Media > AI活用ユースケース > 物流 > 機械メーカーの保守部品の需要を、出庫の実績と稼働台数から Python で月ごとに予測し、品番ごとの補充点と発注量の案を出す

機械メーカーの保守部品の需要を、出庫の実績と稼働台数から Python で月ごとに予測し、品番ごとの補充点と発注量の案を出す

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

保守部品の月ごとの出庫の実績と、客先で動いている機械の台数から、品番ごとに翌月以降の需要を Python で予測し、補充点と発注量の案を出します。担当者は、案が大きく動いた品番だけを確かめます。

サマリー
連携・自動化
Python
対象業界
商社/製造
対象部門
物流/購買
対象業務
台帳・マスタ管理/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
20h/月
想定削減
67%
年間削減
480h
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. 月初に、基幹システムから前月に出庫のあった品番と、補充点を下回った品番の一覧を出す
  2. 品番ごとに、過去2〜3年の出庫の履歴を画面で見る
  3. 機種ごとの部品の対応表で、その部品を使う機種と、機種が生産中か終了かを確かめる
  4. 調達のリードタイム(発注から入荷までの期間)と最小の発注数を見て、補充点と発注量を決め直す
  5. 変えた品番は、品番の情報の欄を書き換える
  6. 欠品が起きた品番は、理由を調べて補充点を上げる
導入後(After)
  1. 自動月初の締めが終わった翌朝に、Python のバッチの処理が動き、基幹システムから出庫・在庫・発注残・品番の情報を取り出す
  2. 自動品番の切替の記録で、旧品番と新品番の実績をつなぐ。一度きりの大口の出庫を除く
  3. 自動品番ごとに、出る間隔と出る量のばらつきから「出方の型」を分ける
  4. 自動型ごとに決めた予測のモデルの候補を、過去の実績で試し、品番ごとに誤差の小さいものを選ぶ
  5. 自動機種ごとの稼働台数の変化と、保守の契約の計画の交換を、予測に足し引きする
  6. 自動リードタイムの間の需要の出方と、部品の重要度ごとの欠品させない目標から、補充点と発注量の案を出す
  7. 自動案がいまの値から大きく動いた品番、新しい品番、生産を終えた機種の品番に「要確認」の印を付ける
  8. 人担当が「要確認」の品番を確かめ、採るか直すかを決める
  9. 【人/自動】 採った案を基幹システムに取り込む
各工程の詳しい説明を読む
  1. 月初に、基幹システムから前月に出庫のあった品番と、補充点を下回った品番の一覧を出す
  2. 品番ごとに、過去2〜3年の出庫の履歴を画面で見る
  3. 機種ごとの部品の対応表で、その部品を使う機種と、機種が生産中か終了かを確かめる
  4. 調達のリードタイム(発注から入荷までの期間)と最小の発注数を見て、補充点と発注量を決め直す
  5. 変えた品番は、品番の情報の欄を書き換える
  6. 欠品が起きた品番は、理由を調べて補充点を上げる

(a)たまにしか出ない部品の補充点が勘で決まる。 2番目の履歴を見ても、年に3回しか出ていない部品の「次はいつ、何個出るか」は、目で見て分かるものではありません。 担当者は「去年は2回出たから、補充点は2個」と決めますが、リードタイムが4か月の部品なら、その間に2個以上出ることもあれば、1個も出ないこともあります。

(b)担当者しか分からない。 3番目と4番目の判断は、どの機種がどの客先で多く動いているか、どの部品が壊れやすいかを知っている担当者の経験に頼っています。ベテランの担当が休むと、その人の受け持ちの品番は見直しが止まります。

(c)出なくなっていく部品に気づかない。 生産を終えた機種の機械が引退していくと、その部品はゆっくり出なくなります。履歴の画面では、ゆっくりした減り方は見えにくく、 補充点が出ていたころのまま残り、棚に何年も残る在庫が増えます。

(d)見直しが追いつかない。 1,200品番を3名で見ると、1品番3分でも月60時間です。欠品が起きた品番の後追い(6番目)が優先され、 欠品がまだ起きていない品番の見直しは後回しになります。

  1. 【自動】 月初の締めが終わった翌朝に、Python のバッチの処理が動き、基幹システムから出庫・在庫・発注残・品番の情報を取り出す
  2. 【自動】 品番の切替の記録で、旧品番と新品番の実績をつなぐ。一度きりの大口の出庫を除く
  3. 【自動】 品番ごとに、出る間隔と出る量のばらつきから「出方の型」を分ける
  4. 【自動】 型ごとに決めた予測のモデルの候補を、過去の実績で試し、品番ごとに誤差の小さいものを選ぶ
  5. 【自動】 機種ごとの稼働台数の変化と、保守の契約の計画の交換を、予測に足し引きする
  6. 【自動】 リードタイムの間の需要の出方と、部品の重要度ごとの欠品させない目標から、補充点と発注量の案を出す
  7. 【自動】 案がいまの値から大きく動いた品番、新しい品番、生産を終えた機種の品番に「要確認」の印を付ける
  8. 【人】 担当が「要確認」の品番を確かめ、採るか直すかを決める
  9. 【人/自動】 採った案を基幹システムに取り込む

3番目で型を分けることが、この設計の要です。 毎月出る部品と、年に数回しか出ない部品を同じ方法で予測すると、どちらかが必ず外れます。 型ごとに合う方法を使い分けます。

8番目で人が見るのは、全品番ではありません。 案がいまの値とほとんど変わらない品番は一覧で流し見て終わりにし、大きく動いた品番と、予測の材料が足りない品番だけに時間を使います。 全品番を人が見る設計にすると、60.0時間はほとんど減りません。

02今回想定するシステム構成

構成図
基幹システム(出庫・在庫・発注残・品番の情報・品番の切替)
保守の受付のシステム(保守の契約・計画の交換)
機種ごとの部品の対応表 + 機種ごとの稼働台数
   │
   ▼【トリガー】月初の締めの翌朝(スケジュール実行)
Python のバッチの処理(pandas + statsforecast)
   ├──▶ 品番の切替をつなぎ、大口の出庫を除き、月ごとの系列にする
   ├──▶ 出方の型を分ける(毎月出る/たまに出る/出方がばらつく)
   ├──▶ 型ごとのモデルの候補を過去の実績で試し、品番ごとに選ぶ
   │       CrostonSBA / TSB / ADIDA / IMAPA ほか
   ├──▶ 稼働台数の変化と計画の交換を足し引きする
   ├──▶ リードタイムの間の需要の出方から補充点と発注量を出す
   ▼
発注の案の一覧 ──▶【人】「要確認」の品番だけ確かめる
   ▼
基幹システムへ取り込む(補充点・発注量の欄)
役割想定する製品代替候補
実行環境Python(pandas・statsforecast)R、Amazon SageMaker
保管社内のデータベース(月ごとの系列、予測、案、採否)既存のデータ基盤
基幹いまの基幹システム(取り出しと取り込み)-
予測の補助機種ごとの稼働台数の表(保守の受付のシステムから作る)-

予測の本体は、statsforecast の「たまにしか出ない系列」のためのモデルです。 公式の手引きでは、ゼロでない値がとても少ない系列を「間欠的な系列」と呼び、ADIDA、CrostonClassic、IMAPA、TSB のモデルを並べて予測する例を示しています。入力は unique_id・ds・y の3列の表で、StatsForecast にモデルの一覧と頻度を渡し、forecast に予測する期間 h を渡します。品番を unique_id、月を ds、出庫の数を y にします。

モデルを1つに決めずに、候補から品番ごとに選びます。 CrostonSBA は、Croston の方法に Syntetos と Boylan が2001年に加えた改良で、公式のページでは元の方法にかなりの正の偏り(多めに出る傾向)があり、それを補正の係数で減らすとされています。TSB は、出る間隔の代わりに出る確率を毎期(出なかった期も含めて)更新する方法で、公式のページでは、Croston の方法が出たときしか更新しないため、出なくなっていく危険の見積もりが古い情報に引きずられると説明されています。ADIDA は、出る間隔の平均の長さで期間をまとめてゼロを減らし、単純な指数平滑で予測する方法です。

この3つの違いが、保守部品の3つの悩みに対応します。 多めに出がちな予測を抑えたいなら CrostonSBA、生産を終えた機種の部品のように出なくなっていくものには TSB、ゼロがあまりに多い品番には ADIDA です。どれが合うかは品番ごとに違うので、過去の実績で試して選びます。

03どうやって実装するのか

Step1

処理の起点を決める

月初の締めが終わった翌朝に、スケジュールで動かします。 前月の出庫が基幹システムで確定し、返品や訂正が入りきってからでないと、前月の最後の数日の出庫が抜けた系列で予測することになります。 締めの日は月によって違うため、日付で決めず、基幹システムの月次の締めの状態を見て、締まっていなければ動かずに翌朝もう一度見ます。

月に1回で十分な理由があります。 保守部品の多くは年に数回しか出ず、週ごとに予測し直しても、ほとんどの品番で案は変わりません。 変わらない案を毎週並べると、担当は一覧を見なくなります。急ぎの判断が要るのは欠品の恐れで、これは基幹システムがいまの補充点で毎日出している発注の候補が受け持ちます。 この構成が月に1回見直すのは、その補充点そのものです。

処理は夜間にかけてもかまいません。 4,000品番それぞれに複数のモデルの候補を当て、過去の実績で試すため、品番の数とモデルの数に比例して時間がかかります。公式の手引きでは、StatsForecast に並列の処理の数(n_jobs)を渡せるとされており、処理の時間が長ければ並列の数を増やします。

Step2

入力データを集める

データ中身取得元
出庫の実績品番、出庫日、数量、出庫の理由(修理・保守の契約・販売・社内の使用)、返品の印基幹システム
在庫と発注残品番、いまの在庫、発注残と入荷の予定日基幹システム
品番の情報品番、調達のリードタイム、最小の発注数、発注の単位、単価、部品の重要度、いまの補充点と発注量基幹システム
品番の切替旧品番、新品番、切替の日、互換の有無基幹システム
部品の対応表機種、品番、1台あたりの使用数機種ごとの部品の対応表
稼働台数機種、月、客先で動いている台数、生産終了の日保守の受付のシステムから作る表
計画の交換保守の契約で決まった交換の月、品番、数量保守の受付のシステム

質を決めるのは、品番の切替の記録です。 部品が設計の変更で新しい品番に替わると、基幹システムの上では旧品番の実績が途切れ、新品番は実績のない新しい部品に見えます。 切替の記録で両者をつなげないと、新品番の需要は「ゼロからの立ち上がり」と見なされ、補充点が低く出ます。互換のある切替だけをつなぎ、互換のない切替はつなぎません。

部品の重要度も欠かせません。 機械が止まる部品(駆動の部品・制御の基板など)と、止まらない部品(外装の部品・消耗品)では、欠品させない目標を変えます。 重要度は品番の情報の欄に3段階で入れておき、空の品番は「止まる部品」として扱います。

Step3

データの取得方法を決める

基幹システムから、月に1回、前月までの3年分を CSV で書き出し、Python で読み込みます。書き出しは基幹システムの定型の帳票の機能で行い、Python の処理は書き出された CSV が決まったフォルダにそろってから始めます。基幹システムのデータベースを直接読みにいかないのは、基幹システムの保守の範囲を越えないためです。

取るものどう取るか何に使うか
月ごとの出庫の数出庫の実績を品番と月で合計。出庫の無い月は0を入れる予測の系列
出庫の理由ごとの内訳理由の列で分けて合計計画の交換と大口の除外
機種ごとの稼働台数の推移稼働台数の表を機種と月で並べる台数の変化の補正
品番ごとの使用機種部品の対応表を品番で引く台数の変化を品番に結び付ける
リードタイムと発注の条件品番の情報補充点と発注量の計算

出庫の無い月に0を入れることを忘れないでください。 出庫の実績を月で合計すると、出庫の無い月は行そのものが無くなります。 その表をそのまま渡すと、年に3回しか出ない部品が「毎月出ている部品」に見え、予測が何倍にも膨らみます。品番と月のすべての組み合わせの表を先に作り、そこに合計を入れ、空いたところを0にします。

Step4

AIへ渡す前に整形する

  1. 品番の切替をつなぐ … 互換のある切替について、旧品番の実績を新品番の系列の前につなぎます
  2. 返品を相殺する … 返品の印のある出庫を、元の月の出庫から引きます
  3. 大口の一回きりを除く … 出庫の理由が「保守の契約」の計画の交換と、改修の一斉の交換(同じ品番が1か月に普段の数十倍出たもの)は、系列から抜いて別に扱います
  4. 月ごとの系列にする … 品番と月のすべての組み合わせに0を入れた表を作ります
  5. 出方の型を分ける … 出た月の間隔の平均と、出たときの量のばらつきで、「毎月出る」「たまに出る」「出方がばらつく」「実績が足りない」に分けます
  6. 新しい品番を分ける … 実績が12か月に満たない品番は予測のモデルに渡さず、同じ機種の似た部品の出方と稼働台数から別に見積もり、「要確認」にします

3番目の大口の除外を軽く見ないでください。 改修のために同じ部品を全客先で一斉に交換した月があると、その月の数十個がモデルに入り、翌年以降の予測を押し上げ続けます。 一斉の交換は二度と起きないかもしれず、起きるとしても計画として分かります。系列から抜き、計画の交換と同じく「分かっている需要」として後から足します。

型を分ける境目の値は、設定のファイルに置きます。 境目には広く使われる目安がありますが、自社の部品で過去の実績を試し、型ごとにどのモデルがよく当たったかを見て直します。

Step5

AIに処理させる

させるのは、品番ごとに翌月から先の月ごとの需要を予測することと、その予測から補充点と発注量の案を出すことです。 予測は統計のモデル、補充点と発注量は決まった計算で、どちらも同じ入力からは同じ結果が出ます。

処理内容判断できないときの扱い
モデルの選択型ごとの候補を、直近12か月を伏せて予測させ、誤差の小さいものを選ぶ実績が足りなければ予測せず「要確認」
需要の予測選んだモデルで、リードタイムに発注の間隔を足した月数の先まで予測する-
台数の補正使用機種の稼働台数が減っていく品番は、台数の比で予測を下げる対応表に機種が無ければ補正せず「要確認」
分かっている需要保守の契約の計画の交換を、その月に足す-
補充点リードタイムの間の需要の出方の上側から、重要度ごとの目標で決める-
発注量予測と最小の発注数・発注の単位から決める単位が品番の情報に無ければ「要確認」

補充点は、予測の値そのものではなく、需要の出方の上側で決めます。 公式の手引きでは、これらの間欠的な系列のモデルは点の予測(1つの値)しか出せず、幅を持たせた予測が要るなら確率のモデルが要るとされています。予測の値は「平均としてこれくらい」を表すだけで、 欠品させないためには「多いときにはこれくらい」が要ります。そこで、過去の実績からリードタイムと同じ長さの期間を何通りも切り出し、その期間の出庫の合計の出方を作り、 予測の値で水準を合わせたうえで、重要度ごとの目標の位置を補充点にします。

モデルを選ぶ物差しは、絶対誤差の合計にします。 実際の出庫に対する割合で誤差を測る方法は、出庫が0の月で割り算ができず、 たまにしか出ない部品では使えません。伏せた12か月の月ごとの差の絶対値を足すだけなら、0の月も含めて比べられます。ただし、絶対誤差だけで選ぶと「毎月ほぼ0」と予測するモデルが勝ちやすいので、伏せた期間の出庫の合計と予測の合計の差も並べ、合計が大きく下回るモデルは選ばない決まりを足します。補充点が低すぎて欠品するほうが、多すぎて在庫が残るより重いからです。

発注量は、予測の数か月分を最小の発注数と発注の単位に合わせて切り上げます。 年に数回しか出ない部品で最小の発注数が大きいと、1回の発注で何年分もの在庫になることがあります。その場合は案の行に「最小の発注数で何か月分になるか」を並べ、担当が仕入先と発注の単位を相談する材料にします。

させないこと理由
部品の供給を打ち切るかの判断客先との約束と会社の方針で決まる
最終の一括の生産の量を決める生産終了の部品をまとめて作る量は、別の検討が要る
重要度を付け直す品番の情報の値をそのまま使う
案を基幹システムに直接書き込む担当が採った案だけを取り込む
Step6

指示内容を固定する

この構成は生成AIへの指示文を使いません。代わりに、予測と計算の決まりを設定のファイルに書きます。 担当とシステムの担当が一緒に読み、直せる形にしておきます。

# 保守部品の需要予測の設定(毎月の見直し)

【系列】
  頻度: 月
  使う実績の長さ: 36か月
  出庫の無い月: 0を入れる
  除く出庫の理由: 保守の契約の計画の交換, 改修の一斉の交換, 社内の使用
  大口の目安: 同じ品番が1か月に直近24か月の中央値の20倍を超える

【出方の型】
  毎月出る: 出た月の割合が高く、量のばらつきが小さい
  たまに出る: 出た月の間隔の平均が長い
  出方がばらつく: 出たときの量のばらつきが大きい
  実績が足りない: 12か月未満 → 予測しない・要確認

【モデルの候補】
  たまに出る:     CrostonSBA, TSB, ADIDA, IMAPA
  出方がばらつく: CrostonSBA, TSB, ADIDA
  毎月出る:       CrostonSBA, ADIDA
  選び方: 直近12か月を伏せて予測し、絶対誤差の合計が最も小さいもの

【台数の補正】
  使用機種の稼働台数の12か月後の見込み ÷ いまの台数 を予測に掛ける
  生産終了の機種: 稼働台数の減り方は過去の引退の実績から

【補充点の目標(リードタイムの間に欠品しない割合)】
  重要度 高(機械が止まる): 上側 95%
  重要度 中:                 上側 90%
  重要度 低:                 上側 80%

【要確認にする条件】
  補充点がいまの値から 50% 以上動く
  発注量の金額が 30万円 を超える
  使用機種がすべて生産終了
  選んだモデルが前月と違う

「要確認にする条件」が、人の時間を決めます。 条件を緩めると担当が見る品番が増え、厳しくすると大きな変化を見落とします。最初の3か月は緩めにしておき、担当が見て「直さなかった」品番の条件から順に締めていきます。

Step7

出力形式を固定する

品番ごとに1行の、次の形の表で出します。 担当が読む一覧と、基幹システムに取り込む表を、同じ中身から作ります。

{
  "part_no": "P-30412",
  "demand_type": "intermittent | lumpy | smooth | insufficient",
  "model": "CrostonSBA | TSB | ADIDA | IMAPA",
  "holdout_abs_error": 0,
  "forecast_monthly": [0, 0, 0, 0, 0, 0],
  "installed_base_ratio": 0,
  "planned_demand": [0, 0, 0, 0, 0, 0],
  "lead_time_months": 0,
  "criticality": "high | mid | low",
  "reorder_point": { "current": 0, "proposed": 0 },
  "order_qty": { "current": 0, "proposed": 0 },
  "flags": ["reorder_point_moved", "eol_only", "model_changed"],
  "decision": "adopt | modify | hold"
}

1つ目の理由は、案の根拠を1行で追えることです。 型、選んだモデル、伏せた期間での誤差、台数の補正の比、分かっている需要が並んでいれば、担当は履歴の画面を開く前に、なぜこの補充点になったかを読めます。

2つ目は、current と proposed を並べられることです。 いまの値と案の差が一目で分かり、差の小さい品番を流し見で済ませられます。

3つ目は、decision を同じ行に残せることです。 担当が採ったか、直したか、保留にしたかを書き込み、基幹システムへは adopt と modify の行だけを取り込みます。 直した値は proposed を上書きせず、別の列に入れます。

Step8

システムへ連携する

つなぎ先方式内容
基幹システム定型の帳票の CSV の書き出し出庫・在庫・発注残・品番の情報・切替を取り出す
保守の受付のシステムCSV の書き出し稼働台数と計画の交換を取り出す
社内のデータベースPython からの読み書き月ごとの系列、予測、案、採否を残す
基幹システム品番の情報の一括の取り込みの機能採った補充点と発注量を入れる

基幹システムへの取り込みは、担当が採った後に人が実行します。 一括の取り込みの機能に渡す CSV を Python が作り、取り込みのボタンを押すのは部品センターの責任者です。 自動で書き込むと、設定のファイルの誤り1つで4,000品番の補充点が一度に変わります。

発注そのものは、これまでどおり基幹システムが出す発注の候補から担当が行います。 この構成が変えるのは補充点と発注量の欄の値だけで、発注の流れには手を入れません。

Step9

人が確認する

  1. 「要確認」の品番を、条件ごとに分けて見る … 補充点が大きく動いた品番、金額の大きい品番、生産終了の機種だけの品番、モデルが替わった品番
  2. 大きく動いた理由を確かめる … 根拠の列(型、モデル、誤差、台数の比)を読み、大口の除外の漏れや品番の切替のつなぎ忘れでないかを見ます
  3. 担当の知っている事情を足す … 客先の大きな改修の予定、その部品の不具合の情報など、データに無い事情があれば値を直し、理由を書きます
  4. 生産終了の機種の部品を見る … 補充点が下がった部品は、供給を約束している期間と在庫を見比べ、必要なら責任者に上げます
  5. 採否を入れる … adopt・modify・hold を入れます

3番目で直した値と理由は、翌月以降の答え合わせに使います。 担当の直した値と案のどちらが実際の出庫に近かったかを、半年分ためて見比べます。担当の直しがいつも当たる品番の型があれば、それはデータに足りない情報があるという合図です。 その情報を入力に足せないか、システムの担当と相談します。

目標は、1,200品番をならして1品番1分です。 「要確認」は全体の2割前後という想定で、それより多い月は、設定のファイルの条件が緩すぎるか、前処理で何かが漏れています。

Step10

例外に対処する

起きること対応
月次の締めが終わっていない動かずに翌朝もう一度見る
CSV がそろっていない処理を始めず、システムの担当に知らせる
実績が12か月未満の品番予測せず、似た部品と稼働台数から見積もって「要確認」
品番の切替の記録が無い新品番新しい品番として扱い「要確認」。担当が旧品番を探す
対応表に機種が無い品番台数の補正をせず「要確認」
改修の一斉の交換が系列に残っていた大口の目安で拾い、系列から抜いて計画の需要に移す
すべてのモデルの誤差が大きい最も誤差の小さいものを使い、「要確認」にする
発注の単位が品番の情報に無い発注量を出さず「要確認」
処理が夜のうちに終わらない並列の数を増やし、型ごとに処理を分ける

3行目と4行目が、立ち上げの最初の数か月にいちばん多く出ます。 新しい品番の多くは、実際には旧品番からの切替で、切替の記録が基幹システムに入っていないだけということがよくあります。担当が旧品番を見つけたら、切替の記録を基幹システムに足してもらい、翌月から系列がつながるようにします。「要確認」の品番を減らすいちばんの近道は、予測を賢くすることではなく、記録を埋めることです。

Step11

記録を残す

  • 実行の日時、使った CSV の書き出しの日時、品番の数、型ごとの品番の数
  • 品番ごとの系列(前処理の後)と、除いた出庫と理由
  • 品番ごとのモデルの候補と伏せた期間での誤差、選んだモデル
  • 予測、台数の補正の比、分かっている需要、補充点と発注量の案
  • 担当の採否と、直した値と理由
  • 翌月以降の実際の出庫と予測の差、欠品の発生と、そのときの補充点

最後の行が、この構成を育てる材料です。 欠品した品番の補充点が案のとおりだったのか、担当が直した値だったのかが分かれば、設定のファイルの目標の値を、勘ではなく記録で直せます。

04実装レベルの3段階

最小構成:50品番の表を手で作り、Python で3つのモデルを試す / 予測の方法の確かめ
半自動化:上記+全品番の CSV を月に1回取り出し、前処理と予測と補充点の案までを自動で出す / 予測と案の一覧
本格構成:上記+稼働台数の補正、計画の交換、「要確認」の絞り込み、基幹システムへの取り込みの CSV まで出す / 見直しの全体

最小構成では、案を基幹システムに戻せません。 予測の方法が自社の部品に合うかを確かめるための段階です。 半自動化で、1品番3分が2分程度になります。 出方をつかむ①の時間はなくなりますが、機種と生産の状況の確かめ(②)が人に残り、全品番を見ることになります。 本格構成で1分になり、この段階が本記事の想定です。 差が大きいのは、稼働台数の補正が②を受け持ち、「要確認」の絞り込みで見る品番そのものが減るからです。 段階を飛ばさないでください。 半自動化の一覧を2〜3か月見ると、品番の切替のつなぎ漏れと、大口の除外の漏れが先に見つかります。そこを直してから台数の補正を足すほうが、補正の効き目を正しく測れます。

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
3 名
月間件数
1,200 件
1件あたり現在時間
3 分
1件あたり導入後時間
1 分
現在  1,200件 × 3分 ÷ 60 = 60 時間/月
導入後 1,200件 × 1分 ÷ 60 = 20 時間/月
月間削減時間
40h
削減率
67%
年間削減時間
480h
年間金額換算(時間単価3,500円)
168万円
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. 工作機械・包装機械・産業用の装置などを売った後、保守部品を自社の部品センターから長年供給している機械メーカーや、その部品を扱う商社。数千の品番の多くが年に数回しか出ない部品で、補充点を担当者の経験で決めている場合。出庫の実績を3年分ほど基幹システムから取り出せ、機種ごとの部品の対応表と、客先で動いている機械の台数を持っている場合。
向いていない
  1. 部品の品番が数百で、毎月ほぼ同じ量が出る場合(通常の在庫の計算で足りる)。保守部品の供給を外部の物流会社に任せ、補充点もその会社が決めている場合。出庫の実績が品番の切替のたびに途切れ、つなげる記録が無い場合。なお、部品の供給を打ち切る時期や、最終の一括の生産の量を決めることはこの構成の対象外です。

07最小構成で試す方法

  1. 在庫を持つ品番から50品番を選ぶ(毎月出るもの、年に数回のもの、生産終了の機種のもの、去年欠品したものを混ぜる)
  2. その50品番について、過去3年の月ごとの出庫の数を表にする(出庫の無い月は0を入れる)
  3. Python の手元の環境に statsforecast を入れ、手引きの例にならって CrostonSBA・TSB・ADIDA で直近12か月を伏せて予測する
  4. 伏せた12か月の実際の出庫と、3つのモデルの予測と、いまの補充点の考え方を並べる
  5. 担当3名で、どの品番でどのモデルが合っていたか、いまの補充点が出方に合っていたかを読み合わせる

50品番は必ず出方をばらして選んでください。 毎月出る部品ばかりだと、この構成の意味が見えません。生産終了の機種の部品を入れると、TSB とほかのモデルの違いがよく分かります。

出てきた内容判断
たまにしか出ない品番で、いまの考え方より予測が合う品番の切替と前処理を整えて、全品番に広げる
年に3回の部品が毎月出るような予測になる出庫の無い月に0が入っていない。前処理の誤り
どのモデルも外れる品番が多い大口の一回きりが混ざっていないかを見る
生産終了の機種の部品で TSB だけが下がる出なくなっていく部品の扱いが合っている。構成は有効

08実装時につまずきやすいポイント

問題対策
たまにしか出ない部品の予測が膨らむ出庫の無い月に0を入れる。 合計の表をそのまま渡さない
新品番の補充点が低く出る互換のある品番の切替をつなぐ
一斉の交換の月が予測を押し上げる大口の目安で拾い、系列から抜いて計画の需要に移す
補充点を予測の値そのもので決める点の予測しか出ない。 リードタイムの間の出方の上側で決める
生産終了の機種の部品に在庫が残るTSB を候補に入れ、稼働台数の補正を掛ける
モデルが毎月替わり、案が揺れる誤差の差が小さいときは前月のモデルを続ける決まりを足す
「要確認」が多すぎて見きれない条件を、担当が直さなかった品番から締めていく
重要度が空の品番が多い空は「止まる部品」として扱い、順に埋める
案を基幹システムに自動で書き込む人が採った行だけを、人が取り込む
実績が短い品番を予測させる12か月未満は予測せず「要確認」

上の2行が、この構成の失敗のほとんどです。 どちらも予測のモデルではなく、モデルに渡す系列の作り方の誤りです。予測が合わないときは、モデルを替える前に、系列に0が入っているか、品番がつながっているかを見てください。

4行目も、立ち上げの時期によく起きます。 予測の値をそのまま補充点に入れると、年に数回しか出ない部品の補充点は「0.3個」のような値になり、切り上げても1個です。 リードタイムの間に2個出ることが珍しくない部品なら、それでは欠品します。予測の値は「平均の水準」、補充点は「多いときに備える量」と、一覧の列の名前の段階で分けて見せると、担当も取り違えません。

「モデルが毎月替わる」は、誤差がほぼ同じ候補が並んでいる品番で起きます。 どちらを選んでも案はほとんど変わらないのに、モデルが替わるたびに「要確認」に上がると、担当の時間を食います。誤差の差が一定の幅に収まるなら前月のモデルを続ける、という決まりで落ち着かせます。

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: 品番ごとの出庫と在庫、単価、調達のリードタイムと仕入先の条件、機種ごとの稼働台数、保守の契約の計画です。稼働台数は客先ごとの機械の台数から作るため、どの客先がどの機種を何台持っているかという営業上の情報を含みます。

  1. 予測の処理を社内で動かす … statsforecast は手元の Python の環境で動くライブラリで、この構成では出庫の実績や稼働台数を外部のサービスに送りません
  2. 稼働台数の表は機種ごとの合計にする … 予測に要るのは機種ごとの台数で、客先の名前は要りません。 客先ごとの表は保守の受付のシステムの中に置いたままにします
  3. 案を自動で基幹システムに書き込まない … 担当が採り、責任者が取り込みます
  4. 部品の供給の打ち切りを予測で決めない … 補充点が下がっても、客先に約束している供給の期間は、会社の方針と契約で決まります
  5. 設定のファイルの変更を記録する … 補充点の目標や「要確認」の条件を変えた日と理由を残し、誰がいつ欠品の目標を下げたかを追えるようにします

誤りが起きた場合のリスクは、機械が止まる部品を欠品させることと、出なくなっていく部品の在庫を積み上げることの2つです。前者は重要度ごとの目標と「要確認」で、後者は TSB と台数の補正で防ぎ、最後に部品を知っている担当が、大きく動いた品番を確かめます。

10まず何から始めるか

1週目:50品番の表を作る

出方をばらして50品番を選び、過去3年の月ごとの出庫の数を、出庫の無い月に0を入れて表にします。あわせて、その50品番の品番の切替を調べ、旧品番の実績をつなぎます。

2週目:3つのモデルで試す

statsforecast で CrostonSBA・TSB・ADIDA を当て、直近12か月を伏せて予測します。いまの補充点の考え方と並べ、担当3名で読み合わせます。

3週目:前処理の決まりを決める

返品、大口の一回きり、計画の交換の扱いを、部品センターの担当と決めます。部品の重要度が空の品番を洗い出し、機械が止まる部品から埋めます。

4週目:全品番の CSV を取り出す

基幹システムの定型の帳票で、全品番の出庫・在庫・品番の情報・切替を取り出せるようにします。前処理と予測を全品番で回し、型ごとの品番の数と誤差を見ます。

2か月目: 補充点と発注量の案と「要確認」の印を出し、担当が採否を入れ始めます。3か月目以降: 稼働台数の表を作って台数の補正を足し、基幹システムへの取り込みの CSV を出します。翌月以降の実際の出庫と欠品の記録で設定のファイルを直せ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:2026-10-26/最終更新:2026-10-27
確認した内容情報源確認日
ゼロでない値がとても少ない系列を間欠的な系列とし、ADIDA・CrostonClassic・IMAPA・TSB で予測する例。入力が unique_id・ds・y の表であること。StatsForecast にモデル・頻度・並列の数(n_jobs)を渡し、forecast に h を渡すこと。これらのモデルが点の予測しか出せず、幅のある予測には確率のモデルが要ること。pip install statsforecast で入れることNixtla: Intermittent or Sparse Data2026-10-26
CrostonSBA が2001年の Syntetos と Boylan による改良で、Croston の方法のかなりの正の偏りを補正の係数で減らすことNixtla: CrostonSBA Model2026-10-26
TSB が出る間隔の代わりに出る確率を毎期更新し、Croston の方法が出たときしか更新しないために出なくなる危険の見積もりが古い情報に引きずられることNixtla: TSB Model2026-10-26
ADIDA が出る間隔の平均の長さで期間を重ならないようにまとめてゼロを減らし、単純な指数平滑で予測することNixtla: ADIDA Model2026-10-26

部品の供給の期間や、生産終了の部品の扱いは、自社の方針と客先との契約で決めてください。 本記事は、保守部品の需要の予測と補充点・発注量の案づくりに絞って、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-1905)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