Media > AI活用ユースケース > 購買 > 鮮魚の仲卸が、市場の日報の入荷量・せりの価格と産地の天候・曜日の記録から Python で翌週の魚種ごとの入荷量を幅付きで予測し、仕入と得意先への案内の計画に使う

鮮魚の仲卸が、市場の日報の入荷量・せりの価格と産地の天候・曜日の記録から Python で翌週の魚種ごとの入荷量を幅付きで予測し、仕入と得意先への案内の計画に使う

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

鮮魚の仲卸が、市場の日報の販売結果と産地の気象の記録をため、Python で翌週の魚種ごとの市場全体の入荷量を、下側・中央・上側の幅付きで予測します。仕入の担当が、卸への予約と得意先への案内を決める材料にします。

サマリー
連携・自動化
Python
対象業界
商社/小売/飲食
対象部門
購買
対象業務
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
18h/月
AI導入後
6h/月
想定削減
67%
年間削減
144h
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. 木曜の打ち合わせの前に、各担当が受け持ちの魚種の直近2週の日報を見返す
  2. 前年の同じ時期の入荷を、表計算の控えから探す
  3. 産地の天候と、産地や卸から聞いた漁の話を思い出す
  4. 魚種ごとに「多い・ふつう・少ない」の見通しを書く
  5. 打ち合わせで、卸への予約の量と得意先への案内を決める
導入後(After)
  1. 自動毎日の昼に、Python が市場の日報の販売結果を取り込み、品目・産地・販売方法ごとの数量と価格を記録にためる
  2. 自動毎日、主な産地の近くの気象の観測の記録を取り込む
  3. 自動木曜の朝、魚種×週の表を作り、学習済みのモデルで翌週の入荷量の下側・中央・上側を出す
  4. 自動直近4週と比べ、大きく減りそうな魚種・増えそうな魚種に印を付ける
  5. 人仕入の担当が一覧を見て、週間予報と産地・卸から聞いた話を足し、見通しを決める
  6. 人打ち合わせで、卸への予約の量、得意先への案内、代わりの魚種を決める
  7. 自動翌週が終わったら、見込みと実際の入荷を並べて記録する
各工程の詳しい説明を読む
  1. 木曜の打ち合わせの前に、各担当が受け持ちの魚種の直近2週の日報を見返す
  2. 前年の同じ時期の入荷を、表計算の控えから探す
  3. 産地の天候と、産地や卸から聞いた漁の話を思い出す
  4. 魚種ごとに「多い・ふつう・少ない」の見通しを書く
  5. 打ち合わせで、卸への予約の量と得意先への案内を決める

(a)前年の同じ時期が、そのまま当てにならない。 魚の入荷は、海の水温や漁の解禁の時期で年ごとにずれます。前年の同じ週と比べると、旬の山が1〜2週ずれただけで「少ない」と読みます。

(b)魚種が多く、全部を同じ丁寧さで見られない。 よく扱う魚種は担当が毎日の入荷を覚えていますが、季節の魚や扱いの少ない魚は、日報を見返す時間が取れずに「ふつう」と書かれます。

(c)直近の時化の後の戻りを読み違える。 時化で数日入荷が止まった後は、海が収まると一度に多く入ることがあります。 直近の少なさだけを見て「少ない」と案内すると、翌週に魚がだぶつきます。

(d)産地の話が担当の個人の電話に集まる。 産地の仲買人や卸の担当からの「来週は網に入りそう」という話は、担当の携帯電話に入るだけで、他の担当には伝わりません。 担当が休みの週は、その魚種の見通しが前の週の繰り返しになります。

(e)見通しが当たったかを振り返っていない。 「少ない」と書いた魚種が本当に少なかったかを、翌週に見比べる表がありません。 担当の読みの癖が残らず、新しい担当に引き継げません。

  1. 【自動】 毎日の昼に、Python が市場の日報の販売結果を取り込み、品目・産地・販売方法ごとの数量と価格を記録にためる
  2. 【自動】 毎日、主な産地の近くの気象の観測の記録を取り込む
  3. 【自動】 木曜の朝、魚種×週の表を作り、学習済みのモデルで翌週の入荷量の下側・中央・上側を出す
  4. 【自動】 直近4週と比べ、大きく減りそうな魚種・増えそうな魚種に印を付ける
  5. 【人】 仕入の担当が一覧を見て、週間予報と産地・卸から聞いた話を足し、見通しを決める
  6. 【人】 打ち合わせで、卸への予約の量、得意先への案内、代わりの魚種を決める
  7. 【自動】 翌週が終わったら、見込みと実際の入荷を並べて記録する

5番目で足すのが、モデルに入れられない「これから分かっていること」です。 週間予報で産地に時化が見込まれる、漁が解禁になる、産地の加工場が休む、といった話は、木曜の時点では担当の耳にしか入っていません。 担当が一覧の横に一言書き、打ち合わせで見ます。

6番目で決めるのは仕入の担当です。 一覧が出すのは市場全体の入荷量の見込みで、自社がそのうちどれだけ買えるかは、せりの相手と卸との付き合いで決まります。

7番目の記録は、翌週以降の打ち合わせで使います。 先週「少ない見込み」とした魚種が本当に少なかったか、案内を控えた判断が正しかったかを一覧の横に出せば、担当の読みと見込みのどちらを重く見るかを魚種ごとに決めていけます。

02今回想定するシステム構成

構成図
市場の日報の販売結果(品目・産地・販売方法・数量・高値・中値・安値)
+ 気象の観測の記録(主な産地の近くの地点の風速・降水量)
+ 開市日の暦 + 品目と自社の魚種の対応表
   │
   ▼【トリガー】日報と気象は毎日の昼に取り込み、見込みは毎週木曜の朝
Python(pandas)
   ├──▶ 魚種×週の数量、直近8週の週平均、いつもとの比、観測された天候
   ▼
scikit-learn の HistGradientBoostingRegressor(loss="quantile")
   │   いつもとの比の下側(0.2)・中央(0.5)・上側(0.8)の3つのモデル
   ▼
Python ── 量に掛け戻し、直近との比べ、印、当たり方の記録
   ▼
【人】仕入の担当が週間予報と産地の話を足し、打ち合わせで決める
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(分位点の損失)LightGBM の LGBMRegressor(quantile)
集計Python(日報の取り込み、魚種×週の組み立て、印、当たり方の記録)表計算の計算式
保管社内のファイルサーバー(日報と気象の記録、週ごとの見込み、打ち合わせの決定)-

新しく足すのは、Python の処理と、日報と気象の記録をためる仕組みだけです。 販売と仕入の管理の仕組みには書き込みません。この構成が出すのは、入荷量の見込みと印の一覧までです。

分位点の損失を選んだのは、仕入と案内で見たい側が違うからです。 公式のページでは、loss に quantile があり、ピンボール損失を使うとされています。得意先に「来週は入ります」と案内するなら下側の見込みで確かめ、卸に多めの予約を入れるかは上側の見込みで確かめます。

生成AIは使いません。 出すのは入荷量の見込みと印の表です。

03どうやって実装するのか

Step1

処理の起点を決める

日報と気象の記録は、毎日の昼に取り込みます。 日報のホームページは、その日の販売結果を公表しています。取り込みは1日1回にとどめ、間を空けてゆっくり取ります。 公表のしかたや利用の条件は、日報のホームページの案内で確かめておきます。

取り込みのたびに、直近2週の分を取り直します。 日報のホームページでは、販売結果の数値の誤りを後から訂正した知らせがくり返し出ています。システムの障害で、ある卸の会社の取扱高を除いて公表し、後で含めた値に更新した知らせもありました。一度取った値をそのまま持ち続けると、訂正の前の値で学習します。 取り直して差があれば、新しい値で置き換え、差のあった日を記録します。

見込みは、毎週木曜の朝に出します。 基準日は木曜で、翌週の月曜は4日先、土曜は9日先です。学習の行も、過去の各週の木曜を基準日にし、その時点で取れていた日報と気象の記録だけで項目を作ります。

モデルの作り直しは3か月に1回にします。 旬の移り変わりで当たり方が変わるので、作り直す前と後で直近3か月の当たり方を比べ、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
日報の販売結果日付、部類(鮮魚・大物・活魚など)、品目、産地、販売方法、数量、高値・中値・安値市場の日報のホームページ
品目と魚種の対応表日報の品目の書き方と、自社の45の魚種の対応仕入の担当が作る表
気象の観測の記録主な産地の近くの観測地点の日ごとの最大風速・降水量気象庁の過去の気象データ・ダウンロード
開市日の暦市場の開市日と休市日市場の暦
自社の仕入の記録魚種ごとの日々の仕入の量と値販売と仕入の管理の仕組み

質を決めるのは、品目と魚種の対応表です。 日報の品目は、「いなだ・わかし」「さけます類 ギンF」のように市場の決まりで書かれ、同じ魚が成長の段階や生鮮・冷凍で別の品目になります。 自社の魚種に寄せる対応表を最初に作り、日報に新しい品目の書き方が出たら担当に知らせます。

自社の仕入の記録は、モデルの項目には入れません。 自社が買った量は、担当が見通しを見て決めてきたもので、市場全体の入荷の量とは別の判断が混ざっています。 自社の仕入は、保存・ログで「見込みに比べてどれだけ買えたか」を振り返るためだけに使います。

価格は、前の週までの中値だけを項目にします。 入荷が少ない週は値が上がるので、同じ週の価格を項目に入れると、価格から入荷の量を逆算するだけのモデルになります。 予測を作る木曜の時点で分かっている、前の週までの中値の動きだけを使います。

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
日報の販売結果日報のホームページから毎日取り込む。直近2週は毎回取り直す目的の値と項目
過去の日報東京都のオープンデータの日報(公開されている年度の分)学習の初めの記録
気象の観測気象庁の過去の気象データ・ダウンロードで、地点と項目を選んで CSV で取る観測された天候の項目
開市日の暦市場の暦を CSV にしておく週の開市日の数

日報のホームページは、文字コードが Shift_JIS です。 取り込むときに文字コードを指定しないと、品目の名前が化け、対応表と結びつかずに数量が0の魚種が出ます。

過去の記録は、東京都のオープンデータで公開されている年度の分から取ります。 公開されていない期間は、日報のホームページから取り込んでためた分でつなぎます。 東京都のデータカタログには、日報の販売結果・価格(水産)のデータセットが年度を付けて載り、利用の条件はクリエイティブ・コモンズの表示(CC BY)とされています。データセットのページでは、速報値で確定値ではないこと、「第三者販売」と「商物分離」が一部重なるため、数量の合計がその日の卸売数量と一致しない場合があることが書かれています。目的の値は、販売方法ごとの数量を足した値ではなく、重なりを含んだまま同じ数え方で毎週そろえた値として扱い、量そのものより「いつもとの比」で見ます。

気象の記録は、一度に取れる量に上限があります。 気象庁のよくある質問では、多くの人が同時に使っても動くよう、一度に取得できるデータ量に制限を設けているとされています。地点と項目を絞り、期間を分けて取ります。品質の情報の欄が空のときは、データを取得できなかったことを示すとされているので、その日は欠けた値として扱います。

観測地点は、魚種ごとの主な産地から選びます。 日報の販売結果には産地が並ぶので、過去2年で入荷の多かった産地の上位を魚種ごとに数え、その近くの海沿いの観測地点を対応表に持たせます。産地が全国に散らばる魚種は、上位3つの地点の値の最大を使います。

Step4

AIへ渡す前に整形する

  1. 品目を魚種に寄せる … 対応表で、日報の品目と産地の行を自社の45の魚種にまとめます
  2. 魚種×週で数量を足す … 週は月曜から土曜の開市日。週の開市日の数も項目にします
  3. いつもとの比を作る … 翌週の数量 ÷ 基準日の前の8週の週平均(開市日の数で割り戻した値)
  4. 基準日までに分かることだけで項目を作る … 直近1週・2週・4週の比、前年の同じ週の比、前の週までの中値の動き、木曜までの7日の産地の最大風速と降水量
  5. 時化の後の戻りの項目を作る … 直近7日に入荷が平常の3割を下回った日の数
  6. 8週の平均が小さすぎる魚種に印を付ける … 旬の外れで平均がほぼ0の魚種は、比が大きく振れるので別に扱います
  7. 学習と確かめの期間を時間で分ける … 週の順に並べ、確かめの期間の前に2週のすき間を空けます

3番目で比を目的の値にするのが、この構成の肝です。 比にすれば、まぐろの1割減とこはだの1割減が、同じ大きさの動きとして学ばれます。 1つのモデルで45の魚種を扱え、記録の少ない魚種も、似た動きの魚種から学べます。

5番目の項目は、第3章の(c)への答えです。 時化で入荷が止まった直後の週は、比が大きく跳ねることがあります。 直近の少なさだけを項目にすると「少ない週の次も少ない」と学ぶので、止まった日の数を別に持たせ、戻りの動きを学ばせます。

7番目のすき間は、翌週の土曜まで9日先を見込むことに合わせたものです。 公式のページでは、TimeSeriesSplit は時間の順の記録を分けるためのもので、ほかの分け方では未来の記録で学習して過去で確かめることになるとされ、gap で学習の末尾から確かめの前までに除く件数を指定できます。ここでは1つの週に45の魚種の行が並ぶので、gap は行数ではなく週で数えて、自分で期間を区切ります。

Step5

AIに処理させる

させるのは、魚種ごとに、翌週の入荷量のいつもとの比の下側・中央・上側を予測し、量に掛け戻すことだけです。

出すもの作り方使いみち
下側の見込みquantile=0.2 のモデル × 直近8週の週平均得意先に案内してよいかの確かめ
中央の見込みquantile=0.5 のモデル × 直近8週の週平均ふつうの見込み
上側の見込みquantile=0.8 のモデル × 直近8週の週平均卸に多めの予約を入れるかの確かめ
印直近4週との比べ担当が見る順番
印条件ねらい
少ない見込み中央が直近4週の平均の7割未満得意先への案内を控え、代わりの魚種を考える
案内に注意中央は7割以上だが、下側が5割を割る量の読みにくい週。案内に「入荷次第」を添える
多い見込み下側でも直近4週の平均の1.3倍を超える売り込みの案内を早めに出す
印なしそれ以外いつもどおり

下側・中央・上側の3つのモデルは、別々に学ぶので順番が入れ替わることがあります。 下側が中央を上回った魚種は、3つを小さい順に並べ直してから一覧に出し、並べ直したことを記録します。

させないこと理由
せりの値付け、仕入の量の決定せりの相手と卸との付き合いを見て担当が決める
価格の予測と得意先への価格の約束価格は入荷の量以外の事情で大きく動く
来週の天候の予測気象庁の週間予報を担当が読む
漁の解禁・休漁の判断産地と卸の知らせで担当が知る
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、学習と確かめの中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_pinball_loss
import numpy as np

CAT = ["species", "section"]
NUM = ["open_days", "ratio_1w", "ratio_2w", "ratio_4w", "ly_ratio",
       "mid_price_chg_4w", "wind_max_7d", "rain_7d", "stopped_days_7d",
       "week_of_year"]
X_cols = CAT + NUM
for c in CAT:
    rows[c] = rows[c].astype("category")

ok = ~rows.tiny_base                               # 平均がほぼ0の魚種は別扱い
tr = rows[ok & (rows.base_date <= "2025-12-25")]
te = rows[ok & (rows.base_date >= "2026-01-08")]   # 2週のすき間

models = {}
for q in (0.2, 0.5, 0.8):
    m = HistGradientBoostingRegressor(loss="quantile", quantile=q,
                                      learning_rate=0.05, max_iter=400,
                                      early_stopping=False, min_samples_leaf=30)
    m.fit(tr[X_cols], tr["next_ratio"])
    models[q] = m

P = np.sort(np.column_stack([models[q].predict(te[X_cols]) for q in (0.2, 0.5, 0.8)]), axis=1)
for i, q in enumerate((0.2, 0.5, 0.8)):
    print(q, np.mean(te["next_ratio"] < P[:, i]), mean_pinball_loss(te["next_ratio"], P[:, i], alpha=q))

np.sort で3つの見込みを並べ直しているのは、下側が中央を上回る行を出さないためです。 分位点のモデルを別々に学ぶと、記録の少ない魚種で順番が入れ替わることがあります。

early_stopping=False を書くのは、時間の順を崩さないためです。 公式のページでは、既定の auto は件数が1万を超えると早期停止が有効になり、検証の行を取り分けます。45の魚種×数年分の週で1万行に近づくので、明示して止めます。

いちばん大事なのは、最後の行の割合を魚種の部類ごとに見ることです。 0.2のモデルなら実際の比が見込みを下回った割合が2割前後、0.8なら8割前後が狙いです。大物と鮮魚で外れ方が違えば、部類ごとに印の条件を変えます。

Step7

出力形式を固定する

仕入の担当に渡すのは、次の一覧です。

【翌週の入荷量の見込み(基準日 2026-11-19(木)/モデル作成 2026-10-01)】

魚種部類開市日直近4週の平均下側中央上側印担当の書き足し
ぶり鮮魚642.0t30.5t38.2t47.9t印なし
さんま鮮魚618.4t6.1t10.9t15.0t少ない見込み漁の終わりの時期
まだい鮮魚69.6t4.2t8.8t12.1t案内に注意

2行目は、中央が直近4週の平均の7割を下回るので「少ない見込み」です。 3行目は中央はいつもに近いものの、下側が半分を割るので、得意先への案内に「入荷次第」を添える印です。数字は仮の例です。

機械で読む用には、同じ内容を CSV でも残します。 列は、基準日、魚種、部類、開市日、直近の平均、3つの見込み、印、並べ直しの有無、担当の書き足しと、打ち合わせで決めた予約・案内、モデルの作成日です。

Step8

システムへ連携する

つなぎ先方式内容
市場の日報のホームページ毎日1回取り込む。直近2週は取り直す販売結果
気象庁の過去の気象データ地点と項目を絞って CSV で取る観測された天候
販売と仕入の管理の仕組み仕入の記録を書き出す/書き込まない振り返り
得意先への案内つながない案内は担当が書いて送る

得意先への案内は、一覧から自動で作りません。 印をそのまま案内にすると、「来週はさんまが少ないです」が、得意先には約束として伝わります。 案内は担当が書き足しと合わせて書きます。

Step9

人が確認する

  1. モデルの作成日と基準日を見る … 一覧が今週の木曜のものかを確かめます
  2. 週間予報を足す … 産地に時化が見込まれる週は、印に関係なく「少ない見込み」として読みます
  3. 産地・卸から聞いた話を足す … 漁の解禁、休漁、加工場の休み、大きな水揚げの知らせを書き足します
  4. 予約と案内を決め、理由を残す … 「卸から多めの入荷の話あり」などを残します

2番目を省かないでください。 モデルは木曜までに観測された天候しか知らず、来週の時化は見込みに入っていません。 印が無くても、週間予報で産地が荒れる見込みなら、案内を控えます。

担当が見込みと違う読みをした魚種は、理由を一言残します。 「卸から大きな水揚げの話」「産地の加工場が休み」が続く魚種は、記録に足せる事情が隠れています。 理由がたまったら、項目に足せるかを見直します。

目標は、180件をならして1件2分です。 印の無い魚種は流し見て数十秒、印の付いた魚種は産地の話を確かめて5分ほどかかります。

Step10

例外に対処する

起きること対応
日報に新しい品目の書き方が出た対応表に無い品目として担当に知らせ、対応表に足すまでその品目は数えない
日報の数値が後から訂正された直近2週の取り直しで置き換え、差のあった日を記録する
ある卸の会社の取扱高を除いた公表があったその日を学習から外すか、更新後の値で置き換える
気象の記録の品質の欄が空取得できなかった日として欠けた値にする
旬の外れで直近の平均がほぼ0比を使わず、前年の同じ週の量を目安として出し、「旬の外れ」と印を付ける
年末年始・連休で開市日が少ない週開市日の数で割り戻し、「開市日少」と印を付ける
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

5行目の旬の外れは、季節の魚の出始めと終わりに必ず起きます。 出始めの週は直近の平均がほぼ0なので、わずかな入荷でも比が何十倍にも跳ねます。 比のかわりに前年の同じ週の量を目安に出し、出始めの時期を担当が産地の話で確かめます。

2行目と3行目は、市場の日報を使うかぎり避けられません。 訂正の知らせは何度も出ており、取り直しをしないと、誤った値が学習の記録に残り続けます。 取り直しで差が出た日の数を毎月数え、多い月は取り込みの手順を見直します。

Step11

記録を残す

  • 日報と気象の取り込みの日時、取り直しで差のあった日と品目
  • 実行の日時、基準日、使ったモデルの作成日、学習に使った週と行の数
  • 魚種ごとの3つの見込み、並べ直しの有無、印
  • 担当の書き足しと、打ち合わせで決めた予約・案内
  • 翌週の実際の入荷量と、自社の仕入の量
  • 当たり方(部類ごとの下回った割合、印ごとの的中)

自社の仕入の量を並べて残すのは、見込みと自社の買い方の関係を見るためです。 「多い見込み」の週に自社がいつもどおりしか買っていなければ、売り込みの機会を見送っていたことになります。ただし買える量はせりの相手で決まるので、差のすべてを担当の判断と読まないでください。

04実装レベルの3段階

最小構成:10の魚種で、オープンデータの記録で Python を動かし、過去の半年で当たり方を見る / 見込みの当たり方の確認
半自動化:上記+日報を毎日取り込み、45の魚種の翌週の見込みを毎週出す / 魚種ごとの見込み
本格構成:上記+気象の取り込み、直近2週の取り直し、印、並べ直し、決定と結果の記録まで行う / 取り込みから印、振り返りまで

本記事の想定は本格構成です。 半自動化では見込みは出ますが、担当はまだ直近との比べを自分で行い、訂正の入った日の扱いも手で見ています。 半自動化で1件6分が4分ほどに、本格構成で2分になります。 差が大きいのは、日報の見返しと直近・前年との比べが、記録がたまっていれば機械で行える作業だからです。 段階を飛ばさないでください。 半自動化を3か月使うと、どの部類で見込みが当たり、どの部類で担当の読みが勝つかが分かります。その違いを印の条件に入れてから、本格構成に進みます。 本格構成の先には、自社の得意先の注文の見込みと組み合わせる形も考えられます。 入荷の見込みと、得意先ごとの来週の注文の見込みが並べば、どの魚種をどの得意先に回すかまで前もって組めます。ただし注文は担当の案内で動くので、入荷の見込みが当たるようになってから検討します。

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
180 件
1件あたり現在時間
6 分
1件あたり導入後時間
2 分
現在  180件 × 6分 ÷ 60 = 18 時間/月
導入後 180件 × 2分 ÷ 60 = 6 時間/月
月間削減時間
12h
削減率
67%
年間削減時間
144h
年間金額換算(時間単価3,000円)
43万円
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. 中央卸売市場で鮮魚を扱い、飲食店・鮮魚店・スーパーに毎日卸している仲卸。翌週の仕入の見通しと得意先への入荷の案内を、仕入の担当の経験と産地からの電話で決めている場合。扱う魚種が数十種類あり、全部の入荷の見通しを担当が毎週同じ丁寧さで立てられない場合。市場の日報の販売結果を、日々取り込んで2年分以上ためられる場合。
向いていない
  1. 扱う魚種が数種類に絞られ、産地と直接の取引で量が決まっている場合。活魚や養殖の決まった量の取引が中心で、市場の入荷の波の影響が小さい場合。市場の日報が品目を細かく出しておらず、自社の魚種と結びつけられない場合。なお、せりの値付け、仕入の量の決定、得意先への価格や量の約束、漁の見通しの判断は、この構成では代替できません。

07最小構成で試す方法

  1. よく扱う10の魚種を選び、オープンデータと日報のホームページから2年分の日報の販売結果を集める
  2. 対応表を作り、第7章の前処理で、魚種×週のいつもとの比と項目を作る
  3. 古い期間で学習し、2週のすき間を空けた新しい半年で予測させる
  4. 魚種ごとに、実際の比が下側・中央を下回った割合を数える
  5. 同じ半年に、当時の担当が書いた「多い・ふつう・少ない」と、見込みの印を並べる

最初はよく扱う10の魚種で始めます。 担当がよく知っている魚種なら、見込みが外れた週に、何が起きていたかを担当が覚えています。 その話から、項目に足すべきものが見えてきます。

出てきた内容判断
下側・中央が狙いどおりに当たり、担当の読みと同じかそれ以上魚種を45に広げ、毎週の一覧を出す段階に進む
時化の後の週だけ大きく外れる止まった日の数の項目を見直し、時化の後は担当の読みを優先する
学習の当たりが良すぎて、新しい半年で外れる同じ週の価格や天候を項目に入れていないかを確かめる

3行目でよくあるのは、同じ週の中値を項目に入れていることです。 入荷が少ない週は値が上がるので、その週の価格から入荷の少なさを読むだけのモデルになります。

5番目の並べ方は、打ち合わせで一度見てもらうと役に立ちます。 当時の担当の読みと見込みの印が重ならなかった魚種と週を数件ずつ取り上げ、その週に実際にどれだけ入ったかを担当と一緒に見ます。見込みが当たっていた週と、担当の読みが当たっていた週の両方が出てくるはずで、産地の話のどれを書き足しの欄に残せばよいかの話し合いの材料になります。

08実装時につまずきやすいポイント

問題対策
同じ週の価格・天候を項目に入れ、来週に使えない木曜までに分かっていた値だけで項目を作る
量のまま当てさせ、量の少ない魚種を見なくなる直近8週の平均で割った比を当てさせる
訂正の前の値で学習し続ける直近2週を毎回取り直す
品目の名前が化けて数量が0になるShift_JIS を指定して読み、対応表に無い品目を知らせる
下側が中央を上回る3つの見込みを並べ直し、記録する
旬の外れで比が大きく振れる平均がほぼ0の魚種は比を使わず別に扱う
印をそのまま得意先への案内にする印は打ち合わせの材料。 案内は担当が書く

上の2行が、この構成の失敗のほとんどです。 どちらも「木曜の時点で何が分かっていて、何を当てるのか」から起きます。ここを押さえれば、残りは取り込みの手順と運用の注意で足ります。

3行目と4行目は、どちらも記録の側の誤りです。 訂正の前の値は入荷を少なく見せることも多く見せることもあり、名前の化けは魚種ごと記録を消します。どちらもエラーは出ず、見込みが静かにずれます。 取り直しで差の出た日の数と、対応表に無い品目の数を毎週の一覧の下に出します。

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: 市場が公表する日報の販売結果、気象庁の観測の記録、自社の魚種ごとの仕入の量と値です。得意先の名前や注文の中身は使いません。 自社の仕入の記録は、取引の条件が分かる社内の情報です。

  1. 自社の記録を外に出さない … 予測は社内のパソコンかサーバーで動き、生成AIや外部のサービスに記録を送りません
  2. 公開の情報の取り方を守る … 日報のホームページは1日1回、間を空けて取ります。オープンデータの日報は CC BY とされているので、社外に資料を出すときは出典を書きます
  3. 気象の記録の上限を守る … 気象庁の仕組みは一度に取れる量に制限があります。地点と項目を絞り、期間を分けて取ります
  4. 見込みを得意先への約束にしない … 入荷の見込みは社内の仕入の材料で、得意先への案内では「入荷次第」を添えます
  5. 担当の評価に使わない … 見込みと担当の読みの当たり外れを比べるのは、項目と印の条件を直すためで、担当の成績にしません
  6. 産地の話の出どころを書き足しに残さない … 産地の仲買人や卸の担当から聞いた話は、誰から聞いたかを一覧に書かず、話の中身だけを残します。 一覧は社内の打ち合わせで回し読むので、相手との付き合いに関わる情報は担当の手元にとどめます

誤りが起きた場合のリスクは、少ない見込みの魚を案内して得意先に謝ることと、多い見込みを見逃して売り込みの機会を逃すことの2つです。 前者は来週の時化を見込みに入れていないことを忘れると起き、後者は訂正の前の値や量のままの学習で量の少ない魚種を見なくなると起きます。どちらも「何が分かっていて、何を当てるか」から出ているので、そこだけは設計で守ります。

10まず何から始めるか

1週目:対応表を作る

仕入の担当と、日報の品目と自社の45の魚種の対応表を作ります。よく扱う10の魚種から始め、成長の段階や生鮮・冷凍で別の品目になるものを洗い出します。

2〜3週目:過去の記録を組み立てる

オープンデータと日報のホームページから2年分の日報を集め、魚種×週のいつもとの比を作ります。主な産地の近くの観測地点を決め、気象の記録を取ります。

4週目:当たり方を確かめる

第8章のとおり、すき間を空けた新しい半年で、下側・中央を下回った割合を数え、当時の担当の読みと並べます。木曜の打ち合わせでの見せ方も、この週に決めます。 一覧のどの印から話すか、下側と上側をどう読むかを先に決めておくと、打ち合わせが数字の読み方の説明で終わらずに済みます。 産地の話の書き足しの欄の書き方も、担当の3名でそろえます。

2か月目: 日報を毎日取り込み、45の魚種の見込みを毎週出す半自動化を始めます。担当はこれまでどおり自分の読みを書きながら、見込みと見比べます。3か月目以降: 気象の取り込み、取り直し、印、決定と結果の記録を足します。下側の見込みで確かめた案内が外れる週が減り、季節の魚まで毎週同じ丁寧さで見通しが立つ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:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
HistGradientBoostingRegressor の loss に quantile があり、ピンボール損失を使うこと。categorical_features の既定が from_dtype であること。early_stopping の既定 auto は件数が1万を超えるか X_val・y_val を渡したときに有効になること。欠けた値をそのまま扱えること(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-19
TimeSeriesSplit が時間の順に並んだ記録を分けるためのもので、ほかの分け方では未来の記録で学習して過去で確かめることになること。gap が学習の末尾から確かめの前までに除く件数であること(既定0)(scikit-learn 1.9.1)scikit-learn: TimeSeriesSplit2026-11-19
日報で【卸売予定数量】と【販売結果】が公表され、卸売価格(高値・中値・安値)に消費税額が含まれること。豊洲市場(水産)の販売結果の数値の訂正の知らせがくり返し出ていること。システム障害で、ある卸の会社の取扱高を除いて公表し、後で含めた値に更新した知らせがあったこと。ページの文字コードが Shift_JIS であること東京都中央卸売市場日報2026-11-19
東京都卸売市場日報(販売結果・価格・水産)のデータセットが速報値で確定値ではないこと。「第三者販売」と「商物分離」が一部重なるため数量の合計がその日の卸売数量と一致しない場合があること。利用の条件がクリエイティブ・コモンズ 表示(CC BY)であること東京都 API カタログ: 東京都卸売市場日報(販売結果・価格・水産)2026-11-19
過去の気象データ・ダウンロードが、多くの人が同時に使っても動くよう一度に取得できるデータ量に制限を設けていること。品質情報の欄が空のときはデータを取得できなかったことを示すこと気象庁: 過去の気象データ・ダウンロード よくある質問2026-11-19

仕入の量、せりの値付け、得意先への案内と価格は、仕入の担当と会社の判断で決めてください。 本記事は上記の公開情報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-4282)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