精肉店が商品ごとの売上・曜日・天気・催しの記録から Python で翌週の売れ数を幅付きで予測し、部分肉の仕入と日ごとの加工の量の案を出す

処理の起点を決める

毎週木曜の昼に1回動かします。 問屋の発注の締めが木曜の夜なので、店主が昼休みの後に案を見て、夕方までに直せる時刻にします。店のパソコンの定時実行の仕組み（Windows ならタスク スケジューラ）で Python のスクリプトを起動します。

水曜の夜までに予定のシートが入っていることが前提です。 木曜の昼の時点で翌週の予定の行が空なら、予測は出しますが、表の一番上に「予定と天気予報が未入力」と大きく出します。 天気と催しの無い予測は、普段の週の見込みにしかなりません。

月に1回、モデルを作り直します。 毎月の第1木曜の朝に、先月までの記録で学習し直し、作り直す前と後で、先月の4週の当たり方を比べた結果を残します。悪くなっていれば、前のモデルのまま使います。

店のパソコンが止まっていると動きません。 動かなかった週は、店主が手で実行できるように、デスクトップに実行のためのショートカットを置きます。 結果の表には、作った日時を必ず印字します。古い表で発注しないためです。

入力データを集める

質を決めるのは、売り切れの記録と歩留まりの表です。 売り切れの記録が無ければ予測は低めに偏り、歩留まりの表が無ければ、商品の予測を仕入に直せません。 どちらもレジからは出てこないデータで、この構成のために店で付け始めるものです。

歩留まりの表は、店で実際に量って作ります。 同じ部位でも、問屋や時期によって脂の付き方が違い、本や業界の目安の数字では合いません。 部位ごとに数回、加工の前後の重さを量り、平均を表に入れます。

データの取得方法を決める

過去の天気は、月に1回まとめて取ります。 気象庁の過去の気象データ・ダウンロードは、地点と項目と期間を選んで CSV で落とせます。CSV には値の列のほかに品質情報や均質番号の列が並ぶので、値の列だけを名前で選んで読み込みます。列の位置で読むと、項目を足したときにずれます。

翌週の天気は、店主が週間天気予報を見て入れます。 予報を自動で取りに行く仕組みも考えられますが、この構成では店主が見て入れる形にしています。 毎週7日分で数分の作業で、予報を見ること自体が店主の判断の材料になるからです。

祝日の CSV は、内閣府が翌年の分を前の年の2月に載せるとされています。年に1回、2月に入れ替えます。

AIへ渡す前に整形する

1. 商品コードをそろえる … レジの商品コードが変わった商品（名前を変えた、量を変えた）を、対応表で1つにまとめます
2. 商品ごと日ごとの表にする … 売れなかった日を0で埋めます。休業日は0ではなく行ごと外します
3. 売り切れの日に印を付ける … 売り切れた時刻が閉店の2時間より前の日を「売り切れ」とします
4. 売り切れの日の目的の値を扱う … 売り切れの日は、売れた数を「少なくともこれだけ」の値として、学習から外すか、上振れのモデルだけに使います
5. 項目を作る … 曜日、祝日とその前日、月、年の中の週、最高気温、降水量の有無、催しの種類、前年の同じ週の同じ曜日の売れ数、直近4週の同じ曜日の平均
6. 商品と曜日を Categorical にする … pandas の Categorical の型にしておけば、categorical_features の既定でそのまま扱われます

3番目と4番目が、この構成の肝です。 売り切れの日をそのまま学習させると、モデルは店の棚の量を覚えます。閉店の2時間前という線は、店主と相談して決めます。 夕方の売り切れは「ちょうど売り切った」日で、昼の売り切れは「足りなかった」日です。

単位をそろえることにも気を付けてください。 パックで売る商品は1パックの重さが決まっていますが、対面の量り売りは客ごとに重さが違い、レジには売上額とグラムが残ります。同じ「豚バラ」でも、パックと量り売りを別の商品として予測し、部位に直すときに重さで足し合わせます。 1つにまとめると、パックの数とグラムが混ざった目的の値になり、何を予測しているのか分からなくなります。

飲食店への卸は、店頭の売上と分けます。 卸は注文があってから切るもので、曜日や天気より取引先の都合で動きます。店頭の予測の学習からは外し、仕入の案を作るときに、決まっている注文の量だけを部位ごとに足します。

年末の数日は、別に扱います。 年に1回しか来ない売れ方で、学習の記録が少ないためです。12月の最終週は予測を出しつつ、表に「年末：前年の実績を必ず見る」と印を付けます。

AIに処理させる

させるのは、翌週の商品ごと日ごとの売れ数を、3つの分位で予測することだけです。 機械学習のモデルを3本作り、それぞれ quantile を0.2・0.5・0.8にします。

商品ごとに、中央と上振れのどちらで仕入れるかを決めておきます。 日持ちのしない生の薄切りは中央に寄せ、ひき肉やメンチに回せる部位から作る商品は、売れ残っても端材の行き先があるので上振れに寄せられます。この選び方は店主の判断で、表の設定の列に持たせます。

モデルは商品ごとに作らず、1本で全商品を学習させます。 商品を Categorical の項目として入れることで、売れる数の少ない商品も、似た商品の曜日や天気の動き方を借りられます。 30商品で30本のモデルを持つより、作り直しも当たり方の確認も楽になります。

当たり方は、店主の見当と同じ物差しで比べます。 去年の同じ週の実績をそのまま翌週の見込みにする「前年どおり」と、先週と同じにする「先週どおり」を並べ、モデルの中央の外れがその2つより小さいかを、商品ごとに見ます。 どちらにも勝てない商品は、モデルを使わずに前年どおりで出し、表に「前年どおり」と書きます。

4行目を気を付けてください。 初めて行う売出しは、モデルにとって「普段の週」と同じに見えます。予定のシートに初めての催しの印があれば、表で「初めての催し：上乗せを店主が決める」と出します。

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、予測の中身を決める学習の設定を示します。

from sklearn.ensemble import HistGradientBoostingRegressor

FEATURES = ["item", "weekday", "is_holiday", "is_pre_holiday", "month",
            "week_of_year", "temp_max", "rain", "event_type",
            "last_year_same_wd", "recent4w_same_wd_mean"]

# item・weekday・event_type は pandas の Categorical にしておく
# categorical_features の既定 'from_dtype' でカテゴリとして扱われる

def fit_quantile(df, q):
    # 売り切れの日を外して学習する（上振れのモデルにだけ含める案も試す）
    train = df[~df["sold_out_early"]] if q < 0.8 else df
    model = HistGradientBoostingRegressor(
        loss="quantile", quantile=q,
        max_iter=500, learning_rate=0.05,
        early_stopping=True, validation_fraction=0.15,
        random_state=0,
    )
    model.fit(train[FEATURES], train["sold_qty"])
    return model

models = {q: fit_quantile(history, q) for q in (0.2, 0.5, 0.8)}

学習の目的の値は、売上額ではなく売れた数です。 値上げや値引きで売上額が動いても、仕入に要るのは数と重さだからです。パックで売る商品はパック数、対面の量り売りはグラムで持ち、歩留まりの換算のときに重さにそろえます。

early_stopping を明示的に有効にしているのは、既定の 'auto' では、学習の行が10,000を超えるときにしか有効にならないからです。 30商品で2年分なら超えますが、商品を絞って試す段階では超えないことがあります。

3本のモデルの線が交わることがあります。 分位ごとに別々に学習するため、まれに下振れが中央を上回ります。その場合は3つの値を小さい順に並べ替えて使い、交わった件数を記録に残します。 多いようなら、項目か学習の量を見直す合図です。

出力形式を固定する

店主に渡すのは、次の2つの表です。 印刷して木曜の夕方に見ることを前提に、A4の横1枚に収まる形にします。

【仕入の案（部位ごと）】

【日ごとの加工の量（商品ごと）】

「印」の列が、店主の目を向ける先です。 中央と上振れの差が大きい部位には「振れ大」、予定のシートの天気予報で最高気温が前の週から大きく下がる週には「寒くなる予報」、初めての催しには「催しの上乗せ未定」を出します。印の無い行は、案のまま発注して大きくは外れない行です。

機械で読む用には、同じ内容を CSV でも残します。 列は、週、部位または商品、日、下振れ・中央・上振れ、寄せ方、在庫、仕入の案、印、モデルを作った日付です。翌週に実績と並べて当たり方を見るのは、この CSV です。

システムへ連携する

問屋への発注は自動にしません。 精肉の仕入は、問屋との日々のやり取りの中で、「今週はこの部位が高い」「この部位は品薄」という話を聞きながら決めるものです。案を見て店主が直す時間を、構成の中に残します。

レジの CSV は、書き出しの手順を決めておきます。 レジの機種によって、商品別の売上を日付の範囲で書き出す画面が違います。毎日閉店後に前日分を書き出すか、週に1回まとめて書き出すかを決め、ファイル名に日付を入れるように決めます。

人が確認する

店主が見るのは、印の付いた行です。

1. 作った日時を見る … 表の上の日時が当日の昼であることを確かめます。古い表で発注しない
2. 印の付いた部位から見る … 「振れ大」「寒くなる予報」「催しの上乗せ未定」の部位で、上振れに寄せるか中央に寄せるかを決めます
3. 予測の外の事情を足し引きする … 飲食店からの大口の注文、問屋の値上がり、品薄の話を足し引きします
4. 直した数を表に書き込む … 直した量と理由を一言書き、翌週の当たり方の確認に使います

目標は、30商品をならして1件2分です。 印の無い行は数字を見て丸を付けるだけで、時間を使うのは印の付いた数商品です。

加工の責任者は、日ごとの加工の量の表を見て、前の日の売れ残りを引いて加工します。 表の数はあくまで目安で、前日の売れ残りと店頭の様子を見て、その日の朝に決めます。

例外に対処する

上から4行目までは、記録の付け方の問題です。 起きるたびに直せば減ります。モデルの問題で起きる例外は、下の方の数行だけです。

記録を残す

• 実行の日時、使ったモデルの作成日、読み込んだ売上の期間
• 商品ごと日ごとの下振れ・中央・上振れと、寄せ方の設定
• 部位ごとの必要量、在庫、仕入の案
• 店主が直した量と理由
• 翌週の実績（売れた数、売り切れた時刻、廃棄・値引きの数）
• 月ごとの当たり方（中央の外れの大きさ、上振れを上回った日の割合）と、モデルの作り直しの結果

4つ目と5つ目を並べると、店主の足し引きが当たったかが分かります。 店主の直しが毎回同じ方向なら、その事情をモデルの項目に足す候補になります。 たとえば、毎週金曜に飲食店の注文の分を足しているなら、注文の予定を項目にできます。

上振れを上回った日の割合は、0.8の線なら5日に1日ほどが目安です。 それより多ければ上振れの線が低すぎ、少なければ高すぎます。この割合が、モデルの線を信じてよいかを見る一番わかりやすい物差しです。