Media > AI活用ユースケース > 経営企画 > 日帰りの温浴施設が、日ごとの来館者数・天気・行事の記録から Python で来館者数の幅を予測し、貸しタオルの発注と食事処の仕込みの目安を出す

日帰りの温浴施設が、日ごとの来館者数・天気・行事の記録から Python で来館者数の幅を予測し、貸しタオルの発注と食事処の仕込みの目安を出す

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

館ごとの過去の来館者数と天気・行事から、2日後と翌日の来館者数を Python で「何人から何人くらい」という分布として予測します。その分布から、リネン業者へ出す貸しタオルの枚数の案と、食事処の仕込みの目安を出します。

サマリー
連携・自動化
Python
対象業界
その他/宿泊/飲食
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/属人化解消/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
30h/月
AI導入後
9h/月
想定削減
70%
年間削減
252h
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. 支配人が16時ごろ、券売機の書き出しで先週と先々週の同じ曜日の来館者数を見る
  2. 天気予報と館内の行事の予定、近くの学校の休み、給料日を思い浮かべて、2日後の来館者数を見積もる
  3. 手ぶらセットの売れる割合を掛けて貸しタオルの枚数を出し、念のため多めにしてリネン業者の発注の表に書く
  4. 同じように翌日の来館者数を見積もり、食事処の利用の割合を思い出して、炊飯・麺・揚げ物の量を出す
  5. 厨房の責任者に仕込みの目安を口頭かメモで伝える
導入後(After)
  1. 人本部の担当が毎日15時に、翌日と2日後の天気の予報(天気の区分・最高気温)を予定のシートに入れる。館の行事と近くの催しは各館が前もって入れておく
  2. 自動15時半に Python の処理が動き、券売機と食事処のレジの書き出し、予定のシートを読む
  3. 自動学習済みの負の二項回帰のモデルで、館ごとの翌日と2日後の来館者数の分布を出す
  4. 自動分布から、貸しタオルは8割の点、食事処の品目は品目ごとに決めた点を取り、手ぶらセットの割合と注文の割合を掛けて量にする
  5. 自動館ごとの案の表を、リネン業者の発注の表と仕込みの表の横の欄に書く。読みにくい日には印を付ける
  6. 人支配人が16時に案を見て、そのまま使うか数を直す。直したときは理由の区分を選ぶ。17時までにリネン業者の発注の表を確定する
  7. 人支配人が厨房の責任者に仕込みの目安を渡す。厨房の責任者が食材の残りを見て最終の量を決める
  8. 人閉館後、受付がタオルの不足で手ぶらセットを売れなかった件数を記録に付ける。厨房が品切れの時刻と廃棄の量を付ける
各工程の詳しい説明を読む
  1. 支配人が16時ごろ、券売機の書き出しで先週と先々週の同じ曜日の来館者数を見る
  2. 天気予報と館内の行事の予定、近くの学校の休み、給料日を思い浮かべて、2日後の来館者数を見積もる
  3. 手ぶらセットの売れる割合を掛けて貸しタオルの枚数を出し、念のため多めにしてリネン業者の発注の表に書く
  4. 同じように翌日の来館者数を見積もり、食事処の利用の割合を思い出して、炊飯・麺・揚げ物の量を出す
  5. 厨房の責任者に仕込みの目安を口頭かメモで伝える

(a)毎日20分かかる。 2日後と翌日の2つの日について見積もりを繰り返すので、夕方の混み始める時間に事務所にこもります。 3館で毎日です。

(b)支配人ごとに勘が違う。 タオルの不足でお客様を待たせた経験のある支配人は毎日多めに、返却の料金を本部に言われた支配人は少なめに出します。同じような客層の館でも、タオルの余りの割合がかなり違います。

(c)「多め」の幅に根拠が無い。 3番の「念のため多め」は、支配人の頭の中の1割か2割で、天気が読みにくい日も読みやすい日も同じです。読みにくい日ほど幅を広く、読みやすい日は狭く取るべきなのに、その区別がありません。

(d)食事処の量は来館者数の見積もりに引きずられる。 来館者数を多めに見た日は、仕込みまで多めになります。タオルを切らさないための「多め」が、揚げ物の廃棄に回ります。 品目によって多めに見るべき程度は違うのに、1つの見積もりから全部を出しているからです。

  1. 【人】 本部の担当が毎日15時に、翌日と2日後の天気の予報(天気の区分・最高気温)を予定のシートに入れる。館の行事と近くの催しは各館が前もって入れておく
  2. 【自動】 15時半に Python の処理が動き、券売機と食事処のレジの書き出し、予定のシートを読む
  3. 【自動】 学習済みの負の二項回帰のモデルで、館ごとの翌日と2日後の来館者数の分布を出す
  4. 【自動】 分布から、貸しタオルは8割の点、食事処の品目は品目ごとに決めた点を取り、手ぶらセットの割合と注文の割合を掛けて量にする
  5. 【自動】 館ごとの案の表を、リネン業者の発注の表と仕込みの表の横の欄に書く。読みにくい日には印を付ける
  6. 【人】 支配人が16時に案を見て、そのまま使うか数を直す。直したときは理由の区分を選ぶ。17時までにリネン業者の発注の表を確定する
  7. 【人】 支配人が厨房の責任者に仕込みの目安を渡す。厨房の責任者が食材の残りを見て最終の量を決める
  8. 【人】 閉館後、受付がタオルの不足で手ぶらセットを売れなかった件数を記録に付ける。厨房が品切れの時刻と廃棄の量を付ける

6番目が、この設計の分かれ目です。 案は案で、決めるのは支配人です。支配人は、団体の予約の電話や、近くの競合の休館のような、記録に無いことを知っています。 直した理由の区分を残すと、次にモデルに足すべき情報が見えてきます。

8番目の「売れなかった件数」が、次の予測の質を決めます。 タオルが足りなかった日は、手ぶらセットの販売数が本当に売れたはずの数より少なく残るからです。

02今回想定するシステム構成

構成図
券売機の書き出し(館・日・入館券・手ぶらセット・岩盤浴の販売数)
食事処のレジの書き出し(館・日・品目ごとの注文数)
予定のシート(翌日と2日後の天気の区分・最高気温、館の行事、近くの催し)
不足と品切れの記録(館・日・手ぶらセットを売れなかった件数、品切れの時刻、廃棄の量)
   ▼【トリガー】毎日15時半(本部の PC の定時の実行)
Python(pandas・statsmodels)
   ├──▶ 館ごとの来館者数の分布(負の二項回帰)
   ├──▶ 貸しタオルの枚数の案(分布の8割の点 × 手ぶらセットの割合)
   ├──▶ 食事処の仕込みの目安(品目ごとの点 × 注文の割合)
   ▼
リネン業者の発注の表(案の欄)/仕込みの表(目安の欄)
   ▼【人】支配人が直す・確定(17時まで)
役割想定する製品代替候補
実行環境Python(pandas・statsmodels)R
処理エンジンstatsmodels の NegativeBinomial(離散の負の二項回帰)statsmodels の Poisson、LightGBM のポアソン回帰
集計Python(分布の点の取り出し、割合の掛け算、印付け、当たり方の記録)表計算の計算式
保管Google スプレッドシート(発注の表、仕込みの表、予定、記録)-

新しく足すのは、Python の処理と、予定のシートの天気の欄、品目ごとの点の表、発注の表と仕込みの表の案の欄です。 券売機と食事処のレジはこれまでどおりで、この構成はどちらにも書き込みません。 リネン業者への発注を確定するのも、これまでどおり支配人です。

負の二項回帰を選ぶのは、来館者数が数え上げる数だからです。 数え上げる数の回帰には、まずポアソン回帰が考えられますが、ポアソンは平均とばらつきを同じと置きます。温浴施設の来館は、雨の連休のように平均から大きく外れる日があり、ばらつきが平均より大きくなります。 負の二項回帰は、そのばらつきの大きさを別の値で持ちます。

statsmodels には、名前の似た負の二項が2つあります。 1つは離散のモデルの NegativeBinomial で、もう1つは一般化線形モデル(GLM)の族としての NegativeBinomial です。公式の説明では、GLM の族の側の alpha は既定が1で、「いまのところ確率的でないものと仮定する」とされています。この構成では、ばらつきの値もデータから決めたいので、離散のモデルの側を使います。 族の側を使うと、館の実際のばらつきと関係なく1のまま幅が出ます。

天気の過去の記録は、気象庁の過去の気象データのダウンロードの CSV を使います。 公式の説明では、昨日までの気象観測のデータの中から、複数の地点の複数の項目を取り出し、CSV 形式のファイルとしてダウンロードできるとされています。翌日と2日後の予報は、本部の担当が気象庁の天気予報を見て予定のシートに入れます。

03どうやって実装するのか

Step1

処理の起点を決める

毎日15時半の定時の実行を起点にします。 支配人が案を見る16時の30分前で、リネン業者の締めの17時までに1時間半の余裕を取ります。本部の PC の定時の実行で Python の処理を呼び、数分で3館の表に案が並ぶ想定です。

モデルの学習は、毎週月曜の早朝に別に動かします。 毎日の実行は学習済みのモデルで予測するだけにし、学習のやり直しは週1回にします。 毎日学習し直すと、前日の特殊な日(近くの花火大会など)に引っ張られた案が翌日に出ます。

処理が失敗したときは、3館の案の欄に「案なし」と書き、本部の担当にメールで知らせます。 何も書かずに止まると、支配人は案を待って17時の締めを過ぎます。案が無い日は、これまでどおり支配人が手で決めます。

予定のシートの天気が空のまま15時半になったら、天気を「不明」として予測し、表に「予報未入力」の印を付けます。 予測を止めると、締めに間に合わなくなります。

Step2

入力データを集める

データ中身取得元
来館館、日、入館券の販売数(大人・子ども・会員の区分)、手ぶらセットの販売数券売機の書き出し
食事処館、日、品目ごとの注文数、品目の区分(ご飯もの・麺・揚げ物・その他)食事処のレジの書き出し
不足と品切れ館、日、手ぶらセットを売れなかった件数、品切れの品目と時刻、廃棄の量記録のシート
予定日、天気の区分、最高気温、館の行事(熱波の催し・季節の湯など)、近くの催し、学校の長い休み予定のシート
祝日祝日の日付内閣府の祝日の CSV
過去の天気日ごとの天気の概況、最高気温、降水量気象庁の過去の気象データの CSV
表品目ごとの点(何割の点を取るか)、品目の区分と仕込みの単位の対応各種の表のシート

質を決めるのは、不足と品切れの記録です。 タオルが足りなくなった日は、手ぶらセットの販売数が本当に売れたはずの数より少なく残ります。その日の手ぶらセットの割合をそのまま使うと、割合を低く見て、翌月も少なめの枚数が続きます。 受付が「タオルが無くて断った」件数を1日の終わりに付けるだけで、この偏りを直せます。

祝日は内閣府の CSV を使います。 公式のページでは、昭和30年から令和9年までの国民の祝日を CSV で載せており、令和10年の祝日は令和9年2月に載せるとされています。毎年その時期に取り直します。学校の長い休みは CSV に無いので、近くの市の学校の暦を見て各館が予定のシートに入れます。

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
過去3年の来館者数券売機の日ごとの書き出しを館でまとめる学習の目的の値
手ぶらセットの割合券売機の手ぶらセットの販売数 ÷ 入館券の販売数タオルの枚数への換算
食事処の注文の割合品目の区分ごとの注文数 ÷ 来館者数仕込みの目安への換算
天気気象庁の CSV(過去)、予定のシート(翌日と2日後)説明の値
不足と品切れ記録のシート割合の補正と、学習から外す日の判断

来館者数は、入館券の販売数の合計で数えます。 会員の入館も入館券の販売として記録される券売機を前提にします。岩盤浴の追加の券は、同じ人が2枚買うので来館者数に足しません。

割合は、館ごと・曜日の区分ごとに、直近8週の値から出します。 手ぶらセットの割合は、平日の仕事帰りの客と週末の家族連れで違います。全期間の平均にすると、冬と夏の違いも消えます。

気象庁のデータを使うときは、出典を書きます。 気象庁のホームページの利用規約では、コンテンツを利用する際は出典を記載し、編集・加工して利用する場合は、出典とは別に編集・加工を行ったことを記載するよう求めています。また、加工した情報を国が作ったかのように見せてはいけないとされています。支配人に見せる表の下に、出典と加工した旨を書きます。

Step4

AIへ渡す前に整形する

  1. 休館日と臨時の営業の時間の扱い … 設備の点検で休んだ日、短い時間で営業した日は、予定のシートで印を付けて学習から外します
  2. タオルの不足の日の補正 … 手ぶらセットを売れなかった件数を販売数に足して、割合を出し直します。件数が記録に無い不足の日は、割合の計算から外します
  3. 品切れの日の扱い … 食事処で品切れの出た品目の区分は、その日の注文の割合の計算から外します
  4. 説明の値 … 館、曜日、祝日・祝前日・連休の中日、月、天気の区分、最高気温、降水量、館の行事、近くの催し、学校の長い休み、給料日の前後
  5. カテゴリの列をダミー変数にする … 館・曜日・月・天気の区分は、pandas で0と1の列に直します。新しい行事の種類は学習に無いので「その他の行事」に寄せます
  6. 気温の扱い … 最高気温はそのままの値と、25度以上・5度以下の印の列を作ります。温浴施設の来館は、寒い日と真夏の日で逆向きに動くので、1本の直線では表せません

2番目と3番目で割合を直すのは、少なめを学ばせないためです。 第3章の(c)の「念のため多め」を外すのがこの構成の目的なので、足りなかった日の数をそのまま信じると、元の少なめに戻ります。

5番目で、予測の日のダミー変数の列を学習のときと同じ並びにそろえます。 2日後が祝日でない週には「祝日」の列が全部0になり、列が1本足りないまま予測に渡ることがあります。学習のときの列の名前の一覧を保存し、予測の行をその一覧に合わせて足りない列を0で埋めます。

Step5

AIに処理させる

させるのは、館ごとの翌日と2日後の来館者数の分布を出すことだけです。 タオルの枚数と仕込みの目安への換算は Python の計算で行います。

段階中身使うもの
来館者数の分布館ごと・日ごとの来館者数の負の二項分布statsmodels の NegativeBinomial(loglike_method は既定の 'nb2')
分布の点の取り出し5割・7割・8割・9割の点get_distribution が返す分布の ppf
タオルの枚数8割の点 × 手ぶらセットの割合 − 館の棚の残りの見込みPython
仕込みの目安品目の区分ごとの点 × 注文の割合 × 仕込みの単位Python
読みにくい日の印9割の点と5割の点の差が、館の平日の平均の幅より大きい日Python

分布を取り出すのに、get_distribution を使います。 公式の説明では、予測したパラメータにもとづく分布の固定したインスタンスを返し、返り値は scipy の分布(rv_frozen)とされています。ばらつきの値を自分で取り出して分布を組み立てる必要がありません。 返ってきた分布の ppf(0.8) で8割の点が取れます。

品目ごとに違う点を取るのが、第3章の(d)への答えです。 貸しタオルは足りないとお客様が入れないので8割の点を取ります。炊飯は足りなくても追加で炊けるので5割、揚げ物は下ごしらえに時間がかかり余ると捨てるので7割、というように、品目ごとの点の表を支配人と厨房の責任者が決めます。

させないこと理由
スタッフの人数・シフトの決定人の配置は別の手続きで決める。外れが働く人の時間に直接響く
リネン業者の発注を確定する支配人が記録に無い事情を足して決める
天気の予報本部の担当が予報を見て入れる
食材の仕入の発注厨房の責任者が在庫と業者の入り方を見て決める
新しい行事の効果の見積もり学習に無い。支配人が決める

1行目は、とくに気を付けてください。 来館者数の案が毎日表に並ぶと、シフトを組む人がそれを見て人を減らす、という使い方が自然に起きます。 予測の表をシフトの作成に使わないことを、運用の決まりに書いておきます。

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、学習と分布の点の取り出しの中身を示します。

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.discrete.discrete_model import NegativeBinomial

CATS = ["hall", "weekday", "month", "weather_cat"]
NUMS = ["is_holiday", "is_pre_holiday", "long_holiday_mid", "temp_max",
        "hot_flag", "cold_flag", "rain_mm", "hall_event", "near_event",
        "school_break", "payday_near"]

train = train[~train["closed_or_short"]]          # 休館・短い営業の日は外す
X = pd.get_dummies(train[CATS].astype(str), drop_first=True)
X = pd.concat([X, train[NUMS]], axis=1).astype(float)
X = sm.add_constant(X)
COLS = list(X.columns)                            # 予測の列をこの並びにそろえる

model = NegativeBinomial(train["visitors"], X, loglike_method="nb2")
res = model.fit(maxiter=200, disp=False)

def visitor_points(rows):
    Xn = pd.get_dummies(rows[CATS].astype(str))
    Xn = pd.concat([Xn, rows[NUMS]], axis=1).astype(float)
    Xn = sm.add_constant(Xn, has_constant="add")
    Xn = Xn.reindex(columns=COLS, fill_value=0.0)  # 足りない列は0で埋める
    dist = model.get_distribution(res.params, exog=Xn)
    return {q: dist.ppf(q) for q in (0.5, 0.7, 0.8, 0.9)}

def towel_sets(points, kit_rate, shelf_left):
    return max(0, int(np.ceil(points[0.8] * kit_rate - shelf_left)))

reindex(columns=COLS, fill_value=0.0) が、前処理の5番目の列そろえです。 これを省くと、列の数が合わないままエラーで止まるか、別の列の係数が掛かった来館者数が出ます。has_constant="add" は、予測の行が1館分だけのとき定数の列が足されないのを防ぎます。

当たり方は、分布の点を実績が下回った割合で測ります。 毎週の学習のたびに、直近8週を学習から外して当て、館ごとに「8割の点を実績が下回った日の割合」を記録します。8割の点なら、下回る日はおよそ8割になるはずです。 大きく外れていれば、ばらつきの見積もりか説明の値が足りていません。

学習に使う天気は観測の値、予測に使う天気は予報の値です。 予報が外れた日は、学習のときより予測が外れます。運用を始めたら予定のシートに入れた予報の値も残し、半年後に予報の値で当て直して、点の表を見直します。

Step7

出力形式を固定する

支配人に渡すのは、発注の表と仕込みの表の横の案の欄です。 16時に見て、17時の締めまでに確定することを前提にします。

【11月18日(水)・A館の案(11月16日 15:34 作成)】

区分5割の点8割の点9割の点案印
来館者数(2日後)610人680人720人--
貸しタオル(2日後)---260組-

【11月17日(火)・A館の仕込みの目安】

品目の区分取る点来館者数の点注文の割合目安印
炊飯5割540人0.217升-
麺7割580人0.1270玉-
揚げ物7割580人0.18105人前黄(品切れの日を外した)

表の下には、印の意味を並べます。 「読みにくい日」は9割と5割の点の差が広い日、「予報未入力」は天気を不明で予測した日、「行事」は館の行事がある日です。最後に、気象庁のデータの出典と、加工した旨を書きます。

機械で読む用には、同じ内容を CSV でも残します。 列は、日、館、4つの点、手ぶらセットの割合、館の棚の残りの見込み、タオルの案、品目の区分ごとの目安、印、モデルを作った日付、支配人が確定した枚数と直した理由の区分です。

Step8

システムへ連携する

つなぎ先方式内容
券売機日ごとの書き出しのファイルを読む入館券と手ぶらセットの販売数
食事処のレジ日ごとの書き出しのファイルを読む品目ごとの注文数
予定・記録・表のシートスプレッドシートを読む天気の予報、行事、不足と品切れ、点の表
リネン業者の発注の表案の欄にだけ書くタオルの枚数の案と印
仕込みの表目安の欄にだけ書く品目の区分ごとの目安と印

書き込むのは、案の欄と目安の欄だけです。 支配人が書く確定の欄には書きません。16時45分になっても確定の欄が空の館は、本部の担当が支配人に電話します。 案をそのまま確定としてリネン業者へ流す作りにはしません。

シフトの表とはつなぎません。 予測の CSV を置く場所も、シフトの表と別のフォルダにします。

Step9

人が確認する

  1. 支配人が案を見て直す … 団体の予約、近くの競合の休館、館内の設備の不具合など、記録に無い事情で数を直します。直したら理由の区分を選びます
  2. 印のある日を先に見る … 「読みにくい日」「予報未入力」「行事」の日は、支配人の判断を優先します
  3. 厨房の責任者が仕込みの最終の量を決める … 食材の残りと仕入の入り方を見て決めます
  4. 本部が週1回、当たり方を見る … 8割の点を下回った割合と、支配人が直した件数を館ごとに見て、点の表とモデルを見直します

4番目の直した件数が、この構成の改善の入口です。 同じ理由で同じ館が毎週直しているなら、その理由を説明の値に足せないかを考えます。

目標は、1館の1日の確定を6分で終えることです。 案を見て、印のある日だけ考え、発注の表と仕込みの表を確定する時間です。

Step10

例外に対処する

起きること対応
券売機の書き出しが届いていない前日までの分で予測し、「販売未取込」の印
予定のシートの天気が空天気を「不明」として予測し、「予報未入力」の印
新しい行事・初めての催し「その他の行事」として予測し、「新しい行事」の印で支配人が決める
設備の点検で休館・短い営業予定のシートで印を付け、その日の案を出さない。学習からも外す
台風・大雪の予報「読みにくい日」の印。支配人が営業の判断と合わせて決める
学習が収束しない前の週のモデルを使い続け、本部に知らせる
タオルの案が館の棚の容量を超える容量で止め、「容量超え」の印
品切れで外した日が3割を超える品目「品切れ多発」の印。厨房の責任者と点の表を見直す

上から3行目までが、最初の数か月の大半を占めます。 どれもモデルの問題ではなく、書き出しの時刻と予定の入れ方の問題です。 書き出しを毎日同じ場所に自動で置く設定にすると、ほとんど起きなくなります。

6行目の「学習が収束しない」は、行事の列のような1年に数日しか1にならない列を増やしすぎると起きやすくなります。 列を足すときは、1になる日が少なすぎないかを先に数えます。

Step11

記録を残す

  • 毎日の予測に使った入力(販売・予報・行事)と、作った日時
  • 4つの点、手ぶらセットの割合、注文の割合、タオルの案と仕込みの目安
  • 支配人が確定した枚数と、直した理由の区分
  • 実際の来館者数、手ぶらセットを売れなかった件数、品切れの時刻、廃棄の量、返却されたタオルの枚数
  • 毎週の学習のたびの、点を下回った割合と、モデルの係数の一覧
  • 品目ごとの点の表の変更の履歴

3つ目と4つ目を並べると、案と支配人の判断のどちらが当たっていたかが分かります。 支配人が多めに直して返却が増えた日、案のままで不足が出た日を、支配人と本部が月に1回見る材料にします。

04実装レベルの3段階

最小構成:表計算で曜日ごとの来館の並びから素朴な点を出し、タオルの案にする / 素朴な案の試し
半自動化:上記+Python で3館の書き出しを毎日読み、割合を直近8週で出し直して、案と目安を表に書く / 毎日の案の作成
本格構成:上記+負の二項回帰で天気・行事・祝日を入れ、品目ごとの点、読みにくい日の印、毎週の当たり方の記録まで / 予測から品目ごとの量まで

本記事の想定は本格構成です。 1件20分が6分になります。半自動化の段階で、書き出しを開いて割合を出す作業が無くなり、②の6分はほとんど要らなくなります。 天気と行事を入れた上積みは本格構成からです。 段階を飛ばさないでください。 タオルの不足と品切れの記録が3か月そろう前に本格構成を作ると、少なめの割合を学ぶ仕組みになります。 半自動化の期間は、支配人に案を見てもらいながら、受付と厨房が不足と品切れを毎日記録する習慣を作る期間でもあります。

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
90 件
1件あたり現在時間
20 分
1件あたり導入後時間
6 分
現在  90件 × 20分 ÷ 60 = 30 時間/月
導入後 90件 × 6分 ÷ 60 = 9 時間/月
月間削減時間
21h
削減率
70%
年間削減時間
252h
年間金額換算(時間単価2,500円)
63万円
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. 郊外で食事処を持つ日帰りの温浴施設を数館運営し、貸しタオルをリネン業者から借りて前々日に枚数を出している会社。券売機で入館と手ぶらセットの販売が日ごとに記録に残り、食事処のレジで品目の注文数が分かる場合。支配人が過去の記録と天気予報を見て毎日枚数と仕込みを決めていて、タオルが足りない日と余って返す日が同じ月に出る場合。日帰りの入浴を受ける宿や、岩盤浴を持つ施設にも使える。
向いていない
  1. 館が1つで来館者が少なく、支配人が毎日の感覚で決めて困っていない場合。タオルを自前で洗っていて、発注の締めが無い場合。開業から1年未満で、季節と天気の動きが記録に無い場合。スタッフの人数やシフトを決めるために使う場合(この構成は人の配置の決定には使わない)。なお、衛生の管理、タオルの洗濯の品質、食材の仕入、価格の改定は、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館に絞り、過去1年の来館者数、手ぶらセットの販売数、タオルの不足の覚えがある日を集める
  2. 表計算で、曜日と祝日の区分ごとに、直近8週の来館者数を並べる
  3. 並べた値の中ほどと、上から2割の値を出し、手ぶらセットの割合を掛けてタオルの案にする
  4. 4週間、支配人の発注の枚数と、この案と、実際に使った枚数を並べて記録する
  5. どちらが不足と返却の釣り合いがよかったかを見る

3番目は、モデルを使わない最も素朴な分布の案です。 これで支配人の勘と同じくらいなら、天気と行事を入れたモデルでどこまで上積みできるかを見る段階に進みます。

出てきた内容判断
素朴な案でも支配人の枚数と同じくらい当たった負の二項回帰のモデルに進む
不足の日の記録が無い記録の付け方が先。 予測の問題ではない
返却の枚数がリネン業者の伝票にしか無い伝票の数を表に写す流れが先

2行目が出ることは珍しくありません。 失敗ではなく、支配人の枚数がなぜ多めに寄っていたかの理由が1つ分かったということです。 不足の件数を4週間記録してから、同じ比べ方をやり直します。

08実装時につまずきやすいポイント

問題対策
幅が館の実際と関係なく出るGLM の族の負の二項は alpha の既定が1。離散のモデルの NegativeBinomial を使う
予測の行で列が足りずに止まる学習の列の一覧を保存し、reindex で足りない列を0で埋める
1館だけの予測で定数の列が消えるadd_constant に has_constant="add" を渡す
少なめのタオルの枚数を毎月学ぶ不足で断った件数を販売数に足して割合を出す
揚げ物がタオルと同じだけ多めになる品目ごとに取る点を変える
試験では当たるのに本番で外れる学習は観測の天気、本番は予報。予報の値も残して当て直す
寒い日と暑い日の動きが打ち消し合う最高気温に加えて、暑い日・寒い日の印の列を作る
行事の列を増やして学習が収束しない1になる日の少ない列は「その他の行事」にまとめる
気象庁のデータの出典が抜ける表の下に出典と加工した旨を書く
予測の表がシフトの作成に使われる置き場所を分け、運用の決まりに書く
祝日の CSV が翌々年に無い毎年2月ごろに取り直す
処理が止まって締めを過ぎる失敗したら「案なし」と書き、手で決める流れに戻す

上の2行が、この構成の失敗のほとんどです。 どちらも ERR も警告も出ないまま、幅が広すぎる案や、別の列の係数が掛かった案が毎日並びます。 当たり方の記録を見るまで気づけません。

10行目も早く効いてきます。 予測の表は便利なので、置いた場所にあれば別の用途に使われます。作る段階で、置き場所と使い道を決めておきます。

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: 館ごとの入館券と手ぶらセットの販売数、食事処の品目ごとの注文数、タオルの不足と品切れの記録です。会員の名前や連絡先は使いません。 券売機の会員の区分は数だけを書き出します。

  1. 書き出すのは館・日・区分ごとの数だけ … 会員番号や会員の名前は書き出しの段階で外します
  2. 人の配置の決定に使わない … 予測の表をシフトの作成や人数の削減の根拠にしません。予測が外れたとき、その負担が働く人の時間と収入に直接かかるからです
  3. 発注を決めるのは支配人 … この構成が出すのは案です。確定の欄を自動で埋める作りにしません
  4. 衛生の決まりを案に合わせて変えない … タオルの交換、食材の保存と廃棄の決まりは、館の衛生の管理で決まっています
  5. 気象庁のデータの出典を書く … 利用規約にしたがい、加工した旨も書きます。加工した数を国が作ったかのように見せません
  6. 支配人の評価に案との差を使わない … 支配人が直した記録は、モデルと情報の足りないところを見つけるための材料です。直したこと自体を減点にすると、支配人は案のまま確定するようになり、記録に無い事情が数に入らなくなります

誤りが起きた場合のリスクは、タオルが足りずにお客様を待たせることと、多すぎて借りる料金と廃棄が増えることの2つです。 どちらも品目ごとの点と支配人の確定で釣り合いを取り、毎週の当たり方の記録で見直します。

10まず何から始めるか

1週目:記録をそろえる

3館で、受付がタオルの不足で手ぶらセットを売れなかった件数と、食事処の品切れの時刻を毎日記録する表を始めます。券売機とレジの書き出しを、毎日同じ場所に置く設定にします。

2週目:表を作る

品目の区分と仕込みの単位の対応、品目ごとの点の表を、支配人と厨房の責任者で決めます。館の行事の予定を3か月先まで入れます。

3〜6週目:素朴な案で試す

1館で、曜日ごとの並びから素朴な点を出してタオルの案にし、支配人の枚数と並べて4週間記録します。

2か月目: Python で3館の書き出しを毎日読み、半自動化の案を出します。予測の表の置き場所と、シフトに使わない決まりを運用の文書に書きます。3か月目以降: 負の二項回帰を入れ、毎週の当たり方の記録を始めます。8割の点を下回った割合が8割の近くで落ち着き、支配人が直す件数が月ごとに減っていった時点で、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:2026-11-16/最終更新:2026-11-17
確認した内容情報源確認日
離散のモデルの NegativeBinomial の引数(loglike_method の既定が 'nb2'、ほかに 'nb1'・'geometric')、offset と exposure が線形の予測に係数1で足されること。statsmodels 0.15.0statsmodels: NegativeBinomial2026-11-16
get_distribution が予測したパラメータにもとづく分布の固定したインスタンス(scipy の rv_frozen)を返すことstatsmodels: NegativeBinomial.get_distribution2026-11-16
GLM の族の NegativeBinomial の alpha の既定が1で、いまのところ確率的でないものと仮定されていることstatsmodels: families.family.NegativeBinomial2026-11-16
昨日までの気象観測データから複数地点の複数項目を取り出し、CSV 形式でダウンロードできること気象庁: 過去の気象データ・ダウンロード ヘルプ2026-11-16
利用の際に出典を記載し、編集・加工した場合は出典とは別にその旨を記載すること。加工した情報を国が作成したかのように公表・利用しないこと気象庁: ホームページについて(利用規約)2026-11-16
昭和30年から令和9年までの国民の祝日を CSV で載せていること。令和10年の祝日は令和9年2月に載ること内閣府: 国民の祝日について2026-11-16

タオルの交換、食材の扱い、衛生の管理は、館の衛生の決まりに従ってください。 品目ごとの点の値と、発注の確定は、支配人と本部が決めてください。本記事は公開資料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-3403)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