宅配弁当の会社が、事業所ごとの毎日の注文の数・曜日・天気・行事の記録から Python で翌週の献立ごとの注文の数を予測し、仕込みの量の目安を作る
契約事業所ごとの毎日の注文の記録と、事業所の予定・天気予報・祝日から、翌週の営業日ごとの注文の数を Python で予測します。その数を献立ごとに分け、仕込みの品目ごとの量の目安と食材の発注の案にして製造責任者に返します。
- 連携・自動化
- Python
- 対象業界
- 製造/飲食
- 対象部門
- 生産/購買
- 対象業務
- 書類作成/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
01導入前 / 導入後の業務フロー
- 木曜の昼、製造責任者が注文サイトと受付の台帳から過去4週の注文の数を書き出す
- 翌週の献立表と、事業所が注文サイトに入れた休業・行事の予定、週間天気予報を見比べる
- 曜日ごとに、献立4つそれぞれの数を見積もり、仕込み表に書く
- 献立の数にレシピの1食あたりの量を掛けて、主菜の肉・魚と野菜の量を出し、発注の表に書く
- 発注の担当が、木曜16時の締めまでに仕入先へ発注する
- 毎日の午後、翌日の予報と予定の変更を見て、下ごしらえの量を見直す
- 当日の朝、注文が締まってから足りない分を追加で調理し、余った分は廃棄する
- 自動木曜の朝7時、Python の処理が注文サイト・受付の台帳・契約の台帳・献立表・予定を読み込む
- 人本部の担当が、気象庁の週間天気予報から翌週の降水確率・最高気温・信頼度を予定のシートに入れる(9時まで)
- 自動9時30分、定期の注文の数を契約の台帳から日ごとに数える
- 自動事業所ごと・日ごとの当日の注文の数を予測し、調理場ごとに足して、中ほどと多めの2つの点にする
- 自動献立の組み合わせごとの選ばれ方の表で、当日の注文の数を献立4つに分ける
- 自動品目ごとに決めた点とレシピの量から、仕込みの目安と食材の発注の案を表の案の欄に書く
- 人製造責任者が案を見て、記録に無い事情で直し、発注の表を確定する(13時まで)
- 自動毎日14時、翌日の分だけ予報と予定を入れ直して予測し直し、下ごしらえの目安を更新する
- 人製造責任者が翌日の下ごしらえの量を確定する
各工程の詳しい説明を読む
- 木曜の昼、製造責任者が注文サイトと受付の台帳から過去4週の注文の数を書き出す
- 翌週の献立表と、事業所が注文サイトに入れた休業・行事の予定、週間天気予報を見比べる
- 曜日ごとに、献立4つそれぞれの数を見積もり、仕込み表に書く
- 献立の数にレシピの1食あたりの量を掛けて、主菜の肉・魚と野菜の量を出し、発注の表に書く
- 発注の担当が、木曜16時の締めまでに仕入先へ発注する
- 毎日の午後、翌日の予報と予定の変更を見て、下ごしらえの量を見直す
- 当日の朝、注文が締まってから足りない分を追加で調理し、余った分は廃棄する
(a)見込みは責任者の頭の中にある。 2つの調理場の責任者は、それぞれ「雨なら1割増し」「月末の金曜は減る」といった自分の読み方を持っています。同じ雨の予報でも、東の調理場は多めに、西の調理場は控えめに見ます。 どちらが当たっているのかを、誰も比べていません。
(b)事業所の予定を見落とす。 420か所の予定を1件ずつ見るのは大変で、大口の事業所だけを見ることになります。中くらいの事業所が3つ同じ日に健康診断を入れていると、その日だけ100食近く余ります。
(c)念のための多めが積み重なる。 足りないと配送に間に合わないので、責任者は少しずつ多めに見ます。献立4つ × 5日 × 2調理場のどこにも多めが乗るので、週の終わりには廃棄が目立ちます。 逆に、多めに見るのをやめた週に限って朝の追加の調理が重なり、配送の出発が遅れます。
(d)品目ごとに要る余裕が違うのに、1つの数で決めている。 主菜の下味は前日にしか付けられませんが、揚げ物は朝に追加で揚げられます。それなのに献立の数を1つだけ決め、全部の品目をその数で仕込んでいます。 朝に足せる品目まで多めに仕込むことになります。
- 【自動】 木曜の朝7時、Python の処理が注文サイト・受付の台帳・契約の台帳・献立表・予定を読み込む
- 【人】 本部の担当が、気象庁の週間天気予報から翌週の降水確率・最高気温・信頼度を予定のシートに入れる(9時まで)
- 【自動】 9時30分、定期の注文の数を契約の台帳から日ごとに数える
- 【自動】 事業所ごと・日ごとの当日の注文の数を予測し、調理場ごとに足して、中ほどと多めの2つの点にする
- 【自動】 献立の組み合わせごとの選ばれ方の表で、当日の注文の数を献立4つに分ける
- 【自動】 品目ごとに決めた点とレシピの量から、仕込みの目安と食材の発注の案を表の案の欄に書く
- 【人】 製造責任者が案を見て、記録に無い事情で直し、発注の表を確定する(13時まで)
- 【自動】 毎日14時、翌日の分だけ予報と予定を入れ直して予測し直し、下ごしらえの目安を更新する
- 【人】 製造責任者が翌日の下ごしらえの量を確定する
7番目が、この設計の分かれ目です。人が考えるのは、表に印の付いた日だけです。 大口の事業所の予定が直前に入った日、予報の信頼度が低い日、初めての組み合わせの献立の日に印が付きます。印の無い日は案を流し見て確定します。
3番目で定期の注文を別に数えているのも、意図してのことです。 定期の注文は外れません。外れる側だけを予測し、外れの幅もその側だけに付けます。
02今回想定するシステム構成
注文サイトの書き出し(事業所・日・献立ごとの注文の数、定期/当日の区分) 受付の台帳(電話・FAXの注文) 契約の台帳(事業所ごとの定期の注文、曜日、事業所の区分、休業の届) 献立表(日・献立4つ・主菜の区分)/予定のシート(事業所の行事、天気予報) ▼【トリガー】毎週木曜 7:00 の読み込み → 9:30 の予測(毎日14:00 に翌日分を更新) Python(pandas・scikit-learn) ├──▶ 定期の注文の数(契約の台帳から数える) ├──▶ 当日の注文の数(HistGradientBoostingRegressor、ポアソン損失) ├──▶ 中ほどと多めの点(過去の当て直しの比の分布) ├──▶ 献立ごとの数(組み合わせごとの選ばれ方の表) ▼ 仕込み表・発注の表(案の欄) ▼【人】製造責任者が直す・確定
| 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(ポアソン損失) | LightGBM(objective="poisson")、statsmodels のポアソン回帰 |
| 集計 | Python(定期の数の集計、点の取り出し、献立への配分、品目ごとの量の換算) | 表計算の計算式 |
| 保管 | 本部の共有フォルダ(書き出し、予測、直した記録、当たり方) | - |
| 定時実行 | Windows のタスク スケジューラ | cron |
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、仕込み表と発注の表の案の欄です。 注文サイトと受付の台帳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。
HistGradientBoostingRegressor を選ぶのは、損失に 'poisson' を指定でき、欠けた値をそのまま扱えるからです。 公式の説明では、loss に 'squared_error'・'absolute_error'・'gamma'・'poisson'・'quantile' を選べ、ポアソンは目的の値が0以上であることを求め、内部で対数のリンクを使うとされています。事業所ごとの当日の注文は0の日が多い数え上げる数なので、ポアソンが合います。欠けた値(NaN)を学習のときに左右どちらへ振るかを学ぶとも書かれており、予報の信頼度が出ていない日もそのまま渡せます。
天気予報は、気象庁の府県週間天気予報を使います。 公式の説明では、向こう一週間の一日ごとの天気、最高・最低気温、降水確率、予報の信頼度などを毎日11時ごろと17時ごろに発表するとされています。木曜の朝の時点では前日17時ごろの発表を使い、9時までに本部の担当が予定のシートへ入れます。
信頼度は、3日目以降の降水の有無の予報について A・B・C の3段階で表す情報です。 公式の説明では、信頼度 C は降水の有無の適中率が低いか、翌日に予報が変わる可能性がやや高いことを表すとされています。翌週の金曜の予報は、ほとんどがこの3日目以降に当たります。信頼度を説明の値と印の両方に使います。
03どうやって実装するのか
処理の起点を決める
毎週木曜の朝7時の定時の実行を起点にします。 食材の発注の締めが木曜16時、製造責任者の確定の目安が13時なので、9時30分に案が並べば3時間半の余裕が取れます。 7時に書き出しを読み込み、9時に天気の欄が埋まっているかを見て、9時30分に予測します。
毎日14時にも、翌日の1日分だけを予測し直します。 前日の午後には翌日の予報が木曜より当たりやすくなり、事業所が直前に入れた休業や行事の予定も反映できます。 下ごしらえの量は、この14時の案で決めます。
モデルの学習は、毎週日曜の夜に別に動かします。 木曜と毎日の実行は学習済みのモデルで予測するだけにします。学習のやり直しを予測のたびに行うと、前の週の特殊な日に引っ張られた案が出ます。
処理が失敗したときは、案の欄に「案なし」と書いて製造責任者に知らせ、その週は手で決めます。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 注文 | 事業所、日、献立ごとの注文の数、定期/当日の区分、受け付けた経路 | 注文サイトの書き出し、受付の台帳 |
| 契約 | 事業所、配送する調理場、定期の注文(曜日・献立・数)、事業所の区分(工場・倉庫/事務所/病院・介護)、休業の届 | 契約の台帳 |
| 献立 | 日、献立4つの中身、日替わりA・Bの主菜の区分(揚げ物/焼き物/煮物/カレー・丼/麺) | 献立表 |
| 予定 | 事業所が注文サイトに入れた行事(健康診断・棚卸・研修・休業)、地域の大きな催し | 注文サイトの予定、予定のシート |
| 天気 | 日、降水確率、最高気温、信頼度(A・B・C) | 予定のシート(気象庁の週間天気予報から入れる) |
| 祝日 | 祝日の日付 | 内閣府の祝日の CSV |
| 断った数 | 日、調理場、上限で受けられなかった注文の数 | 受付の記録 |
| 表 | 品目ごとに取る点、レシピの1食あたりの量、献立と品目の対応 | 各種の表のシート |
質を決めるのは、事業所の予定と断った数です。 事業所の予定が注文サイトに入っていなければ、健康診断の日に減ることを学べません。大口の事業所には、行事の予定を注文サイトへ入れてもらうよう営業から頼んでおきます。
断った数は、注文が上限に達した日の本当の需要を残すために要ります。 調理場の上限で当日の注文を断った日は、注文の数が本当に欲しかった数より少なく残ります。その日をそのまま学ばせると、少なめを覚えます。
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。
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2年の当日の注文の数 | 注文サイトと受付の台帳を、事業所・日で合わせる | 学習の目的の値 |
| 定期の注文の数 | 契約の台帳の曜日ごとの数から、休業の届の日を除いて数える | 予測しない数として足す |
| 献立の選ばれ方 | 過去26週の当日の注文を、主菜の区分の組み合わせごとに献立4つの割合にする | 当日の注文の数を献立に分ける |
| 事業所の過去の水準 | 事業所ごとの、2週前までの4週の当日の注文の平均 | 説明の値 |
| 天気・予定・祝日 | 予定のシート、注文サイトの予定、内閣府の CSV | 説明の値 |
注文サイトと受付の台帳は、事業所のコードで合わせます。 片方だけを読むと、電話の多い事業所の注文を少なく見ます。
事業所の過去の水準は、2週前までの値で作ります。 木曜に翌週の金曜を予測するとき、前の週の金曜はまだ来ていません。1週前の値を説明の値に使うと、学習のときには使えて予測のときには使えない列になります。 予測する日のどれにも使える、2週前までの値にそろえます。
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。仕込み表の下に出典と加工した旨を書きます。
AIへ渡す前に整形する
- 休業の日の扱い … 契約の台帳の休業の届と注文サイトの休業の予定がある事業所・日は、学習からも予測からも外し、0食として足します
- 断った日の補正 … 上限で断った数を、その調理場の事業所に、その日の当日の注文の割合で配って足します。断った数が記録に無い上限の日は学習から外します
- 新しい事業所の扱い … 契約から8週未満の事業所は、過去の水準を同じ区分の事業所の平均で置き、「新規」の印を付けます
- 説明の値 … 曜日、月、祝日の前後、月末・給料日の前後、降水確率、最高気温、信頼度、事業所の区分、事業所の過去の水準、定期の注文の数、事業所の行事の種類、日替わりA・Bの主菜の区分
- カテゴリの列の型をそろえる … 事業所の区分、行事の種類、主菜の区分、信頼度を pandas の
categoryの型にします - 事業所のコードは列にしない … 420か所を1つのカテゴリの列にはしません。事業所の違いは、過去の水準・区分・定期の数という数の列で持たせます
5番目は、型を付け忘れると黙って数の列として扱われます。 公式の説明では、categorical_features の既定は 'from_dtype' で、データフレームの Categorical の型の列だけをカテゴリとして扱うとされています。既定は 1.6 で None から変わっています。主菜の区分を 1〜5 の整数で持っていると、「カレー・丼は煮物より大きい」という順序があるものとして学びます。
6番目は、カテゴリの数の上限のためです。 公式の説明では、カテゴリの列ごとに、異なる値は max_bins 個までに限られ、max_bins は 255 を超えられないとされています。420か所の事業所のコードは、そのままでは入りません。 上限に収めるために事業所をまとめるより、事業所の性質を数で表すほうが、新しい事業所にも使えます。
AIに処理させる
させるのは、事業所ごと・日ごとの当日の注文の数の予測だけです。 定期の注文の数え上げ、点の取り出し、献立への配分、品目ごとの量への換算は、Python の計算で行います。
| 段階 | 中身 | 使うもの |
|---|---|---|
| 当日の注文の予測 | 事業所・日ごとの当日の注文の数の平均の見込み | HistGradientBoostingRegressor(loss="poisson") |
| 調理場ごとの合計 | 事業所の予測を調理場・日で足し、定期の数を足す | Python |
| 2つの点 | 合計 × 過去の当て直しの比の5割の点・8割の点 | Python |
| 献立への配分 | 主菜の区分の組み合わせごとの選ばれ方の割合を掛ける | Python |
| 品目ごとの量 | 品目ごとに取る点 × 1食あたりの量 | Python |
| 印付け | 信頼度 C、大口の行事、初めての組み合わせ、新規の事業所の多い日 | Python |
幅は、モデルの外で過去の当て直しから作ります。 ポアソン損失のモデルが返すのは平均の見込みです。420か所の予測を足した合計が実際にどれだけ外れるかは、天気の予報の外れや事業所の行事の入れ漏れで決まり、モデルの式からは出ません。 そこで、過去26週について「その週の木曜の時点で予測していたら、実際は予測の何倍だったか」の比を調理場・曜日ごとに集め、その5割の点と8割の点を掛けます。
品目ごとに違う点を取るのが、第3章の(d)への答えです。
| 品目の区分 | 取る点 | 理由 |
|---|---|---|
| 主菜の肉・魚の発注、下味付け、解凍 | 8割の点 | 前日にしかできない。足りないと献立を変えることになる |
| 野菜のカット | 5割の点 | 朝に追加で切れる |
| 揚げ物、炊飯 | 5割の点 | 朝の注文の締めの後に追加できる |
| のり弁の具材 | 5割の点 | 日持ちのする具材で、朝に足せる |
この表は製造責任者が決めます。 朝に追加できる量には、調理場の釜と揚げ場の大きさで上限があります。5割の点で仕込んで朝に足す品目は、その上限を超えない範囲に限ります。
| させないこと | 理由 |
|---|---|
| 注文の受付の締めや1日の上限を決める | 配送と調理場の段取りの問題。人が決める |
| 食材の発注を確定する | 仕入先の事情と在庫を見て人が決める |
| 献立を変える | 献立の担当が栄養とアレルゲンを見て決める |
| 天気の予報 | 本部の担当が予報を見て入れる |
| 事業所ごとの営業の判断 | 減っている事業所の扱いは営業が決める |
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・予測・点の取り出しの中身を示します。
import numpy as np
import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor
CATS = ["office_type", "event_kind", "main_a_cat", "main_b_cat", "reliability"]
NUMS = ["weekday", "month", "pre_holiday", "post_holiday", "month_end",
"rain_prob", "temp_max", "standing_qty", "level_2w4w"]
def prep(df):
X = df[CATS + NUMS].copy()
for c in CATS:
X[c] = pd.Categorical(X[c], categories=CAT_LEVELS[c]) # 学習の時の水準にそろえる
return X
model = HistGradientBoostingRegressor(
loss="poisson", max_iter=400, learning_rate=0.05,
early_stopping=False, # 行の数が1万を超えても日付と無関係に検証の行を抜かせない
random_state=0)
model.fit(prep(train), train["walkin_qty"])
def kitchen_points(next_week, ratio_table):
next_week["pred"] = model.predict(prep(next_week))
day = (next_week.groupby(["kitchen", "date", "weekday"])
.agg(pred=("pred", "sum"), standing=("standing_qty", "sum")).reset_index())
day = day.merge(ratio_table, on=["kitchen", "weekday"]) # 過去26週の比の5割・8割の点
day["p50"] = np.round(day["standing"] + day["pred"] * day["r50"])
day["p80"] = np.ceil(day["standing"] + day["pred"] * day["r80"])
return day
early_stopping=False を明示するのは、行の数のためです。 公式の説明では、early_stopping の既定は 'auto' で、行の数が1万を超えるか検証のデータを渡したときに有効になるとされています。420か所 × 2年分の行は1万を大きく超えます。有効になると学習の行の一部を検証の行として抜きますが、その抜き方は日付と関係ありません。 来週を予測する仕組みなのに、未来の日の行で止めどころを決めることになります。止めどころは、下の当て直しで決めた max_iter で固定します。
pd.Categorical(..., categories=CAT_LEVELS[c]) は、予測のときの水準をそろえるためです。 翌週に健康診断の予定が1件も無いと、行事の種類の列に「健康診断」の水準が現れません。学習のときの水準の一覧を保存しておき、予測の行に同じ一覧を当てます。
比の表は、日付で区切った当て直しで作ります。 scikit-learn には時系列の分割の TimeSeriesSplit があり、学習とテストの間を空ける gap を指定できます。ただし公式の説明では、gap は各学習の終わりから除く「サンプルの数」です。1日に420行ある表では、gap=7 は7日ではなく7行の意味になります。 そこで、過去26週の木曜を1つずつ区切りにし、その木曜より前の行だけで学習して翌週の月〜金を予測する繰り返しを、日付で自分で書きます。
出力形式を固定する
製造責任者に渡すのは、仕込み表と発注の表の横の案の欄です。 木曜の9時30分に並び、13時までに確定することを前提にします。
【11月30日(月)・東の調理場の案(11月26日 9:34 作成)】
| 区分 | 定期 | 当日(中ほど) | 合計(中ほど) | 合計(多め) | 印 |
|---|---|---|---|---|---|
| 日替わりA | 410 | 352 | 762 | 815 | - |
| 日替わりB | 230 | 288 | 518 | 556 | - |
| ヘルシー | 120 | 146 | 266 | 284 | - |
| のり弁 | 95 | 214 | 309 | 331 | 黄(初めての組み合わせ) |
| 合計 | 855 | 1,000 | 1,855 | 1,986 | 信頼度 C |
【同じ日の仕込みの目安(抜粋)】
| 品目 | 取る点 | 食数 | 1食あたり | 目安 |
|---|---|---|---|---|
| 豚肩ロース(日替わりA・下味) | 多め | 815 | 70g | 57.1kg |
| 鮭の切り身(日替わりB・解凍) | 多め | 556 | 1切れ | 556切れ |
| キャベツ(カット) | 中ほど | 1,028 | 30g | 30.8kg |
| 炊飯 | 中ほど | 1,855 | 200g | 371.0kg |
表の下には、印の意味を並べます。 「信頼度 C」は予報が変わりやすい日、「大口の行事」は50食以上の事業所に行事がある日、「初めての組み合わせ」は主菜の区分の組み合わせが過去26週に無い日、「新規多め」は新しい事業所の注文の割合が高い日です。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、調理場、献立、定期の数、当日の予測、2つの点、品目ごとの目安、印、モデルを作った日付、製造責任者が確定した数と直した理由の区分です。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 注文サイト | 毎日の書き出しのファイルを読む | 事業所・日・献立ごとの注文の数、行事の予定 |
| 受付の台帳 | スプレッドシートを読む | 電話・FAXの注文、上限で断った数 |
| 契約の台帳 | スプレッドシートを読む | 定期の注文、事業所の区分、休業の届 |
| 献立表・予定のシート | スプレッドシートを読む | 献立と主菜の区分、天気、地域の催し |
| 仕込み表・発注の表 | 案の欄にだけ書く | 献立ごとの2つの点、品目ごとの目安、印 |
書き込むのは、案の欄だけです。 製造責任者が書く確定の欄には書きません。12時45分になっても確定の欄が空の調理場には、本部の担当が電話します。 案をそのまま仕入先への発注として流す作りにはしません。
注文サイトの受付の上限とはつなぎません。 予測が少なめに出た日に、受付の上限が自動で下がるような作りにすると、事業所の注文を予測の外れで断ることになります。
人が確認する
- 製造責任者が印の付いた日を先に見る … 信頼度 C、大口の行事、初めての組み合わせ、新規多めの日は、責任者の判断を優先します
- 記録に無い事情で数を直す … 営業から聞いた事業所の増員、近くの工事、地域の催しなどで直します。直したら理由の区分を選びます
- 発注の量を確定する … 冷凍庫の残り、仕入先の入り方を見て、案の量を確定します
- 本部が週1回、当たり方を見る … 8割の点を実績が下回った日の割合と、責任者が直した件数を調理場ごとに見ます
2番目の直した件数が、この構成の改善の入口です。 同じ理由で毎週同じ方向に直しているなら、その理由を説明の値に足せないかを考えます。目標は、1調理場の1日分の確定を12分で終えることです。
例外に対処する
| 起きること | 対応 |
|---|---|
| 注文サイトの書き出しが届いていない | 前の日までの分で予測し、「注文未取込」の印 |
| 天気の欄が9時に空 | 降水確率と気温を欠けた値として予測し、「予報未入力」の印 |
| 台風・大雪の予報 | 「読みにくい日」の印。配送の可否と合わせて責任者が決める |
| 大口の事業所が直前に休業を入れる | 毎日14時の更新で反映し、「直前の変更」の印 |
| 献立が差し替わった | 献立表を読み直し、主菜の区分の組み合わせから配分をやり直す |
| 選ばれ方の表に無い組み合わせ | 片側だけ一致する組み合わせの割合で置き、「初めての組み合わせ」の印 |
| 学習のやり直しが失敗した | 前の週のモデルを使い続け、本部に知らせる |
| 合計が調理場の上限を超える | 上限で止めて「上限超え」の印。受付の段取りは人が決める |
上から2行目までが、最初の数か月の大半を占めます。 どちらもモデルの問題ではなく、書き出しの時刻と予報の入れ方の問題です。
記録を残す
- 予測に使った入力(注文・予定・天気・献立)と、作った日時
- 事業所ごとの予測、調理場ごとの2つの点、献立ごとの数、品目ごとの目安
- 製造責任者が確定した数と、直した理由の区分
- 実際の注文の数、上限で断った数、朝に追加で調理した量、廃棄の量
- 毎週の当て直しの比の表と、モデルを作った日付
- 品目ごとに取る点の表の変更の履歴
3つ目と4つ目を並べると、案と責任者の判断のどちらが当たっていたかが分かります。 責任者が多めに直して廃棄が増えた日、案のままで朝の追加が重なった日を、月に1回、2人の責任者と本部で見る材料にします。
04実装レベルの3段階
本記事の想定は本格構成です。 1件45分が12分になります。半自動化の段階で、②の量の換算はほとんど要らなくなります。 事業所の予定と天気を入れた上積みは、本格構成からです。 段階を飛ばさないでください。 上限で断った数と事業所の予定が3か月そろう前に本格構成を作ると、少なめの日と行事の日を区別できないまま学ぶ仕組みになります。 半自動化の期間は、受付と営業が記録の付け方に慣れる期間でもあります。
05工数削減シミュレーション
導入後 40件 × 12分 ÷ 60 = 8 時間/月
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。
06向いている企業・向いていない企業
- 事業所・工場・病院などへ日替わりの弁当を毎日届け、当日の朝に注文が締まる一方で、主菜の食材の発注と前日の下ごしらえは数日前に量を決めなければならない宅配弁当の会社。注文サイトや受付の台帳に事業所ごと・日ごとの注文の数が2年以上残っている場合。製造責任者が過去の注文と天気予報を見て毎週の見込みを手で立てていて、余りの廃棄と朝の追加の調理が同じ週に出る場合。仕出し弁当や、社員食堂を持たない事業所へ届ける給食の会社にも使える。
- 契約事業所が数十か所で、注文の数がほぼ毎日同じ場合。注文を前の週までにすべて確定してもらう運用で、当日の増減が無い場合。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。受注を締める時刻や1日の上限の数、価格を決めるために使う場合(この構成は量の目安を出すだけ)。なお、食品の衛生の管理、アレルゲンの表示、献立の決定、食材の仕入先の選定は、この構成では代替できません。
07最小構成で試す方法
- 東の調理場に絞り、過去1年の日ごとの注文の数を、定期と当日に分けて表に並べる
- 表計算で、曜日ごとに直近8週の当日の注文の数を並べ、中ほどの値と上から2割の値を出す
- その2つに定期の数を足し、献立の過去8週の割合で4つに分ける
- 4週間、責任者の見込みと、この素朴な案と、実際の注文の数を並べて記録する
- どちらが廃棄と朝の追加の釣り合いがよかったかを見る
2番目は、モデルを使わない最も素朴な案です。 これで責任者の見込みと同じくらいなら、天気と事業所の予定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 |
|---|---|
| 素朴な案でも責任者の見込みと同じくらい当たった | 事業所ごとのモデルに進む |
| 定期と当日の区分が記録に無い | 注文サイトの書き出しの見直しが先。 予測の問題ではない |
| 上限で断った日がいつか分からない | 受付で断った数を付けることが先 |
2行目が出ることは珍しくありません。 失敗ではなく、分かっている数まで毎週見積もっていたことが分かったということです。 契約の台帳から定期の数を日ごとに数える表を作ってから、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 |
|---|---|
| 試験では当たるのに本番で外れる | 説明の値を2週前までの値にそろえる。木曜の時点で手元にある値だけを使う |
| 当て直しの間隔が日数にならない | TimeSeriesSplit の gap はサンプルの数。日付で区切る当て直しを自分で書く |
| 検証の行が未来の日から抜かれる | 行が1万を超えると early_stopping='auto' が有効になる。False を明示する |
| 主菜の区分に順序が付く | 既定の 'from_dtype' は Categorical の型の列だけをカテゴリにする。型を付ける |
| 事業所のコードが入らない | カテゴリは max_bins(255まで)個が上限。事業所の性質を数の列で持たせる |
| 予測の行で水準が足りない | 学習の時のカテゴリの水準の一覧を保存し、予測の行に当てる |
| 分かっている数にも外れの幅が付く | 定期の注文は予測せず、契約の台帳から数えて足す |
| 少なめの注文の数を学ぶ | 上限で断った数を記録し、学習の前に足す |
| 朝に足せる品目まで多めに仕込む | 品目ごとに取る点を決める |
| 気象庁のデータの出典が抜ける | 仕込み表の下に出典と加工した旨を書く |
| 祝日の CSV が翌々年に無い | 毎年2月ごろに取り直す |
| 予測が受付の上限に使われる | 受付の仕組みとはつながず、運用の決まりに書く |
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、当て直しでは良い成績が出て、本番の案だけが外れます。 当たり方の記録を見るまで気づけません。
最後の行も早く効いてきます。 予測の表は、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: 契約事業所の名前とコード、事業所ごとの注文の数、定期の注文の契約、事業所が入れた行事の予定です。注文した個人の名前や連絡先は使いません。 注文サイトの書き出しは、事業所・日・献立ごとの数だけにします。
- 書き出すのは事業所ごとの数だけ … 注文した担当者の名前、配送先の部署の内線、個人ごとの注文の履歴は書き出しの段階で外します
- 事業所の予定を予測の外へ出さない … 健康診断や棚卸の予定は取引先の社内の情報です。予測の表を仕入先や配送の協力会社に渡すときは、行事の列を外します
- 発注を決めるのは人 … この構成が出すのは案です。確定の欄を自動で埋め、そのまま仕入先へ流す作りにしません
- 衛生の決まりを案に合わせて変えない … 調理から配送までの時間、下ごしらえした食材の保管と廃棄の決まりは、調理場の衛生の管理で決まっています
- 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
- 責任者の評価に案との差を使わない … 責任者が直した記録は、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、責任者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、下ごしらえが足りずに献立を差し替えることと、多すぎて廃棄が増えることの2つです。 どちらも品目ごとの点と責任者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
注文サイトの書き出しに定期と当日の区分を付け、受付の台帳と事業所のコードで合わせます。受付で上限により断った数を、毎日付ける欄を作ります。
2週目:表を作る
契約の台帳から、定期の注文の数を日ごとに数える表を作ります。品目ごとに取る点の表を、2人の製造責任者で決めます。大口の事業所へ、行事の予定を注文サイトに入れてもらうよう営業から頼みます。
3〜6週目:素朴な案で試す
東の調理場で、曜日ごとの並びから素朴な点を出し、責任者の見込みと並べて4週間記録します。
2か月目: Python で書き出しを毎週読み、半自動化の案を出します。予測の表を受付の上限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: 事業所ごとの予測のモデルと比の表を入れ、毎日14時の更新と当たり方の記録を始めます。8割の点を下回った日の割合が8割の近くで落ち着き、責任者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
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
loss に 'poisson' などを選べ、ポアソンは目的の値が0以上を求めて内部で対数のリンクを使うこと。欠けた値の振り分けを学習すること。categorical_features の既定が 'from_dtype'(1.6 で None から変更)で Categorical の型の列だけを扱い、カテゴリは max_bins(255まで)個が上限であること。early_stopping='auto' が行の数1万超か検証のデータを渡したときに有効になること。scikit-learn 1.9.1 | scikit-learn: HistGradientBoostingRegressor | 2026-11-17 |
TimeSeriesSplit の gap が、各学習の終わりからテストの前に除くサンプルの数であること | scikit-learn: TimeSeriesSplit | 2026-11-17 |
| 府県週間天気予報が向こう一週間の一日ごとの天気・最高最低気温・降水確率・信頼度などを毎日11時ごろと17時ごろに発表すること。信頼度が3日目以降の降水の有無の予報について A・B・C で表すこと | 気象庁: 週間天気予報 | 2026-11-17 |
| 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) | 2026-11-17 |
| 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 | 2026-11-17 |
調理と保管の時間、食材の扱い、衛生の管理は、調理場の衛生の決まりに従ってください。 品目ごとに取る点と、食材の発注の確定は、製造責任者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-3483)についてのご相談はこちらから。
