Media > AI活用ユースケース > 営業 > 観光農園が、過去の入園者の数・天気・曜日・催しの記録から Python で翌月の日ごとの入園者を見込み、摘み取れる実の量と照らして、スタッフの配置と予約の枠の案を作る

観光農園が、過去の入園者の数・天気・曜日・催しの記録から Python で翌月の日ごとの入園者を見込み、摘み取れる実の量と照らして、スタッフの配置と予約の枠の案を作る

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

過去の入園の記録・天気・暦・催しから、Python で翌月の日ごとの入園者を幅付きで見込みます。見込みを園の担当が出す「摘み取れる実の量」と照らし、時間帯ごとの予約の枠とスタッフの配置の案を作ります。

サマリー
連携・自動化
Python
対象業界
その他/小売
対象部門
営業/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/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
15h/月
AI導入後
4h/月
想定削減
73%
年間削減
132h
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. 前の月の10日ごろ、責任者が受付のレジから去年の同じ月の日ごとの入園者を書き出す
  2. 去年の同じ曜日と並べ、連休の並び、近くの催し、去年の天気を思い出しながら日ごとの見込みを決める
  3. 園の担当に、翌月の各週の実の量の見立てを聞く
  4. 見込みと実の量の見立てを比べ、日ごと・回ごとの予約の定員を決める
  5. 予約の仕組みに翌月の枠を入れる
  6. パートの出勤の希望と見込みを並べ、受付・園内・直売所の人数を決める
  7. 翌月に入ってから、天気予報を見て、雨の日の出勤を減らす連絡を前の日にする
導入後(After)
  1. 人園の担当が、翌月の各週の実の量の見立て(品目・区画ごとの1日に摘める人数)を見立ての表に入れる
  2. 人責任者が、翌月の近くの催しと、園の催し(収穫祭など)を催しの表に入れる
  3. 自動毎月10日、Python が入園の記録・天気・暦・催しを読み、天気を使わないモデルで翌月の日ごとの入園者を3つの値で見込む
  4. 自動見込みの上の値と実の量から決まる上限を比べ、日ごと・回ごとの予約の定員の案と、当日の受付の目安を出す
  5. 自動見込みから、受付・園内・直売所の人数の案を出す
  6. 人責任者が案を見て、予約の定員とスタッフの人数を決め、予約の仕組みと勤務の表に入れる
  7. 人毎週木曜、受付の担当が週間天気予報の降水の確率と最高気温を天気の表に入れる
  8. 自動天気を使うモデルで翌週の7日分を見込み直し、人数の案の差を出す
  9. 自動月が終わったら、見込みと実際の入園者を当たり方の記録に残す
各工程の詳しい説明を読む
  1. 前の月の10日ごろ、責任者が受付のレジから去年の同じ月の日ごとの入園者を書き出す
  2. 去年の同じ曜日と並べ、連休の並び、近くの催し、去年の天気を思い出しながら日ごとの見込みを決める
  3. 園の担当に、翌月の各週の実の量の見立てを聞く
  4. 見込みと実の量の見立てを比べ、日ごと・回ごとの予約の定員を決める
  5. 予約の仕組みに翌月の枠を入れる
  6. パートの出勤の希望と見込みを並べ、受付・園内・直売所の人数を決める
  7. 翌月に入ってから、天気予報を見て、雨の日の出勤を減らす連絡を前の日にする

(a)見込みが去年の同じ月に引っぱられる。 去年の同じ月の土曜が雨続きで少なければ、今年の土曜も少なく見ます。去年の天気で増えたり減ったりした分が、そのまま今年の見込みに混ざります。

(b)実の量と見込みを比べる作業が頭の中にある。 4番の比べ方は責任者のやり方で、記録に残りません。責任者が休むと、枠の定員を決められる人がいません。

(c)品目の切り替わりの週に外れる。 いちごの終わりとブルーベリーの始まりが重なる週は、去年と今年で日がずれます。去年の同じ週を写すと、実の無い品目の客を見込んでしまいます。

(d)雨の日の連絡が前の日になる。 7番は天気予報を見て前の日に連絡するので、パートの側の予定が立ちません。週間天気予報が出た時点で、1週間分の見込みを見直す仕組みがありません。

  1. 【人】 園の担当が、翌月の各週の実の量の見立て(品目・区画ごとの1日に摘める人数)を見立ての表に入れる
  2. 【人】 責任者が、翌月の近くの催しと、園の催し(収穫祭など)を催しの表に入れる
  3. 【自動】 毎月10日、Python が入園の記録・天気・暦・催しを読み、天気を使わないモデルで翌月の日ごとの入園者を3つの値で見込む
  4. 【自動】 見込みの上の値と実の量から決まる上限を比べ、日ごと・回ごとの予約の定員の案と、当日の受付の目安を出す
  5. 【自動】 見込みから、受付・園内・直売所の人数の案を出す
  6. 【人】 責任者が案を見て、予約の定員とスタッフの人数を決め、予約の仕組みと勤務の表に入れる
  7. 【人】 毎週木曜、受付の担当が週間天気予報の降水の確率と最高気温を天気の表に入れる
  8. 【自動】 天気を使うモデルで翌週の7日分を見込み直し、人数の案の差を出す
  9. 【自動】 月が終わったら、見込みと実際の入園者を当たり方の記録に残す

3番目と8番目で、使うモデルを分けています。 3番目は天気を使わないモデルで、1か月先の各日について「天気が分からない状態での幅」を出します。8番目は天気を使うモデルで、予報の数字が入る1週間分だけを見込み直します。 この2つを分けないと、月の見込みの幅が狭く見えます。

4番目で、見込みの上の値を使うのは、実の量のほうを守るためです。 予約の定員は、来たい人が多い日にも実が足りなくならない数にしたい。上の値と実の量の上限の低いほうを定員にすると、よく来た日でも摘む実が残ります。

6番目の決定を人に残すのは、実の量の見立てが動くからです。 霜や長雨で、週の途中で実の量が大きく減ることがあります。枠を閉じる判断は、ハウスを見た人がします。

02今回想定するシステム構成

構成図
入園の記録(レジ)  予約の記録  天気(気象庁の CSV)  催しの表  実の量の見立ての表
        │              │              │               │              │
        └──────────────┴──────┬───────┴───────────────┘              │
                              ▼【トリガー】毎月10日/毎週木曜          │
Python                                                                 │
   ├──▶ 日ごとの入園者の表を作る(予約と当日を合わせる)               │
   ├──▶ 暦・品目の季節の週・催しの列を作る                            │
   ▼                                                                   │
HistGradientBoostingRegressor                                          │
   │   月:天気を使わないモデル(ポアソン損失と分位点損失)            │
   │   週:天気を使うモデル                                           │
   ▼                                                                   │
Python ── 見込みの上の値と、実の量から決まる上限を比べる ◀─────────────┘
   │        回ごとの予約の定員の案、当日の受付の目安、スタッフの人数の案
   ▼
【責任者が決めて、予約の仕組みと勤務の表に入れる】
   ▼
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(ポアソン損失と分位点損失)LightGBM、statsmodels の一般化線形モデル
集計Python(日ごとの入園者の表、実の量から決まる上限、回ごとの定員、スタッフの人数の換算)表計算の計算式
保管事務所のファイルサーバー(学習の記録、案の表、当たり方の記録)-

新しく足すのは Python の処理だけです。 入園の記録はレジの書き出しの機能で、予約の記録は予約の仕組みの書き出しでファイルにします。予約の仕組みと勤務の表には書き込まず、案の表を出すところまでにします。

モデルは scikit-learn の HistGradientBoostingRegressor です。 中央の値は loss="poisson"、下の値と上の値は loss="quantile" で quantile を0.1と0.9にした別のモデルで出します。ポアソン損失は答えが0以上であることを求めます。 入園者の数は0以上の数なので、そのまま使えます。

天気は、気象庁の「過去の気象データ・ダウンロード」から、園にいちばん近い観測地点の日別値を CSV で取ります。 気象庁のホームページの情報は、出典を書けば公共データ利用規約(第1.0版)に沿って使えるとされています。社内の資料に天気の列を載せるときも、出典を書き添えます。

03どうやって実装するのか

Step1

処理の起点を決める

月に1回の見込みと、週に1回の見込み直しの2つで動かします。 どちらも事務所のパソコンの Windows のタスク スケジューラーから Python のスクリプトを起動します。

時期すること
毎月10日の朝天気を使わないモデルで翌月の日ごとの3つの値、回ごとの定員の案、スタッフの人数の案を出す
毎週木曜の昼天気の表に入った翌週の降水の確率と最高気温で、7日分を見込み直す
毎月1日前の月の当たり方の記録を作り、学び直す

10日に動かすのは、予約の枠を20日に開けるからです。 その間に園の担当と実の量の見立てをすり合わせます。木曜の昼に動かすのは、パートへの連絡を金曜に済ませるためです。 出勤の人数を減らす連絡は、前の日ではなく数日前にします。

Step2

入力データを集める

データ中身取得元
入園の記録日付、受付の時刻、人数、料金の区分(大人・子ども・幼児)、品目、予約か当日か受付のレジの書き出し
予約の記録予約の番号、利用の日、回、人数、受付の日時、取消の日時予約の仕組みの書き出し
天気(過去)日ごとの降水量の合計、最高気温、日照時間気象庁「過去の気象データ・ダウンロード」の CSV
天気(翌週)日ごとの降水の確率、最高気温の予報受付の担当が週間天気予報を見て天気の表に入れる
催しの表日、園の催しか近くの催しか、種類、規模の目安責任者が入力
実の量の見立て週、品目、区画、1日に摘める人数の見立て園の担当が入力
祝日の一覧日付、祝日の名前内閣府「国民の祝日」の CSV

質を決めるのは、実の量の見立ての表です。 これが無ければ、見込みは「来たい人の数」のまま枠になります。見立ては担当の手帳にあるものを、週ごと・区画ごとに1行で入れる形にします。 最初は「多い・ふつう・少ない」の3段でもかまいません。

翌週の天気は、人が数字を入れます。 気象庁の予報を自動で取り込む公開の仕組みはこの構成では使わず、受付の担当が週間天気予報の画面を見て、7日分の降水の確率と最高気温を表に入れます。 7日×2つの数字なので、数分で終わります。

Step3

データの取得方法を決める

取るもの範囲使い道
入園の記録過去3年学習の答え(日ごとの入園者)
予約の記録(取消を含む)過去3年と、翌月の分予約の積み上がりの列
天気の日別値過去3年週のモデルの列
祝日の一覧全期間暦の列

天気の CSV は、地点・項目・期間を選んで取ります。 データの種類は日別値にし、降水量の日合計、最高気温、日照時間を選びます。選べる地点・項目・期間の多さには上限があり、画面の「選択済みのデータ量」が100%を超えないように調整します。 3年分を一度に取れなければ、1年ずつ分けて取ります。

CSV の形は、1行目がダウンロードした時刻、2行目が空行、3行目以降が表題の行で、その後にデータの行が続きます。 表題の行は地点名・項目名・品質情報などで複数行にわたるので、pandas で読むときは表題の行を飛ばし、列の名前を自分で付けます。

表示のオプションは「すべて数値で格納」を選びます。 このとき値とは別の列に品質情報が入り、8が正常値、5が準正常値、4が資料不足値、2が疑問値、1が欠測とされています。品質情報が8と5以外の日は、天気の列を欠けた値にして学習します。 HistGradientBoostingRegressor は欠けた値をそのまま扱えます。

均質番号は CSV を取るたびに古いものから1から振られるので、期間を分けて取った CSV をつなぐときに番号どうしを比べてはいけません。 ファイルごとに番号の変わり目の日付を確かめます。

祝日の CSV は内閣府のページから取ります。1955年から2027年までが載っていて、2028年の分は2027年の2月に載るとされています。 列の名前は「国民の祝日・休日月日」「国民の祝日・休日名称」で、encoding="cp932" で読みます。

Step4

AIへ渡す前に整形する

  1. 日ごとの入園者の表を作る … 入園の記録を日ごとに足し、予約と当日を合わせた人数を答えにします
  2. 休園の日を外す … 雨や台風、実の不足で休園した日を学習から外します
  3. 暦の列を作る … 曜日、祝日か、連休の何日目か、学校の長い休みの期間か
  4. 品目の季節の列を作る … その日の主な品目と、その品目の季節の何週目か(始まりの日を0とする週の数)
  5. 予約の積み上がりの列を作る … 利用の日の10日前の時点で「受付済みで、まだ取り消されていない」予約の人数
  6. 催しの列を作る … 園の催しか、近くの催しか、その規模
  7. 天気の列を作る(週のモデルだけ) … 降水量の日合計、最高気温、日照時間

2番目で休園の日を外すのは、0人の日を学ばせないためです。 休園の日の入園者は0ですが、それは客が来なかったのではなく受け入れなかった日です。混ぜると、雨の日の見込みが実際より低く出ます。 休園の日は休園の記録の表から外します。

4番目の「季節の何週目か」が、品目の切り替わりの答えです。 季節の始まりは年によってずれるので、その年の始まりの日(園の担当が決めて表に入れる)から数えた週を列にします。

5番目の積み上がりは、その時点で分かっていた予約だけで数えます。

# 利用の日の 10 日前の時点で、受付済みかつ未取消の予約の人数
cut = rsv.use_date - pd.Timedelta(days=10)
alive = (rsv.booked_at < cut) & (rsv.cancelled_at.isna() | (rsv.cancelled_at >= cut))
onhand10 = rsv[alive].groupby("use_date")["persons"].sum().rename("onhand_10d")
days = days.join(onhand10, how="left").fillna({"onhand_10d": 0})

cancelled_at >= cut の条件を外さないでください。 その時点の後に取り消された予約は、その時点では入っていた予約です。取り消された予約を最初から除くと、過去の積み上がりが少なく作られ、本番で見込みが高くずれます。

Step5

AIに処理させる

させるのは、翌月の各日の入園者の数を3つの値で出すことと、翌週の7日分を天気を入れて見込み直すことです。

モデル列設定使い道
月・下の値天気なしloss="quantile", quantile=0.1スタッフの最低の人数
月・中央の値天気なしloss="poisson"見込みの中心
月・上の値天気なしloss="quantile", quantile=0.9予約の定員と、受付の人数の上限
週・3つの値天気あり上と同じ3つ翌週の人数の見直し

予約の積み上がりの列には、増える方向の制約を付けます。 monotonic_cst は 1 が増加、0 が制約なし、-1 が減少で、積み上がりが多いほど見込みが多くなる形に縛ると、記録の少ない品目の季節で逆向きの見込みが出るのを防げます。

見込みから案を作るのは、モデルではなく Python の規則です。

出すもの決め方
実の量から決まる上限見立ての表の、その週の区画ごとの1日に摘める人数の合計
予約の定員(1日分)上の値と実の量から決まる上限の低いほうから、当日の受付に残す分を引いた数
回ごとの定員1日分を、過去の回ごとの入り方の割合で4回に分ける
当日の受付の目安実の量から決まる上限から予約の定員を引いた数
スタッフの人数受付は中央の値、園内の案内は上の値を、1人が受け持つ人数で割る

当日の受付に残す分と、1人が受け持つ人数は、責任者が決める数です。 表に持たせ、品目ごとに変えられるようにします。

させないこと理由
実の量の見立て実を見て決めるのは園の担当。モデルは見立てを受け取るだけ
枠を閉じる判断霜・長雨で実が減ったときは、ハウスを見た人が閉じる
休園の判断雨や台風の日の休園は、当日の朝に責任者が決める
スタッフ一人ひとりの割り当て誰を出すかはパートの希望と事情を知る責任者が決める

最初の行を守るのが、この構成の考え方そのものです。 過去の入園者から実の量を逆算させると、客が多かった日を「実が多かった日」と学んでしまいます。 実の量は人が見て入れる値で、モデルの外に置きます。

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、学習と予測の設定を示します。

from sklearn.ensemble import HistGradientBoostingRegressor as HGB

base = ["dow", "is_holiday", "holiday_seq", "school_break", "crop",
        "crop_week", "event_farm", "event_near", "event_size", "onhand_10d"]
wx   = ["rain_mm", "tmax", "sun_hours"]          # 週のモデルだけ

def fit(cols, loss, q=None, Xval=None, yval=None):
    cst = {c: (1 if c == "onhand_10d" else 0) for c in cols}
    m = HGB(loss=loss, quantile=q, categorical_features=["crop"],
            monotonic_cst=cst, learning_rate=0.05, max_iter=400,
            early_stopping=True)                  # 検証の行を自分で渡す
    return m.fit(tr[cols], tr.visitors, X_val=Xval, y_val=yval)

# 学習と検証を日付で分ける(行を無作為に抜かない)
cut = days.date.max() - pd.Timedelta(days=120)
tr, va = days[days.date < cut - pd.Timedelta(days=10)], days[days.date >= cut]
month = {k: fit(base, *a, Xval=va[base], yval=va.visitors)
         for k, a in {"lo": ("quantile", 0.1), "mid": ("poisson",),
                      "hi": ("quantile", 0.9)}.items()}

early_stopping=True にして検証の行を自分で渡しているのは、既定の動きを避けるためです。 既定の "auto" は、行が1万を超えると早期の打ち切りを有効にし、学習の行から validation_fraction(既定0.1)の割合を検証に抜きます。この抜き方は日付と関係なく行を選ぶので、未来の日が検証に混ざらない保証がありません。 1日1行の表では3年分でも1万行に届きませんが、品目や回ごとの行に分けたときに黙って有効になります。

categorical_features を列の名前で渡しているのは、既定の "from_dtype" がカテゴリ型の列だけを扱うからです。 整数の番号にした品目は、指定しないとただの数として大小で分けられます。負の番号は欠けた値として扱われるので、知らない品目にも振らないでください。

学習と検証の間を10日空けているのは、積み上がりの列のためです。 10日前の時点の予約を使うので、学習の期間の終わりの10日は、検証の最初の日の情報と重なります。

予約の定員の案は、次の規則で出します。

cap = cap_tbl.groupby("date")["persons_per_day"].sum()    # 実の量から決まる上限
pred["cap"] = pred.date.map(cap)
pred["rsv_day"] = (np.minimum(pred.hi, pred.cap) - pred.walkin_keep).clip(lower=0)
pred["flag"] = np.select(
    [pred.cap.isna(), pred.hi > pred.cap, pred.lo < pred.cap * 0.3],
    ["見立ての無い日", "実が足りない見込み", "空きの出る見込み"], default="")

pred.cap.isna() を最初の条件にしているのは、見立てが入っていない日に上限を「無し」として扱わないためです。 見立てが無いまま np.minimum を通すと、上限の無い日として上の値がそのまま定員になります。0.3は責任者が決める線で、品目ごとに表に持たせます。

Step7

出力形式を固定する

日ごとの表と、回ごとの定員の表の2つで出します。

日品目予約(10日前)見込み(下/中/上)実の量の上限予約の定員当日の目安受付/園内/直売所印
1/9(土)いちご180310/420/540450400503/6/2実が足りない見込み
1/13(水)いちご2060/95/1403801002401/2/1空きの出る見込み
1/17(日)いちご150280/360/450420370502/5/2-

1つ目の理由は、見込みと実の量の上限を並べて、定員の理由が読めることです。 1行目は、上の値540人に対して実の量の上限が450人なので、定員は実の量のほうで決まっています。 責任者は、見立てがもう少し増えそうかを園の担当に聞くだけで判断できます。

2つ目は、空く日の手当てを早く打てることです。 2行目のような日は、団体の受け入れや直売所の催しの相談を、枠を開ける前にできます。

回ごとの定員の表は、1日分の定員を過去の入り方の割合で4回に分けたものです。 週の見込み直しは、「1/16(土):雨の予報で中央の値が360→240、園内の案内を5→3」のように月の案との差だけを1枚にまとめ、責任者がパートへの連絡に使います。

Step8

システムへ連携する

つなぎ先方式内容
受付のレジ書き出したファイルを読む日付、人数、料金の区分、予約か当日か
予約の仕組み書き出したファイルを読む(名前と連絡先の列を除く)利用の日、回、人数、受付と取消の日時
気象庁の CSV画面で取ったファイルを置く過去の降水量・最高気温・日照時間
天気の表・催しの表・見立ての表ファイルを読む翌週の予報、催し、実の量
案の表ファイルを書く日ごとの表、回ごとの定員、週の差
事務所のファイルサーバーファイルの保存モデル、学習の記録、当たり方の記録

予約の仕組みと勤務の表には書き込みません。 定員を入れるのも、出勤を決めるのも責任者です。見込みの誤りが、そのまま客の予約やパートの勤務にならないようにします。

気象庁の CSV は自動で取りに行かず、 月に1回、受付の担当が画面で前の月の分を取ってフォルダに置きます。

Step9

人が確認する

  1. 「実が足りない見込み」の日を見る … 園の担当と、その週の見立てが増えそうか、別の区画を開けられるかを話します
  2. 「空きの出る見込み」の日を見る … 平日の団体の受け入れ、直売所の催しなど、空く日の手当てを決めます
  3. 「見立ての無い日」を埋める … 品目の切り替わりの週に多く出ます。園の担当に見立てを入れてもらいます
  4. 定員と人数を決めて入れる … 予約の仕組みに回ごとの定員を、勤務の表に人数を入れます
  5. 週の差を見て、パートに連絡する … 人数を減らす日、増やす日を金曜に伝えます

10日の時点の見立ては、翌月の後半ほど当てになりません。 後半の週は定員を少なめに入れ、見立てが固まった週に枠を足すのが外れにくいやり方です。

Step10

例外に対処する

起きること対応
見立ての表にその週の行が無い「見立ての無い日」の印。定員の案を出さない
天気の CSV の品質情報が4・2・1の日その日の天気の列を欠けた値にする
天気の CSV の均質番号が途中で変わる変わり目の日付を記録し、変わる前の期間を学習から外すかを決める
祝日の一覧に翌年の分が無い見込みの期間に入る前に止める。2月に取り直す
新しい品目を始めた記録が無いので、似た品目の値で見込み、「新しい品目」の印
下の値が中央の値を上回る並べ直さずに「幅の逆転」の印
天気の表に翌週の数字が入っていない週の見込み直しを止め、月の案のままにする
台風・大雪の予報見込みを出しても、休園の判断は責任者。印だけ付ける

1行目で案を出さないのは、上限の無い定員が一番危ないからです。

Step11

記録を残す

  • 学習に使った期間と行数、外した休園の日、使った天気の CSV のファイル名
  • 月・週のそれぞれ3つのモデルのファイルと、設定(loss、quantile、制約)
  • 毎月の案の表と、そのとき使った見立ての表・催しの表
  • 責任者が決めた定員と人数(案と違えばその理由)
  • 毎週の天気の表の数字と、見込み直しの差
  • 月の終わりの当たり方(実際の入園者が下の値と上の値の間に入った割合)

3つ目で「そのときの見立て」を残すのは、 客が来なかったのか、実が減って枠を閉じたのかを後で分けるためです。

04実装レベルの3段階

最小構成:表計算で入園者・天気・実の量を並べる / 天気と実の量の効き方の確かめ
半自動化:上記+Python で天気を使わないモデルの3つの値を出す / 翌月の日ごとの見込み
本格構成:上記+実の量から決まる上限との比べ、回ごとの定員、スタッフの人数、週の見込み直し、当たり方の記録 / 見込みから枠と配置の案まで

本記事の想定は本格構成です。 1件30分が8分になるのは、去年の記録との見比べと、実の量との比べと、人数の換算が自動になり、責任者が見るのが印の付いた日と、園の担当との相談だけになるからです。 半自動化で2つの品目の季節を回してから、本格構成に進みます。 見込みだけを出して責任者の読みと並べると、どの品目の季節で外れやすいか、催しの表に何が足りないかが先に見えます。 回ごとの定員の分け方と、1人が受け持つ人数は、その後で決めます。

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
30 件
1件あたり現在時間
30 分
1件あたり導入後時間
8 分
現在  30件 × 30分 ÷ 60 = 15 時間/月
導入後 30件 × 8分 ÷ 60 = 4 時間/月
月間削減時間
11h
削減率
73%
年間削減時間
132h
年間金額換算(時間単価2,500円)
33万円
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. いちご・ブルーベリー・ぶどう・りんごなど、季節ごとに品目を切り替えて一年を通して摘み取りの客を受けている観光農園。予約の枠と当日の受付の両方で客を入れていて、翌月の予約の枠の数とスタッフの出勤を園主や責任者が経験で決めている場合。入園の記録が受付のレジや予約の仕組みに2年分以上残っていて、日ごとの人数を書き出せる場合。
向いていない
  1. 品目が1つで期間も短く、毎年同じ週末だけが混む農園。予約だけで客を入れていて、枠が毎回すぐに埋まり、見込む余地がほとんど無い場合。入園の記録が紙の帳面だけで、日ごとの人数を表にできない場合。なお、実の量を見て枠を閉じる判断、当日の雨での休園の判断、スタッフの勤務の確定は、この構成では代替できません。

07最小構成で試す方法

  1. 去年の1つの品目の季節(いちごなら1月から5月)の、日ごとの入園者を表計算に書き出す
  2. 同じ期間の気象庁の日別値(降水量、最高気温)を CSV で取り、日付で並べる
  3. 曜日ごとに、雨の日と晴れの日の入園者の平均を並べる
  4. 同じ期間について、園の担当に手帳を見ながら「多い・ふつう・少ない」の実の量を週ごとに書いてもらう

この段階ではモデルを作りません。 天気で入園者がどれくらい動くか、実の量で客を断った日がどれくらいあったかを確かめます。

3番目で差が大きければ、月の見込みに天気を入れない理由がはっきりします。 雨の土曜と晴れの土曜で入園者が倍も違うなら、翌月の各日に1つの数を出しても当たりません。 幅で出す意味があります。

出てきた内容判断
天気で入園者が大きく動き、実の量の少ない週に客が多かった日があるPython の構成に進む
実の量の見立てが手帳にも残っていない見立ての表を先に作る。構成は有効
どの日も予約だけで埋まり、当日の客がほとんどいない見込む余地が小さい。枠の定員は実の量だけで決めてよい

08実装時につまずきやすいポイント

問題対策
月の見込みの幅が狭く、雨の日に大きく外れる月の見込みは天気を使わないモデルで出す
休園の日の0人で、雨の日の見込みが低く出る休園の日を学習から外す
品目の切り替わりの週に外れる暦の週ではなく、その年の季節の何週目かを列にする
品目の番号がただの数として扱われるcategorical_features を列の名前で渡す
検証の行が日付と関係なく抜かれるearly_stopping を明示し、日付で分けた検証の行を渡す
下の値のモデルが上の値を出すquantile を必ず書く
見立ての無い日に上限の無い定員が出る見立ての無い日を最初に印にし、案を出さない
過去の積み上がりが少なく作られる後で取り消された予約も、その時点では入っていたとして数える
期間を分けて取った CSV の均質番号を比べる番号はファイルごとに1から振られる。日付で確かめる
資料不足値・疑問値を正常な天気として学ぶ品質情報が8と5以外は欠けた値にする
実の量をモデルに逆算させる実の量は人が入れる値として、モデルの外に置く

上の3行は、何を見込むかの取り違えです。 天気の分からない日を天気ありで見込む、受け入れなかった日を来なかった日として学ぶ、暦の週で品目を並べる。どれもモデルの設定より前の、表の作り方の問題です。

真ん中の行の多くは、エラーにならずに通る失敗です。 品目の番号、検証の抜き方、quantile の書き忘れ、見立ての欠け。どれも何かしらの数字が出るので、作る段階で3つの値の並びと見立ての欠けを数える検査を足しておきます。

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: 日ごとの入園者の数と料金の区分、予約の利用の日・回・人数・受付と取消の日時、天気、催しの予定、実の量の見立て。予約の仕組みには客の名前と連絡先がありますが、この構成には取り込みません。

  1. 予約者の情報を書き出しの段階で外す … 予約の番号だけを残し、名前・電話番号・メールアドレスは書き出しません
  2. 気象庁のデータの出典を書く … 天気の列を載せた資料には、気象庁ホームページからの出典を書きます。加工した表であることも書き添えます
  3. 定員と出勤を自動で決めない … 案は資料に出すだけで、予約の仕組みへの入力と勤務の決定は責任者が行います
  4. パートの勤務を見込みだけで減らさない … 雨の予報で人数を減らす連絡は、パートとの取り決めに沿って行います。見込みは連絡の材料で、勤務の取り消しの理由そのものではありません
  5. 入園の記録を外部に出さない … 日ごとの入園者と売上の区分は、競合の園に知られたくない情報です。予測は事務所のパソコンで回し、外部のサービスにデータを渡しません
  6. 休園の判断を見込みに任せない … 台風や大雪の日は、見込みにかかわらず、客と働く人の安全から責任者が決めます

誤りが起きた場合のリスクは、実の足りない日に客を入れすぎることと、空く日に人を置きすぎることの2つです。 前者は実の量の上限を案の中で守り、後者は週の見込み直しで減らします。どちらも最後に決めるのは人で、迷った日は定員を少なめに入れ、見立てが固まってから枠を足す側に倒します。

10まず何から始めるか

1週目:記録を書き出す

受付のレジと予約の仕組みから、過去3年の日ごとの入園者と予約の記録を書き出します。予約の記録は取消を含めて、名前と連絡先の列を外して出せるかを確かめます。

2週目:天気と並べる

気象庁の「過去の気象データ・ダウンロード」から、園に近い地点の日別値を取ります。第8章のとおり、雨の日と晴れの日の入園者を曜日ごとに並べます。

3週目:見立ての表を作る

園の担当と、実の量の見立てを週・区画ごとの1行で入れる表を決めます。最初は「多い・ふつう・少ない」の3段で始めます。 あわせて、休園の日の記録と、品目ごとの季節の始まりの日を表にします。

4週目:Python で月の見込みを出す

天気を使わないモデルで翌月の3つの値を出し、責任者の読みと並べます。定員の案はまだ出しません。 責任者の読みと見込みが大きく食い違った日は、月の終わりにどちらが当たったかを確かめ、理由を一覧に残します。

2か月目: 実の量の上限との比べと、回ごとの定員、スタッフの人数の案を足します。3か月目以降: 毎週の天気の表と見込み直しを足し、当たり方の記録を取ります。品目の季節を一巡して、実際の入園者が幅の中に入る割合が設計どおりになり、責任者が案を見て定員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
HistGradientBoostingRegressor の loss に poisson(y >= 0 が必要)と quantile があること、quantile で分位を指定すること、categorical_features の既定が "from_dtype" でデータフレームのカテゴリ型の列だけを扱うこと、負の値が欠けた値として扱われること、early_stopping="auto" が1万を超える行か X_val・y_val を渡したときに有効になること、validation_fraction の既定0.1、monotonic_cst の 1・0・-1、欠けた値をそのまま扱えること(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-18
地点・項目・期間・表示オプションを選んで画面表示か CSV で取れること、日別値を選べること、「選択済みのデータ量」が100%を超えると表示もダウンロードもできないこと、資料不足値の扱い、均質番号の考え方気象庁: 過去の気象データ・ダウンロードの使い方2026-11-18
CSV の1行目がダウンロードした時刻、2行目が空行、その後に表題の行とデータの行が続くこと、品質情報の値(8 正常値・5 準正常値・4 資料不足値・2 疑問値・1 欠測)、均質番号が CSV の取得ごとに古いものから1から振られ、期間の違う CSV をつなぐときに注意が要ること気象庁: ダウンロードファイル(CSVファイル)の形式2026-11-18
気象庁ホームページのコンテンツが、権利表記が無い限り公共データ利用規約(第1.0版)に準拠して利用でき、出典の記載と、加工した場合はその旨の記載が要ること気象庁: 気象庁ホームページについて2026-11-18
国民の祝日の CSV が1955年から2027年までを収め、2028年の分は2027年2月に載ること。CSV の列名と文字コード(cp932 で読めること)は CSV の原文で確かめた内閣府: 国民の祝日について2026-11-18

予約の定員とスタッフの人数は、園の運営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-3879)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