Media > AI活用ユースケース > 物流 > 廃食用油の回収と新しい油の配達をする会社が、店ごとの回収量・新油の納品・季節の記録から Python で翌週の回収量を予測し、曜日のコースで回る店と持っていく容器の数を決める

廃食用油の回収と新しい油の配達をする会社が、店ごとの回収量・新油の納品・季節の記録から Python で翌週の回収量を予測し、曜日のコースで回る店と持っていく容器の数を決める

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

店ごとの過去の回収量と新しい油の納品の量、季節から、翌週のコースの日までにたまる油の量を Python で幅つきで見込みます。容器の空きと比べて今週寄る店と次の週に回す店を分け、置いていく空の容器の数まで表にします。

サマリー
連携・自動化
Python
対象業界
その他/物流/飲食
対象部門
物流
対象業務
比較検討/集計・分析
主な課題
人手が足りない/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
半自動化
費用感
個別開発(大)
人間の確認
条件付き
現在工数
60h/月
AI導入後
20h/月
想定削減
67%
年間削減
480h
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. 木曜日、業務の係が翌週のコースの表を開き、曜日ごとに候補の店を並べる
  2. 店ごとに、前回の回収の日と量、置いてある容器の数を回収の台帳で見る
  3. 気になる店は、新油の納品の表で最近の配達の量を見る
  4. 「来週寄る」「次の週に回す」を決め、寄る店に置いていく空の容器の数を書く
  5. コースごとに、空の容器の数と回収の量の見込みを足し、車に載るかを見る
  6. 載らないコースは、店を別の週に回すか、空の容器を減らす
  7. 決めた表を運転の担当に渡す
導入後(After)
  1. 自動木曜日の朝、Python のスクリプトが回収の台帳・新油の納品の表・店の一覧・コースの表を読み込む
  2. 自動店ごとに、翌週のコースの日までの経過の営業日、前回の量、最近の新油の量などの特徴を作る
  3. 自動学習済みのモデルで、翌週のコースの日までにたまる量の中ほど(分位0.5)と多め(分位0.9)を出す
  4. 自動多めの見込みが店の容器の空きの8割を超える店を「来週寄る」、それ以外で前回から間が空きすぎていない店を「次の週に回す」に分ける
  5. 自動寄る店ごとに置いていく空の容器の数を出し、コースごとに空の容器の数と回収の量の見込みを足して、車の積める場所と比べる
  6. 人業務の係が表を見て、店からの連絡(臨時の休み、宴会の予約で増える)とコースの都合で直す
  7. 人積める場所を超えたコースを、店を別の週に回すか空の容器を減らして組み直す
  8. 人確定した表を運転の担当に渡す
  9. 自動翌週の回収の結果が台帳に入ったら、見込みとの差と、あふれの連絡の有無を記録する
各工程の詳しい説明を読む
  1. 木曜日、業務の係が翌週のコースの表を開き、曜日ごとに候補の店を並べる
  2. 店ごとに、前回の回収の日と量、置いてある容器の数を回収の台帳で見る
  3. 気になる店は、新油の納品の表で最近の配達の量を見る
  4. 「来週寄る」「次の週に回す」を決め、寄る店に置いていく空の容器の数を書く
  5. コースごとに、空の容器の数と回収の量の見込みを足し、車に載るかを見る
  6. 載らないコースは、店を別の週に回すか、空の容器を減らす
  7. 決めた表を運転の担当に渡す

(a)寄るか回すかが係の経験で決まる。 「この店は揚げ物の多い店だから毎週」「この店は昼だけの営業だから隔週で足りる」。判断の根拠は係の頭の中にあり、表には結論だけが残ります。

(b)容器があふれる・積みすぎる。 少なく見込んで寄らなかった店では、容器が足りず、店が別の入れ物に油をためることになります。 店からの電話で臨時に寄ることになり、その日のコースが崩れます。逆に多く見込むと、空の容器を積みすぎて、新しい油の缶を積む場所が足りなくなります。

(c)新油の量が使われていない。 新油を多く入れた店は、翌週の回収の量も多くなります。しかし2つの表を突き合わせる時間がなく、気になる店しか見ていません。

(d)係が休むと表が組めない。 3人の係のうち、全部のコースを組めるのは1人です。その人が休む週は、前の週の表をそのまま使うことになり、あふれる店が出ます。

  1. 【自動】 木曜日の朝、Python のスクリプトが回収の台帳・新油の納品の表・店の一覧・コースの表を読み込む
  2. 【自動】 店ごとに、翌週のコースの日までの経過の営業日、前回の量、最近の新油の量などの特徴を作る
  3. 【自動】 学習済みのモデルで、翌週のコースの日までにたまる量の中ほど(分位0.5)と多め(分位0.9)を出す
  4. 【自動】 多めの見込みが店の容器の空きの8割を超える店を「来週寄る」、それ以外で前回から間が空きすぎていない店を「次の週に回す」に分ける
  5. 【自動】 寄る店ごとに置いていく空の容器の数を出し、コースごとに空の容器の数と回収の量の見込みを足して、車の積める場所と比べる
  6. 【人】 業務の係が表を見て、店からの連絡(臨時の休み、宴会の予約で増える)とコースの都合で直す
  7. 【人】 積める場所を超えたコースを、店を別の週に回すか空の容器を減らして組み直す
  8. 【人】 確定した表を運転の担当に渡す
  9. 【自動】 翌週の回収の結果が台帳に入ったら、見込みとの差と、あふれの連絡の有無を記録する

6番目で係が見るのは、印の付いた店が中心です。 学習の記録の少ない店、見込みが前の週から大きく変わった店、店からの連絡が入っている店に印を付けます。ほかの店は、表を流し見て確定します。

7番目は、人が決めるところとして残します。 どの店を次の週に回してよいかは、店との取り決めや、その店の主人の気質まで知っている係が決めます。

02今回想定するシステム構成

構成図
回収の台帳 + 新油の納品の表 + 店の一覧(容器の数・コース)+ 営業の暦
   ▼【トリガー】毎週木曜日の朝(定時の実行)
Python(pandas)
   ├──▶ 特徴を作る:コースの日までの経過の営業日・前回の量・最近の新油の量・月・業態
   ├──▶ LightGBM LGBMRegressor(objective="quantile")
   │      中ほど(alpha=0.5)と多め(alpha=0.9)の2つのモデル
   ├──▶ 規則:容器の空きと比べて「来週寄る/次の週に回す」、空の容器の数
   ├──▶ 集計:コースごとの空の容器の数・回収の量の見込み × 車の積める場所
   ▼
翌週の巡回の表 ──【業務の係が直して確定】──▶ 運転の担当へ
   ▼ 翌週
見込みと実際の差・あふれの連絡の記録
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(分位点の回帰)scikit-learn の HistGradientBoostingRegressor(分位点の回帰)
集計Python(コースごとの足し上げ、見込みと実際の差)表計算のファイルの式
入力回収の台帳・新油の納品の表の書き出し(CSV)販売の管理の仕組みの書き出し

新しく足すのは、Python のスクリプトと、店の一覧の「容器の数と大きさ」の列です。 回収の台帳と新油の納品の表は今のものを使います。経路の組み立ては行いません。 コースの中の回る順は、運転の担当が決めている今のやり方のままにします。

見込みには、LightGBM の LGBMRegressor を使います。 公式ページ(4.7.0.99 の版の文書)では、objective に quantile(分位点の回帰)、poisson、tweedie などを選べます。分位点の回帰で、中ほどと多めの2つのモデルを作ります。

分位の値は alpha で決めます。 公式ページでは、alpha は既定が0.9で、Huber の損失と分位点の回帰でだけ使うとされています。中ほどのモデルでも alpha を書かずにいると、0.9のモデルが2つできます。 両方のモデルで、alpha を必ず書きます。

03どうやって実装するのか

Step1

処理の起点を決める

毎週木曜日の朝、定時の実行で動かします。 水曜日の回収の結果が台帳に入り終わった後にします。台帳の入力が終わる前に動かすと、水曜日に寄った店の「前回の回収」が古いままで、量を多く見込みます。

動かす前に、台帳の入力が終わったかを確かめます。 水曜日に寄る予定だった店の数と、台帳に入った回収の数を比べ、足りなければ実行を止めて係に知らせます。 新油の納品の表も、水曜日の配達の行が入っているかを同じように確かめます。

モデルの学び直しは月に1回にします。 毎週の実行は学習済みのモデルで見込むだけにし、月の初めに、前の月までの記録で学び直します。

Step2

入力データを集める

データ中身取得元
回収の台帳店の番号、回収の日、回収した量(リットル)、持ち帰った容器の数、置いた空の容器の数回収の台帳の書き出し(直近24か月)
新油の納品の表店の番号、納品の日、納品した量(缶の数)販売の記録の書き出し
店の一覧店の番号、業態、席数、定休日、コース(曜日と車)、寄る間隔(毎週・隔週)、容器の数と大きさ店の一覧
営業の暦祝日、年末年始、店ごとの臨時の休み(連絡のあったもの)暦の表
店からの連絡「容器がいっぱい」「宴会の予約で増える」「臨時で休む」と日連絡の記録の表
車の積める場所車ごとの、空の容器と回収した容器を積める数車の一覧

質を決めるのは、新油の納品の表と回収の台帳を、同じ店の番号で結べるかです。 販売の記録の店の番号と、回収の台帳の店の番号が違う体系になっていることがあります。最初に、2つの番号の対応表を作ります。 系列の店で名前が似ている店は、取り違えに注意します。

店の一覧の容器の数と大きさは、毎週の判断の基準になります。 容器の合計の容量が分からないと、「あふれるか」を決められません。容器を足したり引き上げたりしたら、その日に一覧を直す決まりにします。

Step3

データの取得方法を決める

台帳と納品の表は、毎週の実行のたびに CSV に書き出したものを pandas で読みます。 読み込むときに列の名前と並びを確かめ、合わなければ止めます。

学習の行は、回収の1回ごとに作ります。 目的の値は、その回に回収した量です。

特徴作り方
経過の営業日前回の回収の翌日から今回の回収の日までの、店の営業の日の数
前回の量・その前の量回収の台帳から
期間の新油の量前回の回収から今回までに納品した新油の量(リットル)
直近4週の新油の量今回の回収の日の前4週の納品の量
月・業態・席数回収の日の月、店の一覧から。業態はカテゴリの型にする
店からの連絡の印「宴会の予約で増える」などの連絡があったか

翌週の見込みでは、期間の新油の量の一部が未来になります。 木曜日の時点では、翌週のコースの日までに納品する新油の量はまだ決まっていません。そこで、木曜日までに納品した分と、翌週の配達の予定(注文の入っている分)を足して使います。 予定が無い店は、木曜日までの分だけで見込み、印を付けます。

見込みの起点は、その店の「最後に容器を空にした日」です。 木曜日の時点で、金曜日のコースの店は今週の回収がまだ残っています。金曜日に寄る予定の店は、金曜日を前回の回収として、そこから翌週のコースの日までの営業日で見込みます。 金曜日に寄れなかった(店が休みだった)ら、月曜日の朝に見込み直して表を差し替えます。

def horizon_rows(shops, ledger, plan_this_week, next_week_day):
    rows = []
    for s in shops.itertuples():
        last = plan_this_week.get(s.shop_id) or ledger.last_pickup(s.shop_id)
        target = next_week_day[s.course]            # 翌週のコースの日
        rows.append({"shop_id": s.shop_id,
                     "open_days": open_days(s, last, target),
                     "oil_in_l": oil_in(s.shop_id, last, target),  # 納品済み+予定
                     "last_basis": "plan" if s.shop_id in plan_this_week else "ledger"})
    return pd.DataFrame(rows)

last_basis の列を残すのは、予定を起点にした見込みを後で見分けるためです。 予定どおりに寄れなかった店は、見込みの起点が違っていたことになり、月曜日の見込み直しの対象になります。

業態はカテゴリの型にします。 公式ページでは、categorical_feature の既定は 'auto' で、pandas のデータフレームなら順序の無いカテゴリの列が使われるとされています。値は int32 に直され、負の値は欠けた値として扱われ、0から続く整数で表すのが良いとされています。店の番号のような値の多い列は、カテゴリにしません。

Step4

AIへ渡す前に整形する

  1. 量の単位をそろえる … 台帳に「缶2つ」「ポリタンク1つ」と書かれた行は、容器の大きさからリットルに直します。直せない行は学習から外し、件数を記録します
  2. 臨時の訪問を印にする … 店からの「容器がいっぱい」の連絡で寄った回は、その回で容器が満ちていたことを示します。印の列を足し、学習には残します
  3. 新油を入れていない店を分ける … 他社から新油を買っている店は、期間の新油の量が0になります。0のままだと「新油が無いから回収も少ない」と学ぶので、「自社の新油の取引なし」の印を足し、量の列は空にします
  4. 学習と検証を時間で分ける … 直近3か月を検証に取り置き、それより前で学習します
  5. 単調の制約を決める … 経過の営業日と期間の新油の量は、増えれば回収の量も増える向きに制約します

5番目は、LightGBM の機能で行います。 公式ページでは、monotone_constraints は1が増える向き、−1が減る向き、0が制約なしで、すべての特徴について順に指定するとされています。記録の少ない店で「営業日が長いのに量が減る」という見込みが出るのを防ぎます。 ただし、公式ページではカテゴリの特徴については出力を単調に制約できないとされているので、業態には0を置きます。

import lightgbm as lgb

features = ["open_days", "prev_l", "prev2_l", "oil_in_l", "oil_in_4w_l",
            "month", "biz_type", "seats", "event_flag", "no_oil_contract"]
mono = [1, 0, 0, 1, 0, 0, 0, 0, 0, 0]          # biz_type はカテゴリなので 0

models = {}
for a in (0.5, 0.9):
    m = lgb.LGBMRegressor(objective="quantile", alpha=a,     # alpha は必ず書く
                          n_estimators=2000, learning_rate=0.03,
                          monotone_constraints=mono)
    m.fit(X_train[features], y_train,
          eval_X=(X_val[features],), eval_y=(y_val,),        # 4.7.0 からの書き方
          eval_metric="quantile",
          callbacks=[lgb.early_stopping(stopping_rounds=100)])
    models[a] = m

検証のデータの渡し方は、今の書き方に合わせます。 公式ページでは、fit の eval_set は4.7.0で非推奨になり、eval_X と eval_y を使うとされています。早期の打ち切りは early_stopping のコールバックで行い、検証の点が stopping_rounds 回続けて良くならなければ止め、最も良かった回を best_iteration_ に残すとされています。検証のデータは時間で分けた直近3か月です。 無作為に分けると、未来の週の行が学習に混ざります。

Step5

AIに処理させる

させるのは、店ごとの翌週のコースの日までにたまる量の見込みです。 生成AIは使いません。見込むのは過去の数字から出る量で、文章を読む場面はありません。

出すもの中身判断できないときの扱い
中ほどの見込み分位0.5のモデルの値(リットル)学習の回が3回未満の店は「参考」
多めの見込み分位0.9のモデルの値(リットル)中ほどより小さく出たら中ほどにそろえる
容器の空きとの比べ多めの見込み ÷ 店の容器の合計の容量容量が一覧に無い店は空・印
寄る・回すの案規則で決める(次の項の設定)印の付いた店は係が決める
置いていく空の容器の数多めの見込みを容器1つの容量で割って切り上げ、予備を1つ足す容器の大きさが分からない店は印

寄るか回すかは、モデルではなく規則で決めます。 モデルが出すのは量の見込みだけで、「容器の空きの8割を超えたら寄る」という線は係と決めた規則です。線を動かしたいときに、モデルを作り直さずに済みます。

させないこと理由
コースの曜日・店の割り当ての変更店との取り決めと運転の担当の事情で決まる
店に置く容器の数そのものの変更店の場所の広さ・店との相談で決める
回収の契約・買い取りの価格の判断店との取り決め
新しい店(学習の回が3回未満)の見込み似た業態・席数の店の量を係が当てる
Step6

指示内容を固定する

この構成は生成AIへの指示文を使いません。代わりに、モデルと規則への「指示」に当たる設定を、業務の係と決めて表にします。

【見込みの設定】
- モデル:LGBMRegressor objective=quantile
- 分位:中ほど alpha=0.5、多め alpha=0.9(どちらも必ず書く)
- 単調の制約:経過の営業日 +1、期間の新油の量 +1、そのほか 0
- 学習の期間:直近24か月(検証は直近3か月)
- 学び直し:毎月1日。検証の結果を係が見てから切り替える

【寄る・回すの規則】
- 来週寄る:多めの見込み > 容器の合計の容量 × 0.8
- 来週寄る:寄る間隔が「毎週」の店、店から「容器がいっぱい」の連絡がある店
- 次の週に回す:上のどれにも当たらず、前回から3週を超えていない店
- 3週を超える店:見込みにかかわらず来週寄る

【容器の数】
- 置いていく空の容器 = 切り上げ(多めの見込み ÷ 容器1つの容量)+ 1
- コースごとの積む空の容器 = 寄る店の合計 + 予備 3
- 積める場所を超えたコース:印を付けて係が組み直す

「容器の容量の8割」は、多めの見込みでも外れる週のための余裕です。 分位0.9は、10回に1回は見込みを超える量です。300店あれば、毎週どこかの店で超えるのが普通なので、容器の側にも余裕を持たせます。

「3週を超える店は寄る」は、見込みが少ない店の放置を防ぐ規則です。 量が少なくても、長く置いた油は容器の中で傷みます。量の見込みだけで決めると、少ない店がいつまでも回されます。

Step7

出力形式を固定する

翌週の巡回の表を、コースごとにまとめた JSON で出します。

{
  "week_of": "2026-11-23",
  "courses": [
    { "course": "月・東", "vehicle": "車2",
      "empty_containers": 31, "capacity_containers": 36,
      "expected_l": { "p50": 412, "p90": 538 },
      "stops": [
        { "shop_id": "S-0218", "p50_l": 22, "p90_l": 31,
          "fill_ratio": 0.86, "decision": "visit",
          "leave_empty": 3, "flags": ["宴会の予約で増える"] }
      ],
      "deferred": [
        { "shop_id": "S-0231", "p90_l": 9, "fill_ratio": 0.25,
          "weeks_since": 1, "decision": "next_week" }
      ] }
  ]
}

係が見るのは、これをコースごとの表に直したものです。 寄る店、置いていく空の容器の数、印、次の週に回す店を並べ、コースの合計の空の容器の数と積める場所を先頭に置きます。

Step8

システムへ連携する

つなぎ先方式内容
回収の台帳・新油の納品の表CSV を読む毎週の実行の入力
店の一覧・コースの表・暦表を読む容器の数、コース、営業の日
学習済みのモデルファイルに保存して読む月に1回作り直す
翌週の巡回の表表のファイルに書く係が直して確定する
運転の担当係が渡す確定した表

販売の記録へは書き込みません。 新油の配達の予定は販売の係が決めるもので、この構成は読むだけです。

Step9

人が確認する

  1. 印の付いた店を見る … 学習の回が少ない店、容器の容量が分からない店、見込みが前の週から大きく変わった店です
  2. 店からの連絡を足す … 木曜日の実行の後に入った連絡は表に入っていません
  3. 積める場所を超えたコースを組み直す … 次の週に回してよい店を係が選びます
  4. 直した理由を一言で残す … 「店主から来週は休みと電話」「容器を1つ足した」

4番目の理由が、モデルと規則を直す材料です。 同じ理由の直しが続くなら、連絡の種類を特徴に足すか、規則の線を動かします。

目標は、ならして1件1分です。 印の付かない店は表を流し見て確定し、印の付いた店とコースの組み直しに時間を使います。

Step10

例外に対処する

起きること対応
台帳・納品の表の入力が終わっていない実行を止めて係に知らせる
店の番号の対応が取れないその店の新油の量を空にして見込み、印を付ける
多めの見込みが中ほどより小さい中ほどにそろえ、ログに残す
容器の容量が一覧に無い寄る・回すを決めず、係に回す
早期の打ち切りがすぐ止まる学習の率と検証の期間を見直し、前のモデルを使う
新しい店「参考」。係が量を当てる
年末年始・大型の連休の週暦の印で営業の日を数える。学習の年数が少なければ係が見る

2行目の番号の対応は、系列の店の出店と閉店のたびに崩れます。 新油は本部に請求し、回収は店ごとに記録する、という系列もあります。対応表を月に1回見直す決まりにします。

4行目の容器の容量が無い店を、係に回すのは少なく見込まないためです。 容量が分からないまま「回す」と決めると、容器が小さい店ほどあふれます。 一覧が埋まるまでは、その店は前の週の係の判断に従います。

Step11

記録を残す

  • 毎週の入力の CSV、モデルの版、alpha・単調の制約・best_iteration_
  • 店ごとの中ほど・多めの見込み、寄る・回すの案と、係が直した後の表と理由
  • 翌週の実際の回収の量と、見込みとの差
  • 容器があふれたという連絡の有無(次の週に回した店で起きたか)
  • 月ごとの検証の結果 … 検証の期間で、実際の量が多めの見込み以下に収まった割合と、分位ごとの損失

4つ目の記録が、規則の線を決める材料です。 次の週に回した店で、あふれの連絡が月に何件あったか。多ければ8割の線を下げ、ほとんど無ければ上げて寄る店を減らせます。

検証の結果は、分位ごとに次のように数えます。

cover90 = (y_val <= models[0.9].predict(X_val[features])).mean()   # 9割の近くか
cover50 = (y_val <= models[0.5].predict(X_val[features])).mean()   # 5割の近くか

分位0.9のモデルなら、実際の量が見込み以下に収まった割合が9割の近くにあるかを見ます。大きく下回るなら、多めの見込みが足りず、次の週に回した店であふれが起きやすくなっています。業態ごと・コースごとにも同じ割合を出し、特定の業態だけが外れていないかを確かめます。

04実装レベルの3段階

最小構成:過去の記録で見込みのモデルを作り、新油の量の効き目を確かめる / 量の見込みの確かめ
半自動化:上記+毎週木曜日に見込みと寄る・回すの案、容器の数を出し、係が直して確定する / 翌週の巡回の表の案
本格構成:上記+店からの連絡を受け付ける仕組みと、運転の担当の端末への表の配信をつなぐ / 連絡の取り込みから配信まで

本記事の想定は半自動化です。 1件3分のうち、材料を集める作業、寄るか回すかの判断、コースごとの足し上げが案になり、残るのは印の付いた店の確かめと、コースの組み直しです。 半自動化で2か月回したら、規則の線を見直します。 次の週に回した店のあふれの連絡と、寄ったのに少なかった店の数を並べ、8割の線と予備の容器の数を係と決め直します。 本格構成は、店からの連絡が電話から記録に移ってからです。今は係が電話で受けて手元のメモに書いているので、木曜日の実行の後に入った連絡を、係が表に手で足すことになります。

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
1,200 件
1件あたり現在時間
3 分
1件あたり導入後時間
1 分
現在  1,200件 × 3分 ÷ 60 = 60 時間/月
導入後 1,200件 × 1分 ÷ 60 = 20 時間/月
月間削減時間
40h
削減率
67%
年間削減時間
480h
年間金額換算(時間単価2,600円)
125万円
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. 飲食店に新しい食用油を配達し、同じ車で使い終えた油を回収している会社。回る店を曜日ごとのコースで決めていて、毎週寄る店と隔週で寄る店があり、「今週寄るか、来週に回すか」と「空の容器をいくつ置いていくか」を業務の係が経験で決めている場合。容器が足りずに店で油があふれる、空の容器を積みすぎて車の場所が足りない、といったことが起きている場合。回収の量と新油の納品の量を店ごとに1年分以上、表として書き出せる場合。
向いていない
  1. 回収だけを行い、新油の納品の記録が無い場合(新油を入れない形には読み替えられる)。店が数十で、毎週全部の店に寄れば足りる場合。回収を店からの依頼のときだけ行っている場合。なお、回収の契約や買い取りの価格、店との取り決め、運転の担当の勤務の時間の決まり、廃棄物の扱いに関わる手続きは、この構成では代替できません。

07最小構成で試す方法

  1. 回収の台帳と新油の納品の表から、直近24か月の記録を書き出す
  2. 店の番号の対応表を、回収の多い100店について作る
  3. Python で特徴を作り、直近3か月を取り置いて、分位0.5と0.9のモデルを作る
  4. 新油の量の特徴を入れたモデルと、入れないモデルを両方作る
  5. 取り置いた3か月の各回について、2つのモデルの見込みと実際の量を並べる

4番目の比べが、この構成の要です。 新油の量を入れて見込みが良くなるかを、最初に確かめます。良くならなければ、番号の対応か、期間の新油の量の作り方を疑います。

出てきた内容判断
実際の量が多めの見込み以下に収まる割合が9割の近く寄る・回すの規則と容器の数に進む
新油の量を入れても変わらない番号の対応と、他社の新油の店の扱いを確かめる
特定の業態で大きく外れる業態の区分を見直す、その業態を係が見る扱いにする

係の判断と比べるときは、次の週に回した店を中心に見ます。 取り置いた3か月の中で、係が「次の週に回す」とした店のうち、多めの見込みが容器の8割を超えていた店がどれだけあったかを数えます。そのうち実際にあふれの連絡があった店が多ければ、モデルが係の見落としを拾えていることになります。逆に、係が寄った店のうち見込みが少なかった店は、空の容器を積みすぎた候補です。

08実装時につまずきやすいポイント

問題対策
中ほどのモデルが0.9で学ぶalpha の既定は0.9。両方のモデルで必ず書く
eval_set で警告が出る4.7.0で非推奨。eval_X と eval_y で渡す
検証のデータを無作為に分ける時間で分けた直近3か月を渡す
業態に単調の制約を付けてしまうカテゴリの特徴は単調に制約できない。0を置く
他社の新油の店で回収を少なく見込む「取引なし」の印を足し、量は空にする
店の番号の対応が崩れる対応表を月に1回見直す
翌週の新油の量を知らずに見込む木曜日までの分と配達の予定を足す
少ない店がいつまでも回される3週を超えたら寄る規則を置く

上の2行が、この構成の失敗のほとんどです。 どちらも警告が出ないか、出ても見落としやすく、見込みがずれたまま毎週の表が出続けます。

1行目は、作ったモデルの設定を書き出して確かめると防げます。 学習の後に、2つのモデルの alpha をログに書き、0.5と0.9が並んでいるかを毎回確かめる処理をスクリプトに入れておきます。中ほどの見込みが多めの見込みとほとんど同じ値で並んでいたら、この間違いを疑います。

下から2行目の翌週の新油の量も、見落としやすい点です。 学習では、前回から今回までの新油の量がすべて分かっています。見込みの時点では一部が未来なので、学習と同じ作り方をすると、配達の予定の無い店の量が少なく出ます。 印を付けて係が見る扱いにしておきます。

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: 取引先の店の名前と住所、新油の納品の量、回収の量、運転の担当の名前です。新油の納品の量は、店にとっては仕入れの情報です。

  1. データを社外に出さない … 見込みは社内の PC やサーバーの Python で動きます。生成AIのサービスには送りません
  2. 運転の担当の名前を特徴に入れない … 回収の量は店で決まり、担当で決まるものではありません。担当ごとの量を比べる使い方はしません
  3. 新油の量を回収以外の目的に使わない … 販売の記録を回収の見込みに使うことを社内で決め、店ごとの仕入れの量を営業の比べに流用しないようにします
  4. 最終の決定は係が行う … 案は案で、店との取り決めやコースの都合は係が見ます

見込みの数字を店に見せる使い方は、最初はしません。 「来週は寄りません」と伝えた店であふれたとき、店との取り決めの話になります。 店に伝えるのは寄る日だけにします。

回収した油の行き先の記録は、この構成の外に置きます。 回収の量の見込みは段取りのためのもので、引き渡し先への量の報告や、廃棄物の扱いに関わる書類には、見込みではなく実際に量った値を使います。 見込みの表と実績の台帳を、同じファイルの同じ列に混ぜないようにします。

誤りが起きた場合のリスクは、少なく見込んで店で容器があふれることと、空の容器を積みすぎて新油を積めなくなることの2つです。 前者は多めの見込みと8割の線、後者はコースごとの足し上げと係の組み直しで防ぎます。

10まず何から始めるか

1週目:店の番号の対応表と容器の列を作る

回収の多い100店について、販売の記録の番号と回収の台帳の番号の対応、容器の数と大きさをそろえます。他社から新油を買っている店には、「取引なし」の印を付けます。

2週目:見込みのモデルを作って新油の効き目を比べる

第8章の手順で、新油の量を入れたモデルと入れないモデルを作り、直近3か月で比べます。

3週目:寄る・回すの規則を決める

係と、容器の容量の何割で寄るか、何週を超えたら必ず寄るか、予備の容器をいくつ積むかを決めます。

4週目:1つのコースで表の案を作る

1つのコースだけで、毎週の案を作って係の表と見比べます。この時点では案を運転の担当に渡さず、比べるだけにします。

2か月目: 全部のコースに広げ、係が案を直して確定する形で運用し、1件3分が何分になったかを測ります。3か月目以降: あふれの連絡と見込みとの差を見て規則の線とモデルを直し、全部のコースを組めなかった係でも、案を確かめるだけで翌週の表が組め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
objective に quantile・poisson・tweedie などがあること。alpha の既定が0.9で、Huber の損失と分位点の回帰でだけ使うこと。metric に quantile があること。monotone_constraints が1・−1・0ですべての特徴について順に指定すること。カテゴリの特徴は int32 に直され、負の値が欠けた値になり、0から続く整数が良く、出力を単調に制約できないこと。文書の版が 4.7.0.99 であることLightGBM: Parameters2026-11-19
LGBMRegressor の objective の既定が regression であること。categorical_feature の既定が 'auto' で pandas の順序の無いカテゴリの列が使われること。eval_set が4.7.0で非推奨になり eval_X と eval_y を使うこと。best_iteration_ に最も良かった回が残ることLightGBM: LGBMRegressor2026-11-19
early_stopping(stopping_rounds, ...) が、検証の点が stopping_rounds 回続けて良くならなければ止めるコールバックで、検証のデータと指標が1つ以上要ることLightGBM: early_stopping2026-11-19

回収の契約、買い取りの価格、店との取り決め、運転の担当の勤務の時間、廃食用油の扱いに関わる手続きは、自社の決まりと関係する法令に沿って決めてください。 本記事は公式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-4285)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