごとです。 変化が起きた週を学習に入れると、モデルがその変化を「いつもどおり」として覚え、外れが小さく出て、拾いたいカードが一覧の下に沈みます。 学習に使うのは、直近7日より前の記録だけです。

Step2

入力データを集める

データ中身取得元
販売の記録日時、カードの型番、枚数、売値、店舗か通販かPOS と通販の受注の書き出し
買取の記録日時、カードの型番、枚数、買取の価格POS の買取の書き出し(枚数と価格だけ)
在庫のあった日カードの型番ごとに、その日の開店時に在庫が1枚以上あったか在庫の管理の毎朝の書き出し
カードの情報タイトル、収録の弾、発売日、レアリティカードの一覧
発売の予定次の弾の発売日公式の発売の予定を担当が写す
価格の変更の記録自店の売値と買取の価格を変えた日と値価格表の履歴

質を決めるのは「在庫のあった日」です。 在庫が切れていた日は、売れたくても売れません。在庫が無くて0枚だった日を「売れなかった日」として扱うと、売れ出して在庫が切れたカードが、逆に「売れ止まり」に見えます。 在庫の管理から、毎朝の開店時点の在庫の有無を書き出して残します。

買取の記録は、枚数と価格だけを書き出します。 帳簿としての買取の記録には相手方の住所・氏名などが入っていますが、この構成に要るのはカードごとの持ち込みの枚数だけです。 書き出しの設定で、相手方の列を出さないようにします。

Step3

データの取得方法を決める

取るもの範囲使い道
販売・買取の記録過去1〜2年カード・日ごとの枚数(正解)
在庫のあった日記録を残し始めてから販売の側の分母
価格の変更の記録同じ期間自店の価格の変更による動きを外す
発売の予定次の弾まで予定された出来事の列

在庫のあった日の記録が無い過去の分は、在庫の管理の入出庫の履歴から復元します。 復元できないカードは、その期間の販売の行を学習から外します。持ち込みの側は在庫と関係なく起きるので、全期間を使えます。

表はカード・日の単位で持ち、学習のときに週の単位にまとめません。 変化の始まった日を推定するために、日の単位の外れが要ります。

Step4

AIへ渡す前に整形する

  1. カード・日の表を作る … 販売の枚数、持ち込みの枚数、在庫のあった日(1か0)を並べます。動きの無い日も0の行で作ります
  2. ふだんの水準の列 … 直近7日の前の28日間の、在庫のあった日あたりの販売の枚数と、1日あたりの持ち込みの枚数を付けます
  3. 予定された出来事の列 … 収録の弾の発売から何週か、次の弾の発売まで何週かを付けます
  4. 自店の価格の列 … 28日前と比べた売値の比、買取の価格の比を付けます
  5. 暦の列 … 曜日、祝日、月の初めか
  6. カードの性質の列 … タイトル、レアリティ、価格の帯
  7. 販売の側の学習の行 … 在庫のあった日だけを使います

4番の価格の列が、自店の動きを外すためのものです。 先週自店で売値を下げたカードが売れ出すのは、変化ではなく値下げの効き目です。価格の比を列に入れておくと、モデルが「値下げしたらこれくらい売れる」を学び、その分は外れとして出ません。

2番の「ふだんの水準」は、直近7日を含めずに作ります。 含めると、変化の起きた週の数がふだんの水準に入り、外れが小さく出ます。

Step5

AIに処理させる

させるのは、カード・日ごとに「いつもどおりなら何枚売れ、何枚持ち込まれるか」を予測することだけです。 外れの確率を出すのも、候補に分けるのも、規則の側で行います。

させることさせないこと
販売と持ち込みの「いつもどおり」の枚数相場の価格の予測
予定された出来事・自店の価格・曜日の効き方の学習変化の理由の推定(責任者が確かめる)
(規則で)外れの確率、候補の分け方、始まった日買取の価格の決定

外れの確率は、ポアソンの分布で出します。 直近7日の予測の合計を μ、実際の合計を k とすると、上に外れる確率は poisson.sf(k - 1, μ)、下に外れる確率は poisson.cdf(k, μ) です。下に外れる確率は、μ が5未満のカードでは出しません。 ふだんから1週に数枚しか売れないカードは、0枚の週があっても偶然と見分けられないからです。

候補の分け方は、販売と持ち込みの外れの組み合わせで決めます。

販売持ち込み分け方よくある理由
上に外れ変わらない上げ候補大会で使われ始めた、話題になった
変わらない・下に外れ上に外れ下げ候補(強)制限の発表、再録の発表
下に外れ変わらない下げ候補流行が終わった
上に外れ上に外れ様子見売り買いの両方が活発。相場が動いている途中

2行目を「強」にしているのは、店の損に直結するからです。 持ち込みが増えているのに高い価格のまま買い続けると、下がった相場で売ることになる在庫を、高い価格で積み上げます。

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、学習と外れの確率の設定を示します。

import numpy as np, pandas as pd
from scipy.stats import poisson
from sklearn.ensemble import HistGradientBoostingRegressor

feats = ["base_rate", "weeks_since_release", "weeks_to_next", "sell_ratio",
         "buy_ratio", "dow", "holiday", "title", "rarity", "price_band"]
for c in ["title", "rarity", "price_band"]:
    d[c] = d[c].astype("category")

end = d["date"].max(); start = end - pd.Timedelta(days=6)
train = d[d["date"] < start]                   # 直近7日を学習に入れない
tr_s = train[train["in_stock"] == 1]           # 販売は在庫のあった日だけ

m_sell = HistGradientBoostingRegressor(loss="poisson", learning_rate=0.05,
            max_iter=800, min_samples_leaf=100,
            monotonic_cst={"base_rate": 1, "sell_ratio": -1},
            early_stopping=False, random_state=7)
m_sell.fit(tr_s[feats], tr_s["sold"])
m_buy = HistGradientBoostingRegressor(loss="poisson", learning_rate=0.05,
            max_iter=800, min_samples_leaf=100,
            monotonic_cst={"buy_ratio": 1}, early_stopping=False, random_state=7)
m_buy.fit(train[feats], train["bought"])

early_stopping=False にしているのは、カード・日の表が数十万行になるからです。 公式のページでは、early_stopping の既定の 'auto' は行の数が10000を超えると有効になり、validation_fraction(既定0.1)の分を学習の行から取り分けるとされています。日付と関係なく抜かれた行で止めどころを決めると、同じ日の行が学習と検証に分かれます。 回数は、別に日付で区切った検証で決めておきます。

monotonic_cst は、売値の比が上がれば売れる枚数は減る、ふだんの水準が高ければ増える、という向きを縛ります。 公式のページでは、1が増える向き、-1が減る向きで、列の名前をキーにした辞書でも渡せるとされています。min_samples_leaf を大きくしているのは、カードの数が多く、1枚のカードの数日の動きを性質として覚えさせないためです。

直近7日の外れは、次のように出します。

w = d[d["date"] >= start].copy()
w["mu_sell"] = np.where(w["in_stock"] == 1, m_sell.predict(w[feats]), 0.0)
w["mu_buy"] = m_buy.predict(w[feats])
g = w.groupby("card").agg(k_s=("sold", "sum"), mu_s=("mu_sell", "sum"),
                          k_b=("bought", "sum"), mu_b=("mu_buy", "sum"),
                          stock_days=("in_stock", "sum"))
g["p_up_s"] = poisson.sf(g["k_s"] - 1, g["mu_s"])
g["p_dn_s"] = np.where(g["mu_s"] >= 5, poisson.cdf(g["k_s"], g["mu_s"]), np.nan)
g["p_up_b"] = poisson.sf(g["k_b"] - 1, g["mu_b"])
g["start_day"] = [cusum_start(w[w["card"] == c]) for c in g.index]

在庫の無かった日の予測を0にしているのが、販売の側の要です。 在庫の切れていた日は、売れなかったことを外れとして数えません。在庫のあった日が7日のうち2日以下のカードは、販売の側の確率を出さず「在庫切れ」の印にします。 cusum_start は、日ごとの (実際 − 予測) を足し上げ、その値が最も小さかった日の翌日を「変化の始まった日」として返す関数です。

ポアソンの分布は、実際のばらつきより狭いことが多いです。 売れ方はまとめ買いなどで、平均と分散が等しいときより大きくばらつきます。そのまま使うと、偶然の外れまで「起きにくい」と出ます。 対策として、過去の大きな出来事の無かった26週について同じ計算をして、1週あたりに何種のカードが確率0.001を下回るかを数え、責任者が1週に見られる件数に収まる水準を選びます。

Step7

出力形式を固定する

見直しの候補の一覧を、価格表の隣のシートに書き出します。

列中身
カードの型番・名前一覧の単位
分け方上げ候補/下げ候補(強)/下げ候補/様子見
販売:実際・いつもどおり・外れの確率直近7日の合計
持ち込み:実際・いつもどおり・外れの確率直近7日の合計
変化の始まった日日ごとの外れを足し上げて推定した日
在庫:いまの枚数・在庫のあった日在庫の管理の値
買取の価格:いま・前の週価格表の値
印在庫切れ/自店で売値を変えた/1万円をまたぐ/学習の行が少ない

並べる順は、外れの確率の小さい順です。 確率が同じくらいなら、在庫の金額の大きいカードを上にします。責任者は上から見て、確かめ終えたところで止めます。

「1万円をまたぐ」の印は、カウンターの手順のためです。 古物営業法の施行規則では、相手方の確認を要しない取引の金額は1万円未満とされています。上げ候補のカードの価格を1万円以上にすると、そのカードの買取はカウンターで相手方の確認が要る取引になります。 印の付いたカードを上げると決めたら、カウンターの係に知らせます。ただし、金額は1回の取引の対価の総額で見るので、1枚が1万円未満のカードでも、まとめて持ち込まれて合計が1万円以上なら確認が要ります。 印は1枚の価格だけを見たもので、カウンターの手順の代わりにはなりません。

一覧の行は、たとえば次のようになります(値は説明のための例です)。

上げ候補     | 型番 A-045 | 販売 実際 31・いつもどおり 9.4・確率 0.0000001 | 持ち込み 実際 2・いつもどおり 2.8 | 始まり 土曜 | 在庫 3枚
下げ候補(強)| 型番 B-112 | 販売 実際 6・いつもどおり 7.1 | 持ち込み 実際 44・いつもどおり 6.2・確率 0.0000001未満 | 始まり 火曜 | 在庫 58枚

1行目は、土曜から売れ出して在庫が3枚まで減ったカードです。 責任者は週末の大会の結果を確かめ、使われ始めたと分かれば買取の価格を上げます。2行目は、火曜から持ち込みが増え、在庫が58枚に積み上がったカードです。 公式の発表を確かめ、月曜を待たずに下げることがあります。

Step8

システムへ連携する

つなぎ先方式内容
POS毎朝の書き出し(販売と買取。買取は枚数と価格だけ)カード・日の枚数
通販の受注毎朝の書き出し通販の販売の枚数
在庫の管理毎朝の書き出し開店時の在庫の有無と枚数
買取の価格表隣のシートに書き出す候補の一覧
急ぎの知らせ社内のチャットに書き込む直近3日の外れがとくに大きいカード

価格表と POS には書き込みません。 決めた価格は責任者が価格表に入れ、店頭の掲示とサイトに出すのもこれまでどおりの手順です。

Step9

人が確認する

  1. 一覧の上から理由を確かめる … 大会の結果、公式の発表、話題の有無を見ます
  2. 理由の分からない外れは動かさない … 1週様子を見て、翌週も外れが続けば見直します
  3. 下げ候補(強)を先に見る … 持ち込みが増えているカードは、月曜を待たずに直すことがあります
  4. 1万円をまたぐカードを確かめる … 上げると決めたらカウンターの係に知らせます
  5. 決めた価格と理由を残す … 一覧の行に、確かめた理由と決めた価格を書きます

2番の「動かさない」も、判断の1つとして記録します。 外れの理由がまとめ買い1件だったと分かれば、そのカードは翌週の一覧で落ち着きます。

Step10

例外に対処する

起きること対応
在庫の書き出しが無い日その日の販売の側の予測を出さず、印を付ける
新しく価格表に載ったカードふだんの水準が無いので、28日たつまで一覧から外す
1人のお客様のまとめ買い1回の会計の枚数に上限を設けて数える(同じ会計の4枚目以降は数えない、など)
店舗の休業日・催しの日暦の列に入れ、学習の行から外すか印を付ける
自店で大きく値下げしたカード価格の比の列で吸収する。比が学習の範囲の外なら印
一覧の件数が多すぎる週確率の水準はそのままにし、上から責任者が見られる件数で止める
振り返りで外れ方の当たりが悪い一覧を出したうえで、水準の見直しを担当が行う
Step11

記録を残す

  • 毎週の学習に使った範囲、列の一覧、縛りの設定
  • 候補の一覧(確率、分け方、始まった日、印)
  • 責任者が確かめた理由と決めた価格、動かさなかった判断
  • 翌週以降の、候補にしたカードの売れ方と持ち込みの動き

最後の行が、確率の水準を決め直す材料です。 上げ候補にしたカードが翌週も売れ続けたか、下げ候補(強)のカードの持ち込みが価格を下げて止まったかを見ます。当たりの悪い分け方があれば、その分け方の水準だけを厳しくします。

04実装レベルの3段階

最小構成:出来事のあったカードの前後を表にし、平均からの離れ方を見る / 外れで拾えるかの確かめ
半自動化:上記+全カードについて、直近4週の平均と直近7日を比べた一覧を毎週出す / 単純な比べによる候補の一覧
本格構成:上記+予定された出来事・自店の価格・在庫を入れたモデル、外れの確率、分け方、始まった日、急ぎの知らせ、振り返り / 変化の検知から候補の一覧まで

本記事の想定は本格構成です。 1件2分が0.5分になるのは、枚数を拾う作業と、変化か偶然かの見当がそろって出てくるからです。残る0.5分は、候補のカードの理由を確かめて価格を決める時間をならしたものです。 半自動化の単純な比べは、新弾の発売の週に一覧があふれます。 発売の前後で多くのカードの売れ方が変わるからです。予定された出来事をモデルに入れる本格構成で、その分の外れを消します。 それでも半自動化から始める価値はあります。 単純な比べの一覧を2〜3か月見ると、責任者が「これは拾ってほしかった」「これは要らない」と感じるカードの型が分かります。その型が、本格構成で外れの確率の水準と分け方を決めるときの手本になります。 新弾の発売の週は、半自動化の一覧を見ない週として決めておきます。

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
1,200 件
1件あたり現在時間
2 分
1件あたり導入後時間
0.5 分
現在  1,200件 × 2分 ÷ 60 = 40 時間/月
導入後 1,200件 × 0.5分 ÷ 60 = 10 時間/月
月間削減時間
30h
削減率
75%
年間削減時間
360h
年間金額換算(時間単価3,500円)
126万円
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. 数千種のシングルカードを買取の価格表に載せ、毎週見直しているトレーディングカードの販売店。大会の結果や制限の発表、再録の発表のような予定に無い出来事で、特定のカードが急に売れ出したり持ち込みが増えたりし、見直しが追いつかない場合。POS と通販の販売、買取の記録がカードの型番ごとに1年分以上あり、在庫のあった日が分かる場合。
向いていない
  1. 扱うカードが数百種で、責任者が全部を毎週見られる場合。販売と買取の記録がカードの型番で取れず、タイトルや箱の単位でしか分からない場合。新弾の発売のような予定された出来事の効き方を見込みたい場合(来週の枚数を予測する構成のほうが合います)。なお、相場の価格そのものを予測する構成ではありません。買取の価格を決めるのは買取の責任者です。

07最小構成で試す方法

  1. 去年、大会の結果や制限の発表で売れ方が変わったと分かっているカードを10種選ぶ
  2. その10種について、出来事の前後8週の日ごとの販売・持ち込みの枚数と在庫の有無を表にする
  3. 出来事の前の4週の平均を「いつもどおり」として、出来事の後の週ごとの実際と並べる
  4. 同じ表で、出来事の無かったカード10種も並べる
  5. 実際に責任者が価格を動かした日を書き込む
出てきた内容判断
出来事のカードは数日で平均から大きく離れ、出来事の無いカードは離れない外れで拾う構成に進む
責任者が価格を動かしたのが、離れ始めてから1週以上後拾うことで間に合う余地がある
在庫の有無が復元できない在庫の記録を残し始めてから進む

2行目が出たら、この構成の効き目の見当がつきます。 離れ始めた日と価格を動かした日の差が、拾うことで縮められる日数です。

4番の「出来事の無かったカード」を省かないでください。 出来事のあったカードだけを見ると、平均から離れるのが当たり前に見えます。静かなカードがどれくらい平均の周りでばらつくかを見て初めて、「離れた」と言える幅の見当がつきます。 この幅が広いほど、第7章の確率の水準を厳しくする必要があります。

08実装時につまずきやすいポイント

問題対策
変化の週を学習に入れて外れが消える直近7日を学習とふだんの水準から外す
在庫切れのカードが「売れ止まり」に見える在庫のあった日の予測だけを足す
自店の値下げで売れたカードが上がる売値の比を列に入れる
新弾の発売の週に一覧があふれる発売からの週・次の発売までの週を列に入れる
偶然の外れまで「起きにくい」と出る過去の静かな週で水準を決める
1週に数枚のカードの下げを拾ってしまうμ が5未満のカードは下の確率を出さない
まとめ買い1件で上げ候補になる1回の会計の枚数に上限を設ける
検証の行が日付と関係なく抜かれるearly_stopping=False にし、回数は日付の検証で決める
1万円をまたぐ改定がカウンターに伝わらない印を付け、上げると決めたら係に知らせる

上の2行が、この構成の土台です。 どちらも、拾いたい変化をモデルに先に覚えさせてしまうか、見えない日を変化と取り違えるかの問題です。

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: カードごとの販売と持ち込みの枚数、価格、在庫。買取の相手方の情報は扱いません。

  1. 相手方の列を書き出さない … 古物の帳簿としての買取の記録には相手方の住所・氏名などが入ります。この構成に要るのは枚数だけなので、書き出しの段階で相手方の列を外します
  2. 帳簿の保存とは切り離す … 古物営業法では、帳簿等を最終の記載の日から3年間保存するとされています。この構成の集計の表は帳簿の代わりにならず、帳簿の保存は POS の側で続けます
  3. 外部へ送らない … 生成AIを使わず、店のPCで動かします
  4. 価格を自動で変えない … 一覧は候補までで、価格表は責任者が直します
  5. 他店の価格を自動で集めない … この構成は自店の記録だけを使います
  6. スクリプトを1人の持ち物にしない … 手順書と、動かし方を知る2人目を用意します

「持ち込みの急増」は、盗品の持ち込みの手がかりになることもあります。 同じカードが短い期間に大量に持ち込まれたときは、価格の見直しとは別に、カウンターでの確認を厚くする材料にします。 古物営業法は、不正品の疑いがあるときは直ちに警察官に申告することを古物商に求めています。

一覧を店の外に出さないでください。 どのカードの持ち込みが増えているか、どのカードの在庫が薄いかは、ほかの店にとっても値付けの材料になります。閲覧は買取の責任者と補佐の担当、店長に限ります。

誤りが起きた場合のリスクは、偶然の外れで価格を動かして損をすることと、本当の変化を見逃して高い価格で買い続けることの2つです。 前者は理由の分からない外れを動かさないことで、後者は下げ候補(強)を先に見ることで抑えます。

10まず何から始めるか

1週目:在庫のあった日の記録を残し始める

在庫の管理から、毎朝の開店時のカードごとの在庫の有無を書き出して残します。この週から、販売の側の分母がたまり始めます。 通販のサイトと店頭で在庫を分けて持っているなら、両方を書き出します。

2週目:買取の記録の書き出しを作る

POS の買取の記録から、カードの型番・枚数・価格・日時だけを書き出す設定を作ります。相手方の列が出ていないことを確かめます。

3週目:去年の出来事を表にする

第8章のとおり、売れ方が変わったカード10種と変わらなかったカード10種の前後を並べます。

4週目:単純な比べの一覧を出す

全カードについて、直近4週の平均と直近7日を比べた一覧を出し、責任者の見直しと並べます。責任者が見ていなかったカードが一覧の上に何種出てくるかを数えます。

2か月目: モデルと外れの確率を足し、過去の静かな週で水準を決めます。3か月目以降: 分け方と急ぎの知らせ、振り返りを足します。大会の結果や制限の発表の週を何回か越え、責任者が休みの週でも補佐の担当が同じ一覧から価格を決めら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:2026-11-18/最終更新:2026-11-18
確認した内容情報源確認日
loss の poisson が半分のポアソン逸脱度で対数のリンクを使い y >= 0 が必要なこと、early_stopping の 'auto' が10000行を超えると有効になること、validation_fraction の既定0.1、monotonic_cst の 1・-1 と列の名前の辞書、categorical_features の既定 "from_dtype"(1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-18
ポアソン分布の確率質量関数 exp(−μ)μ^k/k!、sf が生存関数(1 − cdf。sf のほうが正確なことがある)、cdf・ppf(v1.18.0)SciPy: scipy.stats.poisson2026-11-18
古物営業法第15条:相手方の確認、対価の総額が規則で定める金額未満の取引の例外、不正品の疑いがあるときの申告。第16条:取引の年月日・品目と数量・特徴・相手方の住所氏名等の帳簿等への記載。第18条:3年間の保存e-Gov 法令API: 古物営業法2026-11-18
古物営業法施行規則第16条:法第15条第2項第1号の金額が1万円であること、確認を省けない古物の一覧e-Gov 法令API: 古物営業法施行規則2026-11-18

買取の価格は買取の責任者が決め、1万円以上の買取の確認の手順はカウンターの係と確かめてください。 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-3805)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