Media > AI活用ユースケース > 購買 > ブランド品の買取店が、過去の買取と販売の記録から Python で型と状態のランクごとの翌月の販売の価格を予測し、店頭の買取価格表の見直しの案を出す

ブランド品の買取店が、過去の買取と販売の記録から Python で型と状態のランクごとの翌月の販売の価格を予測し、店頭の買取価格表の見直しの案を出す

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

ブランド品の過去の買取と販売の記録から、Python で型と状態のランクごとに、翌月から翌々月に売れる価格の下側と中央を予測します。粗利の目標を引いた買取の価格の案を出し、いまの買取価格表との差が大きい行を商品部に知らせます。

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
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
40h/月
AI導入後
16h/月
想定削減
60%
年間削減
288h
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. 月末に、管理の仕組みから先月の販売の記録を書き出し、型と状態のランクで並べる
  2. 業者のオークションの落札の記録を見て、自社の販売と見比べる
  3. 行ごとに、先月と先々月の販売の価格、売れるまでの日数、在庫の残りを見て、売れそうな価格を見立てる
  4. 粗利の目標を引いて買取の金額を決め、価格表の行を直す
  5. 正規店の定価の改定の知らせがあった型は、担当が別に見直す
  6. 改定した価格表を全店に配る
導入後(After)
  1. 自動月末に、Python が管理の仕組みの書き出しと定価の改定の記録を読み込み、価格表の全行の項目を作る
  2. 自動学習済みのモデルで、行ごとに30〜60日後に売れる価格の下側と中央を出す
  3. 自動売れるまでの日数の見込みで元にする見込みを選び、粗利の目標を引いた買取の価格の案を出す
  4. 自動いまの価格表の金額との差が大きい順に並べ、上位480行に印を付ける
  5. 人バイヤーが印の付いた行を見て、案を採るか、直すかを決める
  6. 人改定した価格表を全店に配る
  7. 自動翌月以降に売れた品の価格を、見込みと並べて記録する
各工程の詳しい説明を読む
  1. 月末に、管理の仕組みから先月の販売の記録を書き出し、型と状態のランクで並べる
  2. 業者のオークションの落札の記録を見て、自社の販売と見比べる
  3. 行ごとに、先月と先々月の販売の価格、売れるまでの日数、在庫の残りを見て、売れそうな価格を見立てる
  4. 粗利の目標を引いて買取の金額を決め、価格表の行を直す
  5. 正規店の定価の改定の知らせがあった型は、担当が別に見直す
  6. 改定した価格表を全店に配る

(a)見ているのは先月の価格。 3番で見るのは、すでに売れた品の価格です。いま買い取った品が売れるのは1〜2か月後で、そのころの相場は誰も見ていません。 相場の向きはバイヤーの感覚で足されています。

(b)行が多くて全部を見られない。 1,200行のうち見直せるのは480行ほどで、残りは前月の金額のままです。動きの少ない行と思っていたのに相場が動いていた、ということが起きます。

(c)状態のランクの差が行ごとにばらつく。 S と A の差、A と B の差を、バイヤーが行ごとに決めています。同じブランドの似た型で、ランクの差の付け方が違う行が残っています。

(d)定価の改定に気づくのが遅れる。 正規店の値上げの知らせは、バイヤーが業界の話やお客様の話から知ることが多く、改定の日と幅を記録した表がありません。 5番の見直しは、気づいた型から順に行われ、気づかなかった型は前の金額のまま残ります。

(e)売れ残りを見ていない。 価格表の金額で買った品が倉庫で何か月も売れ残ると、値下げの分だけ粗利が減ります。 行ごとの売れるまでの日数は、改定のときにほとんど見られていません。

  1. 【自動】 月末に、Python が管理の仕組みの書き出しと定価の改定の記録を読み込み、価格表の全行の項目を作る
  2. 【自動】 学習済みのモデルで、行ごとに30〜60日後に売れる価格の下側と中央を出す
  3. 【自動】 売れるまでの日数の見込みで元にする見込みを選び、粗利の目標を引いた買取の価格の案を出す
  4. 【自動】 いまの価格表の金額との差が大きい順に並べ、上位480行に印を付ける
  5. 【人】 バイヤーが印の付いた行を見て、案を採るか、直すかを決める
  6. 【人】 改定した価格表を全店に配る
  7. 【自動】 翌月以降に売れた品の価格を、見込みと並べて記録する

5番目で決めるのはバイヤーです。 一覧が出すのは過去の記録から見た価格の見込みで、正規店で品薄が続いている、海外で人気が出ている、といった記録に出ない事情は入っていません。 バイヤーはそれを足して決めます。

4番目で見直す行を差の大きさで選ぶのが、見落としを減らす仕組みです。 これまでの「動きのありそうな行」は、バイヤーの感覚で選んでいました。全1,200行の見込みを出して、いまの価格表との差で並べ直せば、感覚で外していた行も上に来ます。

02今回想定するシステム構成

構成図
買取と在庫と販売の管理の仕組み(品ごとの買取・販売の日と価格・状態のランク・付属品)
+ 業者のオークションの落札の記録 + 正規店の定価の改定の記録(社内で作る表)
+ いまの買取価格表 + 粗利の目標の表
   │
   ▼【トリガー】毎月の価格表の改定の前(月1回)、作り直しも月1回
Python(pandas)
   ├──▶ 基準日ごとに、品の項目と30〜60日後の販売の価格を組む
   ▼
LightGBM の LGBMRegressor(objective="quantile")
   │   販売の価格の下側(0.25)・中央(0.5)の2つのモデル
   ▼
Python ── 行ごとの見込み、粗利を引いた案、いまの価格表との差、売れるまでの日数
   ▼
【人】バイヤーが印の付いた行を見て、価格表を直す
役割想定する製品代替候補
実行環境Python(pandas・LightGBM)R
処理エンジンLightGBM の LGBMRegressor(分位点回帰)scikit-learn の HistGradientBoostingRegressor(分位点の損失)
集計Python(行ごとの見込み、粗利の差し引き、価格表との差、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、月ごとの見込み、改定の記録)-

新しく足すのは、Python の処理と、正規店の定価の改定を記録する表だけです。 管理の仕組みにも価格表にも書き込みません。この構成が出すのは、行ごとの見込みと改定の案の一覧までです。

予測のエンジンに LightGBM を選んだのは、分位点を直接学べて、ブランドや型のような区分の項目をそのまま扱えるからです。 公式のページでは、目的の関数に quantile(分位点回帰)があり、alpha は huber と quantile でだけ使われ、既定は0.9とされています。scikit-learn の形の LGBMRegressor では、fit の categorical_feature の既定が auto で、pandas の順序の無い区分の列が区分として使われるとされています。

生成AIは使いません。 出すのは価格の見込みと改定の案の表です。

03どうやって実装するのか

Step1

処理の起点を決める

毎月の価格表の改定の5営業日前に、全行の見込みを出します。 月末の締めのあと、管理の仕組みが前月までの買取と販売の記録を書き出します。社内のサーバーで Python のスクリプトを動かし、バイヤーが改定の作業に入る朝に一覧ができている形にします。

モデルの作り直しも月1回にします。 ブランド品の相場は、正規店の定価の改定や為替、季節の売れ方で毎月動きます。作り直したモデルと前のモデルで、直近2か月に売れた品の当たり方を比べ、悪くなっていれば前のモデルのまま使います。 一覧には、モデルの作成日と基準日を必ず印字します。

正規店の定価の改定の知らせがあったときは、月の途中でも見込みを出し直します。 商品部の担当が定価の改定の表に型と新しい定価を入れると、その型の行だけ見込みを出し直すスクリプトを手で動かします。

Step2

入力データを集める

データ中身取得元
品の記録品の番号、ブランド・型・素材・色、製造の年の目安、状態のランク(S・A・B・C)、付属品(箱・保存袋・ギャランティカード)買取と在庫と販売の管理の仕組み
取引の記録買取の日と価格、販売の日と価格、販売の経路(店・通販・業者のオークション)、売れるまでの日数買取と在庫と販売の管理の仕組み
落札の記録業者のオークションでの型・ランク・落札の日と価格業者のオークションの記録
定価の記録型ごとの正規店の定価と、改定の日社内で作る表
価格表いまの行ごとの買取の金額と、粗利の目標買取価格表
在庫の記録売れずに残っている品の買取の日と、いまの販売の価格買取と在庫と販売の管理の仕組み

質を決めるのは、状態のランクの付け方と型の名前のそろえ方です。 同じ型が店ごとに「○○ PM」「○○PM」「○○ PM」と入っていると、別の型として学びます。型の名前は、商品部が持つ型の一覧の番号で持ちます。

状態のランクは、数(S=4、A=3、B=2、C=1)で持ちます。 区分の列にすると、ランクの順序が使われません。数にしておけば、ランクが上がるほど価格が上がるという向きを制約で守れます(AIに何をさせるのかの節)。

お客様の名前と住所は、項目にしません。 古物営業法では、古物商が古物を受け取ったときに、取引の年月日、古物の品目と数量、古物の特徴、相手方の住所・氏名・職業・年齢、とった確認の措置の区分を帳簿等に記録するとされています(第16条)。この帳簿は法律の決まりで残すもので、学習には品の特徴と取引の価格だけを使います。

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
品と取引の記録管理の仕組みから、月末の締めのあと CSV で書き出す学習の記録と目的の値
落札の記録業者のオークションの記録を CSV で保存する学習の記録(販売の経路の1つとして)
定価の記録商品部の表を CSV で保存する項目(基準日の時点の定価と、改定からの月数)
価格表・粗利の目標価格表を CSV で保存する案の計算と、いまとの差
在庫の記録管理の仕組みから CSV で書き出す行ごとの売れ残りの割合

定価の記録を社内で作るのが、いちばん手間のかかる作業です。 正規店の定価は改定のたびに変わり、過去の改定の日と金額を、型ごとにさかのぼって表にする必要があります。最初は、価格表の行の多いブランドの主な型から作ります。

販売の価格は、値引きの後の価格を使います。 通販の掲載の価格や値札の価格ではなく、実際に売れた価格です。業者のオークションの落札は、手数料を引く前の落札の価格を使い、経路の区分で見分けます。

Step4

AIへ渡す前に整形する

  1. 品ごとに1行にする … 品の番号、項目、販売の日と価格、売れるまでの日数
  2. 基準日を置く … 「買い取った日」を基準日にし、項目は基準日の時点で分かるものだけにします
  3. 定価の項目を作る … 基準日の時点の正規店の定価、直近の改定からの月数、改定の幅
  4. 型の名前を一覧の番号にそろえる … 一覧に無い型は「未登録」として学習から外し、一覧に足す候補にします
  5. 少ない区分をまとめる … 販売の例が10点に満たない型は、同じブランド・同じ素材の「その他」にまとめます
  6. 外れた取引を外す … 社員への販売、まとめ売り、修理の後に売った品、真贋に疑いが出て返品になった品
  7. 学習と確かめの期間を時間で分ける … 買取の日の順に並べ、古い期間で学習し、新しい2か月で確かめます

2番目の基準日を「売れた日」ではなく「買い取った日」にするのが、この構成の肝です。 価格表は、買い取るときの金額を決める表です。買い取った日の時点の定価や相場から、その品がいくらで売れたかを学ばせれば、売れるまでの日数のあいだの相場の動きも一緒に学べます。 売れた日を基準にすると、先月の価格を当てるモデルになり、第3章の(a)が残ります。

3番目の「改定からの月数」は、正規店の値上げのあと中古の相場が遅れて動くことを学ばせるための項目です。 値上げの直後と半年後では、同じ定価でも中古の価格の付き方が違います。

6番目で真贋の疑いの返品を外すのは、本物として売れなかった品の価格が混ざると、その型の下側の見込みが不自然に下がるからです。 返品の記録が管理の仕組みに無い店があれば、返品の印を付ける欄を足すことから始めます。 まとめ売りも同じで、1点あたりの価格に割ると安く見え、行の見込みを押し下げます。

7番目でランダムに分けないのは、同じ月の相場で売れた品が学習と確かめの両方に入るのを避けるためです。 相場が上がり続ける時期に混ぜて確かめると、見込みの遅れに気づけません。

Step5

AIに処理させる

させるのは、価格表の行ごとに、いま買い取った品が売れるころの価格の下側と中央を予測することだけです。

出すもの作り方使いみち
販売の価格の下側の見込みalpha=0.25 のモデル売れにくい行の案の元
販売の価格の中央の見込みalpha=0.5 のモデルふつうの行の案の元
売れるまでの日数の見込み行ごとの直近の売れるまでの日数の中央値元にする見込みの切り替え
買取の価格の案元にする見込み × (1 − 粗利の目標の率)価格表の改定の案
いまの価格表との差案 − いまの金額見直す行の並べ替え
元にする見込み条件ねらい
下側売れるまでの日数の見込みが90日を超える、または在庫の残りが多い行売れ残ったときの損を抑える
中央それ以外ふつうの改定
案を出さない直近1年の販売が5点に満たない行見込みの外れが大きい。バイヤーが決める

alpha は必ず書きます。 公式のページでは alpha の既定は0.9で、書き忘れると、中央のつもりのモデルが上側の0.9の分位点を学びます。 案の元が高い側にずれ、そのまま価格表に入れば全店で買いすぎになります。

させないこと理由
1点ずつの真贋の判断店頭の担当と鑑定の手順で行う
お客様に示す買取の金額の決定付属品と傷みを見て、店頭の担当が決める
価格表の自動の改定バイヤーが記録に出ない事情を足して決める
古物の取引の確認と記録法令の決まりで別に行う

3行目は、とくに気を付けてください。 案をそのまま価格表に入れると、正規店の品薄や限定色の人気のような、記録にまだ出ていない動きが反映されません。 バイヤーは差の大きい行の案を見て、採るか直すかを決めます。

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、学習と確かめの中身を示します。

import lightgbm as lgb
import numpy as np

CAT = ["brand", "model_id", "material", "color", "channel"]
NUM = ["rank", "has_box", "has_card", "list_price", "months_since_hike",
       "hike_pct", "age_years"]
X_cols = CAT + NUM
for c in CAT:
    tr[c] = tr[c].astype("category")               # 順序の無い区分にする
    te[c] = te[c].astype(tr[c].dtype)              # 学習と同じ区分の並びにそろえる

mono = [0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, -1]       # 列の並びと同じ順に全部書く
models = {}
for a in (0.25, 0.5):
    m = lgb.LGBMRegressor(objective="quantile", alpha=a,
                          learning_rate=0.03, n_estimators=2000,
                          min_child_samples=30, monotone_constraints=mono)
    m.fit(tr[X_cols], np.log(tr["sold_price"]),
          eval_X=va[X_cols], eval_y=np.log(va["sold_price"]),
          callbacks=[lgb.early_stopping(100)])
    models[a] = m

lo  = np.exp(models[0.25].predict(te[X_cols]))
mid = np.exp(models[0.5].predict(te[X_cols]))
print(np.mean(te["sold_price"] < lo))   # 下側を下回った割合。狙いは25%前後
print(np.mean(te["sold_price"] < mid))  # 中央を下回った割合。狙いは50%前後

monotone_constraints は、列の並びと同じ順に全部の列について書きます。 公式のページでは、1が増える、-1が減る、0が制約なしで、全部の項目を順に指定するとされています。ここでは状態のランク、箱、ギャランティカード、定価を1(上がるほど価格が上がる)、年数を-1にしています。列を足したときに並びを直し忘れると、別の列に制約がかかります。 列の名前から並びを作る関数にしておきます。

検証の記録は eval_X と eval_y で渡します。 公式のページでは、fit の eval_set は4.7.0 から非推奨で、eval_X と eval_y を使うとされています。古い書き方の例をそのまま写すと、版を上げたときに警告や動きの違いが出ます。

価格を対数にしてから学ぶのは、20万円のバッグと200万円の時計の外れを同じ割合で見るためです。 分位点は対数にしても順番が変わらないので、対数で学んだ0.25の分位点を元に戻せば、価格の0.25の分位点として読めます。

いちばん大事なのは、最後の2行の割合です。 新しい2か月で、実際の販売の価格が下側を下回った割合が25%前後、中央を下回った割合が50%前後なら、見込みは狙いどおりの位置にあります。中央を下回った割合が60%を超えるなら、見込みが高すぎ、そのまま案にすると買いすぎます。

Step7

出力形式を固定する

商品部に渡すのは、次の一覧です。

【買取価格表の見直しの案(基準日 2026-10-31/モデル作成 2026-11-01)】

行ブランド・型・素材ランクいまの金額見込み(下側/中央)売れるまで案差印
B-0412○○ トート MM キャンバスA98,000円128,000円/146,000円35日109,500円+11,500円定価改定3か月
B-0877○○ ショルダー 小 レザーB64,000円61,000円/70,000円104日45,750円-18,250円下側・在庫多
W-0153○○ 腕時計 自動巻 SSS410,000円----例少

「案」は、元にした見込みに(1 − 粗利の目標の率)を掛けた金額です。 上の例では、1行目は中央の見込み146,000円から粗利の目標25%を引き、2行目は売れるまでの日数が90日を超えるので下側の61,000円から引いています。3行目は販売の例が少ないので案を出さず、バイヤーが決めます。

機械で読む用には、同じ内容を CSV でも残します。 列は、基準日、行の番号、ランク、いまの金額、2つの見込み、元にした見込み、案、差、印、バイヤーが決めた金額と、案と違えた理由、モデルの作成日です。

Step8

システムへ連携する

つなぎ先方式内容
買取と在庫と販売の管理の仕組み月末の締めのあと CSV で書き出す学習の記録と在庫の記録
業者のオークションの記録CSV で保存する学習の記録
定価の改定の表商品部の表を CSV で読む項目
買取価格表CSV で読む/書き込まないいまの金額と、改定はバイヤーが行う
古物の取引の帳簿つながない法令の決まりに沿って別に記録する

買取価格表には書き込みません。 案を価格表に自動で入れると、バイヤーが記録に出ない事情を見ないまま全店の金額が変わります。 バイヤーが決めた金額を、バイヤーが入れます。

Step9

人が確認する

  1. モデルの作成日と印を見る … 「例少」「定価改定」「在庫多」が出ている行を先に見ます
  2. 差の大きい行の理由を確かめる … 定価の改定、在庫の多さ、販売の経路の偏り(業者のオークションばかりで売れている、など)を見ます
  3. 記録に無い事情を足す … 正規店の品薄、限定色、海外での人気の動きを足して金額を決めます
  4. 案と違えた理由を一言残す … 「正規店で品薄」が何度も出る型は、項目を見直す材料になります

4番目を省かないでください。 案と違えた理由がたまると、バイヤーの相場の感覚のうち、記録で表せる部分が見えてきます。表せるものは項目に足し、表せないものはバイヤーの判断として残します。

目標は、480行をならして1行2分です。 差の小さい行は案を採るかを数秒で決め、時間を使うのは差の大きい行と印の付いた行です。

Step10

例外に対処する

起きること対応
型の一覧に無い新しい型見込みを出さず「未登録」と出し、型の一覧に足す候補にする
販売の例が少ない行見込みは出さず「例少」と出し、バイヤーが決める
定価の改定の直後「定価改定」と出し、改定の幅とあわせてバイヤーが確かめる
下側と中央の差が大きすぎる(中央が下側の1.5倍を超える)「幅広」と出し、状態のランクの付け方を確かめる
真贋の疑いで返品になった品が学習に残っていた学習から外し、作り直す
作り直したモデルが前より外れる前のモデルのまま使い、作り直しの記録を残す
管理の仕組みの書き出しが遅れる一覧を作らず、基準日の無い一覧は使わない

4行目は、状態のランクの付け方のずれから出ることが多いです。 同じ A でも店によって付け方が違うと、同じ行の販売の価格のばらつきが大きくなり、幅が広がります。 幅の広い行が特定の店に偏っていたら、ランクの付け方をその店とすり合わせます。

5行目は、返品の記録の付け方を決めておけば防げます。 真贋の疑いで返品になった品は、販売の記録が「売れた」のまま残り、後から返金の記録だけが別に付くことがあります。書き出しのときに返金の記録と突き合わせ、売れた記録から外す処理を前処理に入れておきます。

Step11

記録を残す

  • 実行の日時、基準日、使ったモデルの作成日、学習に使った期間と点数、外した取引と理由
  • 行ごとの2つの見込み、売れるまでの日数の見込み、元にした見込み、案、差、印
  • バイヤーが決めた金額と、案と違えた理由
  • 改定した価格表の版と、全店に配った日
  • その版の期間に買い取った品が売れた価格と、見込みとの差
  • 月ごとの当たり方(下側・中央を下回った割合、行ごとの売れ残りの割合)

版と買い取った品を結び付けて残すのは、価格表の改定が効いたかを見るためです。 どの版の金額で買い取った品が、どの価格で売れたかが分かれば、行ごとに買いすぎか、買い逃しかを後から確かめられます。

04実装レベルの3段階

最小構成:1つのブランドで、手で作った記録で Python を動かし、過去の2か月で当たり方を見る / 見込みの当たり方の確認
半自動化:上記+主なブランドの行について、毎月の見込みと案を出す / 行ごとの見込み
本格構成:上記+全行の見込み、売れるまでの日数による切り替え、いまの価格表との差の並べ替え、定価の改定の出し直し、版ごとの当たり方の記録まで行う / 見込みから見直す行の選び出し、振り返りまで

本格構成の先には、店頭の査定の画面に行の見込みを出す形も考えられます。 ただし店頭の担当が見込みを見ながら査定すると、お客様に見せる画面に粗利の分かる数字が出る恐れがあり、付属品や傷みの足し引きも見込みに引きずられます。価格表の改定が定着し、版ごとの当たり方が安定してから検討します。 本記事の想定は本格構成です。 半自動化では主なブランドの見込みは出ますが、バイヤーはまだ見直す行を自分で選び、残りの行を前月のままにしています。 半自動化で1行5分が3分ほどに、本格構成で2分になります。 差が大きいのは、見直す行の選び出しと、売れるまでの日数を見た元の切り替えが、記録があれば機械で行える作業だからです。 段階を飛ばさないでください。 半自動化を3か月使うと、どのブランドで見込みが当たり、どこで外れるかが分かります。外れるブランドの状態のランクの付け方と型の一覧を直してから、全行に広げます。

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
480 件
1件あたり現在時間
5 分
1件あたり導入後時間
2 分
現在  480件 × 5分 ÷ 60 = 40 時間/月
導入後 480件 × 2分 ÷ 60 = 16 時間/月
月間削減時間
24h
削減率
60%
年間削減時間
288h
年間金額換算(時間単価3,200円)
92万円
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. ブランドのバッグ・財布・時計などを複数の店と宅配で買い取り、店ごとに同じ買取価格表を使っているチェーン。価格表の行が数百あり、毎月の改定を本部の少人数のバイヤーが相場の感覚で行っている場合。過去の販売の記録が型と状態のランクまで2年分以上残っていて、正規店の定価の改定の時期も追える場合。
向いていない
  1. 1店だけで、価格表を持たずに1点ずつ査定している場合。扱う品の大半が一点物や限定品で、同じ型の販売の記録がほとんど無い場合。販売の価格を記録しておらず、買取の価格しか残っていない場合。なお、1点ずつの真贋の判断、お客様に示す買取の金額の決定、値引きの交渉、古物の取引の確認と記録は、この構成では代替できません。

07最小構成で試す方法

  1. 価格表の行の多いブランドを1つ選び、直近2年に売れた品の記録を書き出す
  2. そのブランドの主な型について、正規店の定価の改定の日と金額を表にする
  3. 第7章の前処理で項目をそろえ、古い期間で学習し、新しい2か月で予測させる
  4. 新しい2か月で、実際の販売の価格が下側・中央を下回った割合を数える
  5. 同じ期間に当時の価格表から逆算した販売の価格の見立てと、中央の見込みを並べる

最初は1つのブランドで始めます。 販売の例の多いブランドで、状態のランクと定価の改定からの月数がどれだけ効くかをまず見ます。試す段階では、本部のパソコンに入れた Python で十分で、管理の仕組みからの書き出しも手で行えば足ります。

出てきた内容判断
中央を下回った割合が50%前後で、当時の見立てより実際の価格に近いブランドを広げ、毎月の一覧を出す段階に進む
割合が狙いから大きく離れる状態のランクの付け方と、外した取引の範囲を確かめる
学習の当たりが良すぎて、新しい2か月で外れる基準日を売れた日にしていないか、基準日より後の定価を項目にしていないかを確かめる

3行目でよくあるのは、定価の表を「いまの定価」で作っていることです。 過去の品にいまの定価を付けると、値上げの後に売れることを先に知っている項目になり、学習の当たりだけが良くなります。定価は改定の日つきの表にし、基準日の時点の定価を引きます。

販売の経路の扱いも、この段階で確かめます。 経路を項目に入れると、予測のときに「どの経路で売る前提か」を決めて渡す必要があります。価格表の案は、いちばん多く売れている経路(店と通販)を前提に出し、業者のオークションの見込みは在庫が長くなったときの下値の目安として別に見る、と決めておくと、バイヤーが案を読み違えません。

08実装時につまずきやすいポイント

問題対策
売れた日を基準日にして、先月の価格を当てるモデルになる買い取った日を基準日にし、そのとき分かる項目だけを使う
alpha を書き忘れて0.9を学ぶ中央も下側も alpha を必ず書き、下回った割合で確かめる
単調の制約の並びが列とずれる列の名前から並びを作る関数にする
いまの定価を過去の品に付ける改定の日つきの表から、基準日の時点の定価を引く
型の名前の書き方の違いで別の型として学ぶ型の一覧の番号で持つ
状態のランクを区分の列にして順序が使われない数で持ち、単調の制約をかける
eval_set の古い書き方を写すeval_X・eval_y で渡す
案をそのまま価格表に入れる案は改定の材料。 金額はバイヤーが決める

上の2行が、この構成の失敗のほとんどです。 どちらも「いつの時点の、どの分位点を当てているか」から起きます。ここを押さえれば、残りは名前のそろえ方と運用の注意で足ります。

4行目と5行目は、作ってすぐには気づけません。 いまの定価は学習の当たりを良く見せ、型の名前の違いは例の少ない行を増やします。第8章の新しい2か月での確かめを省くと、価格表を配ってから外れに気づきます。

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: 品ごとの買取と販売の価格、粗利の目標、いまの買取価格表、そして古物の取引の帳簿にあるお客様の住所・氏名です。価格表と粗利の目標は会社の値付けの中心で、帳簿は個人の情報を含みます。

  1. データを外に出さない … 予測は社内のサーバーの中で動き、生成AIや外部のサービスに記録を送りません
  2. お客様の情報を学習に使わない … 古物営業法の帳簿にある相手方の住所・氏名は、法律の決まりで残す記録で、値付けのための記録ではありません
  3. 帳簿は法律の決まりのとおりに残す … 古物営業法では、帳簿等を最終の記載をした日から3年間、営業所に備え付けるなどして保存するとされています(第18条)。この構成の記録とは別に、帳簿の決まりを守ります
  4. 見込みと粗利をお客様に見せない … 一覧は商品部だけが見られる場所に置き、店頭でお客様に見せる画面や書面に、見込みや粗利を載せません
  5. 他社の価格表を勝手に集めて学習に入れない … 他社のサイトの買取の価格を自動で集める形は、相手のサイトの利用規約に触れることがあります。この構成は自社の記録と業者のオークションの自社の取引の記録だけで作ります
  6. 店頭の担当の評価に使わない … 価格表と店頭の金額の差は、担当を評価するための値ではありません。 差の理由を集めて、価格表の行の作り方を見直す材料にします

誤りが起きた場合のリスクは、全店で買いすぎることと、全店で買い逃すことの2つです。 価格表は全店が使うので、1行のずれが店の数だけ広がります。前者は基準日の置き方や alpha を誤ると起き、後者は下側を使う条件を広げすぎると起きます。どちらも見込みの位置の確かめで防げるので、毎月の当たり方の確認は省きません。

10まず何から始めるか

1週目:型の一覧と状態のランクの付け方をそろえる

商品部と店長で、主なブランドの型の一覧に番号を振り、状態のランクの付け方を傷・角すれ・内側の汚れの程度で決め直します。

2〜3週目:1つのブランドの記録をそろえる

行の多いブランドを1つ選び、直近2年に売れた品の記録を型の番号にそろえます。正規店の定価の改定の日と金額を、主な型についてさかのぼって表にします。

4週目:当たり方を確かめる

第8章のとおり、古い期間で学習し、新しい2か月で、実際の販売の価格が下側・中央を下回った割合と、当時の価格表からの見立てとの近さを確かめます。

2か月目: 主なブランドの行について、毎月の見込みと案を出す半自動化を始めます。バイヤーはこれまでどおり自分で見直す行を選びながら、案と見比べます。3か月目以降: 全行の見込み、元の切り替え、差の並べ替え、定価の改定の出し直しを足します。下回った割合が狙いの近くに収まる月が続き、担当のバイヤーが休んだ月でも、そのブランドの行の改定が止まらなくなった時点で、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:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
目的の関数に quantile(分位点回帰)があること。alpha は huber と quantile でだけ使われ、既定は0.9であること。monotone_constraints は1が増加・-1が減少・0が制約なしで、全部の項目を順に指定すること。min_data_in_leaf の既定が20であることLightGBM: Parameters2026-11-19
LGBMRegressor の fit の categorical_feature の既定が auto で、pandas の順序の無い区分の列が使われること。fit の eval_set が4.7.0から非推奨で、eval_X と eval_y を使うこと。best_iteration_ は early_stopping() のコールバックを指定したときの最良の回であることLightGBM: LGBMRegressor2026-11-19
古物商が古物を受け取り・引き渡したときに、取引の年月日、古物の品目と数量、古物の特徴、相手方の住所・氏名・職業・年齢、とった確認の措置の区分を帳簿等に記載・記録すること(第16条)。帳簿等を最終の記載をした日から3年間保存すること(第18条)(2025-06-01 施行の版)e-Gov 法令API: 古物営業法2026-11-19

お客様に示す買取の金額、真贋の判断、古物の取引の確認と記録は、自社の決まりと法令で決めてください。 本記事は上記の公開情報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-4204)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