カプセルホテルのチェーンが店舗ごとの予約の積み上がり・曜日・周辺の催し・天気から Python で日別・フロア別の稼働の数を予測し、清掃の人員と料金の見直しの材料にする
カプセルホテルの店舗ごとに、予約の積み上がりと曜日・催し・天気から、翌週と翌々週の日ごと・男女のフロアごとの稼働の数を Python で幅付きで予測します。清掃の人員の目安と、満室になりそうな日・空きが残りそうな日の一覧を出します。
- 連携・自動化
- Python
- 対象業界
- その他/宿泊
- 対象部門
- 経営企画
- 対象業務
- 比較検討/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
01導入前 / 導入後の業務フロー
- 木曜に、経営企画の担当が予約の仕組みから店舗ごとの翌週・翌々週の予約の数を書き出す
- 前年の同じ週と前月の同じ曜日の稼働を、フロントの記録から拾って並べる
- 店長にチャットで催しの予定を聞き、週間天気予報を見る
- 店舗ごと・日ごとに「あと何区画増えるか」を見立て、稼働の見込みを書く
- 見込みから、店長が清掃の外注先へ翌週の日ごとの人数を伝える
- 経営企画が、満室に近い日の料金を上げ、空きが多い日に販促を入れるかを決める
- 週の途中で予約が急に伸びた・落ちた店舗は、店長が電話で相談してくる
- 人店長が、店舗の周辺の催し(会場、日、規模の目安)を催しのシートに入れる。フロントは満室で断った数を日ごと・フロアごとに記録する
- 自動毎日の深夜に、Python が予約の仕組みの CSV を取り込み、日ごと・フロアごとの予約の積み上がりを更新する
- 自動木曜の朝に、翌週と翌々週の日ごと・フロアごとの最終の需要を、中央・下振れ・上振れで予測する
- 自動需要を定員で切って稼働の見込みにし、清掃の人員の目安と、満室の見込みの日・空きが残る見込みの日に印を付ける
- 人経営企画の担当が印の付いた日を中心に見て、店長と清掃の人数と料金を見直す日を決める
- 【自動/人】 月曜の朝に、週末の予約と最新の天気予報を足して予測し直し、店長が清掃の人数を直すかを決める
各工程の詳しい説明を読む
- 木曜に、経営企画の担当が予約の仕組みから店舗ごとの翌週・翌々週の予約の数を書き出す
- 前年の同じ週と前月の同じ曜日の稼働を、フロントの記録から拾って並べる
- 店長にチャットで催しの予定を聞き、週間天気予報を見る
- 店舗ごと・日ごとに「あと何区画増えるか」を見立て、稼働の見込みを書く
- 見込みから、店長が清掃の外注先へ翌週の日ごとの人数を伝える
- 経営企画が、満室に近い日の料金を上げ、空きが多い日に販促を入れるかを決める
- 週の途中で予約が急に伸びた・落ちた店舗は、店長が電話で相談してくる
(a)直前の積み上がりを読めない。 4番の「あと何区画増えるか」は、店舗と曜日で大きく違います。駅に近い店舗は当日の夜に半分近くが埋まり、観光地に近い店舗は早めに埋まります。担当は6店舗の癖を覚えきれず、慣れた店舗の感覚をほかの店舗にも当てはめます。
(b)満室の日の本当の需要が分からない。 前年の同じ日が満室だった場合、2番で拾えるのは定員の数だけです。断った客がどれだけいたかは、フロントの手書きのメモにしか残っていません。 料金を上げてよい日かどうかを、定員の数からは判断できません。
(c)男女のフロアを分けて見ていない。 見込みは店舗の合計で書いています。女性のフロアだけが満室で断っている日に、店舗の合計では「8割」に見えます。 清掃の人数も合計で決めるので、女性のフロアの清掃が足りない日が出ます。
(d)天気を足すのが当日になる。 週間天気予報は日が近づくと変わります。木曜に見た予報で決めた清掃の人数を、前日に変えられないまま当日を迎えます。 雨で増えた日はフロントが清掃を手伝い、チェックインの列ができます。
- 【人】 店長が、店舗の周辺の催し(会場、日、規模の目安)を催しのシートに入れる。フロントは満室で断った数を日ごと・フロアごとに記録する
- 【自動】 毎日の深夜に、Python が予約の仕組みの CSV を取り込み、日ごと・フロアごとの予約の積み上がりを更新する
- 【自動】 木曜の朝に、翌週と翌々週の日ごと・フロアごとの最終の需要を、中央・下振れ・上振れで予測する
- 【自動】 需要を定員で切って稼働の見込みにし、清掃の人員の目安と、満室の見込みの日・空きが残る見込みの日に印を付ける
- 【人】 経営企画の担当が印の付いた日を中心に見て、店長と清掃の人数と料金を見直す日を決める
- 【自動/人】 月曜の朝に、週末の予約と最新の天気予報を足して予測し直し、店長が清掃の人数を直すかを決める
5番目で決めるのは人です。 モデルが出すのは数と印で、料金をいくらにするか、販促を入れるか、清掃の外注先にどう頼むかは、競合の料金や外注先の事情を知る担当と店長が決めます。
6番目で天気を入れ直すのが、第3章の(d)への答えです。 週間天気予報は日が近づくほど当たるので、木曜の予測で外注先に大まかな人数を伝え、月曜のやり直しで前後の日を直します。
02今回想定するシステム構成
予約の仕組みの CSV(受付・取消の日時、宿泊日、店舗、フロア、経路) + フロントの記録(日ごと・フロアごとの稼働、満室で断った数) + 催しのシート(会場・日・規模)+ 過去の天気(気象庁の過去の気象データ) + 祝日(内閣府の CSV)+ 翌週の天気予報(担当が入れる予定のシート) │ ▼【トリガー】毎日深夜(取り込み)、木曜の朝と月曜の朝(予測) Python(pandas) ├──▶ 宿泊日ごとに「何日前の時点で何区画入っていたか」を組み立てる ▼ scikit-learn(HistGradientBoostingRegressor) │ 日ごと・フロアごとの最終の需要:中央(ポアソン)・下振れと上振れ(分位点) ▼ Python ── 定員で切って稼働に、清掃の人員の目安、満室・空きの印 ▼ 【人】経営企画と店長が清掃の人数と料金を見直す日を決める
| 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(ポアソン損失と分位点損失) | LightGBM、statsmodels |
| 集計 | Python(定員での切り取り、清掃の人員の換算、印) | スプレッドシートの計算式 |
| 保管 | Google スプレッドシート(催し、天気予報、清掃の基準、決めた内容の記録) | - |
新しく足すのは、Python の処理と、催しのシート、フロントの断った数の記録です。 予約の仕組みと清掃の外注先とのシフトの表はこれまでどおりで、この構成は在庫も料金も書き換えません。
予測のエンジンに HistGradientBoostingRegressor を選んだのは、3つの理由からです。 1つ目は、損失を替えられることです。需要は0以上の数なので、中央には loss="poisson"(目的の値が0以上であることが要る)を、下振れと上振れには loss="quantile" で分位を指定します。2つ目は、monotonic_cst で単調性の制約を付けられることです。「いま入っている予約が多いほど、最終の需要も多い」という当たり前の関係を、モデルに守らせます。3つ目は、欠けた値を分岐の左右どちらへ送るかを学習のときに学ぶことで、天気が欠けた日を行ごと捨てずに済みます。
生成AIは使いません。 予測は数の問題で、店長と担当に渡すのは日ごとの表です。
03どうやって実装するのか
処理の起点を決める
取り込みは毎日の深夜、予測は木曜の朝と月曜の朝に動かします。 取り込みを毎日にするのは、予約の受付と取消を日ごとに積み重ねておかないと、「宿泊日の7日前の時点で何区画入っていたか」が後から組み立てられないからです。予約の仕組みの書き出しが、その時点の状態しか出さない場合に備えます。社内のサーバーか、クラウドの小さな仮想マシンの定時実行(cron)で起動します。
木曜の朝は、清掃の外注先に翌週の人数を伝えるための回です。 外注先が金曜にシフトを組むので、木曜の昼までに店長が人数を伝えられる時刻にします。月曜の朝は、週末の予約の伸びと最新の週間天気予報を入れ直す回です。
月に1回、モデルを作り直します。 毎月の第1木曜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。
結果の表には、作った日時と、最後に取り込みが成功した日時を印字します。 取り込みが止まっていると、いま入っている予約が少なく見え、翌週を少なく見込みます。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 予約 | 予約の番号、受付の日時、取消の日時、宿泊日、泊数、店舗、フロア(男性・女性)、経路(予約サイト・自社サイト・電話・予約なしの来館) | 予約の仕組みの CSV |
| 稼働と断った数 | 日ごと・フロアごとの稼働の区画数、満室で断った数(予約なしの来館と電話) | フロントの記録のシート |
| 定員 | 店舗ごと・フロアごとの区画数、修繕で止めた区画の数と期間 | 店舗の台帳 |
| 催し | 会場、日、開始と終了の時刻、規模の目安(大・中・小) | 催しのシート(店長が入れる) |
| 過去の天気 | 日ごとの降水量、最高気温、最大風速 | 気象庁の過去の気象データ |
| 翌週の天気 | 日ごとの降水の有無、台風の接近の有無 | 天気予報のシート(担当が入れる) |
| 祝日 | 国民の祝日の日付 | 内閣府の祝日の CSV |
| 清掃の基準 | 1人が1日に清掃できる区画数、フロアごとの最低の人数 | 清掃の基準の表(店長と決める) |
質を決めるのは、フロントの「満室で断った数」です。 第1章のとおり、これが無いと満室の日の需要を低く覚えます。予約なしの来館で断った数と、電話で断った数を、フロアごとに数えて1日1行入れます。 予約サイトで満室のために予約できなかった客は数えられないので、断った数は需要の下の見積もりと考えます。
修繕で止めた区画も、記録しておきます。 止めた日の定員を少なく持たないと、その日の稼働の低さを「需要が少なかった」と覚えます。
過去の天気は、店舗に近い観測の地点の日ごとの値を使います。 気象庁の過去の気象データの検索では、地点と年月を指定すると日ごとの値を表示できます。 店舗ごとに使う地点を決め、学習の期間の分を取り込んでおきます。
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 |
|---|---|---|
| 予約 | 予約の仕組みから毎日 CSV で書き出す(書き出しの設定で受付と取消の日時を含める) | 何日前に何区画入っていたか |
| 稼働と断った数 | フロントの記録のシートを CSV で書き出して読む | 学習の目的(需要=稼働+断った数) |
| 催し・天気予報・清掃の基準 | スプレッドシートを CSV で書き出して読む | 項目と人員の換算 |
| 過去の天気 | 気象庁の過去の気象データから、地点ごとに日ごとの値を取る | 天気の項目 |
| 祝日 | 内閣府の祝日の CSV | 祝日と連休の項目 |
予約の CSV は、受付と取消の日時が必ず入るように書き出します。 宿泊日の L 日前の時点で入っていた予約は、受付の日時が L 日前より前で、取消の日時が無いか L 日前より後のものとして数えられます。この数え方ができるかを、最初に確かめます。
気象庁のホームページの内容を使うときは、出典を書きます。 気象庁のページでは、コンテンツを使うときは出典を記載し、編集・加工したときはその旨を別に書き、国が作ったかのような形で公表しないよう求めています。店舗と社内で見る表でも、天気の列に出典と「加工して作成」を書き添えます。
祝日の CSV は年に1回入れ替えます。 内閣府のページでは、CSV は昭和30年から令和9年までを収め、令和10年の分は令和9年の2月に載せるとされています。
AIへ渡す前に整形する
- 予約の重複を除く … 同じ予約の番号は、最後に取り込んだものだけを残します
- 経路をそろえる … 予約なしの来館は、受付の日時をチェックインの時刻として扱います
- 積み上がりを組み立てる … 宿泊日ごと・フロアごとに、1〜14日前の各時点で入っていた区画数を数えます
- 需要を作る … 宿泊日ごと・フロアごとに、稼働の区画数に満室で断った数を足します
- 使えない日を外す … 修繕で半分以上の区画を止めた日、システムの障害で予約を受けられなかった日を学習から外します
- 項目を作る … 店舗、フロア、何日前か、その時点で入っていた区画数と定員に対する割合、曜日、祝日・連休の前日か、月、催しの有無と規模と終了の時刻、前日の降水量、当日の降水量、最高気温、最大風速、直近4週の同じ曜日の需要の平均
- 店舗・フロア・曜日・催しの規模を Categorical にする … pandas の Categorical の型にしておけば、既定の設定(
'from_dtype')でカテゴリとして扱われます
3番目が、この構成の肝です。 宿泊日ごとに「7日前に40区画、3日前に70区画、前日に95区画」と並べ、何日前の時点からでも最終の需要を予測できるようにします。木曜の予測は翌週が4〜10日前、翌々週が11〜17日前に当たります。14日より先は記録が薄いので、翌々週の後半は幅を広く出します。
4番目で需要を作るのは、満室の日に学習の目的が定員で止まるのを避けるためです。 ただし断った数の記録を始める前の期間は、満室の日の需要が分からないので、満室だった日の行に印を付け、当たり方の確認から外します。
学習の期間は、少なくとも1年を使います。 催しと連休は年に1回しか来ないものがあり、半年だと季節の動きを覚えません。
AIに処理させる
させるのは、宿泊日ごと・フロアごとの最終の需要を、何日前の時点の予約の数を起点に予測することだけです。 機械学習のモデルを3本作ります。
| 出すもの | 損失 | 使いみち |
|---|---|---|
| 中央の見込み | loss="poisson" | 清掃の人員の目安 |
| 下振れの見込み(0.1) | loss="quantile"、quantile=0.1 | 空きが残る見込みの日の印、販促を検討する日 |
| 上振れの見込み(0.9) | loss="quantile"、quantile=0.9 | 満室の見込みの日の印、料金を見直す日 |
「いま入っている区画数」には、単調に増える制約を付けます。 monotonic_cst で、その項目を 1 にします。制約を付けないと、記録の少ない組み合わせで、予約が多いのに最終の需要を低く出すことがあります。
稼働の見込みは、需要を定員で切ったものです。 中央の需要が定員を超えれば、稼働は定員です。印は需要の側で付けます。
| 需要の見込みと定員 | 印 | 表で出す検討の材料 |
|---|---|---|
| 上振れが定員を超え、中央も定員の95%以上 | 満 | 料金を見直す日の候補、早めの満室の告知 |
| 上振れが定員を超えるが、中央は95%未満 | 満? | 当日の飛び込みの受け止め方を店長が確かめる |
| 下振れが定員の50%未満 | 空 | 販促を検討する日の候補 |
| それ以外 | - | 通常 |
清掃の人員は、中央の見込みから出します。 カプセルホテルでは多くの客が1泊で出るので、ある日の清掃の区画数は、前の夜の稼働の見込みにおおむね比例します。 前の夜の稼働の見込みを1人が清掃できる区画数で割り、フロアごとの最低の人数と比べて多いほうを目安にします。連泊の割合が高い店舗は、連泊の区画を引いてから割ります。
| させないこと | 理由 |
|---|---|
| 料金の決定 | 競合の料金と自社の方針を知る担当が決める |
| 清掃の人員の確定 | 外注先の事情と店舗の作業を知る店長が決める |
| 販促を入れるかの判断 | 予算と販促の手段を持つ担当が決める |
| 予約の受け止め・売り止め | 店舗の運営の判断 |
| 台風・交通の止まった日の上乗せ | 記録が少ない。担当と店長が上乗せする |
最後の行は、とくに気を付けてください。 台風で電車が止まった日の需要は、過去に数回しか無く、モデルは学んでいません。 天気予報のシートの「台風の接近」の列が立った日は、表に注意の印を出し、店長が上乗せを決めます。
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、積み上がりの組み立てとモデルの学習の中身を示します。
from sklearn.ensemble import HistGradientBoostingRegressor
FEATURES = ["store", "floor", "lead_days", "on_books", "on_books_ratio",
"weekday", "pre_holiday", "month", "event_size", "event_end_hour",
"rain_prev", "rain_day", "temp_max", "wind_max", "recent4w_same_dow"]
# store・floor・weekday・event_size は pandas の Categorical にしておく
def on_books(bookings, stay_date, lead):
"""宿泊日の lead 日前の時点で入っていた区画数"""
t = stay_date - pd.Timedelta(days=lead)
b = bookings[bookings["stay_date"] == stay_date]
alive = (b["received_at"] < t) & (b["cancelled_at"].isna() | (b["cancelled_at"] >= t))
return int(alive.sum())
train["demand"] = train["occupied"] + train["turned_away"]
# 直近の8週を検証に取り分け、時間の順を守って早期の打ち切りに使う
cut = train["stay_date"].max() - pd.Timedelta(weeks=8)
tr, va = train[train["stay_date"] <= cut], train[train["stay_date"] > cut]
mono = {"on_books": 1, "on_books_ratio": 1}
def hgb(**kw):
return HistGradientBoostingRegressor(max_iter=600, learning_rate=0.05,
monotonic_cst=mono, random_state=0, **kw)
center = hgb(loss="poisson")
lower = hgb(loss="quantile", quantile=0.1)
upper = hgb(loss="quantile", quantile=0.9)
for m in (center, lower, upper):
m.fit(tr[FEATURES], tr["demand"],
X_val=va[FEATURES], y_val=va["demand"])
検証を X_val と y_val で渡すのは、時間の順を守るためです。 公式のページでは、early_stopping の既定の 'auto' は、行が10,000を超えるときか、X_val と y_val を渡したときに有効になるとされています。学習の行から一定の割合を取り分ける指定では、未来の日で学習して過去の日で確かめることになりかねません。
当たり方の確認は TimeSeriesSplit で週の順に行います。 公式のページでは、k 回目は最初の k の区切りで学習し、次の区切りで確かめ、比べられる指標にするには区切りの間隔がそろっている必要があるとされています。学習と確かめの間は gap で空けられます。宿泊日の順に並べ、区切りを週の単位にそろえます。 同じ宿泊日の別の何日前の行が学習と確かめの両方に入らないよう、宿泊日で区切ります。
出力形式を固定する
店長と担当に渡すのは、店舗ごとの次の表です。 木曜の朝の打合せで画面に映して見ることを前提にします。
【浅草店 翌週の見込み(11月第3週・木曜 7:40 作成/取り込み 3:05)】
| 日 | フロア | 定員 | いまの予約 | 需要(下/中央/上) | 稼働の見込み | 印 | 清掃の目安 |
|---|---|---|---|---|---|---|---|
| 金 | 男性 | 120 | 61 | 96/112/128 | 112 | 満? | 5名 |
| 金 | 女性 | 48 | 30 | 41/47/55 | 47 | 満 | 2名 |
| 土 | 男性 | 120 | 72 | 104/118/131 | 118 | 満 | 6名 |
| 日 | 男性 | 120 | 18 | 44/58/73 | 58 | 空 | 6名 |
「印」で、担当と店長が見る先を決めます。 「満」の日は料金を見直す候補として担当が検討し、「満?」の日は当日の飛び込みをどう受け止めるかを店長が確かめます。清掃の目安は前の夜の稼働から出すので、日曜の朝の清掃は土曜の夜の稼働で決まり、6名になります。
表の一番下には、注意の印を並べます。 催しのシートが2週間以上更新されていない店舗には「催しの記録が古い」、台風の接近の列が立った日には「台風:上乗せ未定」、取り込みが前日より古ければ「取り込みが止まっている」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、宿泊日、店舗、フロア、何日前、定員、いまの予約、需要の下振れ・中央・上振れ、稼働の見込み、印、清掃の目安、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
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 予約の仕組み | 毎日 CSV を書き出し、決めたフォルダに置く | 予約の受付と取消 |
| フロントの記録・催し・天気予報・清掃の基準 | スプレッドシートを CSV で書き出して読む | 学習の目的と項目 |
| 結果の表 | 店舗ごとのシートに書き出し、店長と担当に共有 | 日ごとの見込みと印 |
| 予約の仕組みの在庫と料金 | 書き込まない(決めてから人が直す) | - |
予約の仕組みには何も書き込みません。 料金と在庫を変えるのは担当で、予測の数から料金を自動で変える処理は作りません。 料金を自動で動かすと、予測が外れた日に、その外れがそのまま客の支払いに出ます。
人が確認する
- 作った日時と取り込みの日時を見る … 表の上の2つの日時が当日の朝であることを確かめます
- 注意の印を見る … 催しの記録が古い店舗、台風の日を確かめ、店長が上乗せを決めます
- 「満」と「空」の日を見る … 担当が料金と販促を検討する日を決めます
- 清掃の目安を外注先の事情と合わせる … 店長が、外注先の手配できる人数と合わせて確定します
- 予測の外の事情を足し引きする … 近くの同業の休館、団体の予約の打診、大きな工事などを足し引きします
目標は、24件をならして1件10分です。 印の無い日は表を流し見るだけで、時間を使うのは「満」「空」の日と注意の印の日です。
例外に対処する
| 起きること | 対応 |
|---|---|
| 取り込みが失敗した・止まっている | 予測を止め、表の一番上に「取り込みが止まっている」と出す |
| 受付や取消の日時が空の予約 | その予約を積み上がりから外し、件数を表の下に出す |
| 断った数の記録が抜けた日 | 満室だった日なら当たり方の確認から外し、店長に記録を頼む |
| 修繕で区画を止めた | 定員を止めた数だけ減らして印を付ける |
| 新しい店舗を開けた | 記録が半年になるまでは、近い立地の店舗の率を参考に担当が見込む |
| 台風・交通の止まった日 | 表に印を出し、店長が上乗せ |
| 作り直したモデルが前より外れる | 前のモデルのまま使い、作り直しの記録を残す |
5行目は、チェーンが広がると必ず起きます。 新しい店舗の最初の数か月は記録が少なく、ほかの店舗の傾向だけで予測すると、立地の違いを取りこぼします。 担当が見込む期間を決め、記録がたまってから予測に入れます。
記録を残す
- 実行の日時、使ったモデルの作成日、最後に取り込みが成功した日時
- 宿泊日・店舗・フロアごとの、いまの予約、需要の下振れ・中央・上振れ、稼働の見込み、印、清掃の目安
- 担当と店長が決めた清掃の人数、料金を見直した日と内容、販促を入れた日と、案から変えた理由
- 実績(稼働、満室で断った数、清掃に入った人数)
- 月ごとの当たり方(店舗・フロアごとの中央の外れの大きさ、上振れを上回った日の割合、下振れを下回った日の割合)
3つ目と4つ目を並べると、判断が効いたかが分かります。 「満」の日に料金を見直しても満室で断った数が減らなかったなら、見直しの幅が小さかったか、需要を低く見ていたということです。
04実装レベルの3段階
本記事の想定は本格構成です。 半自動化では見込みの表までで、清掃の人員への換算と、料金を見直す日の拾い出しは担当の手に残ります。 半自動化で1件45分が25分ほどに、本格構成で10分になります。 差が大きいのは、清掃の換算と印が、清掃の基準の表があれば機械で出せる作業だからです。 段階を飛ばさないでください。 半自動化の表を1か月見ると、どの店舗とどの曜日が当たり、どこが外れるかが分かります。外れる部分の記録を直してから、本格構成に進みます。
05工数削減シミュレーション
導入後 24件 × 10分 ÷ 60 = 4 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
- 都市部で数店舗以上のカプセルホテルや簡易宿所を運営し、当日や前日の予約と予約なしの来館が多く、予約の台帳だけでは翌週の稼働が読めないチェーン。周辺のコンサート会場・展示場の催しや、雨・台風の日に稼働が大きく動く店舗。清掃の外注やアルバイトの人数を週ごとに決めていて、多すぎる日と足りない日がある場合。料金を日ごとに変えているが、どの日を上げるかを店長の経験で決めている場合。
- 1店舗だけで、店長が毎日の稼働を肌で分かっている場合。予約の仕組みから受付と取消の日時を書き出せない場合。過去の記録が半年に満たない場合。ほぼ全室が長期の滞在で埋まっている施設。なお、料金の決定、清掃の人員の確定、販促の判断、予約の受け止めの判断は、この構成では代替できません。
07最小構成で試す方法
- 予約の仕組みから、1店舗の過去1年分の予約を、受付と取消の日時つきで書き出す
- 同じ期間のフロントの稼働の記録を、日ごと・フロアごとに拾う(断った数はメモがあれば拾う)
- 気象庁の過去の気象データから、店舗に近い地点の日ごとの降水量と最高気温を取る
- Python で第7章の設定を動かし、最後の8週を「翌週」として、7日前の時点から予測させる
- 当時の担当の見込みと、実際の稼働と並べる
1店舗・1年で十分です。 確かめたいのは、「7日前の予約の数から、担当の見立てと同じくらい最終の稼働を当てられるか」です。
| 出てきた内容 | 判断 |
|---|---|
| 平日も週末も、担当の見込みより実績に近い | 全店舗に広げ、断った数の記録を始める |
| 満室の日の翌年の同じ日を低めに出す | 断った数が無いため。フロントの記録を先に始める |
| 雨の日だけ大きく外れる | 天気の地点が店舗から遠いか、当日の夜の雨を拾えていない。地点と項目を見直す |
2行目は、ほとんどのチェーンで一度は出ます。 失敗ではなく、満室の日の需要が記録に無かったことが数で分かったということです。断った数の記録を半年ためてから、もう一度比べます。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 台帳の数だけで翌週を読む | 何日前の時点の予約の数を起点に、最終の需要を予測する |
| 稼働の数だけで学習する | 満室で断った数を足した需要で学習する |
| 男女のフロアを合計で見る | フロアごとに予測し、印もフロアごとに付ける |
| 修繕で止めた日を需要が少ない日と覚える | 止めた区画を記録し、定員を減らすか学習から外す |
| 検証の行をでたらめに選ぶ | X_val と y_val で直近の週を渡し、宿泊日で区切る |
| 予約が多いのに低く出る組み合わせがある | monotonic_cst で予約の数に増える制約を付ける |
| 取消の日時を見ずに数える | 受付と取消の両方の日時で、その時点で生きていた予約だけを数える |
| 天気の地点が店舗から遠い | 店舗ごとに近い地点を決める |
| 気象庁のデータの出典を書かない | 出典と「加工して作成」を表に書き添える |
| 予測から料金を自動で動かす | 料金は人が決め、予約の仕組みには書き込まない |
上の2行が、この構成の失敗のほとんどです。 どちらも、画面で見ている数と、本当に来ようとしていた客の数がずれることから起きます。ここを押さえれば、残りは他の件数の予測と同じ注意で足ります。
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: 予約の番号、受付と取消の日時、宿泊日、泊数、店舗、フロア、経路、稼働と断った数です。予約の仕組みの書き出しには、宿泊者の氏名・連絡先・性別が含まれることがあります。
- 宿泊者の情報を取り込まない … 書き出しの設定で、予約の番号・日時・宿泊日・泊数・店舗・フロア・経路以外の列を外します。予測に要るのは区画数だけです。 外せない場合は、取り込みの直後に捨ててから保存します
- フロアは区画の区分として扱う … 男性・女性のフロアは定員と清掃のための区分で、宿泊者一人ひとりの性別を項目に持ちません
- データを外に出さない … 予測は社内のサーバーか自社のクラウドの中で動き、生成AIや外部のサービスに記録を送りません
- 料金と在庫は人が決める … 表は材料で、料金の上げ下げ、売り止め、販促は担当と店長が決めます。 予測から料金を自動で変える処理は作りません
- 店長や従業員の評価に使わない … 店舗ごとの外れや断った数を、店長の評価に使わないでください。断った数の記録が正直に付かなくなります
- 気象庁のデータの扱い … 出典を書き、加工したことを書き添え、国が作った情報のように見せないでください
誤りが起きた場合のリスクは、清掃の人数が足りずに客室の準備が遅れることと、料金を上げすぎて空きを残すことの2つです。 前者は需要を低く見たときに、後者は上振れを高く見たときに起きます。店舗・フロアごとの当たり方と、上振れ・下振れを外れた日の割合の確認で、両方を抑えます。
10まず何から始めるか
1週目:記録を確かめ、断った数の記録を始める
予約の仕組みの書き出しに受付と取消の日時が入るかを確かめます。あわせて、全店舗のフロントで「満室で断った数」を日ごと・フロアごとに1行入れる記録を始めます。 これは予測を作る前から始めます。
2週目:1店舗の1年分で試す
第8章のとおり、1店舗で7日前の時点からの予測を作り、担当の見込みと比べます。満室の日の翌年の同じ日を低めに出していないかを最優先で見ます。
3週目:催しのシートと清掃の基準を決める
店長と一緒に、催しの会場と規模の付け方、1人が清掃できる区画数、フロアごとの最低の人数を表にします。店舗ごとに使う天気の地点も決めます。
4週目:全店舗の翌週の表を毎週出す
毎日の取り込みと、木曜の朝の見込みの表を出す半自動化を始めます。担当はこれまでどおり自分でも見込みを作り、表と見比べます。
2か月目以降: 清掃の目安と満室・空きの印、月曜のやり直しを足します。案から変えた理由、満室で断った数、清掃の過不足を毎月見ます。 担当と店長が印の付いた日だけを見て清掃と料金を決められ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
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
HistGradientBoostingRegressor の loss に 'poisson'(目的の値が0以上であることが要る)と 'quantile' があること。monotonic_cst で特徴ごとに増加・減少の制約を名前で指定できること。categorical_features の既定が 'from_dtype' であること。early_stopping='auto' は行が10,000を超えるときか X_val と y_val を渡したときに有効になること。欠けた値を分岐のどちらへ送るかを学習で学ぶこと(版 1.9.1) | scikit-learn: HistGradientBoostingRegressor | 2026-11-03 |
TimeSeriesSplit が k 回目に最初の k の区切りで学習し次の区切りで確かめること、比べられる指標にするには区切りの間隔がそろっている必要があること、gap で学習と確かめの間を空けられること(版 1.9.1) | scikit-learn: TimeSeriesSplit | 2026-11-03 |
| 過去の気象データ検索で、地点と年月を指定して日ごとの値を表示できること | 気象庁: 過去の気象データ検索 | 2026-11-03 |
| 気象庁のホームページの内容は出典を記載して利用でき、編集・加工した場合はその旨を書き、国が作成したかのように公表・利用してはならないこと | 気象庁: ホームページについて | 2026-11-03 |
| 国民の祝日の CSV が昭和30年から令和9年までを収め、令和10年の分を令和9年の2月に掲載するとされていること | 内閣府: 国民の祝日について | 2026-11-03 |
| 旅館業が旅館・ホテル営業、簡易宿所営業、下宿営業であり、簡易宿所営業が宿泊する場所を多数人で共用する構造及び設備を主とする施設を設けて宿泊料を受けて人を宿泊させる営業であること(第2条) | e-Gov 法令API: 旅館業法 | 2026-11-03 |
料金、清掃の人員、販促、予約の受け止めは、会社の判断で行ってください。 本記事は公開されている仕様と法令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-2700)についてのご相談はこちらから。
