Media > AI活用ユースケース > 購買 > ドラッグストアのチェーンが翌月のチラシに載せる商品の店舗別の販売数を見込み、本部の一括仕入の数と店舗ごとの配分の案を出す

ドラッグストアのチェーンが翌月のチラシに載せる商品の店舗別の販売数を見込み、本部の一括仕入の数と店舗ごとの配分の案を出す

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

翌月のチラシに載せる商品について、チラシの期間に店舗ごとに何個売れるかを、平均とばらつきで見込みます。そこから、メーカー・卸にまとめて頼む仕入の数と、150店舗への配分の数、物流センターに残す予備の数の案を作って商品部に渡します。

サマリー
連携・自動化
Python
対象業界
商社/小売
対象部門
購買
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/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
120h/月
AI導入後
40h/月
想定削減
67%
年間削減
960h
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. 掲載が決まった120品目の一覧と、売価・値引き・掲載面を受け取る
  2. 品目ごとに、仕入の実績表から過去に同じ商品か似た商品を載せた回を探す
  3. その回の全店の販売数と、売り切れた店舗、残った店舗を、POSと在庫の記録で確かめる
  4. 今回の売価・季節・競合の特売の予定を見て、全店の仕入の数を決め、メーカー・卸に頼む
  5. 店舗への配分を決める。多くは前回の店舗ごとの販売数の比率で割る
  6. 物流センターに残す予備の数を決める
  7. 特売の期間中に、売り切れそうな店舗から連絡があれば、予備から追加で送る
導入後(After)
  1. 人掲載が決まったら、品目・売価・値引き・掲載面・特売の期間を掲載の記録に入れる
  2. 自動掲載の記録の締めの翌朝、Pythonのプログラムが掲載の記録、POSの実績、店舗の在庫を取り込む
  3. 自動学習済みのモデルが、品目×店舗ごとに特売の期間の販売数の平均を見込む
  4. 自動品目の分類ごとに見積もったばらつきから、店舗ごとと全店の合計の販売数の分布を作る
  5. 自動品目の区分(定番の棚で消化できるか)ごとに決めた欠品を許す割合から、一括仕入の数、店舗への配分の数、物流センターの予備の数の案を作る
  6. 自動根拠(条件の近い過去の回、その回の売り切れの店舗の数、初めて載せる商品かどうか)を添えて、担当者ごとの一覧にする
  7. 人担当者が一覧を見て、メーカーの供給の上限、競合の特売の予定、新店・改装で直し、仕入を頼む
  8. 人2週間前に、配分の案を見直して物流センターに指示する
  9. 自動特売の後に、見込みと実績、売り切れた日を突き合わせ、次の学び直しに使う
各工程の詳しい説明を読む
  1. 掲載が決まった120品目の一覧と、売価・値引き・掲載面を受け取る
  2. 品目ごとに、仕入の実績表から過去に同じ商品か似た商品を載せた回を探す
  3. その回の全店の販売数と、売り切れた店舗、残った店舗を、POSと在庫の記録で確かめる
  4. 今回の売価・季節・競合の特売の予定を見て、全店の仕入の数を決め、メーカー・卸に頼む
  5. 店舗への配分を決める。多くは前回の店舗ごとの販売数の比率で割る
  6. 物流センターに残す予備の数を決める
  7. 特売の期間中に、売り切れそうな店舗から連絡があれば、予備から追加で送る

(a)150店舗分を並べるだけで時間がかかる。 3番は、過去の回の150店舗分の販売数と在庫を見る作業です。売り切れた店舗を見分けるには、日別の在庫が0になった日を店舗ごとに探す必要があります。 1品目の時間の半分近くがここに消えます。

(b)店舗の上振れを足し合わせてしまう。 4番で全店の数を決めるとき、担当者は「売り切れると苦情が来る」ので店舗ごとに少しずつ多めに考えます。多めの分を150店舗で足すと、全体では大きな余りになります。 特売の後に定番の棚が数か月分の在庫で埋まる商品が、毎回出ます。

(c)配分が前回の比率のまま。 5番で比率を使うと、前回売り切れた店舗は、売り切れた数しか売れていないので、今回も少なく配られます。 売り切れた店舗ほど、次も売り切れます。

(d)予備の数に根拠が無い。 6番の予備は「全体の1割」のような決め方で、ばらつきの大きい商品も小さい商品も同じ割合です。

(e)初めて載せる商品の見当がつかない。 新商品や、初めてチラシに載せる商品は、過去の回がありません。似た商品を担当者が思い浮かべて、その数を借ります。 誰の頭に浮かぶかで数が変わります。

  1. 【人】 掲載が決まったら、品目・売価・値引き・掲載面・特売の期間を掲載の記録に入れる
  2. 【自動】 掲載の記録の締めの翌朝、Pythonのプログラムが掲載の記録、POSの実績、店舗の在庫を取り込む
  3. 【自動】 学習済みのモデルが、品目×店舗ごとに特売の期間の販売数の平均を見込む
  4. 【自動】 品目の分類ごとに見積もったばらつきから、店舗ごとと全店の合計の販売数の分布を作る
  5. 【自動】 品目の区分(定番の棚で消化できるか)ごとに決めた欠品を許す割合から、一括仕入の数、店舗への配分の数、物流センターの予備の数の案を作る
  6. 【自動】 根拠(条件の近い過去の回、その回の売り切れの店舗の数、初めて載せる商品かどうか)を添えて、担当者ごとの一覧にする
  7. 【人】 担当者が一覧を見て、メーカーの供給の上限、競合の特売の予定、新店・改装で直し、仕入を頼む
  8. 【人】 2週間前に、配分の案を見直して物流センターに指示する
  9. 【自動】 特売の後に、見込みと実績、売り切れた日を突き合わせ、次の学び直しに使う

7番目が、この設計の分かれ目です。 一覧は仕入の数の「案」で、メーカー・卸への発注には自動でつながりません。 モデルは、メーカーが出せる数の上限も、競合が同じ週に同じ商品を載せることも知りません。担当者が直した数と理由を残すことで、モデルが知らない事情が見えてきます。

5番目で、欠品を許す割合を区分ごとに分けるのも意図してのことです。 余っても定番の棚で売れる商品は、売り切れを避ける側に寄せます。残ると値下げになる限定品は、少し売り切れてもよい側に寄せます。 この割合は商品部が決める値で、モデルが決めるものではありません。

02今回想定するシステム構成

構成図
チラシの掲載の記録(品目・売価・値引き・掲載面・期間)
POS(単品・店舗・日別の売上)
店舗の在庫(日別)
商品マスタ(分類・ブランド・価格帯・定番か限定か)
店舗マスタ(売場面積・立地・調剤の有無)
   │
   ▼【トリガー】掲載の記録の締めの翌朝(定時実行)
Python(社内のサーバー)
   ├──▶ 過去の特売の回の抽出と、在庫0の日の印
   ├──▶ 特徴量の作成(値引き率・掲載面・季節・店舗の属性・似た商品の実績)
   ▼
Python(scikit-learn の HistGradientBoostingRegressor、loss="poisson")
   │   品目×店舗の販売数の平均
   ▼
Python(SciPy の scipy.stats.nbinom)
   │   分類ごとのばらつきから、店舗ごとと全店の分布
   ▼
一括仕入の数/店舗への配分の数/物流センターの予備の数
   ▼
【人が確認して直す】── 仕入はメーカー・卸に、配分は物流センターに人が指示
   ▼
特売の後:見込み・実績・売り切れの突き合わせ
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn の HistGradientBoostingRegressor・SciPy)R、Amazon SageMaker、BigQuery ML
保管社内のデータベース(特売の回・見込み・実績・担当者が直した数)既存のデータ基盤
一覧共有フォルダのCSVと、仕入の会議の資料のひな形社内のBIツール

予測の本体は、scikit-learn の HistGradientBoostingRegressor です。 損失に poisson を選ぶと、内部で対数のリンクを使い、0以上の値を見込むモデルになります。販売数は0以上の整数で、店舗によって数個から数百個まで桁が違うので、この損失が合います。 欠けた値(NaN)をそのまま扱え、分類の列(ブランドや店舗の立地)もデータフレームの型から分類として扱えます。

値引きと販売数の関係には、単調性の制約(monotonic_cst)を付けます。 値引き率には「増えると販売数が増える」(1)を指定できます。データの少ない品目で、値引きを深くしたのに見込みが下がる、という不自然な結果を防ぎます。

ばらつきは、SciPy の負の二項分布(scipy.stats.nbinom)で表します。 平均 μ と、ばらつきの大きさを決めるパラメータ n から、成功の確率 p = n ÷(n+μ)で分布が決まります。ppf で、「この確率でこれ以下に収まる数」を引けます。 ポアソン分布では平均とばらつきが同じになり、実際の特売の振れ幅より狭く出るので、負の二項分布にします。

03どうやって実装するのか

Step1

処理の起点を決める

掲載の記録が締まった翌朝に動かします。 掲載の商品は前月の中旬に決まり、締めの後に売価や掲載面が変わることは少なくなります。一括の仕入の締め(特売の3週間前)まで数日を残して、一覧を担当者に渡します。

配分の見直しのために、2週間前にもう一度動かします。 このときは、仕入の数が決まっていることを前提に、決まった数を店舗と予備にどう割るかだけを計算し直します。直近の在庫の数が新しくなるので、店舗の手元にある在庫を差し引き直せます。

特売の期間中は動かしません。 期間中の追加の配送は、物流センターの予備から、店舗の在庫が決めた数を下回った店舗へ送る規則で行います。規則は事前の一覧に書いておき、期間中に計算し直すことはしません。

Step2

入力データを集める

データ中身取得元
掲載の記録品目、売価、通常の売価、値引き率、掲載面(表の目玉か裏面か)、特売の期間、同時に載る関連商品チラシの掲載の記録
販売の実績品目×店舗×日の販売数。過去2年分以上POS
在庫の記録品目×店舗×日の閉店時の在庫店舗の在庫
商品の属性分類(大・中・小)、ブランド、価格帯、定番か限定か、使用期限・賞味期限の長さ商品マスタ
店舗の属性売場面積、立地(郊外・駅前・住宅地)、調剤の有無、開店からの年数店舗マスタ
季節の情報特売の期間の月、週、祝日の数カレンダー
過去の判断担当者が直した仕入・配分の数と理由社内のデータベース

質を決めるのは、在庫の記録です。 POSには売れた数しか残りません。在庫が0になった日の販売数は「需要」ではなく「そこまでで売り切れた数」です。 在庫の記録と突き合わせないと、売り切れた店舗の需要を低く学びます。

「同時に載る関連商品」を持つのは、チラシの中で客を取り合うからです。 同じ号に洗剤が2種類載れば、片方の販売数は1種類のときより下がります。

Step3

データの取得方法を決める

取るものどこからどう取るか
掲載の記録表計算のファイル共有フォルダのファイルを読む。品目コードの列があることを確かめる
販売の実績POSの集計データ日次のCSVの書き出しをためておき、まとめて読む
在庫の記録店舗の在庫の仕組み日次のCSVの書き出し
商品・店舗の属性商品マスタ・店舗マスタ月1回のCSVの書き出し

掲載の記録は、品目コードで持たせます。 これまでの記録は商品名で書かれていることが多く、容量違いや詰め替え用が同じ名前で並び、どの品目の実績かが決まりません。 最初の準備作業は、過去2年分の掲載の記録に品目コードを振ることです。

学習の材料は、過去の特売の回ごとに作ります。 1つの回、1つの品目、1つの店舗が1行で、答えはその期間の販売数です。在庫が0になった日がある行は、印を立てたうえで、その日以降の分を推し量った値に置き換えるか、学習から外します。 本記事は、売り切れの前の日数あたりの販売数から期間全体に伸ばした値を使い、伸ばした行には印を残します。

Step4

AIへ渡す前に整形する

  1. 品目コードでそろえる … 掲載の記録、POS、在庫、商品マスタを品目コードでつなぎます。容量違いは別の品目として扱います
  2. 特売の期間を切り出す … 掲載の記録の期間で、品目×店舗の販売数を合計します
  3. 売り切れの印を立てる … 期間中に閉店時の在庫が0の日がある行に印を立て、売り切れの前の販売の速さから期間全体の数に伸ばします
  4. 通常の売れ方を足す … 特売の前の4週間の、同じ品目・同じ店舗の1日あたりの販売数を項目に入れます。店舗の客層の違いの多くは、ここに出ます
  5. 値引きを項目にする … 通常の売価に対する値引き率と、売価の端数(980円か1,000円か)
  6. 似た商品の実績を入れる … 同じ小分類・同じ価格帯の商品の、過去の特売の店舗ごとの販売数の平均を項目にします。初めて載せる商品の見込みは、主にここから出ます
  7. 店舗の開店からの年数 … 開店して1年未満の店舗は、比べる過去の回が少ないので印を立てます

3番目を軽く見ないでください。 売り切れた行をそのまま学ぶと、売れる店舗ほど少なく見込み、次の特売でまた売り切れます。 これが第3章の(c)で、配分を比率で割るやり方と同じ失敗をモデルが学んでしまいます。

Step5

AIに処理させる

させるのは、品目×店舗ごとに、特売の期間の販売数の平均を見込むことだけです。 ばらつきの当てはめ、仕入・配分・予備の数の計算は、決められた式で機械的に行います。

見るもの何を出すか判断できないときの扱い
品目×店舗の販売数特売の期間の平均の見込み初めて載せる商品は、似た商品の実績から出し 初掲載 の印
分類ごとのばらつき負の二項分布の n(過去の見込みと実績の差から推定)過去の回が少ない分類は、上の分類の値を使う
全店の合計合計の分布から、欠品を許す割合に当たる数合計がメーカーの供給の上限を超えたら 要確認
店舗への配分店舗ごとの平均に近い数(区分で決めた割合)新店・改装中は 要確認
予備全店の数から配分の合計を引いた数予備がマイナスなら 要確認

全店の数を、店舗ごとの数を足して出さないのが、この構成の要です。 150店舗それぞれの「95%でこれ以下に収まる数」を足すと、全店が同時に上振れした場合の数になり、実際の全店の95%点よりかなり大きくなります。 全店の合計の分布から95%点を取れば、同じ欠品の割合でも仕入の数が減ります。その差を予備として物流センターに置き、上振れした店舗にだけ送ります。

させないこと理由
掲載する商品を選ぶ販促の計画と、メーカーとの条件で決まる
仕入の数を決めるメーカーの供給の上限と、取引の条件がある。人が決める
メーカー・卸に発注する発注は取引の確定。人が送る
欠品を許す割合を決める苦情と在庫のどちらを避けるかは、商品部の方針
店舗の在庫を書き換える配分は物流センターへの指示で動く
Step6

指示内容を固定する

この構成は生成AIを使わないので、プロンプトの代わりに、プログラムに渡す設定ファイルと、仕入・配分の数の決まりを示します。

【予測の設定】
target:           特売の期間の品目×店舗の販売数(売り切れの行は伸ばした値。印を残す)
history:          過去2年分の特売の回
model:            HistGradientBoostingRegressor(loss="poisson",
                    categorical_features="from_dtype",
                    monotonic_cst={"discount_rate": 1})
validation:       特売の回の時間順で分ける(直近の6回を検証に使う)

【使う項目】
掲載:   値引き率 / 売価の端数 / 掲載面 / 期間の日数 / 同じ号の同じ小分類の掲載数
店舗:   特売の前4週の1日あたりの販売数 / 売場面積 / 立地 / 調剤の有無 / 開店からの年数
商品:   分類(大・中・小)/ ブランド / 価格帯 / 定番か限定か
似た商品: 同じ小分類・同じ価格帯の過去の特売の販売数の平均(店舗ごと)
季節:   月 / 週 / 祝日の数

【ばらつき】
分布:    負の二項分布(scipy.stats.nbinom)。p = n / (n + μ)
n の推定: 小分類ごとに、検証の回の見込みと実績の差から推定する
          過去の回が20未満の小分類は、中分類の値を使う

【欠品を許す割合(商品部が決める)】
定番の棚で消化できる品目:  全店の合計で 5%(95%点を仕入の数にする)
限定品・季節品:             全店の合計で 20%(80%点を仕入の数にする)

【数の決め方】
仕入の数 = 全店の合計の分布の上の割合の点 - 物流センターの在庫
配分の数 = 店舗の平均の見込み × 配分の係数(定番 1.0 / 限定 0.9)- 店舗の在庫の見込み
          ケースの入数の倍数に切り上げる
予備の数 = 仕入の数 + 物流センターの在庫 - 配分の数の合計
追加の配送の規則: 期間中に店舗の在庫が配分の数の 3 割を下回ったら、予備から送る

【印の決まり】
初掲載:  その品目の過去の特売の回が無い
要確認:  合計がメーカーの供給の上限を超える / 予備がマイナス / 新店・改装中の店舗
売切多:  前回の回で売り切れた店舗が 3 割を超える

全店の合計の分布は、店舗ごとの分布を足し合わせて作ります。 店舗どうしの売れ方が独立だと置けば、負の二項分布の和の平均と分散は店舗ごとの和になります。ただし、同じ号のチラシは全店に同時に入るので、季節や天気で全店が一緒に振れる分があります。 本記事では、検証の回で全店の合計の実績と見込みを比べ、全店のばらつきが店舗の和より大きく出る分を、合計の分布の n を小さくすることで足します。

配分の係数を限定品で1未満にするのは、売れ残りの場所を物流センターに寄せるためです。 店舗に積んで売れ残ると、店舗どうしで移すのは手間がかかります。物流センターに残れば、売れた店舗に送ることも、メーカーに返品の交渉をすることもできます。

ケースの入数の倍数に切り上げると、店舗の小さい品目では配分が見込みの倍になることがあります。 平均3個の店舗に12個入りを1ケース送る形です。この場合は、物流センターでばらして送るか、配分を0にして追加の配送に回すかを、品目の区分で決めておきます。

Step7

出力形式を固定する

品目ごとに、次の形のJSONを書き出し、そこから担当者の一覧と物流センターへの指示の表を作ります。

{
  "flyer_issue": "2026-12 上旬号",
  "item_code": "",
  "item_name": "",
  "item_class": "staple | limited",
  "first_time": false,
  "total": {
    "mean": 4120,
    "quantile_level": 0.95,
    "quantile_qty": 4680,
    "sum_of_store_quantiles": 5530,
    "dc_stock": 300,
    "purchase_qty_proposal": 4380
  },
  "stores": [
    { "store_code": "", "mean": 31.4, "store_stock": 6,
      "allocation_proposal": 24, "case_size": 12, "flags": [] }
  ],
  "reserve_qty": 690,
  "similar_past_issues": [
    { "issue": "2025-12 上旬号", "discount_rate": 0.25,
      "sold_total": 3980, "stockout_store_ratio": 0.18 }
  ],
  "flags": ["stockout_many"],
  "model_version": "2026-09"
}

1つ目の理由は、quantile_qty と sum_of_store_quantiles を並べられることです。 店舗ごとの多めの数を足すとどれだけ膨らむかが、品目ごとに数字で見えます。担当者が「今回は店舗ごとに多めに積む」と判断したくなったとき、その差の大きさを見て決められます。

2つ目は、similar_past_issues で、見込みの根拠をたどれることです。 担当者は、条件の近い過去の回の実績と、そのときの売り切れの店舗の割合を一覧で見られます。見込みが過去の実績から大きく離れている品目は、何が違うのか(値引き率か、季節か)を確かめる対象になります。

3つ目は、first_time と flags で、人が見るべき品目を先に並べられることです。 一覧は、要確認 → 初掲載 → 売切多 → その他の順に並べます。

一覧の列中身
品目コード・名称・区分
全店平均の見込み・仕入の数の案・店舗の多めの数の合計
予備物流センターに置く数
根拠条件の近い過去の回の実績と売り切れの割合
印初掲載・要確認・売切多
担当者の数直した仕入の数(人が書く)
理由直した理由(人が書く)
Step8

システムへ連携する

つなぎ先方式内容
チラシの掲載の記録ファイルの読み取り品目・売価・値引き・掲載面・期間
POS・店舗の在庫日次のCSVの書き出しを読む品目×店舗×日の販売数と在庫
商品マスタ・店舗マスタ月1回のCSVの書き出し分類・区分・店舗の属性
社内のデータベース書き込み見込み・数の案・担当者が直した数・実績
共有フォルダ書き込み担当者の一覧と、物流センターへの配分の表(CSV)

メーカー・卸への発注と、物流センターへの指示には自動でつなぎません。 担当者が直した数で、これまでどおりの経路で頼みます。発注は取引の確定で、取り消すとメーカーとの関係にひびくからです。

定番の自動発注にも手を入れません。 チラシの商品の配分は自動発注とは別に動いていて、特売の期間中に自動発注が同じ品目を重ねて頼まないよう、自動発注の側でチラシの期間を除く設定が既にあることを確かめておきます。無ければ、それを先に整えます。

Step9

人が確認する

人が開くのは、印の付いた品目と、全店の数が前回から大きく変わった品目だけです。 240品目のうち3〜4割を想定します。残りは一覧で全店の数と予備の数を流し見ます。

  1. 要確認 を先に見る … メーカーの供給の上限を超える品目は、メーカーに出せる数を聞き、超えた分を店舗のどこから削るかを決めます
  2. 初掲載 の根拠を確かめる … 似た商品として使われた商品が、本当に似ているかを見ます。容量や価格帯が違えば直します
  3. 売切多 の配分を見る … 前回売り切れた店舗に、今回は十分に配られているかを見ます
  4. 数を直したら理由を書く … 競合の特売、新店、改装、メーカーの販促など、モデルが知らない事情を書きます

4番目の記録を省かないでください。 理由がたまると、モデルに足すべき項目が見えてきます。「競合の同じ号の特売」が何度も出てくるなら、競合のチラシの情報を集める仕組みを考える材料になります。

目標は、240品目をならして1品目10分です。 印の無い品目は1分ほど、印の付いた品目は根拠を確かめてメーカーに問い合わせるので20分以上かかります。印の付く品目が5割を超えるなら、品目コードの振り漏れか、学び直しの時期を疑います。

Step10

例外に対処する

起きること対応
掲載の記録に品目コードが無いその品目は見込みを出さず、一覧の先頭に出す。名前で推し量ってつながない
過去の特売の回が無い似た商品の実績から出し、初掲載 の印を付ける
似た商品も見つからない見込みを出さず、担当者が決める。分類の平均で埋めない
全店の数がメーカーの供給の上限を超える要確認。超えた分は、平均に対して配分の多い店舗から削る案を添える
新店・改装中の店舗過去の実績が無いか、当てにならない。同じ立地・面積の店舗の見込みを参考に出し、要確認
在庫の記録が欠けた日があるその日を売り切れとも売れ残りとも扱わず、行に印を立てて学習から外す
POSのCSVが届いていない止めて知らせる。前日のデータのまま動かさない
予備がマイナスになる配分の係数が大きすぎるか、店舗の在庫の見込みが違う。要確認
発売の延期・欠品の連絡が来た品目を一覧から外し、差し替えの商品の見込みを出し直す

上から3行目までが大半を占めます。 どれもモデルの問題ではなく、掲載の記録と商品マスタの整い方の問題です。 品目コードを振り、似た商品を引けるように分類を整えるほうが、モデルを凝るより効きます。

Step11

記録を残す

  • チラシの号ごとの入力(掲載の記録、POSと在庫の書き出しの日付)
  • 品目×店舗ごとの見込み、全店の分布、仕入・配分・予備の数の案、モデルの版
  • 担当者が直した数と理由
  • 実際に頼んだ仕入の数と、物流センターに指示した配分の数
  • 特売の後の実績 … 品目×店舗の販売数、売り切れた日、追加で送った数、特売の後の残りの在庫
  • 品目の区分ごとの、欠品を許す割合に対する実際の欠品の割合

5つ目が、次の学び直しの材料になります。 特に売り切れた日は、特売の直後でないと在庫の記録から取り出しにくくなります。 特売の終わった翌週に、自動で集計して残します。

最後の行で、欠品を許す割合が守られているかを見ます。 定番の品目で5%としたのに、実際は全店の15%の店舗で売り切れていたなら、ばらつきが小さく見積もられています。 n の推定をやり直すか、割合を見直します。

04実装レベルの3段階

最小構成:過去の30品目の店舗ごとの平均とばらつきを表計算で出し、当時の数と比べる / 外れ方の確認
半自動化:上記+Pythonで学習したモデルを号ごとに手で動かし、品目×店舗の見込みと全店の数を一覧にする / 見込みと全店の数の計算
本格構成:上記+掲載の記録の締めで自動で動かし、ばらつき・配分・予備の数、根拠、印まで出し、特売の後に突き合わせる / 仕入と配分の案の全体と、見込みの検証

最小構成では毎月の仕入には使えません。 過去の号を見る段階で、確かめるための段階です。 半自動化で、1品目30分が18分程度になります。 過去の実績を並べる作業は無くなりますが、全店の数から店舗への配分と予備を決める作業が残ります。本格構成で10分になり、この段階が本記事の想定です。 差が大きいのは、150店舗への配分が、1品目ずつの手作業だからです。 段階を飛ばさないでください。 半自動化を2号ぶん回すと、品目コードの振り漏れと、似た商品が引けない分類が先に見つかります。そこを直してから自動にするほうが、印の山ができません。

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
240 件
1件あたり現在時間
30 分
1件あたり導入後時間
10 分
現在  240件 × 30分 ÷ 60 = 120 時間/月
導入後 240件 × 10分 ÷ 60 = 40 時間/月
月間削減時間
80h
削減率
67%
年間削減時間
960h
年間金額換算(時間単価3,500円)
336万円
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. 100店舗を超えるドラッグストア・ホームセンター・バラエティストアのチェーンで、月に1〜2回チラシを出し、掲載する商品をメーカー・卸に数週間前にまとめて仕入れ、物流センターから店舗に配っている会社。POSの単品・店舗・日別の売上と店舗の日別の在庫、過去のチラシの掲載の記録が2年分以上残っている場合。チラシの後に、売り切れた店舗と大量に残った店舗が同時に出ている場合。
向いていない
  1. 店舗が数十店で、店長が自店の特売の数を決めている場合。チラシの掲載の記録が残っておらず、過去のどの期間が特売だったかを売上から特定できない場合。掲載する商品のほとんどが毎回初めて扱う季節の限定品で、似た商品の実績も無い場合。なお、どの商品をチラシに載せるかの判断と、仕入の数を決める判断は、この構成では代替できません。

07最小構成で試す方法

  1. 去年の同じ時期のチラシの号から、売れ方の違う30品目を選ぶ(定番の日用品、限定の化粧品、季節の商品を混ぜる)
  2. その30品目について、当時の仕入の数、店舗への配分、特売の後の残りと売り切れた店舗の数を、POSと在庫の記録から集める
  3. 30品目それぞれ、150店舗分の販売数の平均とばらつきを表計算で出す
  4. 店舗ごとの多めの数(平均+ばらつき分)を足した数と、当時の仕入の数、実際の全店の販売数を並べる
  5. 売り切れた店舗が、当時の配分で前回の比率のせいで少なく配られていなかったかを見る

30品目は必ずやってください。 モデルを作る前に、「全店の数と店舗の配分のどちらで外れていたのか」を確かめます。

出てきた内容判断
全店の数は合っていたが、配分で売り切れと残りが出た配分の仕組みから始める。 予備と追加の配送の規則が効く
全店の数が大きく外れていた予測のモデルまで作る価値がある。学習の材料づくりに進む
売り切れた日が在庫の記録から分からない在庫の記録の取り方が先。 日別の閉店時の在庫を残す

1行目が出ることは珍しくありません。 その場合、モデルより先に、予備を物流センターに置き、売れた店舗に送る運用を始めるだけで、売り切れと残りが同時に減ります。

08実装時につまずきやすいポイント

問題対策
売れる店舗ほど少なく見込む売り切れた行をそのまま学んでいる。在庫が0の日で印を立て、伸ばすか外す
仕入の数が以前より増えた店舗ごとの上の割合の点を足している。全店の合計の分布から取る
ばらつきが狭く、売り切れが減らないポアソン分布で見ている。負の二項分布にし、全店が一緒に振れる分を足す
値引きを深くしたのに見込みが下がるデータの少ない品目で起きる。値引き率に単調性の制約を付ける
容量違いの実績が混ざる掲載の記録が商品名で書かれている。品目コードを振る
初めて載せる商品の見込みが極端似た商品の選び方が粗い。小分類と価格帯の両方でそろえる
小さい店舗に1ケースずつ積まれるケースの入数の切り上げ。ばらすか、追加の配送に回す規則を決める
予備が物流センターに残り続ける追加の配送の規則が使われていない。期間中の店舗の在庫の下限を一覧に書く
自動発注が同じ品目を重ねて頼む自動発注の側でチラシの期間を除く設定を確かめる
検証では当たるのに本番で外れる回の時間順で分けていない。直近の回を検証に使う
直した理由が残らない理由の列を必須にする。次に足す項目の材料になる

上の3行が、この構成の失敗のほとんどです。 1行目は見込みを低くし、2行目は仕入を膨らませ、3行目は予備を薄くします。どれもモデルの当たり外れではなく、数の扱い方の問題です。

7行目と8行目は、予備を物流センターに置く構成に特有の失敗です。 配分を絞っても、送る規則が動かなければ、店舗では売り切れ、物流センターには在庫が残るという、いちばん悪い形になります。

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: 品目×店舗×日の販売数と在庫、売価と値引き、メーカー・卸との仕入の数です。個人の購買の履歴は使いません。 会員カードのデータを使えば客層をより細かく見られますが、本記事の構成は店舗単位の集計だけで組みます。

  1. 社内のサーバーで動かす … 本記事の構成は生成AIも外部のAPIも使いません。販売と仕入のデータは社内から出ません。 外部の分析サービスを使う場合も、店舗と品目をコードのまま渡します
  2. メーカーとの取引の条件を外に出さない … 仕入の数と売価は、メーカーとの交渉の結果です。一覧を見られる人を商品部と物流センターに限ります
  3. 会員の購買の履歴を足すときは、利用目的を確かめる … 将来、会員カードのデータで客層を足す場合は、会員規約とプライバシーポリシーに書いた利用目的の範囲かを先に確かめてください
  4. 一般用医薬品の扱いを分ける … 一般用医薬品をチラシに載せる場合の表示や販売の決まりは、この構成では扱いません。数の案は出しますが、掲載の可否は医薬品の担当と薬剤師が決めます
  5. 仕入と配分は人が決める … 案をそのまま発注につなげないでください。メーカーの供給の上限や返品の条件は、数字に出てきません

誤りが起きた場合のリスクは、売り切れて客を帰すことと、仕入が膨らんで在庫が残ることの2つです。 前者は売り切れた行の扱いとばらつきの過小で、後者は店舗の数の足し合わせで起きます。どちらも第12章の上の3行で抑え、担当者が直した記録で後から確かめます。

10まず何から始めるか

1週目:掲載の記録に品目コードを振る

過去2年分のチラシの掲載の記録に、品目コードの列を足します。 全部を一度に振る必要はありません。毎回載る定番の上位100品目から振ります。 容量違いと詰め替え用を別の品目に分けます。

2週目:30品目で試す

去年の同じ時期の号から30品目を選び、当時の仕入の数、配分、残りと売り切れた店舗を集めます。全店の数と配分のどちらで外れていたかを最優先で見ます。

3週目:欠品を許す割合を決める

定番の棚で消化できる品目と、限定品・季節品で、欠品をどこまで許すかを商品部で決めます。 あわせて、物流センターから追加で送る規則(店舗の在庫がどこまで減ったら送るか)を物流センターと決めます。

4週目:在庫の記録から売り切れを拾う

日別の閉店時の在庫を品目×店舗で書き出し、過去の特売の回で在庫が0になった日を拾う集計を作ります。 ここが学習の材料の土台になります。

2か月目: 過去2年分でモデルを学び、直近の6回で見込みと実績を比べます。半自動化で号ごとの一覧を出し、担当者がこれまでの決め方と並べて見ます。3か月目以降: 掲載の記録の締めでの自動の実行と、ばらつき・配分・予備の計算を足し、1品目30分が何分になったかを実測します。特売の後の突き合わせで、欠品を許す割合が区分ごとに守られているかを確かめた時点で、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:2026-10-26
確認した内容情報源確認日
HistGradientBoostingRegressor の損失に poisson があり、内部で対数のリンクを使い、0以上の目的変数を要すること。categorical_features の既定が from_dtype でデータフレームの分類の型を分類として扱うこと。monotonic_cst で 1(増加)/-1(減少)の単調性の制約を項目名で指定できること。欠けた値(NaN)をそのまま扱えることscikit-learn: HistGradientBoostingRegressor2026-10-26
scipy.stats.nbinom が n と p を形のパラメータに取り、平均 μ との関係が p = n ÷(n+μ)であること。分散が μ+αμ² の形でばらつきを持つこと。ppf(cdf の逆関数、分位点)を持つことSciPy: scipy.stats.nbinom2026-10-26

欠品を許す割合、配分の係数、追加の配送の規則は、商品部と物流センターで決めてください。 本記事の値は例です。

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-1803)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