洋菓子店が販売の記録・曜日・天気・催しから Python で翌日の生菓子の品目ごとの製造の数を予測し、売り切れと売れ残りの釣り合う仕込みの案を出す

処理の起点を決める

前日の13時と、閉店後の19時半の2回動かします。 13時は台を焼き始める前で、職人の責任者が台の数の案を見てから、午後の焼成の段取りを組める時刻です。19時半は閉店して売れ残りの数が入った後で、その日の売れ方まで足した見込みで、翌朝の仕上げの数を決められる時刻です。事務所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。

閉店後の回は、売れ残りの数が入ったことを確かめてから動かします。 売れ残りの表に当日の行が無ければ、10分おきに3回まで待ち、それでも無ければ「当日の売れ残り未入力」の印を付けて案を出します。

月に1回、モデルを作り直します。 定休日の前の閉店後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。

定休日の前の日は、翌々日の分を出します。 定休日の翌日の台は定休日に焼けないので、定休日の前日の13時に、2日先の台の数の案を出します。

入力データを集める

質を決めるのは、売り切れた時刻の記録です。 ノートに「全部売れた」としか残っていない日は、本当はあと何個売れたのかが分かりません。レジの記録の最後に売れた時刻が分かれば、多くの日は後からでも見積もれます。 閉店の1時間以上前に最後の1個が売れていれば、売り切れた日として扱います。

品目の表の原価は、材料費だけで足ります。 作りすぎた1個で失うのは、その1個に使った材料で、職人の手間は作っても作らなくても同じ朝の時間にかかっているからです。 線の決め方は「AIに何をさせるのか」で示します。

天気は日ごとの値を使います。 気象庁の過去の気象データ・ダウンロードでは、地点と項目と期間を選んで観測値を CSV で落とせるので、店の近くの観測地点の日ごとの降水量と最高気温を取ります。

データの取得方法を決める

レジの書き出しは、閉店の処理が終わってから行います。 閉店の処理の前に書き出すと、最後の1時間の会計が入りません。書き出しの時刻を表の上に印字し、閉店の時刻より前なら案に印を付けます。

気象庁の CSV には、値の列のほかに品質情報や均質番号の列が並びます。 値の列だけを名前で選んで読みます。祝日の CSV は、翌年の分が前の年の2月に載るとされているので、年に1回、2月に入れ替えます。

予約の台帳には、客の名前と電話番号が含まれます。 読み込むときに、受け取りの日と品目と数以外の列を捨てます。予測に要るのは数だけです。

AIへ渡す前に整形する

1. 日ごと・品目ごとにそろえる … レジの会計を、営業日ごと・品目ごとの売れた数に合わせます。取り置きの受け取りは店頭の売れた数から外します
2. 売り切れた日を見つける … 売れ残りが0で、最後に売れた時刻が閉店の1時間以上前の日に印を付けます
3. 時刻ごとの売れ方を作る … 売り切れなかった日から、品目・曜日・季節ごとに「何時までに1日の何割が売れるか」の表を作ります
4. 売れたはずの数を見積もる … 売り切れた日は、売れた数を、売り切れた時刻までに売れる割合で割って見積もります。見積もった値は別の列に持ち、元の売れた数は残します
5. 販売していない日を外す … 季節の品目の販売期間の外、材料が入らず作らなかった日は、0ではなく行ごと外します
6. 項目を作る … 品目、曜日、祝日とその前日、連休の何日目か、月、降水の有無と量、最高気温、季節の行事、近くの催し、前年の同じ週の同じ曜日の売れた数、直近4週の同じ曜日の平均、閉店後の回だけ当日の売れた数
7. 品目・曜日・行事を Categorical にする … pandas の Categorical の型にしておきます

4番目が、この構成の肝です。 14時に売り切れた土曜のショートケーキの売れた数をそのまま学習すると、モデルは「土曜のショートは24個」と覚え、また24個作って14時に売り切れます。 土曜に14時までに1日の6割が売れるなら、24個は40個ほどの欲しかった客のうちの24個です。ただし見積もりは推計なので、月に1回の当たり方の確認で、見積もった日だけの外れ方を分けて見ます。

5番目で作らなかった日を0にしないのは、0の日を学習すると、その季節の見込みが実際より少なく出るからです。 栗が入らずモンブランを作らなかった日を「売れなかった日」と覚えると、秋の雨の日のモンブランを低く見込みます。

AIに処理させる

させるのは、翌日の品目ごとの店頭の売れる数の平均の見込みを出すことだけです。 幅と製造の数は、その見込みと品目ごとのばらつきから計算で出します。

品目ごとの線は、売価と原価から決めます。 作り足りなかった1個で失うのは「売価−原価」の粗利、作りすぎた1個で失うのは原価です。線を「粗利 ÷（粗利＋原価）」、つまり「粗利 ÷ 売価」に置くと、捨てる損と取り逃しの損の合計が小さくなるという、古くから使われている考え方です。

オーナーが線を手で上げ下げできるようにしておきます。 看板の品目は、売り切れて客をがっかりさせることのほうが重いので、粗利の計算より高い線にしてかまいません。線を変えても学習のやり直しは要らないのが、分布で出す作りの利点です。

仕上げの手の上限も見ます。 品目ごとの製造の数に仕上げの手間（分）を掛けて足し、朝の仕上げの時間に収まらなければ、線が低い品目から順に1個ずつ減らした案を出し、印を付けます。

3行目は、とくに気を付けてください。 多めに作る線にした品目でも、売れ残りを翌日に回して売る判断に、この構成を使わないでください。 生菓子の扱いは、店の衛生の決まりで行います。

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、平均の見込みと製造の数の出し方の中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from scipy.stats import nbinom

FEATURES = ["item", "weekday", "is_holiday", "is_pre_holiday", "holiday_seq",
            "month", "rain_mm", "temp_max", "season_event", "local_event",
            "last_year_same", "recent4w_same_mean"]
# item・weekday・month・season_event・local_event は pandas の Categorical にしておく

mean_model = HistGradientBoostingRegressor(
    loss="poisson", max_iter=500, learning_rate=0.05,
    early_stopping=True, validation_fraction=0.15, random_state=0)
y = train["demand_est"].fillna(train["sold"])    # 売り切れた日は見積もった値
mean_model.fit(train[FEATURES], y)

def make_qty(mu, alpha, line):
    """平均 mu、ばらつき alpha（分散 = mu + alpha*mu^2）、線 line から製造の数"""
    if alpha <= 0:                         # ばらつきが小さすぎる品目はポアソンに近い扱い
        alpha = 1e-3
    var = mu + alpha * mu ** 2
    p = mu / var
    n = mu ** 2 / (var - mu)
    return int(nbinom.ppf(line, n, p))

n と p の出し方は、SciPy のページに示された、平均とばらつきからの書き方に合わせています。 p = μ/σ²、n = μ²/(σ² − μ) で、分散が平均より大きいときにしか使えません。 そのため、過去の外れから出した alpha が0以下になる品目は、小さな正の値に置き換えます。

alpha は品目ごとに、過去3か月の外れから出します。 品目ごとに「（実績−見込み）の2乗 − 見込み」を「見込みの2乗」で割って平均した値が目安になります。季節の品目は販売の期間が短く、外れの数が少ないので、同じ台の種類の品目の値を借ります。

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を超えるときなどにしか有効にならないからです。 18品目の3年分は1万行を少し超える程度で、品目を減らした店では既定のままだと早期の打ち切りが働きません。

新しい品目は、学習のときに無かったカテゴリになります。 公式の解説では、学習のときに見なかったカテゴリは予測のときに欠けた値として扱われるとされています。新しい品目の見込みはあてにならないので、表に「新しい品目：オーナーが決める」と出します。

出力形式を固定する

オーナーに渡すのは、次の表です。 閉店後に印刷して、黒板に書く前に見ることを前提にします。

【明日（11月14日・土）の生菓子の製造の案（金曜 19:34 作成／レジの書き出し 19:21）】

製造の案は、店頭の見込みから出した数に、予約と取り置きの数を足したものです。 予約の分は予測に入れていないので、二重には数えません。台の列は、製造の案を台の種類ごとに合わせ、1台から取れる個数で割って切り上げた数です。

表の一番下には、仕上げの手の合計を出します。 製造の案の仕上げの手間の合計と、翌朝の仕上げの時間を並べ、超えていれば線の低い品目から減らした案を並べます。 あわせて、初めての催しには「催しの上乗せ未定」、予定のシートが空の日には「予定未入力」を出します。

機械で読む用には、同じ内容を CSV でも残します。 列は、日、品目、予約の数、平均、幅、線、製造の案、台の数、印、モデルを作った日付です。翌日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

黒板にはオーナーが書きます。 案をそのまま印刷して貼る作りにすると、オーナーが直した数と案の数が混ざり、職人がどちらを作るか迷います。 決めた数を製造の記録の表にも入れ、翌日の当たり方の確認に使います。

人が確認する

1. 作った日時とレジの書き出しの日時を見る … どちらも当日の閉店後であることを確かめます
2. 印の付いた品目を見る … 赤（新しい品目）と黄（昨日の売れ残りが多い・売り切れが早い）の品目の数を決めます
3. 仕上げの手の合計を確かめる … 翌朝の職人の数と、試作や予約のホールケーキの手間と突き合わせます
4. 予測の外の事情を足し引きする … 果物の入り方、近くの店の休み、テレビや雑誌での紹介などを足し引きします

目標は、24営業日をならして1件10分です。 印の無い品目は案を写すだけで、時間を使うのは印の付いた品目と、行事の前日です。

例外に対処する

3行目を間違えると、季節の見込みが崩れます。 作らなかった日を0として学習すると、その品目の旬の時期を低く見込みます。 製造の記録の表に「作らなかった」の区分を設けておきます。

記録を残す

• 実行の日時、使ったモデルの作成日、読み込んだレジの書き出しの日時と期間
• 品目ごとの平均、ばらつき、線、製造の案、台の数、印
• オーナーが決めた製造の数と、案から変えた理由
• 翌日の実績（品目ごとの売れた数、売れ残り、売り切れた時刻）
• 品目ごとの線を変えた日と、変えた理由
• 月ごとの当たり方（品目ごとの平均の外れの大きさ、売り切れた日の割合、売れ残りの原価の合計）と、モデルの作り直しの結果

売り切れた日の割合と、売れ残りの原価の合計を並べて見ます。 線を0.65にした品目は、ならせば3日に1日ほど売り切れるのが線のとおりの動きです。それより多く売り切れていれば見込みが低く、少なければ多めに作りすぎています。