Media > AI活用ユースケース > 営業 > オートキャンプ場が、過去の予約・天気・祝日・近くの催しの記録から Python で区画の種類ごとの泊まりと到着の組数を見込み、料金の設定と受付の人員の案を作る

オートキャンプ場が、過去の予約・天気・祝日・近くの催しの記録から Python で区画の種類ごとの泊まりと到着の組数を見込み、料金の設定と受付の人員の案を作る

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

過去の予約と取消の記録、祝日、近くの催しから、Python で翌月の区画の種類ごとに、泊まりの区画数と到着の組数を幅付きで見込みます。見込みから、繁忙の料金と割引を当てる日の候補と、管理棟の受付の人員の案を作ります。

サマリー
連携・自動化
Python
対象業界
その他/宿泊
対象部門
営業
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/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
12h/月
AI導入後
4h/月
想定削減
67%
年間削減
96h
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. 月の中ごろ、料金の担当が予約の画面で翌月の区画の種類ごとのカレンダーを開く
  2. 日ごとに、いま入っている区画の数を見る
  3. 去年の同じ月の同じ曜日の埋まり方を別の画面で見比べ、近くの催しを思い出す
  4. 繁忙を当てる日を決め、料金の表に入れて支配人の承認を受ける
  5. 支配人が、翌月の土日と連休の予約の数を見て、受付の人数を決める
  6. 翌月に入ってから、雨の予報で取消が増えた週末に、出勤を減らす連絡をする
導入後(After)
  1. 人料金の担当が、翌月と翌々月の近くの催し(花火大会、音楽の催し、道路の工事など)を催しの表に入れる
  2. 自動毎週月曜の朝、Python が予約の記録を読み、過去の各日について「何日前に、どの種類の区画が何区画入っていたか」を作り直す
  3. 自動翌月の区画の種類・日ごとに、最終的な泊まりの区画数と到着の組数を、下の値・中央の値・上の値で予測する
  4. 自動泊まりの見込みから繁忙の料金と割引の候補の印を付け、到着の見込みから受付の人数の案を出す
  5. 人料金の担当が候補を見て料金の区分の案を作り、支配人が承認して料金の表に入れる
  6. 人支配人が受付の人数の案を見て、シフトの表に入れる
  7. 自動月が終わったら、見込みと実際の泊まり・到着を当たり方の記録に残す
各工程の詳しい説明を読む
  1. 月の中ごろ、料金の担当が予約の画面で翌月の区画の種類ごとのカレンダーを開く
  2. 日ごとに、いま入っている区画の数を見る
  3. 去年の同じ月の同じ曜日の埋まり方を別の画面で見比べ、近くの催しを思い出す
  4. 繁忙を当てる日を決め、料金の表に入れて支配人の承認を受ける
  5. 支配人が、翌月の土日と連休の予約の数を見て、受付の人数を決める
  6. 翌月に入ってから、雨の予報で取消が増えた週末に、出勤を減らす連絡をする

(a)泊まりの数で受付の人数を決めている。 5番で支配人が見ているのは予約の区画の数で、到着の数ではありません。連休の2日目と3日目は区画がほぼ満杯でも、到着は初日の半分以下ということがあります。

(b)区画の種類の間の流れ込みが読めていない。 電源付きのサイトが埋まると、一般のサイトに予約が流れます。電源付きの埋まり方だけを見て繁忙を当てると、後から埋まる一般のサイトに繁忙を当てそびれます。

(c)雨での取消を感覚で割り引いている。 1か月前の予約の数から、支配人は「雨なら2割は減る」のように見ていますが、種類によって減り方が違い、キャビンはあまり減りません。 その違いが記録に残っていません。

(d)繁忙を当てるのが遅れる。 見込みに自信がないので、ほぼ埋まってから繁忙に切り替えます。残り数区画に切り替えても、効く区画がほとんど残っていません。

(e)2か所を同じ人が見ている。 高原と湖畔では、埋まる季節も客層も違います。料金の担当は2か所の10種類のカレンダーを順に開くので、後に回したほうの見直しが毎月薄くなります。

  1. 【人】 料金の担当が、翌月と翌々月の近くの催し(花火大会、音楽の催し、道路の工事など)を催しの表に入れる
  2. 【自動】 毎週月曜の朝、Python が予約の記録を読み、過去の各日について「何日前に、どの種類の区画が何区画入っていたか」を作り直す
  3. 【自動】 翌月の区画の種類・日ごとに、最終的な泊まりの区画数と到着の組数を、下の値・中央の値・上の値で予測する
  4. 【自動】 泊まりの見込みから繁忙の料金と割引の候補の印を付け、到着の見込みから受付の人数の案を出す
  5. 【人】 料金の担当が候補を見て料金の区分の案を作り、支配人が承認して料金の表に入れる
  6. 【人】 支配人が受付の人数の案を見て、シフトの表に入れる
  7. 【自動】 月が終わったら、見込みと実際の泊まり・到着を当たり方の記録に残す

3番目で、泊まりと到着を別のモデルにしています。 泊まりは「その夜に使われた区画の数」、到着は「その日にチェックインした組の数」です。同じ予約の記録から2つの答えを作り、それぞれの積み上がりから見込みます。

4番目で、料金の印は泊まりの下の値と上の値、受付の人数は到着の上の値を使います。 受付は足りないときの損が大きいので、よく来た場合の数に合わせます。

5番目と6番目を人に残すのは、表の外の事情があるからです。 すでに予約した客の料金は変えない、常連の団体の予約がある、パートの事情がある。料金とシフトの決定は、支配人がします。

02今回想定するシステム構成

構成図
予約の仕組み(受付・取消の日時、区画の種類、到着の日、泊数)   催しの表   祝日の一覧
        │                                                        │          │
        └───────────────────────────┬────────────────────────────┴──────────┘
                                    ▼【トリガー】毎週月曜の朝
Python
   ├──▶ 予約を泊まりの行(区画の種類×夜)と到着の行(区画の種類×到着の日)に分ける
   ├──▶ 過去の各日について、30日前・14日前・7日前の積み上がりを作り直す
   ▼
LightGBM(ポアソン回帰で中央の値、分位点回帰で下の値・上の値)
   │   泊まりのモデル / 到着のモデル
   ▼
Python ── 繁忙の料金・割引の候補の印、受付の人数の案
   ▼
【料金の担当が案を作る → 支配人が承認 → 料金の表とシフトの表に入れる】
   ▼
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・LightGBM)R
処理エンジンLightGBM(objective="poisson" と "quantile")scikit-learn の HistGradientBoostingRegressor
集計Python(泊まりと到着の行の作成、積み上がりの作り直し、候補の印、受付の人数の換算)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、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。 予約の記録は予約の仕組みの書き出しの機能でファイルにし、料金の表とシフトの表には書き込まず、案の表を出すところまでにします。

中央の値には LightGBM のポアソン回帰を使います。 objective に poisson を指定します。泊まりの区画数も到着の組数も0以上の数なので、数を扱う目的関数を使います。 下の値と上の値は、objective="quantile" で alpha を0.1と0.9にした別のモデルで出します。

03どうやって実装するのか

Step1

処理の起点を決める

毎週月曜の朝に、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。 月の中ごろの料金の見直しに加えて、週ごとに翌月の見込みを更新します。

時期すること
毎週月曜翌月と翌々月の前半の見込みを更新し、前の週との違いを出す
月の中ごろの月曜見込みに加えて、料金の候補と受付の人数の案を出す
月の終わりその月の当たり方の記録を作り、学び直す

月の中ごろに案を出すのは、パートの出勤の希望を20日に締めるからです。 受付の人数の案を見てからシフトを組めるよう、その前の月曜に出します。 学び直しは月に1回で、毎週の実行は前の月のモデルで予測の行だけを作り直します。

Step2

入力データを集める

データ中身取得元
予約の記録予約の番号、キャンプ場、区画の種類、到着の日、泊数、区画の数、受付の日時、取消の日時、予約の経路予約の仕組みから書き出したファイル
区画の一覧キャンプ場、区画の種類、区画の数、フリーサイトの受け入れの上限区画の一覧の表
料金の表区画の種類・日ごとの料金の区分(通常・繁忙・割引)の履歴料金の表
催しの表日、キャンプ場の近くの会場、催しの種類、規模の目安料金の担当が入力
祝日の一覧日付、祝日の名前内閣府「国民の祝日」の CSV
休業・工事の予定キャンプ場、区画、期間支配人の表

質を決めるのは、予約の記録の取消の日時です。 取り消した予約が書き出しに出てこない仕組みだと、過去の各日に何区画入っていたかが作り直せず、雨の取消を織り込めません。 書き出しの設定で取消を含めて出せるかを、最初に確かめます。

予約者の名前・電話番号・車の番号は取り込みません。 書き出しの列から外し、予約の番号だけを残します。 見込みに要るのは、いつ、どの種類の区画に、何泊入ったかだけです。

Step3

データの取得方法を決める

取るもの範囲使い道
予約の記録(取消を含む)過去3年に到着の日がある予約すべて学習の積み上がりと答え
いまの予約の記録翌月と翌々月の前半に泊まりのある予約予測の行の積み上がり
料金の区分の履歴過去3年学習の列(繁忙・割引の日か)
祝日の一覧全期間暦の列

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。

天気の記録は、学習の列には入れず、当たり方の記録の側で使います。 気象庁の「過去の気象データ・ダウンロード」から、近くの観測地点の日別の降水量を取り、月の終わりに、外れた日が雨の日だったかを並べて見ます。 翌月の各日の天気は見込みの時点で分からないので、モデルの列に入れると、本番で使えない列を学ぶことになります。

Step4

AIへ渡す前に整形する

  1. 泊まりの行を作る … 1件の予約を、到着の日から泊数の分だけ夜ごとの行に広げます(2泊なら2行)
  2. 到着の行を作る … 1件の予約を、到着の日の1行にします
  3. 時点ごとの積み上がりを作る … 過去の各夜・各到着の日について、30日前・14日前・7日前の時点で「受付済みで、まだ取り消されていない」区画の数を数えます
  4. 答えを作る … 実際に使われた(取り消されなかった)泊まりの区画数と、到着の組数を数えます
  5. 流れ込みの列を作る … 同じ夜の、ほかの区画の種類の積み上がりの割合(区画の数で割った値)を列にします
  6. 暦の列を作る … 曜日、祝日か、連休の何日目か、学校の長い休みか
  7. 休業の日を外す … 休業・工事の区画と日を学習から外します

3番目の積み上がりは、次のように作ります(要点だけ)。

# 夜ごとの行 nights: 予約の番号, 区画の種類, 夜, 区画の数, 受付の日時, 取消の日時
def on_hand(rows, day_col, lead):
    cut = rows[day_col] - pd.Timedelta(days=lead)
    alive = (rows.booked_at < cut) & (rows.cancelled_at.isna() | (rows.cancelled_at >= cut))
    return (rows[alive].groupby(["site", "type", day_col])["units"].sum()
                       .rename(f"onhand_{lead}d"))

ans = nights[nights.cancelled_at.isna()].groupby(["site", "type", "night"])["units"].sum()
tr = (ans.rename("final").to_frame()
      .join([on_hand(nights, "night", d) for d in (30, 14, 7)], how="left")
      .fillna(0))

cancelled_at >= cut が、雨の取消を織り込む部分です。 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として数えます。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、「1か月前の数から大きく伸びる」と学んでしまいます。 実際には、雨の週末は1か月前の数から減ります。

5番目の流れ込みの列は、(b) の答えです。 電源付きのサイトが30日前の時点で8割埋まっていれば、一般のサイトの伸びが大きくなる。この関係を、ほかの種類の積み上がりの割合として列に入れます。

予測の行は、利用の日までの日数で使える積み上がりが違います。 翌月の末日を見込むときに、14日前や7日前の値はまだありません。利用の日まで7〜13日・14〜29日・30〜59日の3つのモデルを作り、その日数の時点で分かる積み上がりだけを使います。

Step5

AIに処理させる

させるのは、翌月の区画の種類・日ごとに、最終的な泊まりの区画数と到着の組数を、それぞれ3つの値で出すことです。

モデル設定使い道
泊まり・下の値objective="quantile", alpha=0.1繁忙の料金の候補(あまり伸びなくても埋まる日)
泊まり・中央の値objective="poisson"見込みの中心
泊まり・上の値objective="quantile", alpha=0.9割引の候補(よく伸びても空く日)
到着・上の値objective="quantile", alpha=0.9受付の人数の案
到着・中央の値objective="poisson"薪の準備などの参考

積み上がりの列には、増える方向の制約を付けます。 LightGBM の monotone_constraints は、特徴量の順に 1(増加)・-1(減少)・0(制約なし)を並べます。自分の種類の積み上がりが多いほど最終の数が多い形に縛ると、記録の少ない種類で逆向きの見込みが出るのを防げます。 流れ込みの列には制約を付けません。

させないこと理由
料金の区分の決定常連・団体の予約、表示の都合は支配人が判断する
料金の表とシフトの表の書き換えすでに予約した客の料金を変えない確かめが要る
悪天候での営業の判断台風・大雨の日の営業は、場内の安全から支配人が決める
予約者ごとの取消の見込み特定の客を「取り消しそう」と見ない。予約者の情報は扱わない

最後の行を設計で守るのは、客を見ないためです。 雨の取消は、種類と日の単位の積み上がりの中で扱います。どの客が取り消しそうかを見込むと、その客への扱いを変える使い方に流れやすくなります。

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 lightgbm as lgb

feats = ["site", "type", "dow", "is_holiday", "holiday_seq", "school_break",
         "event_near", "event_size", "price_flag",
         "onhand_30d", "other_type_fill_30d", "ly_same_dow_mean"]   # 30〜59日のモデル
mono = [1 if f == "onhand_30d" else 0 for f in feats]

def fit(df, target, obj, alpha=None):
    p = dict(objective=obj, monotone_constraints=mono, learning_rate=0.05,
             num_leaves=15, min_data_in_leaf=20, deterministic=True, seed=7,
             verbose=-1)
    if alpha is not None:
        p["alpha"] = alpha                       # 既定は0.9。必ず明示する
    ds = lgb.Dataset(df[feats], df[target], categorical_feature=["site", "type"])
    return lgb.train(p, ds, num_boost_round=400)

cut = tr_all.day.max() - pd.Timedelta(days=90)
tr = tr_all[tr_all.day < cut - pd.Timedelta(days=60)]     # モデルが見る最大の日数を空ける
models = {("night", k): fit(tr, "final_nights", *a) for k, a in
          {"lo": ("quantile", 0.1), "mid": ("poisson",), "hi": ("quantile", 0.9)}.items()}
models[("arr", "hi")]  = fit(tr, "final_arrivals", "quantile", 0.9)
models[("arr", "mid")] = fit(tr, "final_arrivals", "poisson")

alpha を明示しているのは、既定が0.9だからです。 泊まりの下の値のモデルで書き忘れると、黙って上の値を出し、繁忙の候補が増えすぎます。

deterministic=True と seed を付けているのは、毎週の見込みを同じデータから同じ値で出すためです。 同じデータ・同じ設定で結果を安定させる設定で、前の週との違いが、予約の動きによるものか学習の揺れによるものかを分けられます。

キャンプ場と区画の種類は、0から始まる整数の番号にしてから渡します。 LightGBM のカテゴリの列は Int32.MaxValue より小さい値で、負の値は欠けた値として扱われます。 新しい区画の種類に -1 を振ると、黙って欠けた値になります。

候補の印と受付の人数は、次の規則で出します。

cap = pred.type_capacity                                  # 区画の数(フリーは上限)
pred["fill_lo"] = models[("night", "lo")].predict(X).clip(0, cap) / cap
pred["fill_hi"] = models[("night", "hi")].predict(X).clip(0, cap) / cap
pred["flag"] = np.select([pred.fill_lo >= pred.peak_line, pred.fill_hi <= pred.disc_line],
                         ["繁忙の候補", "割引の候補"], default="")
arr = models[("arr", "hi")].predict(Xa).clip(min=0)
staff = np.ceil(arr_by_site_day / per_staff_groups).clip(min=1)   # 受付の人数の案

peak_line・disc_line・per_staff_groups は、支配人が決める線です。 区画の種類ごと、キャンプ場ごとに区画の一覧の表に持たせます。

Step7

出力形式を固定する

区画の種類・週ごとの料金の表と、キャンプ場・日ごとの受付の表の2つで出します。

キャンプ場区画の種類夜いまの区画泊まり(下/中/上)区画の数区分催し印
高原電源付き10/10(土)2233/36/3840通常-繁忙の候補
高原一般10/10(土)1830/35/4050通常--
湖畔ペット可10/14(水)23/5/930通常-割引の候補
キャンプ場日到着(中/上)うち連泊の2日目以降の区画受付の人数の案前の週との違い
高原10/10(土)58/71124+1
高原10/11(日)15/22552-

1つ目の理由は、いまの区画と見込みを並べて、伸びしろが見えることです。 1行目は、いまは22区画でも、似た日の伸び方からすると下の値でも33区画埋まる見込みです。2行目の一般のサイトは上の値で40区画と幅が広く、印は付きません。 電源付きが埋まった後の流れ込みで伸びる日なので、翌週の見込みを待ちます。

2つ目は、泊まりと到着の違いが表の上で読めることです。 受付の表の2行目は、区画はほぼ埋まっていても到着は少ない連休の中日です。受付は2人で足り、ほかの人を場内の見回りに回せます。

Step8

システムへ連携する

つなぎ先方式内容
予約の仕組み書き出したファイルを読む(名前・電話番号・車の番号の列を除く)受付・取消の日時、区画の種類、到着の日、泊数
区画の一覧・料金の表ファイルを読む区画の数、線、料金の区分の履歴
催しの表・休業の予定ファイルを読む近くの催し、休業・工事
案の表ファイルを書く料金の表、受付の表
社内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

予約の仕組みと料金の表とシフトの表には書き込みません。 料金の区分の変更とシフトは、支配人が承認して入れます。見込みの誤りが、そのまま客に見える料金にならないようにします。

Step9

人が確認する

  1. 「繁忙の候補」を見る … 常連の団体の予約が入っていないか、予約のサイトに出した料金と食い違わないかを確かめます
  2. 「割引の候補」を見る … 割引を当てる日と幅の案を作ります。直前ではなく、候補が出た週に決めます
  3. 受付の人数の案を見る … 団体の到着、催しの日の到着の時刻の偏りなど、表に無い事情を足します
  4. 支配人が承認する … 料金の区分を料金の表に、受付の人数をシフトの表に入れます

候補を採らなかったときも、理由を一言残します。 「常連の団体」「予約のサイトの掲載の締め」「幅が広いので翌週に回す」のように残すと、同じ種類で毎月同じ理由が続くなら、その種類の線を変えるか、候補から外す決まりを作れます。

Step10

例外に対処する

起きること対応
書き出しに取消の予約が含まれていない積み上がりが作れないので止める。書き出しの設定を確かめる
新しい区画の種類を始めた同じキャンプ場の近い種類の値で見込み、「新しい種類」の印
区画の数を変えた(増設・閉鎖)変えた日の前後を別の種類として扱い、「区画の変更」の印
見込みが区画の数を超える区画の数で切り、切った件数を記録に残す
下の値が中央の値を上回る並べ直さずに「幅の逆転」の印
1件の予約で区画をまとめて押さえる団体団体として積み上がりから外し、その日の見込みに別に足す
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
台風の予報で取消が急に増える見込みを出し直しても、営業の判断は支配人。印だけ付ける

6行目で団体を外すのは、1件で積み上がりが一気に増えるからです。 学校や会社の団体が20区画を押さえると、その日の伸び方を「ふだんより大きく伸びる日」と学んでしまいます。 団体は予約の数をそのまま足します。

Step11

記録を残す

  • 学習に使った期間と行数、外した休業の日と団体の予約
  • 利用の日までの日数ごとの泊まり・到着のモデルのファイルと、設定(objective、alpha、制約、seed)
  • 毎週の見込みと、そのとき使った積み上がり・催しの表
  • 料金の候補と承認された区分、受付の人数の案と決まった人数
  • 月の終わりの当たり方(実際の数が下の値と上の値の間に入った割合)と、外れた日の降水量

最後の行で降水量を並べるのは、外れの理由を分けるためです。 上の値を下回った日が雨の週末に集まっていれば、取消の織り込みが足りていません。雨の無い日に外れているなら、催しの表に載っていない理由を探します。

04実装レベルの3段階

最小構成:表計算で30日前の積み上がりと最終の数、到着の数を並べる / 伸び方と泊まり・到着の違いの確かめ
半自動化:上記+Python で種類・日ごとの泊まりの3つの値を見込む / 泊まりの見込み
本格構成:上記+到着のモデル、利用の日までの日数ごとのモデル、流れ込みの列、候補の印、受付の人数の案、当たり方の記録 / 見込みから料金と受付の案まで

本記事の想定は本格構成です。 1件18分が6分になるのは、積み上がりの拾い出しと去年との見比べが自動になり、担当が見るのが候補の印の付いた日と受付の表だけになるからです。 半自動化で3か月回してから、本格構成に進みます。 泊まりの見込みだけを出して支配人の読みと並べると、外れやすい種類と、催しの表に足りない情報が先に見えます。 到着のモデルと受付の人数の換算は、その後で足します。 本格構成のさらに先として、薪とレンタル品の準備に使うことも考えられます。 到着の中央の値から、その日に売れる薪の束の数や、貸し出すテントの数の目安を出せます。 ただし事前の注文の数は UC-3314 のような受付の仕組みの側にあるので、この構成は到着の見込みを渡すところまでにします。

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
18 分
1件あたり導入後時間
6 分
現在  40件 × 18分 ÷ 60 = 12 時間/月
導入後 40件 × 6分 ÷ 60 = 4 時間/月
月間削減時間
8h
削減率
67%
年間削減時間
96h
年間金額換算(時間単価2,500円)
24万円
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. 電源付きのオートサイト・一般のオートサイト・ペット可のサイト・キャビンなど、種類の違う区画を持つオートキャンプ場を1〜数か所運営し、日ごとの料金の区分(通常・繁忙)と受付の出勤を、支配人が予約の画面を見て経験で決めている場合。予約の受付と取消の日時が予約の仕組みに2年分以上残っていて、書き出せる場合。
向いていない
  1. 区画が十数区画で、支配人が予約の画面を見れば翌月の様子が分かる場合。料金を年間で固定していて、日ごとに変える余地が無い場合。予約の仕組みが取り消した予約を消してしまい、受付と取消の日時が残っていない場合。なお、料金をいくらにするかの決定と、悪天候での営業の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 1か所の区画の種類を2つ選び、過去1年の予約の記録を取消も含めて書き出す(電源付きと一般のサイトを入れる)
  2. 各夜について、30日前の時点で入っていた区画の数と、最終的に使われた区画の数を表計算で並べる
  3. 同じ夜の到着の組数も数え、泊まりの数と並べる
  4. 種類ごとに、30日前の数を横軸、最終の数を縦軸にした散らばりの図を描き、雨の日の点に印を付ける

この段階ではモデルを作りません。 種類ごとに伸び方が違うか、雨の日に減り方が違うか、泊まりと到着がどれくらい離れる日があるかを確かめます。

3番目で、連休の中日に泊まりと到着が大きく離れていれば、2つを分けて見込む意味があります。 受付の人数を泊まりで決めていたことの損が、表の上で見えます。

出てきた内容判断
種類で伸び方が違い、泊まりと到着が離れる日があるPython の構成に進む
取消の予約が書き出しに出てこない予約の仕組みの書き出しを直すのが先。構成は有効
どの種類も30日前にほぼ埋まっている見込む余地が小さい。料金の区分は今のやり方で足りる

08実装時につまずきやすいポイント

問題対策
受付の人数が連休の中日に多すぎる泊まりと到着を別のモデルで見込む
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
雨の週末に見込みが高く外れる取消を含めた積み上がりで学ばせ、外れた日の降水量を記録で見る
翌月の天気をモデルの列に入れる本番で使えない列は入れない
月末の日の見込みに使えない値が混ざる利用の日までの日数ごとにモデルを分ける
一般のサイトの繁忙を当てそびれるほかの種類の積み上がりの割合を列にする
下の値のモデルが上の値を出すalpha の既定は0.9。明示する
毎週の見込みが学習の揺れで動くdeterministic=True と seed を付ける
新しい種類が欠けた値になるカテゴリの番号に負の値を使わない
団体の予約で伸び方を誤って学ぶ団体を積み上がりから外し、別に足す
予約者の名前・車の番号が学習に入る書き出しの段階で列を外す
祝日の CSV が文字化けするencoding="cp932" で読む

上の5行は、時点と答えの取り違えです。 泊まりと到着、その時点で見えていた予約と最後に残った予約、分かる列と分からない列。表の作り方の段階で決まる失敗で、モデルの設定では直りません。

真ん中の行の多くは、エラーにならずに通る失敗です。 alpha の書き忘れ、学習の揺れ、負の番号。どれも何かしらの数字が出るので、当たり方の記録を見るまで気づけません。 作る段階で、3つの値の並びと区画の数の超過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: 区画の種類ごとの予約の受付・取消の日時、到着の日と泊数、料金の区分の履歴、近くの催し。予約の仕組みには客の名前・電話番号・住所・車の番号がありますが、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・連絡先・車の番号は書き出しません
  2. 予約者ごとの取消の見込みをしない … 取消は種類と日の積み上がりの中で扱い、特定の客を「取り消しそう」と見ません
  3. 料金を自動で変えない … 候補は資料に出すだけで、料金の区分の変更は支配人が承認します
  4. すでに予約した客の料金を変えない … 区分の変更は、変更の後の予約から当てはめます。変更の日を記録に残します
  5. 予約の記録を社外に出さない … 区画ごとの稼働と料金の履歴は、近くのキャンプ場に知られたくない情報です。予測は社内のパソコンで回し、外部のサービスにデータを渡しません
  6. 悪天候の営業の判断を見込みに任せない … 台風や大雨の日は、見込みにかかわらず、客と働く人の安全から支配人が決めます

誤りが起きた場合のリスクは、空く日に繁忙を当てて予約を逃すことと、到着の多い日に受付の人が足りなくなることの2つです。 前者は泊まりの下の値で、後者は到着の上の値で減らしますが、料金とシフトを決めるのは人です。 迷った日は料金を据え置き、翌週の見込みの更新を待つ側に倒します。

10まず何から始めるか

1週目:予約の記録の書き出しを確かめる

予約の仕組みから、取り消した予約も含めて、受付と取消の日時、到着の日、泊数を書き出せるかを確かめます。名前・連絡先・車の番号の列を外して書き出す設定を作ります。

2週目:2つの種類で伸び方を見る

第8章のとおり、30日前の積み上がりと最終の数、到着の数を並べます。泊まりと到着が離れる日と、雨の日の減り方を見ます。

3週目:催しの表と線を決める

近くの会場の催しをどの表に入れるかを決めます。支配人と、繁忙・割引の候補の線と、受付の1人あたりの組数を、種類とキャンプ場ごとに決めます。

4週目:Python で泊まりの見込みだけを出す

1か所で泊まりの3つの値を出し、支配人の読みと並べます。候補の印はまだ出しません。 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と、その日の降水量を確かめます。

2か月目: 2か所に広げ、到着のモデルと日数ごとのモデルを作ります。3か月目以降: 候補の印と受付の人数の案を足し、当たり方の記録を取ります。一年の季節を一巡して、実際の数が幅の中に入る割合が設計どおりになり、案を毎月の料金とシフトの決定に使え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
objective に poisson と quantile があること、alpha の既定0.9が huber と quantile で使われること、monotone_constraints の 1・-1・0 を特徴量の順に指定すること、カテゴリの列の値が Int32.MaxValue より小さく、負の値が欠けた値として扱われること、min_data_in_leaf の既定20、deterministic が同じデータ・同じ設定で結果を安定させること(cpu のみ)、seed がほかの種を生む元になることLightGBM: Parameters2026-11-18
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
地点・項目・期間を選んで日別値を画面表示か CSV で取れること、資料不足値の扱い気象庁: 過去の気象データ・ダウンロードの使い方2026-11-18

料金の区分と受付の人数は、支配人が決めてください。 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おり、特定の予約の仕組みや予約のサイトの書き出しの機能は確かめていません。

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-3881)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