Media > AI活用ユースケース > 購買 > ゲームセンターの運営会社が、機械ごとの景品の払い出しの記録から Python で次の週の景品の減り方を予測し、店ごとの補充と発注の数の案を作る

ゲームセンターの運営会社が、機械ごとの景品の払い出しの記録から Python で次の週の景品の減り方を予測し、店ごとの補充と発注の数の案を作る

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

プライズ機ごとの景品の払い出しの記録から、Python の予測のモデルで次の週に減る景品の数を機械ごとに見込みます。店ごとの補充の数と、本部がまとめて頼む発注の数の案を、毎週月曜の朝に出します。

サマリー
連携・自動化
Python
対象業界
その他/小売
対象部門
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/工数削減/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
現在工数
60h/月
AI導入後
16h/月
想定削減
73%
年間削減
528h
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. 店長が、機械ごとの先週の払い出しの数を管理の端末から書き出す
  2. 店の裏の棚の残りを数え、機械ごとに「来週これだけ要る」という数を書く
  3. 新しく入れる景品の分は、前に似た景品を置いたときの数を思い出して書く
  4. 店ごとの数を本部の表に送る
  5. 本部の購買の担当が、12店の数を景品ごとに足し、倉庫の在庫を引く
  6. ケースの入数で切り上げ、リードタイムを見て、メーカー・問屋への発注の数を決める
  7. 店長に「この景品は足りないので、この数にしてほしい」と調整の連絡をする
導入後(After)
  1. 自動毎週月曜の朝、Python が12店の機械ごとの払い出し・プレイの回数・補充の記録を読む
  2. 自動機械ごとに、景品が切れていた日(欠品の日)を見つけて印を付ける
  3. 自動曜日・祝日・学校の休み・景品の発売からの週数などの列を作る
  4. 自動予測のモデルが、機械と景品の組ごとに、次の週の払い出しの真ん中の数と上振れの数を出す
  5. 自動店ごとに、上振れの数から店の棚の残りを引き、補充の数の案を作る
  6. 自動景品ごとに12店の真ん中の数を足し、倉庫の在庫を引き、ケースの入数で切り上げて発注の数の案を作る
  7. 人店長が、補充の数の案を見て、景品の入れ替えや機械の移動の予定に合わせて直す
  8. 人購買の担当が、発注の数の案を見て、再入荷の無い景品・賞味期限のある景品を確かめて決める
  9. 自動店長と購買の担当が直した数と、翌週の実際の払い出しを記録し、当たり方を出す
各工程の詳しい説明を読む
  1. 店長が、機械ごとの先週の払い出しの数を管理の端末から書き出す
  2. 店の裏の棚の残りを数え、機械ごとに「来週これだけ要る」という数を書く
  3. 新しく入れる景品の分は、前に似た景品を置いたときの数を思い出して書く
  4. 店ごとの数を本部の表に送る
  5. 本部の購買の担当が、12店の数を景品ごとに足し、倉庫の在庫を引く
  6. ケースの入数で切り上げ、リードタイムを見て、メーカー・問屋への発注の数を決める
  7. 店長に「この景品は足りないので、この数にしてほしい」と調整の連絡をする

(a)切れた週の数字を、そのまま翌週に使う。 人気の景品が水曜に切れると、その週の払い出しは水曜までの数になります。店長が「先週は60個出た」と書けば、翌週も60個しか届かず、また水曜に切れます。 切れたことを覚えている店長は多めに書きますが、それも店長の記憶しだいです。

(b)店長ごとに数の付け方が違う。 慎重な店長は多めに書き、本部の倉庫に戻す数が増えます。忙しい店長は先週の数をそのまま写します。本部から見ると、同じ景品でも店ごとの数の根拠が分かりません。

(c)曜日・祝日・学校の休みの影響を、毎回思い出して足している。 連休のある週、近くの商業施設のセールの週、春休み・夏休み。同じ影響を毎年、店長が思い出して書き足しています。 思い出せなかった年は、切れます。

(d)本部で12店分を足して引く作業が重い。 景品は常時数百種類あり、店ごとの表の形もそろっていません。購買の担当は月曜の午前を、この表の突き合わせに使っています。

(e)倉庫に残った景品の理由が分からない。 動かない景品が倉庫に積み上がっても、どの店の数が多すぎたのか、そもそも人気が落ちたのかを、あとから確かめる材料がありません。 店長の書いた数と実際の払い出しを並べた記録が無いので、次の仕入れでも同じ見込み違いをくり返します。

  1. 【自動】 毎週月曜の朝、Python が12店の機械ごとの払い出し・プレイの回数・補充の記録を読む
  2. 【自動】 機械ごとに、景品が切れていた日(欠品の日)を見つけて印を付ける
  3. 【自動】 曜日・祝日・学校の休み・景品の発売からの週数などの列を作る
  4. 【自動】 予測のモデルが、機械と景品の組ごとに、次の週の払い出しの真ん中の数と上振れの数を出す
  5. 【自動】 店ごとに、上振れの数から店の棚の残りを引き、補充の数の案を作る
  6. 【自動】 景品ごとに12店の真ん中の数を足し、倉庫の在庫を引き、ケースの入数で切り上げて発注の数の案を作る
  7. 【人】 店長が、補充の数の案を見て、景品の入れ替えや機械の移動の予定に合わせて直す
  8. 【人】 購買の担当が、発注の数の案を見て、再入荷の無い景品・賞味期限のある景品を確かめて決める
  9. 【自動】 店長と購買の担当が直した数と、翌週の実際の払い出しを記録し、当たり方を出す

7番と8番を人に残しているのが、この設計の要です。 モデルは過去の記録しか知りません。来週この機械の景品を新作に入れ替える、近くで大きな催しがある、といった予定は、店長しか知りません。 案を出すのはモデル、決めるのは人です。

2番を予測の前に置いているのも、意図してのことです。 欠品の日を見つけずに学ばせると、モデルは「人気の景品は週の後半に出なくなる」という誤った形を覚えます。予測の質は、モデルの選び方より、この印の付け方で決まります。

02今回想定するシステム構成

構成図
店の管理の端末(機械ごとの払い出し・プレイの回数の日報)
景品の台帳・倉庫の在庫の表・補充の記録
   │  毎週月曜の朝に書き出す
   ▼【トリガー】週次の定時実行
Python(pandas)── 欠品の日の印、曜日・祝日・休みの列
   ▼
scikit-learn HistGradientBoostingRegressor
   │   真ん中の数(poisson)/上振れの数(quantile 0.9)
   ▼
Python ── 店ごとの補充の数、景品ごとの発注の数、ケースの切り上げ
   ▼
店ごとの補充の表/本部の発注の表
   ▼
【店長と購買の担当が直して決める】
   ▼
直した数と実際の払い出しの記録 → 当たり方の表
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 HistGradientBoostingRegressorLightGBM の回帰、statsmodels の一般化線形モデル(ポアソン)
集計Python(補充と発注の数、ケースの切り上げ、当たり方の記録)表計算の計算式
保管本部の共有フォルダ(学習の記録、補充と発注の表、当たり方の表)-

新しく足すのは Python の処理だけです。 店の管理の端末は、これまでどおり日報を書き出す機能を使います。補充と発注の表は店長と購買の担当が見る資料として書き出し、管理の端末と倉庫の在庫の表には書き込みません。

モデルは scikit-learn の HistGradientBoostingRegressor です。 公式のページでは、損失として squared_error・absolute_error・gamma・poisson・quantile が選べ、poisson は対数のリンクを使い、y >= 0 を求めるとされています。払い出しの数は0以上の数え上げの数なので、真ん中の数にはこの poisson を使います。quantile はピンボールの損失で、quantile の引数に0から1の間の値を渡して、その分位を推定します。 上振れの数は、quantile=0.9 で別のモデルとして学ばせます。

欠けた値をそのまま扱えることも、この題材に合っています。 公式のページでは、学習のときに分かれ目ごとに欠けた値を左右どちらに送るかを学び、予測のときはその向きに従うとされています。機械の故障で記録が抜けた日を、0で埋めずに欠けた値のまま渡せます。

03どうやって実装するのか

Step1

処理の起点を決める

毎週月曜の朝6時に、定時で動かします。 店の営業は日曜の夜に締まり、管理の端末の日報は締めのあとに書き出せます。店長が補充の数を見るのは月曜の昼、本部が発注を決めるのは月曜の夕方です。 その前に案がそろっている必要があります。

段いつすること
1. 読み込みと印月曜 6:0012店の日報・補充の記録・在庫を読み、欠品の日に印を付ける
2. 予測と案月曜 6:30機械と景品の組ごとの予測、補充と発注の数の案
3. 当たり方月曜 6:30先週の予測と実際の払い出し、人の直しを並べる
4. 学び直し月の最初の月曜直近までの記録で学び直し、検証の結果を残す

学び直しは月に1回にします。 毎週学び直すと、予測が週ごとに揺れ、店長が案を信じにくくなります。月に1回、検証の結果を見てから新しいモデルに入れ替えます。

Step2

入力データを集める

データ中身取得元
払い出しの記録店・機械・日ごとの払い出しの数、プレイの回数店の管理の端末の日報
補充の記録機械ごとの補充の日時と数、入れた景品店の補充の記録
景品の台帳景品の番号、分類(ぬいぐるみ・フィギュア・お菓子・雑貨)、シリーズ、発売日、ケースの入数、再入荷の有無、賞味期限本部の景品の台帳
在庫店の棚と本部の倉庫の景品ごとの数在庫の表
暦曜日、祝日、学校の休みの期間、店の近くの催し本部で作る暦の表
機械の情報機械の種類(クレーンの爪の数・台の大きさ)、置き場所(入口の近く・奥)店の機械の台帳

質を決めるのは、補充の記録です。 払い出しの数だけでは、景品が切れたのか、取られなかったのかが分かりません。補充の日時と数があれば、「前の補充から足した数を超えて払い出せない」ことから、切れていた日を見つけられます。 補充の記録をスタッフが付けていない店は、最初の対象から外します。

機械の設定(取りやすさ)は、入力に入れません。 設定を変えれば払い出しは変わりますが、設定は店長が決めることで、モデルに「出やすくすれば数が増える」と学ばせても使い道がありません。 設定を変えた日は、記録に印として残し、その前後の週を学習から外すかを店長と決めます。

景品の番号そのものも、列に入れません。 公式のページでは、カテゴリの列は値の種類が max_bins(既定 255、上限 255)までとされています。景品は数百種類あり、入れ替わりも速いので、番号ではなく分類・シリーズ・発売からの週数で表します。 分類とシリーズは種類が限られ、新しい景品にも当てはめられます。

Step3

データの取得方法を決める

取るものどこから使い道
払い出しとプレイの回数管理の端末の書き出し(店ごとのファイル)答えと特徴の列
補充の記録店の補充の表欠品の日の印
景品の台帳本部のスプレッドシート分類・シリーズ・ケースの入数
在庫在庫の表の書き出し補充と発注の差し引き
暦本部で作る表祝日・休み・催しの列

店ごとのファイルの形をそろえることが、最初の作業です。 管理の端末の機種が店で違うと、列の名前や日付の書き方が違います。Python で読むときに店ごとの読み方を持たせ、読み込んだあとの形を1つにそろえます。 読めなかった店は、その週の案から外して本部に知らせます。

学習に使うのは、直近2年分を基本にします。 景品の流行は年ごとに変わり、古い記録ほど今の動きと合いません。ただし、春休み・夏休み・年末年始の形は年に1回しか来ないので、2年分あると前年の同じ時期を2回見られます。

Step4

AIへ渡す前に整形する

  1. 形をそろえる … 店ごとのファイルを、店・機械・日・景品・払い出し・プレイの回数の形にそろえます
  2. 欠品の日の印 … 補充の記録から、機械ごとに「前の補充からの払い出しの累計が、補充した数に達した日」以降の、次の補充までの日に印を付けます
  3. 故障・休みの日 … 機械が止まっていた日は、払い出しを欠けた値にします。0で埋めません
  4. 週に束ねる … 月曜から日曜の週ごとに、払い出しの数を足します。欠品の日のある週には、欠品の日数を列として持たせます
  5. 特徴の列 … 先週・2週前・4週前の払い出し、先週のプレイの回数、発売からの週数、祝日の数、休みの期間か、置き場所、機械の種類
  6. カテゴリの型 … 店・分類・シリーズ・置き場所・機械の種類を pandas のカテゴリの型にします
  7. 新しい景品の行 … 過去の記録の無い景品は、同じシリーズの前作の発売直後の週の数を参考の列として付けます

2番が、この構成でいちばん手間のかかる前処理です。 スタッフが補充の数を書き忘れた日があると、欠品の日の印がずれます。補充の記録の抜けが多い機械は、印を付けずに「記録不足」として学習から外します。 抜けを推測で埋めると、欠品の印そのものが当てにならなくなります。

6番は、カテゴリの列を正しく扱わせるためです。 公式のページでは、categorical_features の既定は "from_dtype" で、データフレームの列のうち型が Categorical か Enum のものがカテゴリとして扱われるとされています(1.6 で既定が None から変わった)。店の番号を整数の列のまま渡すと、カテゴリにならず、店の番号の大小に意味があるものとして扱われます。

Step5

AIに処理させる

させるのは、機械と景品の組ごとに、次の週の払い出しの真ん中の数と、上振れの数を予測することだけです。

させることさせないこと
次の週の払い出しの真ん中の数(poisson)景品の入れ替えの判断(店長が決める)
次の週の払い出しの上振れの数(quantile 0.9)機械の設定の変更(店長が決める)
発注の確定(購買の担当が決める)
景品の価格の上限などの決まりの確認

補充と発注の数は、予測から規則で作ります。

規則内容
店の補充の数機械ごとの上振れの数を店で足し、店の棚の残りを引く。0未満は0
本部の発注の数景品ごとに12店の真ん中の数を足し、倉庫の在庫と発注済みの数を引き、ケースの入数で切り上げる
再入荷の無い景品発注の数を出さず、「追加の仕入れ不可」と印を付ける
賞味期限のある景品4週分を超える発注の数に印を付ける
新しい景品予測の代わりに前作の数を参考として示し、「人の判断」と印を付ける

補充に上振れの数、発注に真ん中の数を使う理由は、戻せるかどうかです。 店に多めに入れた景品は、翌週の補充を減らせば済みます。本部の発注を上振れの数で積み上げると、12店分の上振れが重なり、倉庫に残る数が大きくなります。 12店の上振れが同じ週に起きることは少ないので、本部は真ん中の数に倉庫の在庫を合わせて受けます。

Step6

指示内容を固定する

この構成の中心は生成AIではなく予測のモデルなので、プロンプトの代わりに、学習と予測の設定を示します。

import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor

cat = ["store", "category", "series", "location", "machine_type"]
num = ["lag1", "lag2", "lag4", "plays_lag1", "weeks_since_release",
       "holidays", "school_break", "stockout_days_lag1"]
for c in cat:
    df[c] = df[c].astype("category")           # from_dtype でカテゴリとして扱わせる

train = df[(df.week <= cut) & (df.stockout_days == 0) & (~df.record_short)]
val   = df[(df.week > cut) & (df.week <= cut + pd.Timedelta(weeks=8))
           & (df.stockout_days == 0)]

mid = HistGradientBoostingRegressor(loss="poisson", learning_rate=0.05,
                                    max_iter=500, random_state=0)
mid.fit(train[cat + num], train.payout,
        X_val=val[cat + num], y_val=val.payout)   # 検証を週で固定して渡す

high = HistGradientBoostingRegressor(loss="quantile", quantile=0.9,
                                     learning_rate=0.05, max_iter=500,
                                     random_state=0)
high.fit(train[cat + num], train.payout,
         X_val=val[cat + num], y_val=val.payout)

X_val と y_val を渡しているのは、早期終了の検証の行を週で決めるためです。 公式のページでは、early_stopping の既定は 'auto' で、行の数が10,000を超えるか、fit に X_val と y_val を渡したときに有効になるとされています。480台で2年分の週の行は10,000を超えるので、何も渡さないと早期終了が有効になり、validation_fraction(既定0.1)の割合の行を、日付と関係なく学習の行から抜いて検証に使います。 同じ週の別の機械の行が学習と検証に分かれ、当たり方を甘く見ます。検証の週を学習の週より後ろに置いて渡せば、validation_fraction は使われません。

学習の行から欠品の週を外しているのが、第1章の中心です。 stockout_days == 0 で、景品が週の途中で切れなかった週だけを答えにします。欠品の週の払い出しは、需要より小さい数です。 ただし、人気の景品ほど欠品の週が多く、外すと学習の行が減ります。欠品の週を外したあとに、景品ごとの学習の行が8週を下回るものは、予測を出さずに「記録不足」とします。

予測と検証は、次のように回します。

from sklearn.model_selection import TimeSeriesSplit

weeks = sorted(df.week.unique())                    # 週の一覧(等間隔)
tss = TimeSeriesSplit(n_splits=6, test_size=4, gap=1)
for tr_idx, te_idx in tss.split(weeks):
    tr_w = [weeks[i] for i in tr_idx]; te_w = [weeks[i] for i in te_idx]
    # 学習は tr_w の週、評価は te_w の週。間の1週はリードタイムの分あける

nxt = cur[cat + num]
cur["mid"]  = mid.predict(nxt).round(1)
cur["high"] = high.predict(nxt).round(1)

TimeSeriesSplit は、行ではなく週の一覧に当てます。 公式のページでは、時間の順に並んだデータを分けるためのもので、比べられる評価のためにサンプルが等間隔であることを求め、gap は各学習の終わりから評価の前までに除くサンプルの数とされています。1つの週に480台分の行があるデータにそのまま当てると、同じ週の行が学習と評価に分かれます。 週の一覧に当てれば、gap=1 が「1週あける」という意味になります。間をあけるのは、月曜に予測して届くのが週の半ばになる、リードタイムの分です。

評価の物差しは、店の補充で困る形に合わせます。 真ん中の数は平均の誤差、上振れの数は「実際の払い出しが上振れの数を超えた割合」を見ます。0.9で学ばせたのに、超えた割合が2割を超えるなら、上振れの数が低すぎ、店で切れます。

Step7

出力形式を固定する

機械と景品の組ごとの予測を、次の形で記録します。

{
  "week": "2026-11-23",
  "store": "S07",
  "machine": "S07-C112",
  "prize_id": "P-2611-045",
  "category": "plush",
  "mid": 38.4,
  "high": 57.0,
  "shelf_stock": 20,
  "restock_plan": 37,
  "flags": ["new_series_reference"],
  "manager_qty": null,
  "actual_payout": null
}

restock_plan は規則で決め、manager_qty は店長が埋め、actual_payout は翌週に入ります。 3つを並べて残すので、予測が外れたのか、店長が直したから合ったのか、直したのに外れたのかを分けて見られます。

本部の発注の表は、景品ごとに次の列を並べます。

列中身
景品・分類・シリーズ発注の単位
12店の真ん中の数の合計次の週に出る見込み
倉庫の在庫・発注済み差し引く数
発注の数の案ケースの入数で切り上げた数
印再入荷なし/賞味期限/新しい景品/記録不足
購買の担当の決定担当が埋める

店長の補充の表は、機械の置き場所の順に並べます。 店長が店の中を回りながら確かめられる順です。上振れの数と棚の残りを横に並べ、差し引きの数を太字にします。

Step8

システムへ連携する

つなぎ先方式内容
店の管理の端末書き出したファイルを読む機械ごとの払い出し・プレイの回数
補充の記録・在庫の表スプレッドシートを読む補充の日時と数、棚と倉庫の在庫
景品の台帳スプレッドシートを読む分類・シリーズ・入数・再入荷の有無
補充と発注の表本部の共有フォルダに書き出す店長と購買の担当が見て直す

管理の端末・在庫の表・景品の台帳には書き込みません。 補充と発注の表は別のファイルとして書き出し、店長と購買の担当が直した数は、その表の「決定」の列に入れてもらいます。 発注をメーカー・問屋に送るのは、これまでどおり購買の担当です。

個人の情報は扱いません。 入力は機械ごとの数と景品の情報だけで、客の会員の情報や、どの客が何を取ったかは使いません。

Step9

人が確認する

  1. 店長が補充の数を直す … 来週入れ替える景品、移す機械、近くの催しを見て数を変えます
  2. 購買の担当が発注の数を決める … 再入荷の無い景品、賞味期限のある景品、新しい景品の印を見て決めます
  3. 新しい景品の数は人が決める … 前作の数を参考に、店長と購買の担当で決めます
  4. 当たり方の表を月に1回見る … 上振れの数を超えた割合と、店長の直しが合った割合を見ます

1番の画面は、直す機械だけに手を入れれば済む形にします。 案のままでよい機械は何もしなくてよく、直した機械の数だけが「決定」の列に入ります。 全部の機械に数を打ち直させる形にすると、第10章の20分には収まりません。

4番を省かないでください。 店長の直しが予測より当たる店が続くなら、その店長が知っている何かが、入力の列に足りていません。それを列として足せないかを話し合うのが、学び直しより先です。

Step10

例外に対処する

起きること対応
店の日報が書き出されていないその店の案を出さず、本部に知らせる。前の週の案を流用しない
補充の記録の抜けが多い機械欠品の印を付けず「記録不足」として学習と予測から外す
機械の故障・入れ替え止まっていた日を欠けた値にし、入れ替えの前後で機械の番号を分ける
新しい景品前作の数を参考に示し、「人の判断」と印を付ける
再入荷の無い景品発注の数を出さず、店の間で残りを回す案だけを示す
予測が急に大きくなる先週の4倍を超える予測に印を付け、店長に確かめてもらう
機械の設定を変えた変えた日を記録し、前後の週を学習に入れるかを店長と決める
上振れの数を超えた割合が増える学び直す前に、欠品の印と補充の記録の付け方を確かめる

上から2行が、運用の大半を占めます。 どちらもモデルの問題ではなく、店の記録の付け方の問題です。 補充の記録が付いていない店に予測を出すと、外れたときに理由が分かりません。

Step11

記録を残す

  • 読み込んだ日報・補充の記録・在庫の書き出しのファイルと、読み込んだ日時
  • 欠品の印を付けた日と、その根拠にした補充の記録
  • モデルの版、学習に使った週の範囲、検証の結果(平均の誤差、上振れを超えた割合)
  • 機械と景品の組ごとの予測、補充と発注の数の案、店長と購買の担当の決定
  • 翌週の実際の払い出しと、欠品の日数

店長の決定を残すのは、当たり方を3つに分けて見るためです。 予測のまま決めた機械、店長が増やした機械、店長が減らした機械。それぞれの実際の払い出しと欠品の日数を並べると、モデルと店長のどちらがどの場面で当たるかが見えます。

04実装レベルの3段階

最小構成:2店の記録で欠品の印を付け、かんたんな方法と店長の数を比べる / 予測の土台の確かめ
半自動化:上記+予測のモデルで真ん中の数を出し、店長が参考として見る / 機械ごとの予測の数
本格構成:上記+上振れの数、店の補充と本部の発注の数の案、当たり方の表 / 予測から補充・発注の案まで

本記事の想定は本格構成です。 1件75分が20分になるのは、書き出し・突き合わせ・足し引きがなくなり、人の時間が案を直すことと印を確かめることに絞られるからです。 半自動化の段階で、2〜3か月は店長の数と並べて見ます。 この間に、どの店のどの種類の機械で予測が外れやすいかが分かります。外れやすい機械が分かってから、補充の数の案を店長に渡す形に進みます。 最初から案を渡すと、外れた週の印象で使われなくなります。 本格構成に進んだあとも、店ごとに案を渡す時期をずらして構いません。 補充の記録がそろっている店から先に渡し、記録の抜けが多い店は、記録の付け方が直るまで半自動化のまま並べて見ます。12店を一度にそろえようとすると、いちばん記録の弱い店に合わせて全体が遅れます。

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
4 名
月間件数
48 件
1件あたり現在時間
75 分
1件あたり導入後時間
20 分
現在  48件 × 75分 ÷ 60 = 60 時間/月
導入後 48件 × 20分 ÷ 60 = 16 時間/月
月間削減時間
44h
削減率
73%
年間削減時間
528h
年間金額換算(時間単価3,000円)
158万円
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. クレーンゲームなどのプライズ機を数百台、複数の店で動かしている運営会社で、景品の補充と本部の発注の数を、店長と購買の担当が経験と前の週の数字から決めている場合。機械ごとの払い出しの数を日ごとに記録していて、1年分以上が残っている場合。人気の景品が週の途中で切れて機械が空く一方で、倉庫には動かない景品が積み上がっている場合。
向いていない
  1. 店が1つで機械が数十台に限られ、店長が全部の機械の様子を毎日見られる場合。払い出しの数を機械ごとに記録しておらず、月の仕入れと棚卸の差でしか分からない場合。景品のほとんどが毎週入れ替わる新作で、同じ景品の過去の動きが使えない場合。なお、景品の入れ替え・機械の設定・発注を決めるのは店長と購買の担当で、この構成は数の案を出すものです。景品の価格の上限などの決まりの確認は、この構成の対象の外です。

07最小構成で試す方法

  1. 2店を選び、過去1年分の機械ごとの払い出しと補充の記録を書き出す
  2. 補充の記録から、欠品の日に印を付ける(ここまでは表計算でも構いません)
  3. 欠品の日のある週と無い週で、景品ごとの払い出しの平均を比べる
  4. 先週の数をそのまま使った場合と、前年の同じ週の伸びを掛けた場合で、翌週をどれくらい当てられたかを数える
  5. 店長が実際に書いた数と、上の2つを比べる
出てきた内容判断
欠品の週の払い出しが、無い週より明らかに小さい欠品の印を付けて予測のモデルに進む
補充の記録の抜けが多く、欠品の日が決められない補充の記録の付け方を直すのが先
先週の数のままでも店長の数とほぼ同じに当たるモデルを作る前に、本部の集計の手間だけを減らす

4番と5番が、この段階の本題です。 モデルを作る前に、「先週の数」という一番かんたんな方法と、店長の数を比べておきます。 モデルを入れたあとも、この2つより当たらなければ意味がありません。この比べ方を、本格構成の当たり方の表でもそのまま使います。

08実装時につまずきやすいポイント

問題対策
人気の景品ほど少なく予測される欠品の週を学習から外す。欠品の印を先に付ける
検証の当たり方が良すぎる早期終了の検証を X_val・y_val で週で固定して渡す
店の番号が数の大小として扱われるpandas のカテゴリの型にして from_dtype で扱わせる
景品の番号をカテゴリにして失敗するmax_bins は255まで。分類・シリーズで表す
故障の日の0を学ぶ止まっていた日は欠けた値にする。0で埋めない
同じ週の行が学習と評価に分かれるTimeSeriesSplit は週の一覧に当てる
補充を真ん中の数で出して店で切れる補充は上振れ(quantile 0.9)、発注は真ん中の数
本部の発注が積み上がる12店の上振れを足さない。真ん中の数を足す
新しい景品に数が出ない前作の数を参考に示し、人が決める
機械の入れ替えで記録がつながる入れ替えの前後で機械の番号を分ける
設定の変更で動きが変わる変えた日を記録し、前後の週の扱いを店長と決める
毎週学び直して予測が揺れる学び直しは月に1回、検証を見てから入れ替える

上の2行が、この構成の失敗のほとんどです。 どちらも「当たっているように見える」形で現れ、運用に入ってから、人気の景品が毎週切れることで気づきます。

下の3行は、始めて数か月で効いてきます。 機械の入れ替えと設定の変更は、店では日常の作業で、記録に残す習慣が無いと、モデルの外れの理由が追えなくなります。

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: 機械ごとの払い出しとプレイの回数、景品の情報、在庫、補充の記録。客の個人の情報は扱いません。

  1. 客の会員の情報をつながない … 会員のカードの記録と結ぶと、誰が何を取ったかが分かる形になります。この構成の目的は景品の数で、客ごとの分析ではありません
  2. 機械の設定をモデルで決めない … 払い出しの数は設定で変わりますが、設定は店長が決めます。 予測を「出やすくすれば売れる」方向の判断に使いません
  3. 景品の決まりの確認は別に行う … 景品の価格の上限などの決まりは、この構成では見ません。新しい景品を入れるときの確認は、これまでどおり担当が行います
  4. 店長の決定と予測を、店長の評価に使わない … 誰の直しが当たったかは記録に残りますが、目的は入力の列に足りないものを見つけることです
  5. 仕入れの単価・取引先の条件を外に出さない … 発注の表には仕入れの情報が入ります。本部の共有フォルダの権限を、購買の担当と店長に限ります

メーカー・問屋から受け取る新作の情報の扱いも決めておきます。 発売前の景品の情報は、取引先との約束で外に出せないことがあります。予測の表に新しい景品を載せるときは、その表の配る範囲が約束の範囲に収まるかを確かめます。

誤りが起きた場合のリスクは、少なく見込んで店で切れることと、多く見込んで倉庫に残ることの2つです。 前者は欠品の印と上振れの数で抑え、後者は発注を真ん中の数にそろえ、人が印を確かめることで防ぎます。

10まず何から始めるか

1週目:記録をそろえる

2店の過去1年分の日報と補充の記録を書き出し、店・機械・日・景品・払い出しの形にそろえます。補充の記録の抜けがどれくらいあるかを、最初に数えます。

2週目:欠品の印を付けて比べる

第8章のとおり、欠品の日に印を付け、欠品の週と無い週の払い出しを比べます。「先週の数」と店長の数の当たり方も数えます。

3週目:予測のモデルを作る

真ん中の数のモデルを学び、週で固定した検証で当たり方を見ます。先週の数より当たるかを確かめます。

4週目:上振れの数と補充の案を足す

quantile=0.9 のモデルを足し、2店の補充の数の案を作って、店長の数と並べます。この時点では店長に案を渡さず、並べて見るだけにします。

2か月目: 12店に広げ、本部の発注の数の案を足します。店長の直しと実際の払い出しを毎週記録します。3か月目以降: 補充の数の案を店長に渡し、月に1回の学び直しを始めます。当たり方の表で、上振れを超えた割合が落ち着き、店長の直しが印の付いた景品に絞られた時点で、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:2026-11-18/最終更新:2026-11-18
確認した内容情報源確認日
損失に squared_error・absolute_error・gamma・poisson・quantile があり、poisson が対数のリンクで y >= 0 を求めること、quantile がピンボールの損失で quantile の引数に0〜1の値を渡すこと。early_stopping の既定 'auto' が10,000行を超えるか X_val・y_val を渡したときに有効になること、validation_fraction の既定が0.1で X_val・y_val を渡すと使われないこと。categorical_features の既定が "from_dtype"(1.6 で変更)で Categorical・Enum の列がカテゴリになること、カテゴリの値の種類が max_bins(既定255・上限255)までであること。欠けた値を分かれ目ごとに左右へ送ることを学ぶこと(1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-18
時間の順に並んだデータを分けるためのもので、比べられる評価のためにサンプルが等間隔であることを求めること。gap が各学習の終わりから評価の前までに除くサンプルの数であること、test_size の意味scikit-learn: TimeSeriesSplit2026-11-18

景品の入れ替え・機械の設定・発注を決めるのは、店長と購買の担当です。 本記事は上の公式のページ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-3963)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