Media > AI活用ユースケース > 物流 > クリーニングの工場が、取次店ごとの受付の点数・品目・曜日・天気から Python で翌週の日ごとの処理の点数を予測し、工場の人員と配送の計画の案を作る

クリーニングの工場が、取次店ごとの受付の点数・品目・曜日・天気から Python で翌週の日ごとの処理の点数を予測し、工場の人員と配送の計画の案を作る

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

クリーニング会社の取次店の受付の記録と天気・販促の予定から、Python で翌週の取次店ごと・品目ごとの受付の点数を幅付きで予測します。工場に入る日に置き直し、工程ごとの必要な人時と、配送のコースごとのかご台車の数の案を出します。

サマリー
連携・自動化
Python
対象業界
その他/小売
対象部門
物流/生産
対象業務
集計・分析
主な課題
人手が足りない/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
現在工数
14h/月
AI導入後
4h/月
想定削減
71%
年間削減
120h
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. 木曜に、工場長が POS の集計の画面から、先週と前年の同じ週の、日ごと・品目ごとの点数を書き出す
  2. 天気予報で翌週の雨の日を確かめ、本部から届いた販促の予定(ワイシャツの割引の日など)を確かめる
  3. 品目ごとに「来週の月曜から土曜に何点くらい入るか」を見立てる
  4. 工程ごとの1人の処理の点数で割り、パートの出勤の表と見比べて、日ごとの出勤の人数を決める
  5. 配送の担当が、コースごとの点数からかご台車の数を見込み、トラックに載り切らない日は2便目を組む
  6. 週の途中で点数が見立てとずれたら、工場長がパートに電話して出勤を頼むか、早く上がってもらう
導入後(After)
  1. 人本部の販促の担当が、販促の予定の表に翌週の割引の日、対象の品目、対象の取次店を入れる(いまの予定の表に列を足す)
  2. 自動毎日の深夜に、Python が POS の前日の受付の記録を取り込み、取次店ごと・品目の区分ごと・仕上がりの区分ごとの点数を更新する
  3. 人木曜の朝に、工場長が翌週の天気予報を見て、日ごとの「雨」「くもり」「晴れ」と予想の最高気温を天気の表に入れる
  4. 自動天気の表を読み込み、雨の日の多い筋書きと少ない筋書きの2本で、翌週の取次店ごと・品目の区分ごとの受付の点数を中央と上振れで予測する
  5. 自動受付の点数を仕上がりの区分ごとの処理の日に配り直し、工程ごとの日ごとの点数と必要な人時、配送のコースごとのかご台車の数を出す
  6. 自動パートの出勤の予定と並べて、人が足りない日と余る日、2便目が要る日に印を付ける
  7. 人工場長と配送の担当が印の付いた日を中心に見て、出勤の依頼と便を決める
  8. 【自動/人】 土曜の朝に、木曜と金曜の受付の実績を足して月曜と火曜を予測し直し、工場長が直すかを決める
各工程の詳しい説明を読む
  1. 木曜に、工場長が POS の集計の画面から、先週と前年の同じ週の、日ごと・品目ごとの点数を書き出す
  2. 天気予報で翌週の雨の日を確かめ、本部から届いた販促の予定(ワイシャツの割引の日など)を確かめる
  3. 品目ごとに「来週の月曜から土曜に何点くらい入るか」を見立てる
  4. 工程ごとの1人の処理の点数で割り、パートの出勤の表と見比べて、日ごとの出勤の人数を決める
  5. 配送の担当が、コースごとの点数からかご台車の数を見込み、トラックに載り切らない日は2便目を組む
  6. 週の途中で点数が見立てとずれたら、工場長がパートに電話して出勤を頼むか、早く上がってもらう

(a)雨の翌日に仕上がりが遅れる。 3番の見立てで、雨の日の減りは見込んでも、晴れた翌日の戻りを見込み損ねます。 戻りの日にワイシャツの工程が回り切らず、「翌日」の約束の衣類が夕方の便に間に合わない取次店が出ます。 お客様に謝るのは取次店の係です。

(b)衣替えの週の見立てがずれる。 気温が急に下がった週は、コートとセーターが一気に来ます。前年の同じ週を見ても、前年は寒くなった週が1週ずれていれば役に立ちません。 見立てがずれると、ドライの工程とその先の仕上げの台が詰まります。

(c)見立てが工場長の頭の中にある。 雨の翌日にどれだけ戻るか、駅前の店とスーパーの中の店で雨の効き方がどう違うかは、工場長が経験で知っています。工場長が休みの週は、前の週と同じ出勤のまま進みます。

(d)人が余る日と足りない日が同じ週に出る。 安全をみて多めに呼んだ日に点数が少ないと、パートに早く上がってもらうことになります。それが続くと、パートが出勤の依頼に応じてくれなくなります。 足りない日の電話にも出てもらえなくなります。

  1. 【人】 本部の販促の担当が、販促の予定の表に翌週の割引の日、対象の品目、対象の取次店を入れる(いまの予定の表に列を足す)
  2. 【自動】 毎日の深夜に、Python が POS の前日の受付の記録を取り込み、取次店ごと・品目の区分ごと・仕上がりの区分ごとの点数を更新する
  3. 【人】 木曜の朝に、工場長が翌週の天気予報を見て、日ごとの「雨」「くもり」「晴れ」と予想の最高気温を天気の表に入れる
  4. 【自動】 天気の表を読み込み、雨の日の多い筋書きと少ない筋書きの2本で、翌週の取次店ごと・品目の区分ごとの受付の点数を中央と上振れで予測する
  5. 【自動】 受付の点数を仕上がりの区分ごとの処理の日に配り直し、工程ごとの日ごとの点数と必要な人時、配送のコースごとのかご台車の数を出す
  6. 【自動】 パートの出勤の予定と並べて、人が足りない日と余る日、2便目が要る日に印を付ける
  7. 【人】 工場長と配送の担当が印の付いた日を中心に見て、出勤の依頼と便を決める
  8. 【自動/人】 土曜の朝に、木曜と金曜の受付の実績を足して月曜と火曜を予測し直し、工場長が直すかを決める

7番目で決めるのは人です。 モデルが出すのは点数と人時の案で、どのパートがどの工程を受け持てるか、誰が何曜日に出られるかを知っている工場長が決めます。

3番目で天気を人が入れるのは、翌週の予報を取り込む決まった仕組みを置かないためです。 予報は木曜から週末にかけて変わります。工場長が見た予報を入れ、その時点の予報で予測したことを記録に残します。 8番の土曜のやり直しでも、その時点の予報を入れ直します。

02今回想定するシステム構成

構成図
取次店の POS の受付の記録(毎日の深夜に本部のファイルから取り込む)
+ 気象庁の過去の気象データ(日ごとの降水量・最高気温。学習用)
+ 天気の表(翌週の予報を工場長が入れる)
+ 販促の予定の表 + 祝日(内閣府の CSV)
+ 工程の処理の点数の表 + パートの出勤の予定 + 配送のコースの表
   │
   ▼【トリガー】毎日深夜(取り込み)、木曜の朝と土曜の朝(予測)
Python(pandas)
   ├──▶ 取消・返品・外注品を外し、取次店ごと・品目の区分ごとの日ごとの点数にそろえる
   ▼
scikit-learn(HistGradientBoostingRegressor)
   │   翌週の取次店ごと・品目の区分ごとの受付の点数:中央(ポアソン)・上振れ(分位点)
   │   天気の筋書き2本(雨の日が多い/少ない)
   ▼
Python ── 仕上がりの区分ごとに工場の処理の日へ配り直し、工程ごとの人時へ換算
   ▼
Python ── 配送のコースごとのかご台車の数と便、出勤の予定との差の印
   ▼
【人】工場長と配送の担当が出勤の依頼と便を決める
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(処理の日への配り直し、人時とかご台車の数への換算)スプレッドシートの計算式
保管本部の共有フォルダ(天気の表、販促の予定、処理の点数の表、決めた出勤と便の記録)-

新しく足すのは、Python の取り込みと予測のスクリプト、天気の表、工程の処理の点数の表です。 POS とパートの出勤の表はこれまでどおりで、この構成は POS の記録も出勤の表も書き換えません。 出すのは日ごとの案です。

予測のエンジンに HistGradientBoostingRegressor を選んだのは、取次店ごとの小さな点数をそのまま扱え、販促の効き方に向きを付けられるからです。 公式のページでは、loss に 'poisson' と 'quantile' があり、ポアソンは目的の値が0以上であることを求めるとされています。取次店ごと・品目ごとの1日の点数は0の日もある数なので、ポアソンで中央を、分位点で上振れを出します。

monotonic_cst で、販促の日の効き方に向きを付けます。 公式のページでは、項目ごとに 1(増える向き)、0(制約なし)、-1(減る向き)を指定でき、項目の名前をキーにした dict でも渡せるとされています。学習の記録に販促の日が少ないと、モデルが「販促の日のほうが少ない」と覚えることがあるので、販促の項目だけは増える向きに縛ります。

生成AIは使いません。 予測は数の問題で、工場長と配送の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

Step1

処理の起点を決める

取り込みは毎日の深夜、予測は木曜の朝と土曜の朝に動かします。 取次店の POS は閉店のあとに本部へ受付の記録を送るので、深夜の2時に前日の分を取り込みます。 本部のサーバーの定時実行(Windows のタスク スケジューラか cron)で Python のスクリプトを起動します。取り込みを毎日にしておくのは、送られなかった取次店に、翌日のうちに気づくためです。

木曜の朝は、翌週の出勤を決めるための回です。 パートの出勤の依頼は、木曜の午後に出して金曜の夕方までに返事をもらう決まりにしています。木曜の朝8時に工場長が天気の表を入れ、共有フォルダの「予測する」のバッチファイルを押して動かします。 予報を入れ忘れたまま動くことを防ぐためです。

土曜の朝は、月曜と火曜を予測し直す回です。 月曜の工場には、木曜から日曜の受付の分が入ります。木曜と金曜の受付の実績が分かった時点で、月曜の点数の見込みはかなり固まります。 土曜の朝に予報を入れ直して動かし、月曜の出勤を直すかを工場長が決めます。

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、先月の当たり方が悪くなっていれば、前のモデルのまま使います。

Step2

入力データを集める

データ中身取得元
受付の記録受付の番号、受付の日時、取次店、品目のコード、点数、仕上がりの区分、取消・返品の印、外注の印取次店の POS の書き出し
過去の天気地点ごとの日ごとの降水量・最高気温気象庁の過去の気象データ
翌週の天気日ごとの「雨」「くもり」「晴れ」と予想の最高気温(2本の筋書き)天気の表(工場長が入れる)
販促の予定割引の日、対象の品目、対象の取次店、チラシの配布の有無販促の予定の表
祝日国民の祝日の日付内閣府の祝日の CSV
取次店の情報取次店の番号、配送のコース、店の種類(駅前・スーパーの中・路面)、近い気象の観測の地点、開店・閉店の日取次店の表
処理の点数の表工程ごとの1人1時間あたりの処理の点数、品目の区分ごとの工程の流れ、かご台車1台あたりの点数、トラック1台に載るかご台車の数処理の点数の表(工場長と決める)
出勤の予定パートごとの出勤できる日と時間、受け持てる工程パートの出勤の表

質を決めるのは、取次店の表の「近い気象の観測の地点」と「店の種類」の列です。 同じ雨でも、駅前の店は通勤の途中に寄るお客様が多く、雨の日でも減り方が小さい一方、路面の店は雨の日に大きく減ります。店の種類を項目に入れると、モデルがこの違いを取次店ごとに覚えます。

過去の天気は、気象庁の過去の気象データから取ります。 公式のページでは、地点と年月を指定して日ごとの値を表示できるとされています。利用規約では、出典を書き、編集・加工したときはそのことも書くとされているので、社内の表にも書いておきます。

祝日は内閣府の CSV を使い、翌年の分が前年の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。

Step3

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
受付の記録本部の受信のフォルダに POS が置く前日の書き出しを読む取次店ごと・品目の区分ごとの点数
過去の天気気象庁の過去の気象データの日ごとの値を、地点ごと・月ごとに書き出して保存する学習の項目(降水の有無、最高気温とその前週との差)
翌週の天気・販促共有フォルダのスプレッドシートを CSV で書き出して読む予測の項目
出勤の予定パートの出勤の表を CSV で書き出して読む日ごとの工程ごとの人時の手当て

受付の記録は、取次店ごとに届いたかを毎朝確かめます。 送信が止まった取次店は点数が0になり、そのまま学習すると点数を少なく覚えます。 開いているはずの日に0件の取次店は「未着」として学習から外します。

過去の天気は、学習のための値だけを取ります。 予測に使う翌週の天気は、工場長が入れた天気の表から取ります。学習は実際の天気、予測は予報で行うことになるので、予報の外れがそのまま予測の外れになります。2本の筋書きを出すのは、この外れの幅を工場長に見せるためです。

天気の項目は、雨の量ではなく「雨の日か」にそろえます。 予報で分かるのは「雨」「くもり」「晴れ」の区別までで、降水量の数までは入れられません。学習の側も、日の降水量が1ミリ以上なら雨の日のように決めて区別にそろえます。

Step4

AIへ渡す前に整形する

  1. 数えないものを外す … 取消・返品の印のあるもの、布団・毛皮・革などの外注の印のあるもの、工場の社員の割引の受付を外します
  2. 品目を区分にまとめる … 品目のコードを、ワイシャツ・ドライ(スーツ・コート・セーター)・水洗い・しみ抜きの追加の4つの区分にまとめます
  3. 取次店ごと・日ごとに数える … 受付の日ごとに、取次店・品目の区分・仕上がりの区分ごとの点数にします
  4. 閉店の日と未着の日を外す … 取次店の休みの日と、記録が届かなかった日を学習から外します
  5. 項目を作る … 取次店、店の種類、品目の区分、曜日、祝日か、月、年の中の週、雨の日か、前日が雨の日か、前の2日のうち雨の日の数、最高気温、最高気温の前週の同じ曜日との差、販促の日か、販促の対象の品目か、直近4週の同じ曜日の点数の平均
  6. 取次店・店の種類・品目の区分・曜日を Categorical にする … pandas の Categorical の型にしておけば、既定の設定でカテゴリとして扱われます

5番目の「前日が雨の日か」が、この構成の肝です。 第3章の(a)の戻りは、雨の日の翌日の晴れの日に出ます。 当日の天気だけを項目にすると、モデルは「晴れの日は多い」とだけ覚え、雨の翌日の晴れとふだんの晴れを区別できません。 前日と前の2日の雨を項目にして、戻りを覚えさせます。

「最高気温の前週との差」は衣替えの週のためです。 コートが来るのは、気温が急に下がったときです。

Step5

AIに処理させる

させるのは、翌週の取次店ごと・品目の区分ごと・日ごとの受付の点数を予測することだけです。 機械学習のモデルを2本作り、天気の筋書きごとに2回ずつ動かします。

出すもの損失使いみち
中央の見込みloss="poisson"工程ごとの人時の目安、出勤の依頼の人数
上振れの見込み(0.85)loss="quantile"、quantile=0.85「翌日」の約束を守れるかの確かめ、2便目の要否

上振れを0.85にとどめるのは、呼びすぎるとパートが離れるからです。 どの分位を使うかは、仕上がりの遅れとパートの早上がりのどちらを重く見るかで、工場長が決めます。 当たり方は、公式のページで分位点の回帰の損失とされる mean_pinball_loss を、同じ0.85で測ります。

受付の点数を、工場の処理の日に配り直します。 仕上がりの区分ごとに、受付の日と工場で処理する日の関係を表にしておきます。

仕上がりの区分受付の日工場で処理する日
特急当日の午前当日(昼の便で工場へ)
翌日当日翌日(工場の休みの日は翌稼働日)
通常当日翌日から2日のうちで、工場の空いている日

通常の区分は、工場の側で処理の日をずらせる点数です。 月曜の山のうち通常の区分の分は、火曜と水曜に回せます。この構成では、通常の区分を「動かせる点数」として別に出し、山の日から移す案を作ります。 移す案は、翌日と特急の点数で工程が埋まる日から、空いている日へ順に回すだけの決まった計算です。

工程ごとの人時は、処理の点数の表で換算します。 ドライの1点は、ドライの機械、仕上げの台、包装の3つの工程の点数になり、それぞれを1人1時間あたりの処理の点数で割れば必要な人時です。

工程ごとの必要な人時(上振れ)と出勤の予定の人時案表の印
必要な人時が出勤の予定以下通常-
必要な人時が出勤の予定を超え、通常の区分を移せば収まる通常の区分を翌日以降へ移す案黄
移しても収まらない出勤の依頼の人数の案、移す案赤
中央の必要な人時が出勤の予定の7割を下回る出勤を減らす候補青
させないこと理由
パートの出勤の確定と依頼誰がどの工程を受け持てるかを知る工場長が決める
お客様への仕上がりの日の約束の変更取次店の係と本部が決める
配送の会社への2便目の依頼配送の担当が決める
事故品・預かりの不具合の扱い決まった手順で人が扱う
大型の販促の初回の効き方記録が無い。工場長が上乗せする

2行目に気を付けてください。 赤の日が出ても、それを理由に取次店での「翌日」の受付を止める判断に予測を使わないでください。

Step6

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、点数の予測と、処理の日への配り直しの中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_pinball_loss

FEATURES = ["shop", "shop_type", "item_group", "weekday", "holiday",
            "month", "week_of_year", "rain", "rain_prev1", "rain_prev2cnt",
            "tmax", "tmax_diff_wow", "promo", "promo_item", "recent4w_same_wd"]
# shop・shop_type・item_group・weekday・month は pandas の Categorical にしておく

cut = train["date"].max() - pd.Timedelta(weeks=8)
tr, va = train[train["date"] <= cut], train[train["date"] > cut]

def hgb(**kw):
    return HistGradientBoostingRegressor(
        max_iter=500, learning_rate=0.05, random_state=0,
        monotonic_cst={"promo": 1, "promo_item": 1}, **kw)

center = hgb(loss="poisson")
upper  = hgb(loss="quantile", quantile=0.85)
for m in (center, upper):
    m.fit(tr[FEATURES], tr["pieces"],
          X_val=va[FEATURES], y_val=va["pieces"])

print("pinball(0.85):",
      mean_pinball_loss(va["pieces"], upper.predict(va[FEATURES]), alpha=0.85))

def predict_week(next_week, weather):        # weather は筋書き1本ぶんの天気の表
    x = next_week.merge(weather, on="date")
    x["center"] = center.predict(x[FEATURES])
    x["upper"]  = np.maximum(upper.predict(x[FEATURES]), x["center"])
    return x

検証を X_val と y_val で渡しているのは、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。直近の8週を検証に取り分ければ、未来の週で学習して過去の週で確かめることを避けられます。

上振れが中央を下回る行は、中央に合わせます。 中央と上振れは別々のモデルなので、点数の少ない取次店では上振れのほうが小さく出ることがあります。np.maximum で中央より下にならないようにそろえます。 monotonic_cst を名前の dict で渡すのは、項目の並びを変えても縛りがずれないようにするためです。

Step7

出力形式を固定する

工場長と配送の担当に渡すのは、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。

【翌週の工程ごとの見込み(11月第2週・木曜 8:12 作成/取り込み 2:31/天気の表 8:05)】

日工程点数(中央/上振れ)雨が多い筋書き同 雨が少ない筋書き必要な人時(上振れ)出勤の予定の人時印案
月ワイシャツ2,140/2,4102,260/2,5404240黄通常の区分180点を火曜へ
水ワイシャツ1,980/2,2501,720/1,9503932赤パート2名×4時間、通常の区分120点を木曜へ
水ドライ860/990790/9002426-通常(前週より最高気温が6度低い)
金水洗い310/360300/350610青出勤を減らす候補

「雨が多い筋書き」と「雨が少ない筋書き」で印が違う日を、先に見ます。 上の表の水曜は、火曜が雨なら戻りが来て赤、晴れなら通常です。こうした日は、パートに「来られたら来てほしい」と前もって伝え、土曜のやり直しで確定させるといった決め方ができます。

配送の表も同じ形で出します。 列は、日、コース、受け取る点数と届ける点数(中央/上振れ)、かご台車の数、トラック1台に載る数、2便目の要否です。届ける点数は、工場で処理した日の夕方の便に載る点数です。

表の一番下には、「天気の表が古い」「未着の取次店」「販促の上乗せ未定」の注意の印を並べます。

同じ内容を CSV でも残し、翌週に実績と並べて当たり方を見ます。

Step8

システムへ連携する

つなぎ先方式内容
取次店の POSPOS が本部の受信のフォルダに置く書き出しを読む受付の記録
気象庁の過去の気象データ日ごとの値を地点ごと・月ごとに書き出したファイルを読む学習用の降水量と最高気温
天気の表・販促の予定・処理の点数の表スプレッドシートを CSV で書き出して読む予測と換算の項目
パートの出勤の表CSV で書き出して読む出勤の予定の人時
POS・出勤の表・配送のコースの表書き込まない(決めてから人が直す)-

POS と出勤の表には書き込まず、結果は共有フォルダの別のファイルに出します。

気象庁の過去の気象データは、人が書き出して置く形にします。 地点と年月を選んで値を表示する画面なので、機械で繰り返し読みに行く仕組みは作りません。

Step9

人が確認する

  1. 3つの日時を見る … 作った日時、取り込みの日時、天気の表の保存日時が当日の朝であることを確かめます
  2. 筋書きで印が違う日を見る … 雨の筋書き次第で赤になる日に、パートへ前もってどう伝えるかを決めます
  3. 赤と黄の工程を見る … 通常の区分を移す案を受けるか、出勤を頼むかを決めます。移した先の日が赤にならないかも、同じ表で確かめます
  4. 青の日を見る … 出勤を減らすかを決めます。同じパートに早上がりが続いていないかを、出勤の表で確かめます
  5. 予測の外の事情を足し引きする … 学校の制服の替え時、取次店の近くの催しなど

目標は、24件をならして1件10分です。 印の無い工程は案を写すだけで、時間を使うのは赤と黄の工程と、筋書きで印が違う日です。

Step10

例外に対処する

起きること対応
POS の記録が届かない取次店がある「未着」として表に出し、その店の前日の点数は直近4週の同じ曜日の平均で置く。学習からは外す
天気の表が入っていない・古い予測を止め、表の一番上に「天気の表が古い」と出す
新しく開いた取次店記録が8週たまるまでは、同じ店の種類・同じコースの店の平均で置き、表に印を付ける
閉店した取次店取次店の表の閉店の日から先を予測の対象から外す
台風・大雪の日取次店の臨時の休みとして記録し、学習から外す
初めての規模の販促表に印を出し、工場長が上乗せ
品目のコードを作り直した古いコードを新しい区分に読み替える表を作る
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

1行目は、思ったより多く起きます。 回線の切断や送信の押し忘れで、週に1〜2店は未着が出ることを前提にします。 未着を0として学習しないことと、平均で埋めたことを表に出すことを守ります。

Step11

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、使った天気の表の保存日時と中身
  • 取次店ごと・品目の区分ごと・筋書きごとの点数の中央と上振れ、処理の日、工程ごとの人時、印、案
  • 工場長と配送の担当が決めた出勤と便、案から変えた理由
  • 翌週の実績(工程ごとの処理の点数、「翌日」の約束に間に合わなかった点数、早上がりの人数)
  • 月ごとの当たり方(工程ごとの中央の外れの大きさ、上振れを上回った日の割合、mean_pinball_loss)と、モデルの作り直しの結果

1つ目で天気の表の中身を残すのは、予報の外れと予測の外れを分けるためです。 3つ目と4つ目を並べると、赤と青の日の判断が合っていたかが分かります。

04実装レベルの3段階

最小構成:手で書き出した2年分の記録で Python を動かし、過去の8週で当たり方を見る / 予測の当たり方の確認
半自動化:上記+毎日の取り込みと、毎週木曜に翌週の取次店ごと・品目ごとの点数の表を出す / 点数の見込み
本格構成:上記+天気の筋書き2本、処理の日への配り直し、工程ごとの人時と配送のかご台車の数、出勤の予定との差の印、土曜のやり直し / 見込みから出勤と便の案まで

本記事の想定は本格構成です。 半自動化では受付の点数の表までで、処理の日への配り直しと人時への換算は工場長の手に残ります。 第4章の③の時間がそのまま残ります。 半自動化で1件35分が20分ほどに、本格構成で10分になります。 差が大きいのは、処理の日への配り直しと人時の換算が、処理の点数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、どの取次店とどの天気の日の予測が当たり、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

前提値(モデル条件)
対象人数
2 名
月間件数
24 件
1件あたり現在時間
35 分
1件あたり導入後時間
10 分
現在  24件 × 35分 ÷ 60 = 14 時間/月
導入後 24件 × 10分 ÷ 60 = 4 時間/月
月間削減時間
10h
削減率
71%
年間削減時間
120h
年間金額換算(時間単価2,800円)
34万円
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. 取次店を20店以上持ち、1か所の工場でワイシャツ・ドライ・水洗いを処理しているクリーニング会社。取次店の POS に受付の記録が2年分以上あり、取次店・品目・点数・仕上がりの区分を日ごとに書き出せる場合。翌週のパートの出勤と配送の便を工場長が経験で決めていて、雨の翌日や衣替えの週に、仕上がりが遅れる日と人が余る日の両方が出ている場合。
向いていない
  1. 店舗が1〜数店で、店の奥で洗って仕上げる形のクリーニング店(点数が少なく、日ごとの差を人の目で追える)。受付の記録を紙の伝票だけで持ち、日ごと・品目ごとの点数を数えられない場合。布団・毛皮・革などの外注が処理の大半を占める場合。なお、パートの出勤の確定、仕上がりの日の約束の変更、配送の会社への依頼、事故品の扱いは、この構成では代替できません。

07最小構成で試す方法

  1. POS から過去2年分の受付の記録(受付の日、取次店、品目のコード、点数、仕上がりの区分)を書き出す
  2. 気象庁の過去の気象データで、取次店の近い地点の2年分の日ごとの降水量と最高気温を書き出す
  3. 品目のコードを4つの区分にまとめる表と、取次店の店の種類の表を作る
  4. Python で第7章の設定を動かし、最後の8週を「翌週」として、週ごとに予測させる。天気は実際の天気を入れる
  5. 当時の工場長の見立て(出勤の表に残っている人数)と、実際の点数と並べる

2年・8週で十分です。 確かめたいのは、「雨の翌日の戻りと、気温が急に下がった週のドライを、工場長の見立てと同じくらい拾えるか」です。天気を実際の値で入れるのは、予報の外れを抜きにしてモデルの力を見るためです。

出てきた内容判断
雨の翌日のワイシャツの点数が実績と合う処理の日への配り直しと人時の換算まで出す段階に進む
雨の翌日が低めに出る前日の雨の項目が効いていない。雨の日の決め方と観測の地点を見直す
特定の取次店だけ大きく外れる未着の日を0として学習している。未着の日を外して学習し直す

3行目は、ほとんどの会社で一度は出ます。 失敗ではなく、POS の記録をそのまま数えてはいけない理由が数字で分かったということです。

08実装時につまずきやすいポイント

問題対策
受付の点数をそのまま工場の点数として見る仕上がりの区分ごとに処理の日へ配り直す
雨の翌日の戻りを見込めない前日の雨と前の2日の雨の数を項目に入れる
未着の日を0として学習する開店の日と照らして未着を外す
衣替えの週を前年の同じ週で見る最高気温の前週との差を項目に入れる
販促の日のほうが少ないと覚えるmonotonic_cst で販促の項目を増える向きに縛る
上振れが中央を下回る中央より下にならないようにそろえる
検証の行をでたらめに選ぶX_val と y_val で直近の週を渡す
予報の外れをモデルの外れと取り違える使った天気の表を残し、実際の天気と並べる
天気の表を入れ忘れて動く天気の表の保存日時を見て、古ければ止める
外注品を数える外注の印で外す

上の2行が、この構成の失敗のほとんどです。 どちらも、取次店の受付の数と、工場で処理する日の数がずれることから起きます。ここを押さえれば、残りは他の点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: 取次店ごとの受付の点数、品目、仕上がりの区分、天気、販促の予定、パートの出勤の予定です。POS の受付の記録には、会員のお客様の番号・名前・電話番号が含まれることがあります。

  1. お客様の情報を残さない … 取り込みのときに、受付の番号・日時・取次店・品目・点数・仕上がりの区分・取消と外注の印以外の列を捨ててから保存します。予測に要るのは点数だけです
  2. パートの出勤の情報の扱い … 出勤の予定は、工程ごとの人時の合計に使います。個人ごとの出勤の可否を、案の表に名前付きで出さないでください。 誰に頼むかは工場長が出勤の表で決めます
  3. データを外に出さない … 予測は本部のパソコンかサーバーの中で動き、生成AIや外部のサービスに記録を送りません
  4. 出勤の依頼は人が決める … 案はあくまで案で、誰にいつ出てもらうかは工場長が決めます。 予測の数をパートの評価に使わないでください
  5. 気象庁のデータの出典を書く … 社内の表でも、過去の気象データの出典と、雨の日の区別に加工したことを書いておきます

誤りが起きた場合のリスクは、「翌日」の約束に間に合わないことと、パートを呼びすぎて早く上がってもらうことの2つです。 前者は処理の日への配り直しや雨の翌日の戻りを誤ると起き、後者は上振れの線が高すぎると起きます。工程ごとの当たり方と、上振れを上回っ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:数え方を決める

POS から過去2年分の受付の記録を書き出し、取消・外注・未着を外して取次店ごとに数えた点数と、工場の工程の記録の点数を比べます。 品目のコードを4つの区分にまとめる表も作ります。

2週目:2年分で試す

第8章のとおり、気象庁の過去の気象データを合わせ、最後の8週を週ごとに予測させます。雨の翌日が低めに出ていないか、特定の取次店だけ外れていないかを最優先で見ます。

3週目:処理の日の表と、処理の点数の表を決める

工場長と一緒に、仕上がりの区分ごとの処理の日の決まりと、工程ごとの1人1時間あたりの処理の点数を表にします。配送の担当と、かご台車1台あたりの点数とトラックに載る数を決めます。

4週目:翌週の表を毎週出す

毎日の取り込みと、木曜の朝に取次店ごと・品目ごとの点数の表を出す半自動化を始め、工場長はこれまでどおり自分で決めながら、表と見比べます。 翌週の木曜に、工場長の見立てと表の中央のどちらが実績に近かったかを書き残します。

2か月目以降: 天気の筋書き、処理の日への配り直し、人時とかご台車の数の案を足し、土曜のやり直しを始めます。案から変えた理由、間に合わなかった点数、早上がりの人数を毎月見ます。 工場長が印の付いた工程だけを見て出勤と便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

技術仕様確認日:2026-11-03/最終更新:2026-11-03
確認した内容情報源確認日
HistGradientBoostingRegressor の loss に 'poisson'(y >= 0 が要る)と 'quantile'(quantile で分位を指定)があること。monotonic_cst が 1・0・-1 で向きを指定し、項目の名前をキーにした dict でも渡せること。fit が X_val・y_val を受け取り、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。categorical_features の既定が 'from_dtype' であること(版 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-03
mean_pinball_loss が分位点の回帰の損失で、alpha に分位を渡すこと(版 1.9.1)scikit-learn: mean_pinball_loss2026-11-03
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)に準拠した条件で利用でき、利用するときは出典を書き、編集・加工したときはそのことも書くこと気象庁: ホームページについて(利用規約)2026-11-03
国民の祝日の CSV が昭和30年から令和9年までを収録し、令和10年の分を前年の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

パートの出勤の決定、仕上がりの日の約束、配送の便の手配は、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-2622)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