Media > AI活用ユースケース > 経営企画 > スーパー銭湯の運営会社が、過去の入館者数・天気・曜日・催しから Python で翌月の日ごと・時間帯ごとの入館者数を天気の見通しの幅つきで予測し、月のシフトの枠と食事処の仕込みの材料を作る

スーパー銭湯の運営会社が、過去の入館者数・天気・曜日・催しから Python で翌月の日ごと・時間帯ごとの入館者数を天気の見通しの幅つきで予測し、月のシフトの枠と食事処の仕込みの材料を作る

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

券売機の入館の記録と曜日・催し・天気から、店舗ごとに翌月の日ごと・1時間ごとの入館者数を Python で見込みます。 1か月先の天気が分からないことも幅に含めて出し、月のシフトの枠と、食事処の仕込み・発注の目安の案にします。

サマリー
連携・自動化
Python
対象業界
その他/飲食
対象部門
経営企画/購買
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/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
36h/月
AI導入後
12h/月
想定削減
67%
年間削減
288h
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. 15日に、券売機から前年の同じ月と直近2か月の日ごとの入館者数を書き出す
  2. 翌月の催し(季節の湯・岩盤浴の割引・ポイントの倍の日)と祝日・学校の休みを確かめる
  3. 前年の数に催しの分を足し引きして、日ごとの入館者数の見込みを決める
  4. 前年の時間帯の形を当てはめ、受付・館内・清掃・食事処の厨房とホールの人数を時間帯ごとに決め、月のシフトを組む
  5. 食事処のPOSから前年の同じ月の品目ごとの注文数を見て、食材の発注の目安を決める
  6. 毎週、翌週の天気予報を見て、店長がパートの出勤と仕込みの量を直す
  7. 当日、混み方を見て、休憩をずらすか早上がりを頼む
導入後(After)
  1. 自動毎月14日の夜、券売機と食事処のPOSから前日までの入館と注文の記録を書き出し、プログラムが読み込む
  2. 自動過去の日ごと・1時間ごとの入館者数と、時間帯ごとの食事処の利用の割合を作る
  3. 自動翌月の各日について、晴れ・雨と気温の高低の組み合わせごとに入館者数を計算し、気象庁の確率予測資料と過去の雨の日の割合で重みを付けて、真ん中と多めの側を出す
  4. 自動多めの側からシフトの枠(時間帯ごとの受付・館内・清掃・食事処の人数)、真ん中から仕込みと発注の目安を作る
  5. 自動天気で振れの大きい日、催しの初回、前年の同じ日から大きく離れた日に印を付ける
  6. 人店長が、印の付いた日の理由を見て、枠と目安を直し、月のシフトを組む
  7. 【自動/人】 毎週木曜に新しい確率予測資料で翌週以降を作り直し、店長が出勤と仕込みを直すかを決める
各工程の詳しい説明を読む
  1. 15日に、券売機から前年の同じ月と直近2か月の日ごとの入館者数を書き出す
  2. 翌月の催し(季節の湯・岩盤浴の割引・ポイントの倍の日)と祝日・学校の休みを確かめる
  3. 前年の数に催しの分を足し引きして、日ごとの入館者数の見込みを決める
  4. 前年の時間帯の形を当てはめ、受付・館内・清掃・食事処の厨房とホールの人数を時間帯ごとに決め、月のシフトを組む
  5. 食事処のPOSから前年の同じ月の品目ごとの注文数を見て、食材の発注の目安を決める
  6. 毎週、翌週の天気予報を見て、店長がパートの出勤と仕込みの量を直す
  7. 当日、混み方を見て、休憩をずらすか早上がりを頼む

(a)前年の偶然を写している。 前年のその月が寒波で混んでいたら、今年も混む前提で人を置きます。天気の偶然と、店の実力を分けて見ていません。 外れた月は、6番目の週ごとの直しが大きくなります。

(b)シフトと仕込みが別々に決まる。 4番目と5番目は同じ入館の見込みから出るはずなのに、店長は別々に決めています。シフトは多めに、仕込みは少なめに置く日があれば、その逆の日もあります。 食事処のホールの人数と仕込みの量がかみ合わない日が出ます。

(c)食材の廃棄と欠品が両方出る。 日持ちしない食材は、多めに仕込めば廃棄が出て、少なめにすれば夕方に「本日終了」の札が立ちます。どちらに寄せるかが、日によって違います。

(d)店長しか組めない。 天気と催しの足し引きが店長の頭の中にあるので、店長が休む月は、前年のシフトをほぼ写して済ませています。

  1. 【自動】 毎月14日の夜、券売機と食事処のPOSから前日までの入館と注文の記録を書き出し、プログラムが読み込む
  2. 【自動】 過去の日ごと・1時間ごとの入館者数と、時間帯ごとの食事処の利用の割合を作る
  3. 【自動】 翌月の各日について、晴れ・雨と気温の高低の組み合わせごとに入館者数を計算し、気象庁の確率予測資料と過去の雨の日の割合で重みを付けて、真ん中と多めの側を出す
  4. 【自動】 多めの側からシフトの枠(時間帯ごとの受付・館内・清掃・食事処の人数)、真ん中から仕込みと発注の目安を作る
  5. 【自動】 天気で振れの大きい日、催しの初回、前年の同じ日から大きく離れた日に印を付ける
  6. 【人】 店長が、印の付いた日の理由を見て、枠と目安を直し、月のシフトを組む
  7. 【自動/人】 毎週木曜に新しい確率予測資料で翌週以降を作り直し、店長が出勤と仕込みを直すかを決める

6番目で、店長は「足し引きを考える」代わりに「理由を確かめる」ことに時間を使います。 印の無い日は、枠を流し見てシフトに写します。時間を使うのは、天気で振れの大きい日と初めての催しの日です。

シフトの確定と発注の確定を自動にしないのは、意図してのことです。 枠は「この時間帯に何人」までで、誰がその時間に入れるか、どの食材をどの業者にいくつ頼むかは、店長が決めます。

02今回想定するシステム構成

構成図
券売機(入館の時刻・券種)/食事処のPOS(注文の時刻・品目)
催しの予定表/祝日・学校の休みの暦
過去の気象(気象庁のCSV)/1か月予報の確率予測資料(気象庁のCSV)
   │
   ▼【トリガー】毎月14日 23時(翌月分)、毎週木曜 23時(翌週以降の作り直し)
Python(pandas)
   ├──▶ 日ごと・1時間ごとの入館者数、食事処の利用の割合を作る
   ├──▶ 暦・催し・天気の項目を作る
   ▼
LightGBM(objective="poisson" と objective="quantile")
   │   天気の組み合わせごとの日ごと・1時間ごとの入館者数
   ▼
Python ── 天気の重み付けで真ん中と多めの側、シフトの枠、仕込み・発注の目安、印付け
   ▼
【店長が理由を確かめ、月のシフトと発注を決める】
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(ポアソン回帰と分位点回帰)scikit-learn の HistGradientBoostingRegressor、Prophet
集計Python(天気の重み付け、シフトの枠と仕込みの目安への換算、印付け)シフトの表の計算式
データの取得元券売機とPOSの書き出し、催しの予定表、気象庁のCSV店の日報
結果の出力先運営本部の共有フォルダの見込みの表店長への通知

券売機と食事処のPOSには、何も書き込みません。 前日までの記録を書き出してもらい、読むだけです。料金や催しを、見込みから自動で変える作りにはしません。

土台になるのは、LightGBM です。 公式のパラメータの説明では、objective に poisson(ポアソン回帰)と quantile(分位点回帰)を選べ、alpha は quantile と huber でだけ使われ、既定は0.9です。monotone_constraints で項目ごとに増える向き(1)・減る向き(-1)の制約を付けられ、すべての項目について順に指定する必要があります。分位点回帰で alpha を書き忘れると、既定の0.9で学ばせることになるので、真ん中の側を分位点で出すときは必ず値を書きます。

1か月先の気温は、気象庁の確率予測資料を使います。 気象庁の「向こう2週間・1か月の予測資料」のページでは、1か月予報の基礎資料となる確率予測資料が毎週木曜日9時30分頃に更新され、地方や地点の気温の予測値と誤差情報(0.1℃単位の累積確率値)がCSVで取得できるとされています。ただし、数値予報の計算結果から自動で作ったもので、気象庁が実際に発表する1か月予報と異なる内容が含まれる場合があるとも書かれています。1か月予報そのものは毎週木曜日14時30分に発表されます。

過去の天気は、気象庁の「過去の気象データ・ダウンロード」から取ります。 昨日までの観測データから複数の地点の複数の項目を抽出し、CSVでダウンロードできます。気象庁ホームページのコンテンツは公共データ利用規約(第1.0版)に準拠した条件で使え、出典を記載し、加工した場合はそのことも記載し、国が作ったかのような態様で使わないよう求められています。

03どうやって実装するのか

Step1

処理の起点を決める

毎月14日の23時、閉館の後に翌月分を作ります。 店長が15日にパートの希望を締め、20日までにシフトを組む前に、見込みと枠ができている状態にします。食材の業者と月の目安の量を話す時期にも間に合います。

毎週木曜の23時に、翌週以降の分を作り直します。 確率予測資料が木曜の朝に更新されるので、その日のうちに新しい気温の見通しで計算し直し、月の初めの案との差を店長に知らせます。 組んだシフトを書き換えるのではなく、差を並べて出します。翌週分は、週間天気予報を店長が見て直すかを決めます。

券売機の書き出しが届かない、または前日の入館が0のときは、動かしません。 書き出しの失敗を「客が来なかった日」として学ばせないためです。確率予測資料が取れなかった週は、前の週の資料で計算し、stale_weather の印を付けます。

Step2

入力データを集める

データ中身取得元
入館の記録入館の時刻、券種(大人・子ども・岩盤浴付き・回数券・会員)券売機の書き出し
食事処の注文注文の時刻、品目、数食事処のPOSの書き出し
催しの予定季節の湯、岩盤浴の割引、ポイントの倍の日、館内の催し、料金の変更運営本部の予定表
暦祝日、年末年始、大型連休、近くの学校の長期休み、給料日の後の週末内閣府の祝日の表と自社の暦の表
過去の天気日ごとの降水量、最高気温・最低気温気象庁の過去の気象データ・ダウンロード
気温の見通し1か月予報の確率予測資料の地点の気温の予測値と累積確率気象庁の確率予測資料(CSV)
休館・設備の止まり点検の休館、岩盤浴や露天風呂の止まり、食事処の休み店の日報

質を決めるのは、催しの予定表と休館・設備の止まりの記録です。 ポイントの倍の日は入館が跳ね、露天風呂の工事の月は減ります。これを普通の日として学ばせると、天気の効き目と混ざって、天気で動く幅が大きく出すぎます。 過去2年の催しと止まりを、日付と種類の一覧にします。

食事処の注文は、入館の記録とは結びません。 時間帯ごとに「入館者のうち何割が食事処を使ったか」の割合を作るだけで、誰が何を食べたかは使いません。

Step3

データの取得方法を決める

券売機からは、前日までの入館の時刻と券種を、決まった列の並びで毎日書き出す設定を作ります。食事処のPOSからは、注文の時刻・品目・数を書き出します。会員の番号や氏名は書き出しません。

取るものどこから何に使うか
入館の時刻と券種券売機の書き出し日ごと・1時間ごとの入館者数
注文の時刻と品目食事処のPOSの書き出し時間帯ごとの食事処の利用の割合、品目の構成
催し・休館の日予定表と日報催しの項目、外す日の印
過去の天気気象庁のCSV天気の項目(過去)
気温の見通し確率予測資料のCSV翌月の気温の組み合わせの重み
雨の日の割合過去の天気から作る翌月の晴れ・雨の重み

過去の天気は、最初に3年分をまとめて取り、その後は毎週1週間分を足します。 地点は、店にいちばん近いアメダスの地点にします。確率予測資料は、店の地方か近い地点のものを、毎週木曜にCSVで取ります。 見込みの資料には「出典:気象庁ホームページ」と、加工したことを書いておきます。

雨は、確率予測資料からは日ごとに分からないので、過去の同じ旬(10日ごと)の雨の日の割合で重みを付けます。 「11月中旬は過去10年で3日に1日が雨」のような割合です。1か月先の特定の日が雨かどうかを当てようとせず、雨の日になる割合を幅に入れるのが、この構成の考え方です。

Step4

AIへ渡す前に整形する

  1. 1時間ごとに束ねる … 入館の時刻から、日ごと・1時間ごとの入館者数を作ります。券種ごとの数も残します
  2. 異常の日を外す … 点検の休館、設備の止まり、券売機の障害の日に印を付けます
  3. 天気の項目を作る … 日ごとの雨の有無(降水量が1mm以上)、最高気温、最低気温、前日との気温の差
  4. 暦と催しの項目を作る … 曜日、祝日、連休の何日目か、年末年始、学校の休み、給料日の後の週末、催しの種類
  5. 食事処の割合を作る … 直近8週の曜日の種類・1時間ごとに、入館者数に対する食事処の注文の件数の割合と、品目の構成を作ります
  6. 天気の組み合わせを作る … 翌月の各日について、晴れ・雨の2通りと、気温の低め・並・高めの3通りの、6通りの組み合わせを作ります
  7. 重みを作る … 気温の3通りの重みを確率予測資料の累積確率から、晴れ・雨の重みを過去の同じ旬の雨の日の割合から付けます

6番目と7番目が、この構成の土台です。 翌月の天気を1つに決めて見込むと、その1つが外れたときに見込みも丸ごと外れます。 6通りの見込みを重みで混ぜれば、天気の分からなさがそのまま幅に出ます。幅の広い日は、天気次第で客の数が大きく変わる日だと、店長に伝わります。

気温の3通りは、確率予測資料の累積確率から代表の値を取ります。 低めは累積確率の下側、高めは上側、並は真ん中の値です。予測資料が地点の日ごとの値でない場合は、その期間の平均の値を各日に当てます。 どう当てたかは、見込みの表の注に書きます。

Step5

AIに処理させる

させるのは、店舗ごとに「翌月の日ごと・1時間ごとの入館者数」を、天気の組み合わせごとに見込むことだけです。 重みで混ぜること、シフトの枠と仕込みの目安への換算、印付けは、決まった計算で行います。

見込むもの使うもの判断できないときの扱い
1時間ごとの入館者数(真ん中)曜日、祝日、連休、学校の休み、催し、雨の有無、最高・最低気温、前年の同じ週催しの種類が初めてなら new_event
1時間ごとの入館者数(多めの側)同上(alpha=0.9)天気の組み合わせで見込みが大きく割れたら weather_split
食事処の注文の件数入館者数 × 食事処の利用の割合(決まった計算)割合が前月から大きく動いたら mix_shift

真ん中はポアソン回帰、多めの側は分位点回帰で、別々のモデルにします。 開店直後や閉館前の時間帯は入館が数人のことがあり、二乗の誤差で学ばせると、マイナスの見込みが出ることがあります。 分位点回帰では alpha を必ず書きます。

気温には、店ごとに向きの制約を付けません。 住宅地の店は寒いほど混み、幹線道路沿いの店は暖かい週末に混みます。1つの向きを全店に付けると、どちらかの店で見込みが曲がります。 店を項目として持ち、気温との関係は記録から学ばせます。

させないこと理由
シフトの確定と、誰を入れるかの決定パートの希望と慣れは店長が見る
食材の発注の確定業者との取り決めと在庫は店長が見る
料金・催しの変更客への約束に関わる。運営本部が決める
食品の衛生の管理(仕込みの時刻・保存の時間)衛生の決まりと保健所の指導に沿って決める
1か月先の特定の日の天気の当て推量当たらない。割合で幅に入れる

4行目を必ず守ってください。 入館が少ない見込みの日でも、仕込んだ食材の保存の時間を延ばして使い回す判断に、見込みを使ってはいけません。 見込みは仕込む量の目安で、衛生の決まりは見込みで緩めるものではありません。

Step6

指示内容を固定する

この構成は生成AIを使わないので、プロンプトの代わりに、モデルの設定と計算の規則を書いておきます。

【モデル(3店で1つ。店は項目として持つ)】
- LightGBM
  ・1時間ごとの入館者数(真ん中) … objective="poisson"
  ・1時間ごとの入館者数(多めの側) … objective="quantile", alpha=0.9
  ・店・曜日の種類・催しの種類・時刻はカテゴリの項目にする
- 学ばせる記録 = 過去3年。休館・設備の止まり・券売機の障害の日は外す
- 学ばせ直しは月に1回。確かめは直近8週を外して学ばせ、外した8週で見る

【天気の組み合わせと重み】
- 組み合わせ = {晴れ, 雨} × {低め, 並, 高め} の6通り
- 気温の重み = 確率予測資料の累積確率から、下側・真ん中・上側に分けた割合
- 晴れ・雨の重み = 過去10年の同じ旬の雨の日(降水量1mm以上)の割合
- 真ん中   = 6通りの真ん中の見込みの重み付きの平均
- 多めの側 = 6通りの多めの側の見込みのうち、重みを足して9割に届く値

【シフトの枠(配置の決まりの表から)】
- 受付・館内・清掃 = 多めの側の入館者数 ÷ 1人がさばける数(切り上げ)
- 食事処のホール・厨房 = 多めの側の注文の件数 ÷ 1人がさばける数(切り上げ)
- 1人がさばける数は、店・時間帯ごとに店長が決めて表に置く

【仕込み・発注の目安】
- 日持ちしない食材の仕込み = 真ん中の注文の件数 × 品目の構成 × 1件あたりの量
- 日持ちする食材の月の発注の目安 = 月の多めの側の注文の件数 × 品目の構成
- 欠品が続いた品目は、店長が上乗せの割合を表に置く

【印を付ける条件】
- weather_split … 晴れの見込みと雨の見込みの差が、真ん中の3割を超える
- new_event     … 催しの種類が初めて、または前回から1年以上空いた
- far_from_ly   … 真ん中が前年の同じ曜日の同じ週から3割以上離れた
- mix_shift     … 食事処の利用の割合が前月から1割以上動いた
- stale_weather … 確率予測資料が取れず、前の週の資料で計算した
- 印の無い日は、枠と目安をそのままシフトと発注の表の下書きに載せる

シフトは多めの側、日持ちしない食材は真ん中、と分けるのは、外れたときの損が違うからです。 人が足りなければ受付に列ができ、湯上がりの客を待たせます。日持ちしない食材は余れば捨てるしかなく、足りなければ品切れの札で済みます。 日持ちする食材は月の多めの側で頼み、余れば翌月に回します。

1人がさばける数を、プログラムに書き込まないのは、店と季節で変わるからです。 冬の住宅地の店は夜の受付が混み、夏の幹線道路沿いの店は食事処の昼が重くなります。店長が表の値を直せば、枠はすぐに変わります。 表を直したら、いつ誰が直したかを残します。

Step7

出力形式を固定する

店・日ごとに、次の形のJSONを作り、表にしてシフトと発注の表の横に載せます。

{
  "store": "",
  "date": "",
  "day_type": "weekday | saturday | holiday | long_holiday",
  "event": "",
  "weather_mix": [
    { "sky": "sunny | rain", "temp": "low | normal | high", "weight": 0.0, "visitors_p50": 0 }
  ],
  "visitors": { "p50": 0, "p90": 0, "last_year_same_week": 0 },
  "hourly": [ { "hour": 17, "p50": 0, "p90": 0, "dining_orders_p50": 0, "dining_orders_p90": 0 } ],
  "shift_draft": [ { "hour": 17, "front": 0, "floor": 0, "cleaning": 0, "dining_hall": 0, "kitchen": 0 } ],
  "prep_draft": { "perishable": [ { "item": "", "qty": 0 } ] },
  "flags": ["weather_split | new_event | far_from_ly | mix_shift | stale_weather"],
  "probability_data_issued": "",
  "model_version": "",
  "manager_override": { "shift": null, "prep": null, "reason": "" }
}

1つ目の理由は、weather_mix を残せることです。 晴れと雨でどれだけ見込みが違うかが並べば、店長は「この日は雨なら人が足りない」と前もって分かります。 雨の見込みが大きい日は、当日に呼べるパートの候補を先に決めておけます。

2つ目は、hourly に入館と食事処の注文を並べることです。 シフトの枠と仕込みの目安が同じ見込みから出ていることが、1つの表で確かめられます。 第3章の(b)のかみ合わなさが、ここで消えます。

3つ目は、probability_data_issued と manager_override で後から確かめられることです。 どの週の予測資料で計算したかが分かれば、外れたときに、気温の見通しの外れか、モデルの外れかを分けられます。 店長の直しと理由が残れば、次の同じ催しのときの記録になります。

Step8

システムへ連携する

つなぎ先方式内容
券売機毎日の書き出しの受け取り入館の時刻と券種
食事処のPOS毎日の書き出しの受け取り注文の時刻・品目・数
催しの予定表・店の日報表の読み込み催し・休館・設備の止まり
気象庁のCSVファイルの取得過去の天気、確率予測資料
見込みの表共有フォルダへの書き出し見込み、シフトの枠、仕込み・発注の目安、印
店長への通知社内の連絡の場印の付いた日と、毎週の作り直しの差

シフトの表と発注の表へは、書き込みません。 枠と目安は見込みの表に並べ、店長が自分で写して、誰を入れるか、どの業者にいくつ頼むかを決めます。

通知には、入館者数そのものを流しません。 流すのは「印の付いた日」と「見込みの表の場所」だけにし、店の売上に関わる数字が連絡の場の外へ写される経路を作りません。

Step9

人が確認する

店長が見るのは、毎月の枠と目安と、印の付いた日の理由です。 印の無い日は、枠を流し見てシフトに写します。全日を前の方法で足し引きし直す運用にすると、第10章の12.0時間には収まりません。

  1. weather_split を先に見る … 天気次第で客の数が大きく変わる日です。当日に呼べるパートの候補と、仕込みを足す段取りを先に決めます
  2. new_event と far_from_ly を見る … 初めての催しと、前年から大きく離れた日です。店長の見立てを並べ、どちらで組むかを決めます
  3. mix_shift を見る … 食事処の使われ方が変わった日です。新しい品目や値段の変更の影響かを確かめます
  4. 直したら理由を書く … manager_override に値と理由を残します

2番目で、見込みより店長の見立てを採る日があって構いません。 見込みは過去3年の記録の範囲で出した数で、近くの競合の店の開業やテレビの紹介の効き目は知りません。 直した理由を残せば、次の同じ場面の記録になります。

本部の担当は、月に1回、3店の見込みの外れ方を並べます。 外れが天気の見通しの外れから来たのか、モデルから来たのかを weather_mix で分け、モデルから来た外れの型だけを、項目に足す候補にします。

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かない、前日の入館が0見込みを出さず、店長に知らせる
確率予測資料が取れない前の週の資料で計算し、stale_weather を付ける
点検の休館・設備の止まりその日を学ばせる記録から外し、翌月の見込みに印を付ける
テレビ・SNSで紹介された紹介の日の印を付け、翌2週間は店長の見立てを並べる
料金を変えた変えた日から項目を立て、3か月は far_from_ly の線を下げる
台風・大雪の予報見込みを参考にとどめ、営業時間の判断は運営本部が行う
食事処の品目を入れ替えた入れ替えた品目は直近4週の構成で見込み、mix_shift を付ける
近くの競合の店が開業・休業した予定表に入れ、翌月から項目として足す

上から4行目は、年に何度か起きます。 紹介の直後は、ふだん来ない客が一度に来て、記録の傾向が当てはまりません。この期間は見込みをシフトの下限として使い、上側の判断は店長に任せます。

Step11

記録を残す

  • 読み込んだ入館・注文の記録の件数、外した日
  • 店・日ごとの6通りの見込みと重み、真ん中と多めの側
  • シフトの枠、仕込み・発注の目安、印
  • 使った確率予測資料の更新の日と、天気の重みの値
  • 店長が直した値と理由(manager_override)
  • 実際の入館者数・注文の件数、食材の廃棄と品切れの記録

最後の行の廃棄と品切れは、毎週数えます。 真ん中で仕込んでいるのに品切れが続く品目は、品目の構成が変わっています。廃棄が続く品目は、上乗せの割合を下げられます。 業者との発注の量を見直す材料にもなります。

04実装レベルの3段階

最小構成:表計算で1店の入館者数と天気を並べ、雨・気温での違いと前年を写したときの外れ方を見る / 天気の効き目と、いまの決め方の外れ方の把握
半自動化:上記+Python で3店の翌月の日ごと・1時間ごとの見込みを、天気の6通りの重み付けで出す / 3店の翌月の見込みと幅
本格構成:上記+シフトの枠と仕込み・発注の目安、印付け、毎週木曜の作り直しと差の通知 / 枠と目安の案づくりの全体と、見るべき日の知らせ

最小構成では、毎月の見込みは減りません。 1店の2年分を並べるのに1日かかります。確かめるための段階です。 半自動化で、前年の数を書き出して足し引きを決める時間はほぼ無くなります。 ただし、シフトの枠と仕込みの目安への換算は手で残ります。本格構成で、店長が見るのは枠と目安と印の付いた日だけになり、この段階が本記事の想定です。 差が大きいのは、1時間ごとの人数と食材の量への換算が、毎月の手作業だからです。 段階を飛ばさないでください。 半自動化の見込みを夏と冬の一巡まで並べると、天気の見通しの外れとモデルの外れの割合が分かります。一巡を見てから本格構成に進むほうが、印の空振りが減ります。

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
24 分
1件あたり導入後時間
8 分
現在  90件 × 24分 ÷ 60 = 36 時間/月
導入後 90件 × 8分 ÷ 60 = 12 時間/月
月間削減時間
24h
削減率
67%
年間削減時間
288h
年間金額換算(時間単価2,600円)
75万円
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. 食事処・岩盤浴・休憩処を持つ郊外型のスーパー銭湯や日帰りの温浴施設を2〜5店運営し、券売機やPOSから入館の時刻と食事処の注文を書き出せる会社。パートの希望を前の月の中ごろに締めて月のシフトを組むため、天気の分からない1か月先の入館者数を店長が前年の同じ月を見て決めている場合。食事処の食材の発注と仕込みの量も同じ見込みで決めていて、廃棄と欠品の両方が出ている場合。
向いていない
  1. 1店で入館が1日数百人に満たず、店長が週ごとに様子を見て足りる場合。シフトを1週間ごとに組めて、1か月先を見込む必要が無い場合。入館の記録が日ごとの合計しか残っておらず、時間帯の形が作れない場合。開業から1年未満で、季節の一巡の記録が無い店舗。なお、シフトの確定、食材の発注の確定、食品の衛生の管理の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 券売機から、1店の過去2年の日ごとの入館者数を書き出す
  2. 気象庁の過去の気象データ・ダウンロードから、同じ期間の降水量と最高気温をCSVで取り、入館者数と並べる
  3. 表計算で、曜日ごとに雨の日と晴れの日の入館者数の平均を比べ、気温の高低でも分ける
  4. 前年の同じ月の数を「翌月の見込み」とした場合の外れ方を、月ごとに数える
  5. 食事処のPOSから、時間帯ごとの注文の件数を入館者数で割った割合を、曜日ごとに出す

3番目を必ず作ってください。 雨の日と晴れの日でどれだけ違うかが分かると、前年の同じ月を写す方法が、どのくらい天気の偶然に振られていたかが数字で見えます。

出てきた内容判断
雨・気温で入館がはっきり動き、前年を写すと月によって大きく外れるPython で LightGBM の見込みと天気の重み付けに進む
催しの日と普通の日が分けられず、天気の効き目が読めない催しの予定表を過去2年分作るのが先
天気でほとんど動かず、前年の同じ月で十分に当たる天気の重み付けは要らない。時間帯の形と食事処の割合の計算だけで足りる

2行目が出ることは珍しくありません。 失敗ではなく、店長の頭の中にあった催しの効き目を、記録に起こしていなかったことが分かったということです。 予定表を作ってから、もう一度比べてください。

08実装時につまずきやすいポイント

問題対策
前年の同じ月を写し、前年の天気の偶然まで写す天気を項目にして学ばせ、翌月は6通りの重みで混ぜる
1か月先の特定の日の天気を決めて見込む決めない。雨の日の割合と気温の確率で幅に入れる
催しの日を普通の日として学ばせ、天気の効き目が大きく出る催しの予定表で種類の項目を作る
分位点回帰の alpha を書き忘れ、既定の0.9で学ばせる真ん中の側も含めて alpha を必ず書く
気温の向きの制約を全店に同じに付ける付けない。店を項目にして記録から学ばせる
確率予測資料と発表された1か月予報の違いを知らずに使う基礎資料であることを見込みの表の注に書く
シフトと仕込みを同じ水準で出すシフトは多めの側、日持ちしない食材は真ん中
書き出しの失敗を客の来ない日として学ばせる0の日は動かさず、書き出しを確かめる
見込みが少ない日に食材を使い回す使い回さない。 衛生の管理は見込みと切り離す
気象庁のデータを出典なしで資料に載せる出典と加工したことを書く

上の2行が、この構成の外れのほとんどです。 どちらも「1か月先の天気は分からない」という事実を、見込みの作り方に入れているかどうかの問題です。天気を当てにいくより、分からなさを幅として出すほうが、シフトの組み方に効きます。

下から2行目は、外れではなく使い方の失敗です。 「空いている日は仕込みを翌日に回したい」という声が出ても、見込みは仕込む量の目安で、保存の時間を延ばす判断には使いません。 最初から決めておいてください。

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: 入館の時刻、券種、食事処の注文の時刻と品目、催しの予定、天気、シフトの人数です。会員の番号や氏名は書き出しませんが、少ない時間帯の入館と注文の並びは、常連の誰かを推し量れる情報になりえます。

  1. 会員の番号・氏名を書き出さない … 券売機とPOSの書き出しには、時刻と券種・品目だけを入れます。入館と注文を人で結びません
  2. 見られる人を絞る … 見込みの表と元の記録は、店長と運営本部の担当に限ります
  3. 外部の生成AIのサービスに入館・売上の記録を貼り付けない … 見込みは社内の環境で動かします
  4. 気象庁のデータの利用の条件を守る … 出典を記載し、加工したことを書き、国が作ったかのように見せない。確率予測資料が実際の1か月予報と異なりうることも資料に書きます
  5. 衛生と安全の判断に見込みを使わない … 食材の保存、浴槽の衛生、入館の制限は、決まりと保健所の指導に沿って人が決めます
  6. パートへの説明を決めておく … 見込みで枠を決めても、希望の勤務を一方的に削る理由には使わないことを、シフトの決まりとして書きます

誤りが起きた場合のリスクは、混む日を少なく見込んで人と料理が足りなくなることと、空く日を多く見込んで人と食材を余らせることの2つです。 前者は1か月先の天気を晴れと決めつけると起き、後者は前年の寒波の月を写すと起きます。どちらも天気の分からなさを幅に入れていないことから出ているので、6通りの重み付けで守ります。

10まず何から始めるか

1週目:催しと休館の一覧を作る

過去2年の催し(季節の湯・岩盤浴の割引・ポイントの倍の日)と、点検の休館・設備の止まりの日を、日付と種類の一覧にします。この一覧が無いと、天気の効き目と催しの効き目が分けられません。

2週目:天気で入館がどれだけ動くかを見る

第8章の手順で、1店の2年分の入館者数と天気を並べ、雨・気温での違いと、前年を写したときの外れ方を確かめます。

3週目:配置と仕込みの決まりを決める

店長と一緒に、受付・館内・清掃・食事処の1人がさばける数と、品目ごとの1件あたりの量を表にします。シフトは多めの側、日持ちしない食材は真ん中で出すことも、ここで決めます。

4週目:Python で1時間ごとの数と食事処の割合を作る

3店の記録から、日ごと・1時間ごとの入館者数と食事処の利用の割合を毎日作るところまで組みます。この時点では見込みを出さず、前年の同じ月との比べだけを店長に見せます。

2か月目以降: LightGBM の見込み、天気の6通りの重み付け、枠と目安、印付けを足します。見込みと実際の入館者数・廃棄と品切れを毎週並べ、 1件24分が何分になったかを実測します。店長が休む月も、本部の担当が見込みの表と印を見て月のシフト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:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
objective に poisson(ポアソン回帰)・quantile(分位点回帰)を選べること。alpha が huber と quantile でだけ使われ、既定が0.9であること。monotone_constraints で1・-1・0の制約を付け、すべての項目を順に指定することLightGBM: Parameters2026-11-19
1か月予報の基礎資料となる確率予測資料が毎週木曜日9時30分頃に更新され、地方や地点の気温の予測値と誤差情報(0.1℃単位の累積確率値)がCSVで取得できること。数値予報の計算結果から自動作成したもので、気象庁が実際に発表する1か月予報と異なる内容が含まれる場合があること気象庁: 向こう2週間・1か月の予測資料2026-11-19
昨日までの気象観測データから複数地点の複数項目を抽出でき、結果をCSVファイルとして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(使い方)2026-11-19
気象庁ホームページのコンテンツが公共データ利用規約(第1.0版)に準拠した利用条件で使えること。出典の記載、編集・加工した場合の記載、国が作成したかのような態様で公表・利用してはならないこと気象庁: ホームページについて(利用規約)2026-11-19
1か月予報が毎週木曜日14時30分に発表されること気象庁: 季節予報の例(全般暖候期予報)2026-11-19

配置の決まり(1人がさばける数)と仕込みの量は、各店の店長と運営本部で決めてください。食品と浴槽の衛生の管理は、関係する決まりと保健所の指導に従ってください。 本記事は上記の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-4125)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