Media > AI活用ユースケース > 総務 > ゴルフ練習場が打席の利用の記録・曜日・天気から Python で時間帯ごとの来場と打席の埋まりを予測し、満席と待ちの出る帯とスタッフの配置の案を出す

ゴルフ練習場が打席の利用の記録・曜日・天気から Python で時間帯ごとの来場と打席の埋まりを予測し、満席と待ちの出る帯とスタッフの配置の案を出す

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

ゴルフ練習場の打席の利用と待ちの記録、曜日・天気・催しから、Python で翌週の30分ごとの来場の数と打席の埋まりを予測します。満席と待ちの出る時間帯に印を付け、フロントとボール回収の配置の人数の案を出します。

サマリー
連携・自動化
Python
対象業界
その他
対象部門
総務
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/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
15h/月
AI導入後
5h/月
想定削減
67%
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. 水曜に、支配人が貸出機から先週と前年の同じ週の時間帯ごとの利用の数を書き出す
  2. 日ごとに、前年の同じ曜日・先週の同じ曜日の混み方を見比べる
  3. 週間天気予報と、近くのゴルフ場の大会やレッスン会の予定を見て、日ごとに昼と夜の混み具合を「多い・普通・少ない」で決める
  4. 混み具合を、フロント・見回り・ボール回収の人数に直す
  5. アルバイトの希望の表と突き合わせ、シフトの表に人数を書く
  6. 前日に天気予報が変わったら、支配人がアルバイトに連絡して増やしたり減らしたりする
導入後(After)
  1. 人満席のとき、フロントが待ちの受付を名簿のシートに入れる(受付の時刻と人数。名前は入れない)。待ちのあいだに帰った客の数も書く
  2. 人支配人が、翌週の催し(大会の中継、レッスン会、近くのゴルフ場の大会)と、週間天気予報の日ごとの天気・最高気温・風の強さを予定のシートに入れる
  3. 自動水曜の朝、Python が貸出機の記録と名簿と予定を読み込む
  4. 自動学習済みのモデルで、翌週の30分ごとの来場の数を、中央と上振れで予測する
  5. 自動滞在の長さの記録から30分ごとの打席の埋まりを積み上げ、打席の数を超える帯に「待ち」の印を付ける
  6. 自動配置の規則で、30分ごとのフロント・見回り・ボール回収の人数の案を出す
  7. 人支配人が印の付いた帯を中心に見て、アルバイトの希望と突き合わせてシフトを組む
  8. 【自動/人】 前日の朝、天気予報が変わった日だけ予定のシートを直して予測をやり直し、支配人が組み直すかを決める
各工程の詳しい説明を読む
  1. 水曜に、支配人が貸出機から先週と前年の同じ週の時間帯ごとの利用の数を書き出す
  2. 日ごとに、前年の同じ曜日・先週の同じ曜日の混み方を見比べる
  3. 週間天気予報と、近くのゴルフ場の大会やレッスン会の予定を見て、日ごとに昼と夜の混み具合を「多い・普通・少ない」で決める
  4. 混み具合を、フロント・見回り・ボール回収の人数に直す
  5. アルバイトの希望の表と突き合わせ、シフトの表に人数を書く
  6. 前日に天気予報が変わったら、支配人がアルバイトに連絡して増やしたり減らしたりする

(a)満席の時間帯の記録が頭打ちになっている。 貸出機の記録で見ると、土曜の朝は前年も今年も「80打席」で同じに見えます。待ちが10人だったのか30人だったのかは、紙の名簿にしか残っていません。 名簿は捨てていることが多く、待ちの多かった日を後から数えられません。

(b)「多い・普通・少ない」では細かすぎず粗すぎる。 昼の勤務帯の中でも、9時と14時では混み方が違います。フロントを増やすべきは満席の1〜2時間だけなのに、勤務帯全体で増やしています。 その分、空いている時間に人が余ります。

(c)支配人しか決められない。 2番目と3番目は経験による見当です。支配人が休みの週は、先週と同じ人数で組まれます。 季節の変わり目や連休はそれで大きく外れます。

(d)雨の読みで迷う。 予報が「曇り時々雨」の日は、来るか来ないかの判断で毎回迷います。多めに組めば人が余り、少なめに組めば晴れたときに回りません。 前日の連絡でアルバイトを減らすのも、何度も続くと頼みにくくなります。

  1. 【人】 満席のとき、フロントが待ちの受付を名簿のシートに入れる(受付の時刻と人数。名前は入れない)。待ちのあいだに帰った客の数も書く
  2. 【人】 支配人が、翌週の催し(大会の中継、レッスン会、近くのゴルフ場の大会)と、週間天気予報の日ごとの天気・最高気温・風の強さを予定のシートに入れる
  3. 【自動】 水曜の朝、Python が貸出機の記録と名簿と予定を読み込む
  4. 【自動】 学習済みのモデルで、翌週の30分ごとの来場の数を、中央と上振れで予測する
  5. 【自動】 滞在の長さの記録から30分ごとの打席の埋まりを積み上げ、打席の数を超える帯に「待ち」の印を付ける
  6. 【自動】 配置の規則で、30分ごとのフロント・見回り・ボール回収の人数の案を出す
  7. 【人】 支配人が印の付いた帯を中心に見て、アルバイトの希望と突き合わせてシフトを組む
  8. 【自動/人】 前日の朝、天気予報が変わった日だけ予定のシートを直して予測をやり直し、支配人が組み直すかを決める

1番目の待ちの記録が、この設計の土台です。 満席の帯の来場は、貸出機の記録には現れません。待ちの受付と帰った客の数を足さないと、モデルは満席の天井を覚えます。 記録は時刻と人数を書くだけです。

7番目で決めるのは支配人です。 モデルが出すのは人数の案で、誰を入れるかはアルバイトの希望と、それぞれの得意な仕事を知っている支配人が決めます。

8番目のやり直しは、天気予報が変わった日だけです。 翌週の表を毎日組み替えると、アルバイトへの連絡が増えて頼みにくくなります。組み直すのは、赤や橙の帯が増えた・消えた日に絞ります。

02今回想定するシステム構成

構成図
貸出機・プリペイドのカードの記録(打席番号・始まり・終わり)
+ 受付のレジの記録(受付の時刻)+ 待ちの名簿のシート
+ 過去の天気(気象庁の過去の気象データ)+ 祝日(内閣府のCSV)
+ 翌週の催しと天気予報(支配人が入れる予定のシート)
   │
   ▼【トリガー】毎週水曜の朝(事務所のパソコンの定時実行)
Python(pandas)
   ├──▶ 30分ごとの来場の数をそろえ、待ちと帰った客を足す
   ▼
scikit-learn(HistGradientBoostingRegressor)
   │   翌週の30分ごとの来場の数:中央(ポアソン)・上振れ(分位点)
   ▼
Python ── 滞在の長さで打席の埋まりを積み上げ、待ちの帯に印
   ▼
Python ── 配置の規則でフロント・見回り・ボール回収の人数の案
   ▼
【人】支配人が印の付いた帯を見てシフトを組む
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、Prophet
集計Python(打席の埋まりの積み上げ、待ちの帯の印、配置の人数の換算)スプレッドシートの計算式
保管Google スプレッドシート(待ちの名簿、予定、配置の規則、シフトの表)-

新しく足すのは、Python の処理と、待ちの名簿のシート、予定のシート、配置の規則の表です。 貸出機とレジはこれまでどおりで、この構成はシフトの表に名前を書き込みません。 出すのは30分ごとの人数の案です。

予測のエンジンに HistGradientBoostingRegressor を選んだのは、損失を目的に合わせて替えられるからです。 来場の数は0以上の数なので、中央の見込みには loss="poisson"(目的の値が0以上であることが要る)を使い、上振れには loss="quantile" で分位を指定します。曜日や催しの種類は、pandas の Categorical の列にしておけば、categorical_features の既定の 'from_dtype' でカテゴリとして扱われます。風速の記録が欠けた日があっても、欠けた値を埋めずに学習できます。

生成AIは使いません。 予測は数の問題で、支配人に渡すのは30分ごとの表です。

03どうやって実装するのか

Step1

処理の起点を決める

毎週水曜の朝に1回動かします。 アルバイトの翌週の希望の締めが水曜の夜なので、支配人が昼のうちに人数の案を見て、希望と突き合わせられる時刻にします。事務所のパソコンの定時実行の仕組み(Windows ならタスク スケジューラ)で Python のスクリプトを起動します。

前日の朝にも、天気予報が変わった日だけ動かします。 支配人が予定のシートの翌日の天気を直し、「やり直し」の印を付けたら、その日の分だけ予測と人数の案を作り直します。 毎日すべての日をやり直すと、表が毎日変わって支配人が追えなくなります。

月に1回、モデルを作り直します。 毎月の第1水曜に、先月までの記録で学習し直し、作り直す前と後で、先月の当たり方を比べた結果を残します。悪くなっていれば、前のモデルのまま使います。

結果の表には作った日時を必ず印字します。 前日のやり直しの後に古い表を見てシフトを組まないためです。

Step2

入力データを集める

データ中身取得元
打席の利用打席番号、利用の始まりと終わりの時刻、打ったボールの数貸出機・プリペイドのカードの記録(CSV)
受付受付の時刻、人数受付のレジの記録
待ちの名簿待ちの受付の時刻と人数、案内した時刻、帰った客の数待ちの名簿のシート(新しく作る)
過去の天気時刻ごとの降水量・風速・気温気象庁の過去の気象データ・ダウンロード(CSV)
祝日国民の祝日の日付内閣府の祝日の CSV
予定翌週の催し、天気予報の天気・最高気温・風の強さ、営業時間の変更、打席の工事予定のシート(支配人が入れる)
配置の規則打席の埋まりと待ちに応じたフロント・見回り・ボール回収の人数配置の規則の表(支配人と決める)

質を決めるのは、待ちの名簿と配置の規則です。 待ちの名簿が無ければ、満席の帯の来場が頭打ちのまま学習されます。配置の規則が無ければ、予測を人数に直せません。 どちらも貸出機からは出てこないデータです。

待ちの名簿には名前を書きません。 紙の名簿では名前を呼んで案内していましたが、シートに入れるのは時刻と人数と、帰った客の数だけにします。案内のための名前は、これまでどおり紙かホワイトボードで扱い、営業の終わりに消します。

天気は時刻ごとの値を使います。 練習場の来場は、日の天気より「何時に雨が上がったか」で動きます。気象庁の過去の気象データ・ダウンロードでは、地点と項目と期間を選んで観測値を CSV で落とせるので、近くの観測地点の時別の値を取ります。

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
打席の利用貸出機の管理画面から週に1回 CSV を書き出し、決まったフォルダに置く滞在の長さと、満席の時間帯の判定
受付レジの記録を週に1回書き出す30分ごとの来場の数
待ちの名簿待ちの名簿のシートを CSV で書き出す(またはシートの API で読む)満席の帯の来場の補い
過去の天気月に1回、気象庁のページから CSV を落とす降水・風速・気温の項目
祝日年に1回、内閣府の CSV を入れ替える祝日の印

気象庁の CSV には、値の列のほかに品質情報や均質番号の列が並びます。 値の列だけを名前で選んで読みます。列の位置で読むと、項目を足したときに風速の列に品質情報が入ります。

祝日の CSV は、翌年の分が前の年の2月に載るとされています。年に1回、2月に入れ替えます。

貸出機の CSV は、機種によって時刻の書き方が違います。 日付と時刻が別の列のもの、秒まであるもの。最初に1週分を見て、時刻の列の読み方を1か所に書いておきます。

Step4

AIへ渡す前に整形する

  1. 30分の枠にそろえる … 営業時間を30分ずつに区切り、受付の時刻で来場の数を数えます。休業日と営業を止めた時間帯は、0ではなく行ごと外します
  2. 満席の帯に印を付ける … 打席の利用から30分ごとの埋まりを数え、打席の数の95%を超えた帯を「満席」とします
  3. 来場の数を補う … 満席の帯では、待ちの名簿の待ちの人数と帰った客の数を、その帯の来場に足します
  4. 滞在の長さを出す … 打席の利用の始まりと終わりから、曜日・時間帯ごとの滞在の長さの分布を作ります
  5. 項目を作る … 曜日、30分の枠、祝日とその前日、月、その時刻の降水の有無と量、風速、気温、催しの種類、前年の同じ週の同じ曜日・同じ枠の来場、直近4週の同じ曜日・同じ枠の平均
  6. 曜日・枠・催しを 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

2番目と3番目が、この構成の肝です。 満席の帯の来場は、受付の時刻で数えれば待ちの客も含まれますが、満席を見て受付をせずに帰った客は入りません。 名簿の「帰った客の数」は、フロントが入口で見たおおよその数で十分です。正確でなくても、0として扱うよりずっと実態に近くなります。

レッスンで押さえている打席は、打席の数から先に引きます。 平日の夜にスクールが10打席を使うなら、その時間帯の一般の客が使える打席は70です。予定のシートにレッスンの打席の数を持たせ、満席の判定と埋まりの積み上げの両方で、その時間帯の打席の数を変えます。 引かずに80のまま判定すると、待ちの帯を見落とします。

待ちの名簿を付け始める前の記録は、満席の帯を学習から外すか、上振れのモデルにだけ使います。記録が半年ほどたまったら、満席の帯も含めて学習し直します。

Step5

AIに処理させる

させるのは、翌週の30分ごとの来場の数を予測することだけです。 機械学習のモデルを2本作ります。

出すもの損失使いみち
中央の見込みloss="poisson"打席の埋まりの基準と、普段の配置
上振れの見込み(0.8)loss="quantile"、quantile=0.8待ちの帯の印と、フロントを増やすかの判断

打席の埋まりは、モデルに直接予測させません。 埋まりは打席の数で頭打ちになるので、学習させると天井を覚えます。来場の数を予測し、滞在の長さの分布で30分ごとに積み上げて埋まりを出します。 積み上げた埋まりが打席の数を超える分が、待ちの見込みです。

30分の帯の状態決め方表の印
余裕中央の埋まりが打席の数の70%未満-
混雑中央の埋まりが70%以上黄
待ちの恐れ上振れの埋まりが打席の数を超える橙
待ち中央の埋まりが打席の数を超える赤

この70%の線は、配置の規則と一緒に支配人と決めます。 練習場によって、ボールの補充や打席の清掃が回らなくなる埋まりは違います。

させないこと理由
シフトの確定と、誰を入れるかアルバイトの希望と得意な仕事は支配人が知っている
強風・雷のときの営業の判断安全の判断。予報と現場の様子で支配人が決める
利用の時間の制限(満席のときの時間制)客への案内の方針。予測とは別に決める
初めての催しの効果記録が無い。支配人が上乗せする
天気予報そのもの支配人が予報を見て入れる

2行目は、とくに気を付けてください。 モデルは雨と風で来場が減ることを覚えますが、「風が強い日でも来る客がいる」ことも覚えます。 営業を止めるかどうかは来場の見込みで決めるものではなく、ネットや照明の安全の判断です。

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、予測と積み上げの中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
import numpy as np

FEATURES = ["weekday", "slot", "is_holiday", "is_pre_holiday", "month",
            "rain_mm", "rain_flag", "wind_ms", "temp", "event_type",
            "last_year_same", "recent4w_same_mean"]
# weekday・slot・event_type は pandas の Categorical にしておく

center = HistGradientBoostingRegressor(
    loss="poisson", max_iter=600, learning_rate=0.05,
    early_stopping=True, validation_fraction=0.15, random_state=0)
upper = HistGradientBoostingRegressor(
    loss="quantile", quantile=0.8, max_iter=600, learning_rate=0.05,
    early_stopping=True, validation_fraction=0.15, random_state=0)

center.fit(train[FEATURES], train["arrivals"])   # arrivals は待ちと帰った客を足した来場
upper.fit(train[FEATURES], train["arrivals"])

def occupancy(arrivals_by_slot, stay_share):
    """stay_share[k] = 来場した人が k 枠後もまだ打席にいる割合(k=0,1,2,...)"""
    occ = np.zeros(len(arrivals_by_slot))
    for i, a in enumerate(arrivals_by_slot):
        for k, s in enumerate(stay_share):
            if i + k < len(occ):
                occ[i + k] += a * s
    return occ

stay_share は、滞在の長さの分布から作ります。 来場した人のうち、次の30分にもまだ打席にいる人の割合、その次の30分にもいる人の割合、という並びです。平日の夜と週末の朝で滞在の長さが違うので、曜日と時間帯で分けて持ちます。

1打席を2人で使う客は、来場の数を人数ではなく打席の数で数えます。 受付の記録の「人数」をそのまま使うと、2人連れが2打席を使う計算になり、埋まりが大きく出ます。受付の記録で何打席を使ったかが分からなければ、打席の利用の記録から1枠あたりの使われた打席の数で数え直します。

early_stopping を明示的に有効にしているのは、既定の 'auto' では学習の行が10,000を超えるときにしか有効にならないからです。 30分の枠で2年分あれば超えますが、期間を絞って試す段階では超えないことがあります。

Step7

出力形式を固定する

支配人に渡すのは、次の2つの表です。 印刷して水曜の昼に見ることを前提にします。

【30分ごとの混み具合(1日分の例)】

枠来場の見込み(中央)上振れ打席の埋まり(中央)印フロント見回りボール回収
8:00324158黄211
8:30384976橙312
9:00415284赤322
13:00182541-111

【日ごとのまとめ】

日天気(入力)赤の帯橙の帯勤務帯ごとの人数の最大印
土晴れ・風弱8:30〜10:307:30〜8:30、16:00〜17:00昼5/夜3-
日曇り時々雨なし9:00〜11:00昼4/夜2雨の読み:前日にやり直し

「印」の列で、支配人が見る先を決めます。 予報に雨を含む日には「雨の読み:前日にやり直し」、初めての催しには「催しの上乗せ未定」、予定のシートが空の日には「予定未入力」を出します。印の無い日は、案の人数で組んで大きくは外れない日です。

人数は配置の規則の表で決めます。 規則は「埋まりが○打席までならフロント1人、待ちの帯なら+1人」のような表で、支配人と一緒に過去の忙しかった日を思い出しながら作ります。 規則を変えたら、変えた日を記録に残します。

機械で読む用には、同じ内容を CSV でも残します。 列は、日、枠、中央・上振れの来場、埋まり、印、人数の案、モデルを作った日付です。翌週に実績と並べて当たり方を見るのは、この CSV です。

Step8

システムへ連携する

つなぎ先方式内容
貸出機・プリペイドのカード週に1回、管理画面から CSV を書き出してフォルダに置く打席の利用を読む
受付のレジ週に1回、記録を書き出す来場の数
待ちの名簿・予定・配置の規則のシートスプレッドシートを CSV で書き出して読む(またはシートの API で読む)待ちの補い、催し、人数の換算
気象庁の過去の気象データ月に1回、画面から CSV を落とす過去の天気
シフトの表書き込まない(支配人が人数の案を見て組む)-

シフトの表には書き込みません。 人数の案を誰に割り当てるかは、アルバイトの希望と、フロントが得意か外野の作業が得意かを知っている支配人の仕事です。

Step9

人が確認する

  1. 作った日時を見る … 表の上の日時が当日の朝であることを確かめます
  2. 赤と橙の帯を見る … 待ちの帯にフロントを足せるか、アルバイトの希望と突き合わせます
  3. 雨の読みの印の日を決める … 多めに組んで前日に減らすか、少なめに組んで前日に足すかを、その日のアルバイトの都合で決めます
  4. 予測の外の事情を足し引きする … 打席の工事、団体の利用、近くのゴルフ場の休場などを足し引きします

目標は、60の勤務帯をならして1件5分です。 印の無い勤務帯は人数の案を写すだけで、時間を使うのは赤と橙の帯と、雨の読みの日です。

Step10

例外に対処する

起きること対応
貸出機の CSV が届いていない週があるその週を欠けとして扱い、表に「利用の記録の欠け」と出す
待ちの名簿が空の満席の帯満席の印は付けたまま、補いをせずに学習から外す
予定のシートが空予測は出し、表の一番上に「予定と天気予報が未入力」
営業を途中で止めた日(雷・強風)止めた時間帯を行ごと外す。来場0として学習しない
打席の工事で使える打席が減る予定のシートで打席の数を変え、埋まりの判定に使う
中央と上振れが交わる大きいほうを上振れとして使い、件数を記録
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
パソコンが止まっていて動かなかった支配人が手で実行。作った日時の古い表は使わない

4行目を間違えると、雨や風の効き方が大きく出すぎます。 営業を止めた時間を「来場0」として学習すると、モデルは「強風の日は誰も来ない」と覚え、営業した強風の日の人数を少なく見込みます。

Step11

記録を残す

  • 実行の日時、使ったモデルの作成日、読み込んだ記録の期間
  • 30分ごとの中央・上振れの来場、埋まり、印、人数の案
  • 支配人が組んだシフトの人数と、案から変えた理由
  • 翌週の実績(来場、満席の帯、待ちの人数、帰った客の数)
  • 前日のやり直しの有無と、やり直す前と後の人数
  • 月ごとの当たり方(中央の外れの大きさ、上振れを上回った枠の割合)と、モデルの作り直しの結果

3つ目と4つ目を並べると、支配人の足し引きが当たったかが分かります。 支配人が毎週同じ帯で人数を足しているなら、その事情(近くの大学の授業の終わりの時刻など)を項目に足す候補になります。

上振れを上回った枠の割合は、0.8の線なら5枠に1枠ほどが目安です。 それより多ければ上振れの線が低すぎます。待ちの帯の印を信じてよいかを見る、一番わかりやすい物差しです。

04実装レベルの3段階

最小構成:手で書き出した2か月の記録で Python を動かし、過去の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+毎週水曜に翌週の30分ごとの来場と埋まりの表を出す / 混み具合の見込み
本格構成:上記+待ちの名簿で満席の帯を補い、配置の規則で人数の案を出し、前日のやり直しまで行う / 混み具合から配置の人数と前日の見直しまで

本記事の想定は本格構成です。 半自動化では混み具合の表までで、人数への換算は支配人の手に残ります。 それでも見比べの時間は減りますが、第3章の(b)の細かさの問題は残ります。 半自動化で1件15分が10分ほどに、本格構成で5分になります。 差が大きいのは、30分ごとの人数への換算が、規則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、どの曜日・時間帯の予測が当たり、どこが外れるかが分かります。外れる帯の記録を直してから、本格構成に進みます。 本格構成の先には、待ちの帯を客に知らせる使い方も考えられます。 予測の赤と橙の帯をホームページや店頭に「混みやすい時間帯」として出せば、空いている時間帯に来てもらうきっかけになります。 ただし、予測が外れたときに客の不満につながるので、出すなら「過去の傾向」として出し、当日の混み具合とは分けて書きます。

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
60 件
1件あたり現在時間
15 分
1件あたり導入後時間
5 分
現在  60件 × 15分 ÷ 60 = 15 時間/月
導入後 60件 × 5分 ÷ 60 = 5 時間/月
月間削減時間
10h
削減率
67%
年間削減時間
120h
年間金額換算(時間単価2,200円)
26万円
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. 打席の数が決まっていて、週末や夕方に満席と待ちが出るゴルフ練習場。ボールの貸出機やプリペイドのカードで、打席ごとの利用の始まりと終わりの時刻が記録に残っている場合。翌週のシフトを支配人が前年と先週の混み方と天気予報を見て決めていて、待ちが出る日にフロントが足りない、雨の日に人が余る、ということが繰り返されている場合。バッティングセンターや屋内の練習施設にも使える。
向いていない
  1. 打席が少なく満席になることがほとんど無い練習場。利用の記録が日ごとの売上の合計しか残っていない場合。開業や改装から1年未満で、季節と天気の動きが記録に無い場合。なお、シフトの確定、強風・雷のときの営業の判断、打席の利用の制限の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 貸出機から、去年の秋の2か月分の打席の利用の記録を書き出す
  2. 土日の朝だけ、当時の待ちの名簿が残っていれば数を拾う(無ければ満席の帯を外す)
  3. 気象庁の過去の気象データ・ダウンロードで、近くの地点の時別の降水量・風速・気温を落とす
  4. Python で第7章の設定を動かし、その2か月の最後の2週を「翌週」として予測させる
  5. 打席の埋まりを積み上げ、当時の支配人の配置と、実際の利用の記録と並べる

2か月・2週で十分です。 確かめたいのは、「雨と曜日の動きを、支配人の見当と同じくらい拾えるか」と、満席の帯の印が当時の待ちの日と合うかです。

出てきた内容判断
雨の日の減り方と、満席の帯の印が当時と合う待ちの名簿を付け始め、全期間で学習する段階に進む
平日は合うが、週末の朝の満席の帯が低めに出る満席の天井を覚えている。待ちの名簿を付けてから学習し直す
雨の日の減り方が合わない時別の降水を使っているか、営業を止めた時間を外しているかを確かめる

2行目は、ほとんどの練習場で出ます。 待ちの記録が残っていないためで、失敗ではなく、待ちの名簿を付け始める理由が数字で分かったということです。

秋の2か月を選ぶのは、天気の振れが大きい時期だからです。 晴れの週末、雨の週末、台風の接近、急に寒くなる週が入り、雨と気温の効き方を短い期間で確かめられます。 夏や冬の終わりだけで試すと、天気の動きが少なく、当たり方が良く見えすぎます。

08実装時につまずきやすいポイント

問題対策
打席の埋まりを直接学習して天井を覚える来場を予測し、滞在の長さで埋まりを積み上げる
満席の帯の来場が少なく出る待ちの名簿の待ちと帰った客を足す
営業を止めた時間を来場0で学習する行ごと外す
2人で1打席の客を2打席と数える打席の数で数え直す
日の天気で学習して雨の上がり方を拾えない時別の降水を使う
気象庁の CSV を列の位置で読む品質情報などの列が並ぶ。列名で選ぶ
early_stopping が効かない行が10,000以下だと既定では無効。明示して有効にする
毎日すべての日をやり直して表が落ち着かない前日のやり直しは天気予報が変わった日だけ
古い表でシフトを組む作った日時を必ず印字する
待ちの名簿に名前を書き続ける時刻と人数だけにする
レッスンの打席を引かずに満席を判定する予定のシートで時間帯ごとの打席の数を変える
打ち放題と球数の客の滞在を同じに扱う滞在の長さを曜日・時間帯で分けて持つ

上の2行が、この構成の失敗のほとんどです。 どちらも、打席の数という上限が記録を頭打ちにすることから起きます。ここを押さえれば、残りは他の来場の予測と同じ注意で足ります。

下の方の行は、作ってからの運用で出てくるものです。 毎月の当たり方の確認を習慣にしておけば、どれも早いうちに気づけます。

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: 打席の利用の時刻、受付の人数、待ちの人数、スタッフの配置の人数です。プリペイドのカードの記録には会員番号が含まれることがあります。

  1. 会員番号を予測に使わない … 貸出機の CSV に会員番号が含まれていれば、読み込むときに捨てます。予測に要るのは打席と時刻だけです
  2. 待ちの名簿に名前を残さない … シートに入れるのは時刻と人数と帰った客の数だけにし、案内のための名前は営業の終わりに消します
  3. データを外に出さない … 予測は事務所のパソコンの中で動き、生成AIや外部のサービスに記録を送りません
  4. シフトは人が確定する … 人数の案はあくまで案で、誰を入れるかはアルバイトの希望と都合を聞いて支配人が決めます。 予測の人数をもとに、アルバイトに急な出勤を求める運用にしないでください
  5. 営業の判断に使わない … 強風・雷のときに営業を止めるかは、ネットと照明の安全の判断です。来場の見込みが多いことを、営業を続ける理由にしないでください
  6. 気象庁のデータの使い方を確かめる … 気象庁のホームページのコンテンツは、権利表記の無いものは公共データ利用規約(第1.0版)に沿って使え、使うときは出典を記載し、加工したものは加工したことを書くとされています

誤りが起きた場合のリスクは、待ちの帯にフロントが足りず客が帰ることと、雨の日に人が余ることの2つです。 前者は満席の帯の補いが足りないと起き、後者は雨の読みを前日に直さないと起きます。待ちの名簿と前日のやり直しで、両方を抑えます。

10まず何から始めるか

1週目:待ちの名簿を付け始める

満席のときの待ちの受付を、紙からシートに移します。入れるのは時刻と人数と、帰った客のおおよその数だけです。フロントが入口で見た数で十分です。

2週目:2か月分で試す

第8章のとおり、去年の秋の2か月分の打席の記録と気象庁の時別の天気で、最後の2週を予測させます。雨の日の減り方と、満席の帯の印が当時と合うかを見ます。

3週目:配置の規則を決める

支配人と一緒に、過去の忙しかった日を思い出しながら、埋まりと待ちに応じたフロント・見回り・ボール回収の人数を表にします。

4週目:翌週の混み具合の表を毎週出す

水曜の朝に30分ごとの来場と埋まりの表を出す半自動化を始め、支配人はこれまでどおり自分で組みながら、表と見比べます。 この時期は表でシフトを決めず、翌週の月曜に、支配人の見込みと表の中央のどちらが実績に近かったかを、曜日と時間帯ごとに書き残します。 4週分たまると、表を信じてよい帯と、支配人の見当のほうが当たる帯が分かれます。

2か月目以降: 配置の規則で人数の案を出し、前日のやり直しを足します。支配人が案から変えた人数と理由、上振れを上回った枠の割合を毎月見ます。 待ちの名簿が半年分たまったら満席の帯も含めて学習し直し、支配人が印の付いた帯だけを見てシフトを組め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:2026-10-28/最終更新:2026-10-28
確認した内容情報源確認日
HistGradientBoostingRegressor の loss に 'poisson'(目的の値が0以上であることが要る)と 'quantile' があり quantile で分位を指定すること。categorical_features の既定が 'from_dtype' であること。欠けた値を分岐ごとに左右どちらへ送るか学習すること。early_stopping='auto' は行が10,000を超えるときに有効になること(版 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-10-28
過去の気象データ・ダウンロードで複数地点・複数項目の過去の観測値を CSV で落とせること。CSV に品質情報・均質番号の列が並ぶこと気象庁: 過去の気象データ・ダウンロード(このページでできること)2026-10-28
気象庁のホームページのコンテンツが、権利表記の無い限り公共データ利用規約(第1.0版)に準拠して使え、出典の記載と、加工した場合はその旨の記載が求められること気象庁: 気象庁ホームページについて2026-10-28
国民の祝日の CSV が昭和30年から令和9年までを収録し、翌年の分を前年の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2026-10-28

シフトの確定、営業の判断、利用の制限は、施設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-2141)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