Media > AI活用ユースケース > 生産 > 甘酒のメーカーが、品目ごとの出荷の記録・気温・販促の予定から Python で翌月の出荷を幅付きで予測し、麹の仕込みの回数と米の量の計画の案を作る

甘酒のメーカーが、品目ごとの出荷の記録・気温・販促の予定から Python で翌月の出荷を幅付きで予測し、麹の仕込みの回数と米の量の計画の案を作る

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

甘酒の品目ごとの出荷の記録・気温・販促の予定から、Python で翌月の週ごとの出荷を下の値・中央の値・上の値の幅で予測します。その幅と賞味期限・在庫から、麹の仕込みの回数と米の量の計画の案を作ります。

サマリー
連携・自動化
Python
対象業界
EC/小売/製造
対象部門
生産/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/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
24h/月
AI導入後
8h/月
想定削減
67%
年間削減
192h
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. 月の終わりに、販売管理のシステムから品目ごと・出荷先ごとの出荷の記録を書き出す
  2. 去年の同じ月の出荷と、直近の数週の出荷を並べる
  3. 営業の販促の表を開き、翌月の量販店の特売と、生協の掲載の予定を拾う
  4. 天気の見通しを見て、暑くなりそうか寒くなりそうかで、去年の数字を経験で上げ下げする
  5. 品目ごとの見込みから、在庫と賞味期限を見て仕込みの量を出し、1回の仕込みの量で割って回数にする
  6. 製麹の部屋の空きに収まるかを見て、回数を週に割り振る
  7. 米の量を出し、発注の担当に渡す
導入後(After)
  1. 人営業が販促の表に、翌月の特売・掲載・催事の予定を入れる(これまでどおり)
  2. 自動月の終わりの夜に Python が動き、出荷の記録・販促の表・気温の実績を読み込む
  3. 自動週ごとに集計し、気温の平年との差、年のうちの週、販促の印などの特徴量を作る
  4. 自動分位点回帰のモデルを学び直し、下の値・中央の値・上の値の3本を作る
  5. 自動翌月の週ごとの行を、気温の3つの筋書き(平年並・暑い・寒い)で作り、予測する
  6. 自動品目ごとの賞味期限の区分と在庫から、仕込みの量と回数、米の量の案を作る
  7. 自動幅が広い・製麹の部屋に収まらない・新しい品目などの印を付け、計画のシートの隣に書き出す
  8. 人生産管理課が印を見て、品目ごとにどの値で受けるかを決める
  9. 人生産の責任者が仕込みの回数と米の量を確定する
  10. 自動月の終わりに、予測と実際の出荷を比べた当たり方の記録を残す
各工程の詳しい説明を読む
  1. 月の終わりに、販売管理のシステムから品目ごと・出荷先ごとの出荷の記録を書き出す
  2. 去年の同じ月の出荷と、直近の数週の出荷を並べる
  3. 営業の販促の表を開き、翌月の量販店の特売と、生協の掲載の予定を拾う
  4. 天気の見通しを見て、暑くなりそうか寒くなりそうかで、去年の数字を経験で上げ下げする
  5. 品目ごとの見込みから、在庫と賞味期限を見て仕込みの量を出し、1回の仕込みの量で割って回数にする
  6. 製麹の部屋の空きに収まるかを見て、回数を週に割り振る
  7. 米の量を出し、発注の担当に渡す

(a)気温の効き方を経験で上げ下げしている。 4番は、長く担当してきた1名の感覚です。「9月の残暑が続くと、冷やしの品目が月の半ばまで伸びる」「12月の初めが暖かいと、温めの品目の立ち上がりが遅れる」。数字の根拠を説明できず、担当が替わると同じ計画は組めません。

(b)夏と冬で逆向きに効くことが表に出てこない。 去年の同じ月と比べるだけでは、去年が暑かったのか寒かったのかで数字が大きく変わり、その差を取り除く方法がありません。

(c)特売と気温の重なりを読めない。 量販店の特売の週と、暑さの週が重なると、出荷は足し算以上に伸びることがあります。どれだけ伸びるかは、過去の特売の記録を探し直して推し量っています。

(d)幅が無い。 見込みは1つの数字で出しているので、外れたときにどこまで外れうるかの目安がありません。 チルドの品目は日持ちが短く、多めに仕込むと廃棄になり、少なめだと欠品になります。

(e)米の発注が見込みに引きずられる。 米は精米の工場から決まった単位で届き、月の初めの発注の量を後から大きく増やすのは難しい材料です。見込みが外れて仕込みを足すときに、米の手当てが追いつかない月があります。 見込みに幅があれば、米を上の値に合わせて手当てし、仕込みは中央の値で始める、といった分け方ができます。

  1. 【人】 営業が販促の表に、翌月の特売・掲載・催事の予定を入れる(これまでどおり)
  2. 【自動】 月の終わりの夜に Python が動き、出荷の記録・販促の表・気温の実績を読み込む
  3. 【自動】 週ごとに集計し、気温の平年との差、年のうちの週、販促の印などの特徴量を作る
  4. 【自動】 分位点回帰のモデルを学び直し、下の値・中央の値・上の値の3本を作る
  5. 【自動】 翌月の週ごとの行を、気温の3つの筋書き(平年並・暑い・寒い)で作り、予測する
  6. 【自動】 品目ごとの賞味期限の区分と在庫から、仕込みの量と回数、米の量の案を作る
  7. 【自動】 幅が広い・製麹の部屋に収まらない・新しい品目などの印を付け、計画のシートの隣に書き出す
  8. 【人】 生産管理課が印を見て、品目ごとにどの値で受けるかを決める
  9. 【人】 生産の責任者が仕込みの回数と米の量を確定する
  10. 【自動】 月の終わりに、予測と実際の出荷を比べた当たり方の記録を残す

8番を人の仕事に残しているのが、この設計の要です。 モデルが出すのは幅で、どこで受けるかは、品目の日持ちと取引先との約束で決まります。同じ幅でも、チルドの品目と常温の品目では受け方が違います。

10番の当たり方の記録は、翌月の8番の材料になります。 ある品目で実際の出荷が上の値を超える月が続けば、生産管理課はその品目を上の値寄りで受けるようになります。モデルを直す前に、受け方で調整できることが、幅で出す利点です。

02今回想定するシステム構成

構成図
販売管理のシステム(出荷の記録)   営業の販促の表   気象庁の過去の気象データ(CSV)
        │                          │                 │
        └──────────────┬───────────┴─────────────────┘
                       ▼【トリガー】月の終わりの夜
Python
   ├──▶ 週ごとに集計、気温の平年との差・週・販促の特徴量
   ├──▶ 時間の順を守った検証(週の単位で TimeSeriesSplit)
   ▼
scikit-learn HistGradientBoostingRegressor(loss="quantile":0.1・0.5・0.9)
   │   気温の3つの筋書きごとに予測
   ▼
Python ── 賞味期限の区分・在庫から仕込みの量と回数、米の量の案、印
   ▼
【生産管理課が受ける値を決める → 責任者が確定】
   ▼
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(分位点回帰)LightGBM
集計Python(筋書きの予測、仕込みの回数と米の量の案、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、計画の案、当たり方の記録)-

新しく足すのは Python の処理だけです。 出荷の記録は販売管理のシステムから書き出し、販促の表と計画のシートはこれまでどおり使います。計画の案は計画のシートの隣のシートに書き出し、確定した計画は人が元のシートに写します。

LightGBM ではなく scikit-learn を選んでいるのは、追加の部品を減らすためです。 社内に scikit-learn と pandas の実行環境があれば、新しく入れるものはありません。3年分の週ごとの行(約1万5千行)なら、学習の速さに差はほとんど出ません。 行が大きく増えたときや、細かい設定が要るようになったときに LightGBM を検討します。

予測には scikit-learn の HistGradientBoostingRegressor の分位点回帰を使います。 loss に "quantile" を指定し、quantile に0から1の値を入れて、何分位を予測するかを決めます。公式のページでは quantile の既定は None で、loss と一緒に指定するものとされています。 3本のモデルで、それぞれ0.1・0.5・0.9を明示します。

03どうやって実装するのか

Step1

処理の起点を決める

月の終わりの夜に1回、タスクスケジューラなどで Python を動かします。 翌月の仕込みの回数と米の発注は、月の初めの計画の会議で決めます。会議の前日の朝に案が出そろっていれば、生産管理課が印を見る時間が取れます。

段いつすること
1. 読み込みと集計月の終わりの夜出荷・販促・気温を読み、週ごとに集計
2. 学習と検証1の後3本のモデルを学び直し、過去の週で当たり方を測る
3. 予測と計画の案2の後筋書きごとの予測、仕込みの回数と米の量
4. 当たり方の記録翌月の終わり予測と実際の出荷を比べる

学び直しは毎月行います。 新しい品目が出たり、取引先が増えたりすると、出荷の形が変わります。3年分の週ごとの行なら、学び直しは数分で終わります。

Step2

入力データを集める

データ中身取得元
出荷の記録日付、品目、出荷先の区分、数量販売管理のシステムの書き出し
販促の予定と実績週、品目、出荷先の区分、販促の種類(特売・掲載・催事)、確度営業の販促の表
気温の実績出荷先の多い地域の地点の日平均気温、平年値気象庁の過去の気象データ(CSV)
品目の情報飲み方(冷やし・温め・どちらも)、賞味期限の区分(チルド・常温)、発売日品目の一覧
生産の条件1回の仕込みの出来高(品目の系統ごと)、製麹の部屋の数と週の上限の回数、在庫計画のシート

質を決めるのは、販促の表の「確度」の列です。 量販店の特売は、取引先からの案内で決まるものと、営業が提案中のものが混ざっています。確定と提案中を分けずに渡すと、提案中の特売まで出荷を押し上げます。 確度を「確定」「見込み」の2つで持ち、特徴量を分けます。

品目の「飲み方」の列も欠かせません。 冷やしの品目と温めの品目では、気温の効き方が逆です。この列をカテゴリとして渡すと、モデルは飲み方ごとに気温との関係を分けて学べます。

Step3

データの取得方法を決める

取るもの範囲使い道
出荷の記録過去3年学習(週ごとに集計)
販促の予定と実績過去3年と翌月学習の特徴量と、予測の行
気温の実績と平年値過去3年の日ごと学習の特徴量(週の平均の平年との差)

気温は、気象庁の「過去の気象データ・ダウンロード」から CSV で取ります。 公式の説明では、地点・項目・期間を選んでCSVでダウンロードでき、選んだデータの量が100%を超えると表示もダウンロードもできなくなるとされています。3年分の日ごとの値を数地点なら、期間を分けて取ります。 平年値(1991〜2020年の30年の平均)との差を一緒に出せるとされているので、平年値も同じ画面で取ります。

欠測の扱いを決めておきます。 CSV では欠測の値を「すべて数値で格納」で出すと値の列が空になり、品質情報の列が0になるとされています。品質情報の列で欠測を見分け、その日は週の平均から外します。 同じ均質番号の値どうしは比べられるとされているので、地点の移転などで番号が変わった年をまたぐときは注意します。

学習には、過去の天気予報ではなく、実際の気温を使います。 モデルが学ぶべきは「その気温のときにどれだけ出たか」で、予報の不確かさは予測のときの筋書きで入れます。

Step4

AIへ渡す前に整形する

  1. 週ごとの集計 … 出荷の記録を、品目×出荷先の区分×週(月曜はじまり)に集計します
  2. 年のうちの週 … week_of_year を作ります。夏と冬の効き方の違いを、気温とこの列の組み合わせで学ばせます
  3. 気温の平年との差 … 週の日平均気温の平均から、同じ週の平年値の平均を引きます
  4. 販促の印 … 特売・掲載・催事を確定と見込みに分けて、0か1の列にします
  5. 過去の出荷の列 … 去年の同じ週の出荷、4〜8週前の平均の出荷。予測の時点で分かっていない値を入れません
  6. カテゴリの型 … 品目・出荷先の区分・飲み方の列を pandas の category 型にします
  7. 新しい品目の印 … 発売から52週に満たない品目に印を付け、似た品目の去年の出荷を列に入れます

6番を忘れやすいので注意します。 公式のページでは、categorical_features の既定は "from_dtype" で、データフレームの列の型が Categorical か Enum のものだけがカテゴリとして扱われるとされています(1.6で既定が変わった)。品目のコードを整数のまま渡すと、カテゴリではなく大小のある数として扱われます。 また、カテゴリの種類の数は max_bins まで(255以下)とされているので、品目×出荷先の組み合わせを1つの列にまとめず、別の列で渡します。

5番の「4〜8週前」は、予測の時点を守るためです。 翌月の最後の週を予測するとき、直前の数週の出荷はまだありません。1〜3週前の出荷を列に入れると、学習では当たり、本番では値が無い列になります。

Step5

AIに処理させる

させるのは、品目×出荷先の区分×週の出荷の量を、0.1・0.5・0.9の3つの分位点で予測することだけです。

させることさせないこと
週ごとの出荷の3つの分位点仕込みの回数の決定(人が決める)
気温の筋書きごとの予測気温そのものの予測(筋書きとして置く)
販促の確定・見込みごとの効き方の学習販促の可否の判断(営業が決める)

気温の縛り(単調性の制約)を入れないのが、この題材での要点です。 公式のページでは、monotonic_cst で特徴量ごとに増加(1)・減少(-1)・制約なし(0)を指定できるとされています。アイスクリームのように暑いほど出る品目なら増加の縛りが効きますが、甘酒は飲み方で向きが逆になります。 冷やしの品目だけのモデルと温めの品目だけのモデルに分ければ、それぞれに縛りを入れる手もありますが、品目が少ない側の学習の行が足りなくなります。この構成では1つのモデルで縛りを入れず、飲み方の列と週の列で効き方を分けさせ、検証で向きを確かめます。

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。

import numpy as np, pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import mean_pinball_loss

features = ["item", "channel", "serve", "week_of_year", "temp_anom",
            "promo_sale_fix", "promo_sale_est", "promo_coop", "promo_event",
            "ly_same_week", "mean_wk4_8", "similar_item_ly", "is_new_item"]
for c in ["item", "channel", "serve"]:
    train[c] = train[c].astype("category")          # from_dtype で拾わせる

def fit_q(q, X, y):
    return HistGradientBoostingRegressor(
        loss="quantile", quantile=q, learning_rate=0.05,
        max_iter=500, early_stopping=False).fit(X, y)

# 行ではなく「週」で分ける(1週に96行あるため)
weeks = np.sort(train["week_start"].unique())
tscv = TimeSeriesSplit(n_splits=4, gap=4)          # 4週あけて検証
for tr_w, va_w in tscv.split(weeks):
    tr = train["week_start"].isin(weeks[tr_w]); va = train["week_start"].isin(weeks[va_w])
    for q in (0.1, 0.5, 0.9):
        m = fit_q(q, train.loc[tr, features], train.loc[tr, "qty"])
        score = mean_pinball_loss(train.loc[va, "qty"],
                                  m.predict(train.loc[va, features]), alpha=q)
        record_score(q, score, weeks[va_w])

models = {q: fit_q(q, train[features], train["qty"]) for q in (0.1, 0.5, 0.9)}

TimeSeriesSplit を週の配列にかけているのが、この設定の要です。 公式のページでは、時間の順に並んだデータを分けるためのもので、各回の検証が同じ時間の長さになるよう、標本が等しい間隔で並んでいる必要があるとされています。1週に96行あるデータに行のままかけると、検証の区切りが週の途中に入り、同じ週の行が学習と検証に分かれます。週の配列で分けてから行に戻します。 gap=4 は、学習の終わりから4週を外して検証する設定で、翌月を見込む本番の距離に合わせています。

検証の物差しは mean_pinball_loss で、alpha に分位点を渡します。 公式のページでは alpha の既定は0.5で、0.5のときは平均絶対誤差と同じになるとされています。既定のまま3本を測ると、0.1と0.9のモデルまで中央の値の物差しで測ることになり、幅の良し悪しが分かりません。 分位点ごとに alpha を合わせ、前の月の値と並べて記録します。

early_stopping=False を明示しているのは、既定の 'auto' だと、標本が1万を超えるときだけ早期終了が有効になるからです。 3年分の行は1万を超えるので、指定しないと学習の行の一部が検証用に取り分けられ、月ごとに条件が変わります。毎月同じ条件で学ぶために、明示して切ります。

翌月の予測は、3つの筋書きで行を作ります。

scen_temp = {"normal": 0.0,
             "hot":  hist_anom.groupby("week_of_year").quantile(0.8),
             "cold": hist_anom.groupby("week_of_year").quantile(0.2)}
rows = []
for s, t in scen_temp.items():
    x = next_month_rows.copy()                      # 品目×区分×週
    x["temp_anom"] = 0.0 if s == "normal" else x["week_of_year"].map(t)
    for q, m in models.items():
        x[f"q{int(q*100)}"] = m.predict(x[features]).clip(min=0)
    x["scenario"] = s
    rows.append(x)
pred = pd.concat(rows)

「暑い」「寒い」の筋書きは、過去の同じ週の平年との差の上位2割と下位2割の値です。 天気を予測するのではなく、「去年までの暑い週くらいなら」「寒い週くらいなら」という幅を置きます。冷やしの品目は「暑い」の上の値、温めの品目は「寒い」の上の値が、欠品を避けたいときの目安になります。

Step7

出力形式を固定する

品目×出荷先の区分×週の表で出します。 生産管理課が開く計画のシートの隣のシートに書き出します。

列中身
品目・区分・週予測の単位
平年並の q10・q50・q90平年並の筋書きの下・中央・上
暑い・寒いの q90飲み方に応じた欠品の目安
販促その週の販促(確定・見込み)
印幅が広い/新しい品目/見込みの販促あり

品目の系統ごとに、仕込みの案をまとめます。

列中身
系統同じ麹と仕込みで作れる品目のまとまり
目指す出荷賞味期限の区分の規則で選んだ値の合計(チルドは q50、常温は筋書きの q90 を上限に人が決める)
在庫と安全在庫月の初めの在庫、自社で決めた安全在庫
仕込みの量目指す出荷+安全在庫-在庫
仕込みの回数仕込みの量 ÷ 1回の出来高(切り上げ)
週ごとの割り振り製麹の部屋の週の上限に収まるか。収まらなければ印
米の量回数 × 1回の米の量

3本の分位点が逆転することがあります。 分位点ごとに別々のモデルを学ぶので、まれに q10 が q50 を上回る週が出ます。書き出す前に、週ごとに3つの値を小さい順に並べ直し、並べ直した行に印を付けます。 印が多い品目は、学習の行が足りていない合図です。

仕込みの回数は、Python が四則演算で出します。 予測のモデルは出荷の量を出すだけで、回数への直し方は計画のシートの規則のままです。目指す出荷の列は、生産管理課が品目ごとに選び直せる形にしておきます。

Step8

システムへ連携する

つなぎ先方式内容
販売管理のシステム書き出したファイル出荷の記録
営業の販促の表共有のスプレッドシートを読む販促の予定と確度
気象庁の過去の気象データCSV をダウンロードして置く気温の実績と平年値
計画のシート隣のシートに書き出す予測の表と仕込みの案

販売管理のシステムと計画のシートには書き込みません。 確定した仕込みの回数は、責任者が計画のシートに写します。

気象庁のデータを社内の資料に載せるときは、出典を書きます。 気象庁のページは、権利表記が無い限り公共データ利用規約(第1.0版)に準拠した条件で使え、「出典:気象庁ホームページ(当該ページのURL)」の形で出典を記載し、編集・加工した情報を国が作成したかのように公表・利用してはいけないとしています。平年との差は加工した値なので、計画の資料にはその旨を添えます。

Step9

人が確認する

  1. 印の付いた行を見る … 幅が広い、新しい品目、見込みの販促ありの行を先に見ます
  2. 目指す出荷の値を選ぶ … チルドの品目は日持ちを、常温の品目は在庫の置き場所を見て選びます
  3. 製麹の部屋の印を見る … 収まらない週は、前の週に回すか、常温の品目の仕込みを後ろにずらします
  4. 責任者が確定する … 回数と米の量を計画のシートに写します

2番は生産管理課の判断として残します。 夏の山の前に常温の品目を作りだめするか、チルドの品目の欠品を受け入れるかは、取引先との約束と倉庫の空きで決まり、モデルの外にあります。 選んだ値と理由は、計画の案のシートの「受け方」の列に一言で残します。翌月の当たり方の記録と並べると、受け方の癖が品目ごとに見えてきます。

Step10

例外に対処する

起きること対応
出荷の記録の書き出しが欠けている週がある集計の段で週ごとの件数を見て、極端に少ない週があれば止める
気温のCSVに欠測がある品質情報で見分け、週の平均から外す。週の全日が欠測なら平年並とする
新しい品目で去年の出荷が無い似た品目の去年の出荷を使い、印を付ける
販促の表に翌月の予定が入っていない営業に確かめるまで、販促なしで予測し印を付ける
検証のピンボールの損失が前の月より大きく悪化計画の案を出さず、学習の記録を担当が見る
予測が負になる0で切る(clip)
3つの分位点が逆転する小さい順に並べ直し、印を付ける
取引先の終売・棚替えで出荷が止まる営業が品目の一覧に終売の週を入れ、その週以降は予測の行を作らない
気象庁のサイトからデータが取れない月前の月までの実績で学び、翌月の筋書きは平年並だけで出す
Step11

記録を残す

  • 学習に使ったデータの範囲と、特徴量の一覧、モデルの設定
  • 検証の結果(分位点ごとのピンボールの損失、週ごと)
  • 筋書きごとの予測の表と、仕込みの案
  • 生産管理課が選んだ目指す出荷の値と、責任者が確定した回数
  • 翌月の終わりの当たり方(実際の出荷が q10〜q90 に入った割合、品目ごと)

最後の行が、このモデルを信用してよいかの物差しです。 q10〜q90 の幅には、本来は8割前後の週が入るはずです。入る割合が大きく下がる品目は、特徴量か販促の記録に足りないものがあります。

04実装レベルの3段階

最小構成:表計算と手で動かす Python で、代表の品目を予測する / 一部の品目の見込み
半自動化:上記+全品目の週ごとの予測を月の終わりに自動で出す / 全品目の見込み
本格構成:上記+気温の筋書き、仕込みの回数と米の量の案、当たり方の記録 / 見込みから仕込みの案まで

本記事の想定は本格構成です。 1件15分が5分になるのは、並べる・上げ下げする・割るの作業がそろって出てくるからです。残る5分は、印の付いた行を見て、目指す値を選ぶ時間です。 半自動化で、夏か冬のどちらかの山を1回越えてから本格構成に進みます。 山の時期の当たり方を見ると、販促の確度の付け方や、気温の地点の選び方の癖が分かります。筋書きと仕込みの案は、予測そのものが信用できると分かってから足すほうが、案の数字を疑う議論に時間を取られません。 計画の会議の進め方も変わります。 これまでは担当の見込みを聞く場でしたが、印の付いた行だけを、筋書きの値を見ながら議論する場になります。印の無い行は案のまま通すことを、会議の決まりにしておきます。

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
96 件
1件あたり現在時間
15 分
1件あたり導入後時間
5 分
現在  96件 × 15分 ÷ 60 = 24 時間/月
導入後 96件 × 5分 ÷ 60 = 8 時間/月
月間削減時間
16h
削減率
67%
年間削減時間
192h
年間金額換算(時間単価3,500円)
67万円
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. 米麹の甘酒を、量販店・生協・通販・業務用に出荷しているメーカー。品目が20〜30あり、夏の冷やしと冬の温かい飲み方で出荷の山が年に2回あり、気温と量販店の特売で週ごとの出荷が大きく動く場合。製麹から充填までに日数がかかり、翌月の仕込みの回数を月の初めに決めなければならない場合。生産の担当が過去の出荷の表と天気の見通しを見比べ、経験で仕込みを決めていて、担当が替わると計画が組めない場合。過去2〜3年分の品目ごと・週ごとの出荷と、販促の記録が残っている場合。
向いていない
  1. 品目が数個で、受注を受けてから仕込んでも間に合う場合。取引先の確定した発注が月の初めに出そろい、見込みで仕込む部分がほとんど無い場合。出荷の記録が1年分に満たない、または新しい品目が大半を占める場合。なお、天気そのものを予測する構成ではなく、気温は筋書きとして置きます。何をどれだけ仕込むかは生産の責任者が決めます。

07最小構成で試す方法

  1. 去年の8月と12月について、冷やしと温めの代表の品目を2つずつ選ぶ
  2. 過去2年の週ごとの出荷と、同じ週の気温の平年との差を表にする
  3. 散布図で、飲み方ごとに気温の平年との差と出荷の関係を見る
  4. 去年の8月と12月を隠して、残りの期間で分位点回帰を学び、隠した月を予測する
  5. 実際の出荷が q10〜q90 に入った週の割合を数える
出てきた内容判断
冷やしと温めで、気温の向きが逆に出た飲み方の列を入れた構成に進む
幅に入る週が少ない販促の確度を分ける、去年の同じ週の列を足す
気温と出荷に関係が見えない地点の選び方を見直す。出荷先の多い地域の地点に替える

散布図の段を飛ばさないでください。 モデルに入れる前に、冷やしと温めで点の傾きが逆になっているのを目で見ておくと、学習の後に冬の山が平らになったとき、どこを疑えばよいかが分かります。 傾きが見えないなら、地点か飲み方の区分のどちらかが実態と合っていません。

08実装時につまずきやすいポイント

問題対策
品目のコードが数として扱われるcategory 型にする。既定の from_dtype は型で判断する
検証の区切りが週の途中に入る行ではなく週の配列で TimeSeriesSplit をかける
月ごとに学習の条件が変わるearly_stopping を明示する。'auto' は1万を超えると有効
冬の山を学べない気温に増加の縛りを入れない。飲み方と週の列で分けさせる
学習では当たり本番で外れる1〜3週前の出荷を列に入れない
提案中の特売で押し上がる販促を確定と見込みに分ける
気温の欠測を0として扱う品質情報で見分け、平均から外す
quantile の指定を忘れる既定は None。3本とも明示する
検証の物差しが中央の値のままmean_pinball_loss の alpha を分位点に合わせる(既定は0.5)
q10 が q50 を上回る週が出る並べ直して印を付ける
伸びている区分が足りなくなる直近の水準の列(4〜8週前の平均)を入れる

上の3行は、エラーにならずに当たり方だけが悪くなる失敗です。 どれも scikit-learn の既定の動きと、データの形の組み合わせから起きます。

4行目は、この題材ならではの失敗です。 暑いほど出る品目の予測の書き方をそのまま流用すると、気温に増加の縛りが入り、冬の温めの品目の山が平らになります。 検証の段で、温めの品目の12月・1月の当たり方を必ず別に見てください。

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: 品目ごと・出荷先の区分ごとの出荷の数量、販促の予定、在庫、気温。個人の情報は扱いません。

  1. 外部へ送らない … 生成AIを使わず、社内のPCかサーバーで動かします
  2. 販促の予定の扱い … 量販店の特売の予定は、取引先との約束で外に出せない情報です。計画の案のシートの共有を生産管理課と営業に限ります
  3. 予測を確定の数字として扱わない … 出すのは幅と案で、仕込みの回数は責任者が決めます
  4. 気象庁のデータの出典を書く … 加工した値であることを添えます
  5. モデルと設定の版を残す … 学習に使ったデータの範囲と設定を、計画の案と一緒に保存します。後から「なぜこの回数にしたか」を説明するときの材料です
  6. スクリプトを1人の持ち物にしない … 書いた人しか動かせない状態は、経験に頼っていた頃と同じ属人化です。手順書と、動かし方を知る2人目を用意します

誤りが起きた場合のリスクは、欠品と廃棄の2つです。 どちらも幅の受け方を人が品目ごとに選ぶことと、当たり方の記録でモデルを見直すことで抑えます。

予測の表を取引先との商談に持ち出さないでください。 量販店の特売の予定は、取引先から預かった情報を含みます。予測の表には、その予定から作った列が入っているので、社外に出す資料は、出荷の実績と自社の計画の数字だけで作ります。 予測の幅は社内の判断の材料にとどめます。

10まず何から始めるか

1週目:品目の一覧に2つの列を足す

飲み方(冷やし・温め・どちらも)と賞味期限の区分(チルド・常温)の列を足します。販促の表には確度の列を足します。

2週目:代表の品目で試す

第8章のとおり、冷やしと温めの品目で、気温の向きが逆に出るかを見ます。どちらの向きも出ない品目は、飲み方の区分を付け直します。

3週目:週ごとの集計を作る

3年分の出荷を週ごとに集計し、気温の平年との差を付けます。週の件数が極端に少ない週が無いかを確かめます。 年末年始と大型の連休の週は、出荷の日が少なく、数字が谷になります。祝日の数の列を足すか、その週に印を付けておくと、モデルが谷を気温のせいと取り違えません。

4週目:全品目の予測を出す

3本のモデルを学び、週の配列での検証の結果を記録します。計画の会議で、これまでの見込みと並べて見ます。

2か月目: 筋書きと仕込みの案を足し、米の発注の担当にも案の見方を説明します。3か月目以降: 当たり方の記録を毎月見て、幅に入る割合の低い品目の特徴量を足します。夏と冬の山を1回ずつ越え、担当が替わっても同じ計画を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:2026-11-17/最終更新:2026-11-17
確認した内容情報源確認日
loss の quantile(ピンボールの損失、1.1で追加)、quantile の既定 None、categorical_features の既定 from_dtype(Categorical・Enum の列、1.6で変更)、カテゴリは max_bins まで、max_bins は255以下、monotonic_cst の1・0・-1、early_stopping の 'auto' が1万超で有効scikit-learn: HistGradientBoostingRegressor2026-11-17
mean_pinball_loss の alpha の既定が0.5で、0.5なら平均絶対誤差と同じscikit-learn: mean_pinball_loss2026-11-17
時間の順のデータを分けること、標本が等しい間隔で並ぶ必要、gap と n_splits の既定scikit-learn: TimeSeriesSplit2026-11-17
CSV でのダウンロード、選んだデータの量が100%を超えると表示・ダウンロードできないこと、欠測の格納と品質情報、均質番号、平年値(1991〜2020年)との比較気象庁: 過去の気象データ・ダウンロードの使い方2026-11-17
公共データ利用規約(第1.0版)に準拠した利用、出典の記載の形、編集・加工した情報を国が作成したかのように扱わないこと気象庁: ホームページについて2026-11-17

何をどれだけ仕込むかは、生産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-3562)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