Media > AI活用ユースケース > 経営企画 > 県の消費生活センターが、過去の相談の件数から Python で翌月の週ごとの相談の件数を窓口と手口の区分ごとに予測し、相談員の配置と注意喚起の時期を決める材料にする

県の消費生活センターが、過去の相談の件数から Python で翌月の週ごとの相談の件数を窓口と手口の区分ごとに予測し、相談員の配置と注意喚起の時期を決める材料にする

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

県の消費生活センターが、過去の相談の受付の記録から、Python で翌月の週ごとの相談の件数を、窓口と手口の区分ごとに予測します。増えそうな区分と週に印を付け、相談員の配置と注意喚起の時期を決める材料にします。

サマリー
連携・自動化
Python
対象業界
自治体
対象部門
経営企画
対象業務
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/対応スピード向上/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
20h/月
AI導入後
6h/月
想定削減
70%
年間削減
168h
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. 会議の前に、相談の記録のシステムから前年の同じ月と直近3か月の件数を、窓口と区分ごとに書き出す
  2. 表計算の表に並べ、前年の同じ月と比べて多いか少ないかを見る
  3. 最近の報道、国や国民生活センターの発表、他の県の動きを思い出して、増えそうな区分を考える
  4. 窓口と区分ごとに翌月の見通しを書き、増えそうなところに印を付ける
  5. 会議で、所長が配置と注意喚起の時期を決める
導入後(After)
  1. 自動毎月の会議の7開庁日前に、Python が相談の受付の記録の書き出しを読み込み、窓口×区分×週の件数の表を作る
  2. 自動学習済みの2つのモデルで、翌月の週ごとの中央の見込みと上側の見込みを出す
  3. 自動前年の同じ週・直近4週と比べ、増えそうな区分と週に「注意喚起の候補」「配置の見直しの候補」の印を付ける
  4. 人企画調整の担当が印を見て、記録に無い事情(予定されている制度の変更、県内の催し、報道の予告)を書き足す
  5. 人会議で、所長が配置と注意喚起の時期を決める
  6. 自動月が終わったら、見込みと実際の件数を並べて記録する
各工程の詳しい説明を読む
  1. 会議の前に、相談の記録のシステムから前年の同じ月と直近3か月の件数を、窓口と区分ごとに書き出す
  2. 表計算の表に並べ、前年の同じ月と比べて多いか少ないかを見る
  3. 最近の報道、国や国民生活センターの発表、他の県の動きを思い出して、増えそうな区分を考える
  4. 窓口と区分ごとに翌月の見通しを書き、増えそうなところに印を付ける
  5. 会議で、所長が配置と注意喚起の時期を決める

(a)前年の同じ月が、そのまま当てにならない。 祝日の並びが年ごとに違い、同じ11月でも開庁日の数が1〜2日変わります。 大きな報道があった年の同じ月と比べると、今年は少なく見えます。

(b)週の山を見ていない。 見通しは月の件数で立てますが、配置で困るのは週の山です。 月の合計が同じでも、連休明けの週に集中すれば、その週だけ電話がつながりにくくなります。

(c)手口の流行に気づくのが遅れる。 ある区分の相談が増え始めても、月の集計を待ってから気づきます。注意喚起が、流行の山を過ぎてから出ることがあります。

(d)見通しを作れる人が限られる。 区分ごとの増え方の癖を知っているのは、長く担当してきた職員です。異動があると、翌年の見通しは前年の数字を並べるだけになります。

(e)見通しが当たったかを振り返っていない。 会議で決めた配置が足りたのか、注意喚起が山の前に出せたのかを、翌月に見比べる表がありません。 外れた月の理由が残らないので、同じ外れ方を翌年もくり返します。担当が変わると、その外れ方を知る人もいなくなります。

  1. 【自動】 毎月の会議の7開庁日前に、Python が相談の受付の記録の書き出しを読み込み、窓口×区分×週の件数の表を作る
  2. 【自動】 学習済みの2つのモデルで、翌月の週ごとの中央の見込みと上側の見込みを出す
  3. 【自動】 前年の同じ週・直近4週と比べ、増えそうな区分と週に「注意喚起の候補」「配置の見直しの候補」の印を付ける
  4. 【人】 企画調整の担当が印を見て、記録に無い事情(予定されている制度の変更、県内の催し、報道の予告)を書き足す
  5. 【人】 会議で、所長が配置と注意喚起の時期を決める
  6. 【自動】 月が終わったら、見込みと実際の件数を並べて記録する

4番目で書き足すのが、モデルに入れられない「これから分かっていること」です。 来月に制度の変更が始まる、県の広報で特集を組む予定がある、といった事情は、過去の記録には出てきません。担当が一覧の横に一言書き、会議で見ます。

5番目で決めるのは所長です。 一覧が出すのは件数の見込みと印までで、相談員の誰をどの窓口に置くかは、相談員の経験と勤務の事情を知っている所長が決めます。

02今回想定するシステム構成

構成図
相談の記録のシステム(受付の日・窓口・手口の区分・電話か来所か)
+ 開庁日の暦 + 注意喚起の発表の日の一覧(国・国民生活センター・県)
   │
   ▼【トリガー】毎月の運営の会議の7開庁日前。モデルの作り直しは半年に1回
Python(pandas)
   ├──▶ 窓口×区分×週の件数、開庁日の数、遅れて登録された分の補正
   ▼
scikit-learn の HistGradientBoostingRegressor
   │   loss="poisson"(中央)/ loss="quantile", quantile=0.9(上側)
   ▼
Python ── 前年・直近との比べ、印、当たり方の記録
   ▼
【人】担当が事情を書き足し、所長が会議で決める
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(ポアソンの損失・分位点の損失)LightGBM の LGBMRegressor
集計Python(週の件数の組み立て、開庁日の数、印、当たり方の記録)表計算の計算式
保管庁内のファイルサーバー(学習の記録、月ごとの見込み、会議の決定)-

新しく足すのは、Python の処理と、相談の記録のシステムからの書き出しだけです。 相談の記録のシステムにも勤務の表にも書き込みません。この構成が出すのは、件数の見込みと印の一覧までです。

中央の見込みにポアソンの損失を選んだのは、相談の件数が0以上の数だからです。 公式のページでは、loss に poisson があり、内部で対数のリンクを使い、目的の値が0以上であることを求めるとされています。支所の賃貸住宅のように週に数件の組み合わせでも、マイナスの見込みが出ません。

上側の見込みには分位点の損失を使います。 公式のページでは、quantile はピンボール損失を使うとされています。quantile=0.9 なら、10週に1週ほどしか超えない件数の目安になり、配置の厚みを決める材料にします。

生成AIは使いません。 出すのは件数の見込みと印の表です。

03どうやって実装するのか

Step1

処理の起点を決める

毎月の運営の会議の7開庁日前に、翌月の全週の見込みを出します。 前日までの受付の記録を相談の記録のシステムから書き出し、庁内のサーバーで Python のスクリプトを動かします。担当が会議の資料を作り始める日に一覧ができている形にします。

基準日は、スクリプトを動かした日に固定します。 翌月の第1週は基準日から約2週先、最終週は約6週先です。学習の行も、過去のある基準日から「何週先か」で作り、予測と学習で同じ距離の測り方をそろえます。 直近の件数の項目は、基準日の前の週までのものしか使いません。

モデルの作り直しは半年に1回にします。 作り直す前と後で、直近半年の当たり方を比べ、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。

大きな報道や国の注意喚起が出たときは、会議を待たずに出し直します。 発表の日の一覧に新しい行が足されたら担当に知らせ、その区分だけ直近の件数を入れ直して見込みを更新します。

Step2

入力データを集める

データ中身取得元
相談の受付の記録受付の番号、受付の日、窓口、手口の区分、電話か来所か、新しい相談か続きの相談か、登録の日相談の記録のシステム
開庁日の暦窓口ごとの開庁日、祝日、年末年始、臨時の休みセンターの暦
注意喚起の発表の日国・国民生活センター・県が注意喚起を出した日と、関係する区分企画調整の担当が保つ一覧
相談員の配置の記録窓口と週ごとの相談員の延べ人数勤務の表

質を決めるのは、受付の日と「新しい相談か続きの相談か」の区別です。 同じ人から何度も電話がある相談を全部数えると、1つの難しい相談が続いた週に、件数の山があるように見えます。 配置を決めるために見たいのは、新しく電話をかけてくる人の数なので、目的の値は新しい相談の受付の件数にします。

相談員の配置の記録は、モデルの項目には入れません。 過去の配置は、所長が件数の見通しを見て決めてきたもので、配置が厚い週ほど件数が多い関係には、所長の判断が混ざっています。 配置を項目に入れると「人を増やすと相談が増える」と学びかねません。配置の記録は、保存・ログで「電話がつながりにくかった週」を振り返るためだけに使います。

相談者の氏名・住所・年代・相談の中身は、書き出しません。 件数の見込みに要るのは、受付の日・窓口・区分・新しいかどうかだけです。

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
受付の記録相談の記録のシステムから、受付の日・窓口・区分・新規の別・登録の日だけを CSV で書き出す週の件数と目的の値
開庁日の暦センターの暦を CSV で保存する週の開庁日の数
発表の日の一覧担当の表を CSV で保存する直近の発表の項目
配置の記録勤務の表から週ごとの延べ人数を書き出す振り返り

件数は、登録の日ではなく受付の日で数えます。 相談は受けた日のうちに記録の登録が終わるとは限らず、基準日の直前の週は、登録がまだ済んでいない相談の分だけ件数が少なく出ます。 国民生活センターの年度のまとめも、年度が終わった後の5月末までに登録された相談で集計しています。受付の日と登録の日の差を過去の記録から測り、直前の週の件数を補正してから使います。

手口の区分は、相談の記録のシステムの分類から、決まった対応表で8つにまとめます。 システムの分類が改められた年は、対応表を年ごとに持ち、古い分類の記録も新しい8つに寄せます。 対応表に無い分類が出たら、その記録は「その他」に入れずに担当に知らせます。

窓口は、相談を受けた窓口で数えます。 この県では、消費者ホットラインからの電話を、かけた人の地域によって本所か支所に振り分ける設定にしています。振り分けの設定を変えた月は、窓口ごとの件数がその月から動きます。 設定を変えた日を開庁日の暦と同じ表に残し、項目に印として入れます。

Step4

AIへ渡す前に整形する

  1. 窓口×区分×週で1行にする … 週は月曜始まりにそろえ、月をまたぐ週は、翌月に属する開庁日が多いほうの月に入れます
  2. 新しい相談だけを数える … 続きの相談の受付は件数に入れません
  3. 開庁日の数を項目にする … その週のその窓口の開庁日の数(0〜5)。開庁日が0の週は学習から外します
  4. 基準日と何週先かを付ける … 過去の各月について、会議の7開庁日前を基準日にし、その月の各週が基準日から何週先かを付けます
  5. 直近の項目を作る … 基準日の前の週までの4週の平均、前年の同じ週の件数、直近4週の発表の数
  6. 直前の週の登録の遅れを補正する … 基準日の前の週の件数を、過去の登録の遅れの割合で割り戻します
  7. 学習と確かめの期間を時間で分ける … 週の順に並べ、確かめの期間の前に6週のすき間を空けます

4番目と5番目が、この構成の肝です。 「翌月の第3週」の見込みを作るとき、基準日にはその週の2週前までの件数しか分かっていません。 学習の行でも、直近の項目は基準日の前の週までに限ります。ここを揃えずに「前の週の件数」を項目にすると、学習では1週前の件数で当て、予測では5週前の件数で当てることになり、当たりが良く見えるのは学習のときだけになります。

7番目のすき間は、翌月の最終週まで約6週先を見込むことに合わせたものです。 公式のページでは、TimeSeriesSplit は時間の順の記録を分けるためのもので、ほかの分け方では未来の記録で学習して過去で確かめることになるとされ、gap で学習の末尾から確かめの前までに除く件数を指定できます。ここでは週の行を窓口と区分の数だけ持つので、gap は行数ではなく週で数えて、自分で期間を区切ります。

Step5

AIに処理させる

させるのは、窓口×区分×週ごとに、新しい相談の件数の中央の見込みと上側の見込みを出すことだけです。

出すもの作り方使いみち
中央の見込みloss="poisson" のモデル注意喚起の時期、区分の伸び
上側の見込みloss="quantile", quantile=0.9 のモデル窓口と週の配置の厚み
窓口ごとの週の合計区分の見込みを足し合わせる(上側は足し合わせず、窓口の合計で別に学習)配置の見直し
印前年・直近との比べ会議で見る順番
印条件ねらい
注意喚起の候補区分の中央の見込みが、直近4週の平均の1.3倍以上で、前年の同じ週も上回る流行の始まりを早めに知らせる
配置の見直しの候補窓口の週の上側の見込みが、その週の相談員の延べ人数で受けられる目安を超える電話のつながりにくい週を前もって見る
開庁日の少ない週開庁日が3日以下で、1日あたりの見込みが平常の週より多い連休明けの山
印なしそれ以外前月どおり

上側を区分ごとに足し合わせないのは、足すと大きすぎる値になるからです。 8つの区分がそろって多めに出る週はめったに無く、区分ごとの上側を足すと、窓口の上側を大きく超えます。 窓口の合計の上側は、窓口の合計の件数で別に学習します。

「受けられる目安」は、所長が決める表です。 相談員1人が1日に受けられる新しい相談の数は、区分や窓口で違います。目安は会議で決め、一覧はその表と見込みを比べるだけにします。

させないこと理由
相談員の勤務の割り振り相談員の経験と勤務の事情を見て所長が決める
注意喚起の中身・出す媒体の決定手口の内容を見て、啓発の担当と所長が決める
相談の中身の分類のし直し区分は相談員が相談を受けて付けたもの
来月の報道の見込み予測を作る時点で分からない
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。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_poisson_deviance
import numpy as np

CAT = ["office", "category"]
NUM = ["weeks_ahead", "open_days", "week_of_year", "last4_mean_adj",
       "ly_same_week", "alerts_last4", "holiday_after"]
X_cols = CAT + NUM
for c in CAT:
    rows[c] = rows[c].astype("category")       # 既定の from_dtype で区分として扱わせる

tr = rows[rows.week_start <= "2025-12-29"]
te = rows[rows.week_start >= "2026-02-16"]      # 6週のすき間

mid = HistGradientBoostingRegressor(loss="poisson", learning_rate=0.05,
                                    max_iter=500, early_stopping=False,
                                    monotonic_cst={"open_days": 1})
mid.fit(tr[X_cols], tr["new_cases"])

up = HistGradientBoostingRegressor(loss="quantile", quantile=0.9,
                                   learning_rate=0.05, max_iter=500,
                                   early_stopping=False,
                                   monotonic_cst={"open_days": 1})
up.fit(tr[X_cols], tr["new_cases"])

p_mid, p_up = mid.predict(te[X_cols]), up.predict(te[X_cols])
print(mean_poisson_deviance(te["new_cases"], p_mid))
for k, g in te.assign(up=p_up).groupby("weeks_ahead"):
    print(k, np.mean(g["new_cases"] > g["up"]))    # 狙いは1割前後

early_stopping=False を書いているのは、時間の順を崩さないためです。 公式のページでは、既定の auto は件数が1万を超えると早期停止が有効になり、検証の行を取り分けます。窓口×区分×週の行は数年分で1万を超えるので、既定のままだと、日付と関係なく検証の行が抜かれます。

astype("category") は、区分の列を区分として扱わせるためです。 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 category 型の列が区分として扱われるとされています。

いちばん大事なのは、最後の行の割合を「何週先」ごとに見ることです。 上側を超えた週の割合が、2週先で1割前後、6週先で3割なら、遠い週の上側は当てにならず、配置の見直しは近い週から決めることになります。

Step7

出力形式を固定する

企画調整の担当に渡すのは、次の一覧です。

【翌月の相談の件数の見込み(基準日 2026-11-19/モデル作成 2026-10-01)】

窓口区分週開庁日中央上側直近4週の平均前年の同じ週印
本所通信販売・定期購入12/1〜5961218890印なし
本所訪問販売・点検商法12/8〜541553033注意喚起の候補
北部支所(窓口の合計)12/29〜224355222開庁日の少ない週

2行目は、直近の平均の1.3倍を超え、前年も上回るので「注意喚起の候補」です。 3行目は年末で開庁日が2日しかなく、週の件数は少なくても、1日あたりでは平常の週より多くなるので印が付きます。

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、窓口、区分、週、何週先、開庁日、2つの見込み、比べの値、印、所長が決めた配置と注意喚起の扱い、担当の書き足し、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
相談の記録のシステム必要な列だけを CSV で書き出す週の件数と登録の遅れ
開庁日の暦・発表の日の一覧CSV で読む項目
勤務の表週ごとの延べ人数を書き出す/書き込まない振り返りと「受けられる目安」
相談の記録のシステムへの書き込みしない-

勤務の表に書き込みません。 配置の見直しの候補で勤務を自動で組み替えると、相談員の経験の違いや休みの事情を見ないまま人が動きます。

Step9

人が確認する

  1. モデルの作成日と基準日、何週先を見る … 遠い週の見込みは目安にとどめます
  2. 記録に無い事情を書き足す … 制度の変更の予定、県の広報の特集、報道の予告を一言書きます
  3. 注意喚起の候補を啓発の担当と見る … 区分の中で何が増えているかを、相談員に聞いて確かめます
  4. 配置を決めた理由を残す … 「本所の点検商法に1名を回す」などを記録します

3番目を省かないでください。 「訪問販売・点検商法」の区分が伸びていても、中身が給湯器の点検なのか、屋根の修理なのかは件数からは分かりません。 注意喚起の中身は、相談員の話で決めます。

配置の見直しの候補が同じ窓口に3か月続いたら、件数ではない理由を疑います。 支所の受付の時間が短い、電話の振り分けの設定が偏っている、といった理由は、配置を厚くしても直りません。続いた窓口は、電話の振り分けと受付の時間の見直しを所長に頼みます。

見込みと当時の担当の見通しが大きく違う組み合わせは、会議で一度取り上げます。 どちらが当たったかを月末に見比べると、担当の勘のうち記録で表せる部分と、記録に無い事情が分かれて見えてきます。

目標は、40件をならして9分です。 印の無い組み合わせは数分で済み、時間を使うのは印の付いた組み合わせです。

Step10

例外に対処する

起きること対応
大きな報道・国の注意喚起が出たその区分を出し直し、「発表後の出し直し」と印を付ける
災害の後(便乗の点検・修理の勧誘)過去の災害の後の動きは件数が少なく学べない。担当が書き足しで扱い、印を人が付ける
相談の記録のシステムの分類が変わった対応表を足し、変わった年の前後で区分の件数がつながるかを確かめる
支所の開設・閉鎖・受付の時間の変更変更の前の記録を学習から外すか、変更の印を項目に足す
「その他」が急に増えた新しい手口の可能性。相談員に中身を聞き、区分の見直しを検討する
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
書き出しが遅れた一覧を作らず、基準日の無い一覧は使わない

5行目が、件数の予測でいちばん見落としやすい動きです。 新しい手口は、最初は既存の区分に当てはまらず「その他」に入ります。その他の中央の見込みを外れて増えた週は、注意喚起の候補と同じ扱いで会議に出します。

2行目の災害の後は、モデルに頼らない期間として扱います。 県内で大きな災害があった年は数えるほどしかなく、その後の数週の動きを学べるだけの記録がありません。 災害の後の2か月ほどは、見込みに「災害後」と印を付けて目安にとどめ、相談員の肌感覚と市町村の窓口からの連絡で配置を決めます。その期間の記録は、学習のときにも印を付けて扱いを決めます。

Step11

記録を残す

  • 実行の日時、基準日、使ったモデルの作成日、学習に使った週と行の数、外した週と理由
  • 窓口×区分×週の2つの見込み、比べの値、印
  • 所長が決めた配置と注意喚起の扱い、担当の書き足し
  • 週が終わった後の実際の件数と、電話がつながらなかった件数(電話の仕組みで分かる場合)
  • 何週先ごとの当たり方(上側を超えた割合、ポアソンの損失)

電話がつながらなかった件数を並べて残すのは、見込みでは分からない「受けきれなかった相談」を見るためです。 受けた件数だけを目的の値にしていると、人が足りずに受けられなかった週は、件数が少なく記録されます。 つながらなかった件数が多かった週は、学習のときに印を付けて確かめます。

04実装レベルの3段階

最小構成:本所の2つの区分で、手で書き出した記録で Python を動かし、過去の半年で当たり方を見る / 見込みの当たり方の確認
半自動化:上記+全窓口・全区分の翌月の週ごとの見込みを出す / 窓口×区分×週の見込み
本格構成:上記+印、登録の遅れの補正、発表後の出し直し、配置と注意喚起の決定と結果の記録まで行う / 見込みから印、振り返りまで

本記事の想定は本格構成です。 半自動化では見込みは出ますが、担当はまだ前年や直近と自分で比べ、どこに印を付けるかを勘で決めています。 半自動化で1件30分が18分ほどに、本格構成で9分になります。 差が大きいのは、開庁日の割り戻しと前年・直近との比べが、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、何週先まで上側が当たるかが分かります。その線を印の条件に入れてから、本格構成に進みます。

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
9 分
現在  40件 × 30分 ÷ 60 = 20 時間/月
導入後 40件 × 9分 ÷ 60 = 6 時間/月
月間削減時間
14h
削減率
70%
年間削減時間
168h
年間金額換算(時間単価3,000円)
50万円
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. 本所と支所の複数の窓口で消費生活相談を受け、相談員の配置を窓口と曜日ごとに毎月見直している都道府県や政令市のセンター。相談の件数が月に数百件以上あり、手口の流行や報道で週ごとの件数が大きく動く場合。相談の受付の記録が、受付の日と手口の区分付きで3年分以上残っている場合。注意喚起を出す時期を、前年の同じ月の件数と担当の勘で決めている場合。
向いていない
  1. 窓口が1か所で相談が月に数十件にとどまり、件数の見込みを立てても配置を変える余地が無い場合。相談の記録に手口の区分が付いておらず、受付の日しか分からない場合。相談員が1〜2名で、配置の見直しが休みの調整だけで済む場合。なお、相談員の勤務の割り振り、個別の相談への助言、事業者への指導や公表の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 本所の、件数の多い区分を2つ選び、直近3年の受付の記録を書き出す
  2. 第7章の前処理で、区分×週の新しい相談の件数と、基準日・何週先の項目を作る
  3. 古い期間で学習し、6週のすき間を空けた新しい半年で予測させる
  4. 何週先ごとに、上側を超えた割合と、中央の見込みの外れを数える
  5. 同じ半年に、当時の担当が付けた印と、見込みの印を並べる

最初は本所の2つの区分で始めます。 件数の多い組み合わせで当たり方を見てから、件数の少ない支所の組み合わせで見込みがどこまで崩れるかを確かめます。

出てきた内容判断
2〜4週先の上側が狙いどおりに当たる窓口と区分を広げ、毎月の一覧を出す段階に進む
6週先だけが大きく外れる遠い週は目安にとどめ、会議の後に出し直す
学習の当たりが良すぎて、新しい半年で外れる直近の項目が基準日より後の週を使っていないか、続きの相談を数えていないかを確かめる

3行目でよくあるのは、直近の項目の作り方の誤りです。 「前の週の件数」を基準日と関係なく作ると、学習では当たり、毎月の一覧では外れます。

5番目の並べ方は、所長に一度見てもらうと役に立ちます。 当時の担当が印を付けた組み合わせと、見込みの印が重ならなかったものを数件ずつ取り上げ、その週が実際にどう終わったかを一緒に見ます。見込みが当たっていた組み合わせと、担当の勘が当たっていた組み合わせの両方が出てくるはずで、どの事情を書き足しの欄に残せばよいかの話し合いの材料になります。

08実装時につまずきやすいポイント

問題対策
直近の項目が基準日より後の週を使う基準日と何週先を付け、直近は基準日の前の週までに限る
過去の報道の週を項目に入れ、来月に使えない予測を作る日までに分かっていた発表だけを使う
続きの相談まで数えて山が出る新しい相談の受付だけを数える
直前の週が登録の遅れで少なく出る受付の日で数え、遅れの割合で補正する
上側を区分ごとに足して大きすぎる窓口の合計で別に学習する
既定の早期停止で検証の行が日付と関係なく抜かれるearly_stopping=False にし、期間は自分で区切る
配置を項目に入れて「人を増やすと相談が増える」と学ぶ配置は振り返りだけに使う
印で勤務を自動で組み替える印は会議の材料。 配置は所長が決める

上の2行が、この構成の失敗のほとんどです。 どちらも「予測を作る日に、何が分かっていたか」から起きます。ここを押さえれば、残りは記録の数え方と運用の注意で足ります。

3行目と4行目は、どちらも見込みを片側に寄せます。 続きの相談を数えると難しい相談が続いた週に山があるように見え、登録の遅れを補正しないと直近の伸びが小さく見えます。前者は配置を厚くしすぎ、後者は注意喚起を遅らせます。 第8章の確かめで、新規の別と登録の遅れの割合を毎回見ます。

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: 相談の受付の日、窓口、手口の区分、新しい相談かどうか、開庁日、配置の延べ人数です。相談者の氏名・住所・年代・相談の中身は書き出しません。

  1. データを外に出さない … 予測は庁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. 書き出す列を絞る … 消費者安全法は、相談の事務に従事する職員やその職にあった者の秘密を漏らしてはならないとしています(第8条第4項)。件数の見込みに要る列だけを書き出します
  3. 件数の少ない組み合わせを外に出さない … 支所の区分の週の件数が1〜2件のとき、一覧が庁外に出ると、相談した人の心当たりにつながることがあります。 一覧はセンターの中だけで使います
  4. 相談員の評価に使わない … 窓口ごとの見込みと実際の件数の差は、相談員の働きぶりではなく手口の流行で動きます
  5. 配置の判断を一覧に預けない … 相談員の経験、難しい相談の続き具合、休みの事情は、一覧に入っていません

誤りが起きた場合のリスクは、山の週に人が足りず相談を受けきれないことと、流行の始まりに気づかず注意喚起が遅れることの2つです。 前者は上側の見込みの足し合わせを誤ると起き、後者は登録の遅れで直近の件数を少なく見ると起きます。どちらも記録の数え方から出ているので、そこだけは設計で守ります。

10まず何から始めるか

1週目:受付の記録を確かめる

相談の記録のシステムから、受付の日・登録の日・新しい相談か続きの相談か・手口の分類を書き出せるかを確かめます。分類を8つにまとめる対応表も、この週に作ります。

2〜3週目:本所の2つの区分の記録を組み立てる

直近3年の受付の記録から、区分×週の新しい相談の件数と、基準日・何週先の項目を作ります。登録の遅れの割合も測ります。

4週目:当たり方を確かめる

第8章のとおり、すき間を空けた新しい半年で、何週先ごとに上側を超えた割合を数え、当時の担当の印と並べます。会議での見せ方も、この週に所長と決めます。 一覧のどの印から話すか、遠い週の見込みをどう扱うかを先に決めておくと、会議が数字の読み方の説明で終わらずに済みます。 あわせて、窓口ごとの「受けられる目安」の表の最初の版を所長と作ります。

2か月目: 全窓口・全区分の見込みを出す半自動化を始めます。担当はこれまでどおり前年と比べながら、見込みと見比べます。3か月目以降: 印、登録の遅れの補正、発表後の出し直し、決定と結果の記録を足します。2〜4週先の上側が狙いどおりに当たる月が続き、異動してきた担当でも同じ見通しの表を会議に出せ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:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
HistGradientBoostingRegressor の loss に poisson と quantile があり、poisson は内部で対数のリンクを使い目的の値が0以上であることを求めること。quantile はピンボール損失を使うこと。categorical_features の既定が from_dtype で category 型の列を区分として扱うこと。early_stopping の既定 auto は件数が1万を超えるか X_val・y_val を渡したときに有効になること。monotonic_cst を列名の辞書で渡せること(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-19
TimeSeriesSplit が時間の順に並んだ記録を分けるためのもので、ほかの分け方では未来の記録で学習して過去で確かめることになること。gap が学習の末尾から確かめの前までに除く件数であること(既定0)(scikit-learn 1.9.1)scikit-learn: TimeSeriesSplit2026-11-19
都道府県の事務として、広域的な見地を要する相談・あっせん、消費者事故等の状況と動向の把握のための調査・分析があること(第8条第1項)。都道府県が消費生活相談員を置く消費生活センターを設置しなければならないこと(第10条)。相談の事務に従事する職員やその職にあった者の秘密を漏らしてはならないこと(第8条第4項)(2025-06-01 施行の版)e-Gov 法令API: 消費者安全法2026-11-19
2025年度のまとめが、2026年5月末日までに PIO-NET に登録された苦情相談で集計されていること。販売方法・手口別の上位がインターネット通販・定期購入・電話勧誘販売・家庭訪販・かたり商法(身分詐称)であること国民生活センター: 2025年度 全国の消費生活相談の状況(PDF)2026-11-19

相談員の配置、注意喚起の中身、個別の相談への対応は、センターの所長と相談員の判断で決めてください。 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-4280)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