Media > AI活用ユースケース > 生産 > 製氷会社が過去の出荷・気温・曜日から Python で翌週の品目ごとの氷の出荷の量を幅付きで予測し、貯氷庫の容量に収まる製氷の計画の案を作る

製氷会社が過去の出荷・気温・曜日から Python で翌週の品目ごとの氷の出荷の量を幅付きで予測し、貯氷庫の容量に収まる製氷の計画の案を作る

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

過去3年の出荷の記録と気温・曜日・催しから、Python で翌週の日ごと・品目ごとの氷の出荷の量を幅付きで予測します。在庫と貯氷庫の容量、凍結にかかる日数から、製氷の量の案までを出します。

サマリー
連携・自動化
Python
対象業界
小売/物流/製造/飲食
対象部門
生産
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/属人化解消/工数削減
導入難易度
★★★☆☆
実装レベル
半自動化
費用感
個別開発(大)
人間の確認
条件付き
現在工数
30h/月
AI導入後
8h/月
想定削減
73%
年間削減
264h
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. 木曜の午後、販売管理の仕組みから先週までの出荷の記録を書き出す
  2. 前年・前々年の同じ週の出荷の表を開き、品目ごとの量を見比べる
  3. 気象庁の週間天気予報で、翌週の日ごとの最高気温を見る
  4. 地域の催し(祭り、花火大会、スポーツの大会)の予定を、得意先からの連絡と手帳で確かめる
  5. 品目ごとに翌週の出荷の量を見込み、いまの在庫を引いて作る量を決める
  6. 凍結に日数がかかる品目は、いつ仕込むかをさかのぼって決める
  7. 貯氷庫に収まるかを確かめ、収まらなければ品目の間で量を融通する
導入後(After)
  1. 人木曜の15時以降、計画の担当が週間天気予報の翌週の日ごとの最高気温を、計画のシートの気温の欄に写す
  2. 人催しの暦のシートに、翌週の催しと得意先からの注文の見込みを書き足す
  3. 自動Python の処理が、販売管理の仕組みの出荷の記録と、気温・催しの暦を読み込む
  4. 自動学習済みのモデルで、翌週の日ごと・品目ごとの出荷の量を、中央の値・下の値・上の値の3つで予測する
  5. 自動いまの在庫と貯氷庫の容量、品目ごとの凍結の日数から、仕込みの日ごとの製氷の量の案を作る
  6. 自動計画の案のシートに、予測の幅と製氷の量の案、貯氷庫の埋まり方の見込みを書き出す
  7. 人製造課長が案を見て、どこを目指して作るかを品目ごとに決め、計画を確定する
  8. 自動翌週が終わったら、実際の出荷と予測を比べ、当たり方の記録に残す
各工程の詳しい説明を読む
  1. 木曜の午後、販売管理の仕組みから先週までの出荷の記録を書き出す
  2. 前年・前々年の同じ週の出荷の表を開き、品目ごとの量を見比べる
  3. 気象庁の週間天気予報で、翌週の日ごとの最高気温を見る
  4. 地域の催し(祭り、花火大会、スポーツの大会)の予定を、得意先からの連絡と手帳で確かめる
  5. 品目ごとに翌週の出荷の量を見込み、いまの在庫を引いて作る量を決める
  6. 凍結に日数がかかる品目は、いつ仕込むかをさかのぼって決める
  7. 貯氷庫に収まるかを確かめ、収まらなければ品目の間で量を融通する

(a)前年の同じ週は、同じ気温ではない。 前年の8月第2週が涼しかったなら、その数字を写すと今年の暑い週に足りません。気温の違いを頭の中で補正する部分が、課長の経験そのものです。

(b)催しの分が、ふだんの出荷と混ざっている。 前年の同じ週に花火大会があったかどうかで、表の数字の意味が変わります。催しのあった日を除いて見る作業を、毎回手で行っています。

(c)1つの数字で決めている。 「来週のかち割りは〇〇kg」と決めると、外れたときにどちらへ外れやすいかの情報が残りません。暑い週に欠品した記憶が強いと、翌年は作りすぎます。

(d)凍結の日数のさかのぼりを、品目ごとに暗算している。 予報が水曜に変わると、仕込みの段取りを組み直すことになります。

  1. 【人】 木曜の15時以降、計画の担当が週間天気予報の翌週の日ごとの最高気温を、計画のシートの気温の欄に写す
  2. 【人】 催しの暦のシートに、翌週の催しと得意先からの注文の見込みを書き足す
  3. 【自動】 Python の処理が、販売管理の仕組みの出荷の記録と、気温・催しの暦を読み込む
  4. 【自動】 学習済みのモデルで、翌週の日ごと・品目ごとの出荷の量を、中央の値・下の値・上の値の3つで予測する
  5. 【自動】 いまの在庫と貯氷庫の容量、品目ごとの凍結の日数から、仕込みの日ごとの製氷の量の案を作る
  6. 【自動】 計画の案のシートに、予測の幅と製氷の量の案、貯氷庫の埋まり方の見込みを書き出す
  7. 【人】 製造課長が案を見て、どこを目指して作るかを品目ごとに決め、計画を確定する
  8. 【自動】 翌週が終わったら、実際の出荷と予測を比べ、当たり方の記録に残す

1番目を人が行うのは、予報の値をそのまま写すためです。 2週間気温予報のページは毎日14時30分に発表され、内容の確認は14時45分以降にするよう案内されています。木曜の15時以降に写せば、その日の最新の予報で計画を立てられます。

ただし、2週目の予報は日ごとの値ではありません。 同じページで、2週目は中心の日に前後2日を加えた5日間の平均とされています。翌週の月曜から日曜は、木曜から数えて4〜10日先にあたるので、1週間先まで(翌週の木曜まで)は日ごとの最高気温を写し、金曜から日曜は2週目の最高気温の5日間平均を写して「平均の予報」の印を付けます。印の付いた日は、翌週の月曜にもう一度実行して日ごとの値に置き換え、 週末の仕込みを見直します。

7番目が、この設計の分かれ目です。 モデルが出すのは幅で、作る量を幅のどこに置くかは、品目ごとの損の大きさを知っている課長が決めます。

02今回想定するシステム構成

構成図
販売管理の仕組み(出荷の記録 CSV)  気象庁の過去の気象データ(CSV)
        │                                  │
        ▼                                  ▼
Python(pandas)── 日ごと・品目ごとの表にそろえる
        │   曜日・祝日・催しの暦・品質情報で弾いた気温
        ▼
scikit-learn HistGradientBoostingRegressor
   ├──▶ 中央の値(ポアソン損失)
   └──▶ 下の値・上の値(分位点の損失 0.1/0.9)
        ▲
        │【入力】計画のシートの翌週の予報の気温(担当が写す)
        ▼
Python ── 在庫・貯氷庫の容量・凍結の日数から製氷の量の案
        ▼
計画の案のシート ──▶【製造課長が確定】
        ▼
翌週の後:当たり方の記録
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の損失)LightGBM、scikit-learn の PoissonRegressor
集計Python(製氷の量の案、貯氷庫の埋まり方、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(学習の記録、計画の案、当たり方の記録)-

新しく足すのは、Python の処理と、催しの暦のシートです。 販売管理の仕組みには書き込みません。この構成が出すのは、予測の幅と製氷の量の案までです。

モデルは scikit-learn の HistGradientBoostingRegressor にします。 損失に 'poisson' と 'quantile' を選べ、'quantile' では quantile で推定する分位点を0から1の間で指定します。同じ形のモデルを損失だけ変えて3つ作り、中央と上下の幅を出します。 ポアソン損失は目的の値が0以上である必要があり、出荷の量はこれを満たします。

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。 学習の際、分かれ目ごとに欠けた値を左右どちらへ送るかを学ぶとされており、品質の悪い気温の日を空欄のまま渡せます。 穴を前後の日の値で埋めると、架空の気温で学習することになります。

品目は、pandas の Categorical の型にしておけば、そのまま区分の特徴量として扱われます(categorical_features の既定が 'from_dtype')。品目ごとに別のモデルを作らず、1つのモデルで品目の違いを学ばせます。

03どうやって実装するのか

Step1

処理の起点を決める

毎週木曜の15時以降に、計画の担当が処理を実行します。 予報の気温を写し終えたことを確かめてから動かしたいので、時刻で自動に動かすより、写し終えた人がボタンを押す形にします。 社内の端末で、計画のシートの保存を確かめてから Python の処理を呼ぶ小さなバッチを用意します。

モデルの学習し直しは、月に1回にします。 毎週学習し直すと、先週1週間の特殊な出荷に引っ張られます。月初に過去3年の記録で学習し直し、その月の4〜5回の予測には同じモデルを使います。

予報が水曜から木曜で大きく変わったときは、金曜にもう一度実行します。 また、翌週の月曜にも実行し、金曜から日曜の「平均の予報」を日ごとの予報に置き換えます(第5章)。実行の回数は自由ですが、確定した計画を変えるかどうかは課長が決めます。

Step2

入力データを集める

データ中身取得元
出荷の記録出荷の日、品目、出荷の区分、量(kg または袋の数)、得意先の区分販売管理の仕組みの CSV
過去の気温工場の地域の観測点の日最高気温と品質情報気象庁の過去の気象データ・ダウンロード
予報の気温翌週の日ごとの最高気温週間天気予報(担当が計画のシートに写す)
暦曜日、祝日、お盆・年末年始、学校の夏休み社内で作る暦の表
催しの暦催しの日、場所、見込みの規模、得意先からの注文の見込み製造課と営業が書き足すシート
在庫と容量品目ごとのいまの在庫、貯氷庫の室ごとの容量、品目ごとの凍結の日数と1日の製氷の上限製造課の在庫の表と設備の表

質を決めるのは、催しの暦です。 花火大会の日のかち割りの出荷は、気温だけでは説明できません。過去3年分の催しを暦に入れておかないと、モデルは催しの日を「暑かったから出た」と誤って学びます。

出荷の記録は、注文ではなく出荷の量を使います。 欠品した日は、出荷の量が需要より少なく記録されています。欠品した日に印を付けておき、 学習から外すか、印を特徴量に入れるかを決めます。

Step3

データの取得方法を決める

過去の気温は、気象庁の過去の気象データ・ダウンロードから CSV で取ります。 CSV は、ダウンロードした時刻、データの表題行(複数行)、データ行の順の構造で、表題行が複数行あるので、pandas で読むときは先頭の数行を飛ばし、列の名前を自分で付けます。

取るものどこから何に使うか
出荷の記録販売管理の仕組みの CSV目的の値と過去の出荷の特徴量
日最高気温と品質情報過去の気象データの CSV(「すべて数値で格納」を選ぶ)気温の特徴量
翌週の予報の気温計画のシートの気温の欄予測のときの気温
催しの暦・在庫・容量製造課のシート特徴量と製氷の量の案

品質情報の扱いを決めておきます。 CSV で「すべて数値で格納」を選ぶと、品質情報が値と別の列に入ります。品質情報の値は、8が正常値、5が準正常値、4が資料不足値、2が疑問値、1が欠測、0が観測・統計項目ではないとされています。8と5だけを使い、それ以外は空欄にします。 空欄は、モデルがそのまま扱います。

均質番号にも気をつけます。 観測の環境が変わると均質番号が変わり、異なる番号の値どうしは単純に比べられないとされています。均質番号は CSV を取るたびに古い方から振られるので、期間を分けて取った CSV をつなぐときに番号がずれます。 3年分は1回で取ります。

予報の気温は、担当が計画のシートに写します。 週間天気予報の7日分の最高気温を、日付と並べて入れるだけで、数分で終わります。予報の取り込みを自動にするかは利用環境に応じた個別実装になるので、まずは写す運用で始めます。

Step4

AIへ渡す前に整形する

  1. 日ごと・品目ごとの表にそろえる … 出荷の記録を、日付 × 品目 × 出荷の区分の表に集計します。出荷の無かった日は0を入れます
  2. 気温の品質で弾く … 品質情報が8と5以外の日は空欄にします
  3. 暦と催しを結ぶ … 曜日、祝日、お盆・年末年始、催しの有無と規模を列にします
  4. 過去の出荷の特徴量を作る … 前年の同じ曜日の出荷、7日前より前の直近の出荷の平均などを作ります
  5. 欠品の日に印を付ける … 在庫が0になった日に印を付けます
  6. 学習と検証の期間を分ける … 直近の1年を検証に、その前の2年を学習に使います

4番目の「7日前より前」が、いちばん起きやすい失敗を防ぎます。 翌週の月曜から日曜を予測するので、木曜の時点で分かっていない日(金曜から日曜の出荷)を特徴量に使うと、学習のときだけ当たるモデルになります。 直近の出荷は、予測する日から少なくとも7日以上前のものだけを使います。

6番目は、期間で分けます。 行をばらばらに混ぜて分けると、同じ週の隣の日が学習と検証に分かれ、当たり方を実際より良く見積もります。

行の数も確かめます。 3年 × 365日 × 15行で約16,000行ですが、品目と区分の組で出荷が無い季節の行を除くと1万を切ることがあります。HistGradientBoostingRegressor の早期終了は、既定('auto')では標本が1万を超えるか、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。検証の期間を X_val・y_val として渡し、早期終了が働くようにします。

Step5

AIに処理させる

させるのは、翌週の日ごと・品目ごと・出荷の区分ごとの出荷の量を、3つの値で出すことです。

モデル損失出すもの
中央の値loss="poisson"見込みの中心
下の値loss="quantile", quantile=0.1この値を下回るのはおよそ1割、という値
上の値loss="quantile", quantile=0.9この値を上回るのはおよそ1割、という値

気温には、増える方向の制約を付けます。 monotonic_cst で気温の列に 1 を指定すると、ほかの条件が同じなら、気温が高いほど出荷が多くなる形にモデルが縛られます。データの少ない高温の領域で、気温が上がると出荷が減るようなおかしな形を学ぶのを防ぎます。

させないこと理由
製氷の量の決定幅のどこを目指すかは課長が決める
予報の気温の補正予報は気象庁の値をそのまま使う
催しの規模の推定規模は営業と得意先の情報で人が入れる
欠品の日の需要の穴埋め推定で埋めると、作った数字で学習することになる

2行目がいちばん大事です。 「この予報はいつも低めに外れる」と感じて予報の値を足し上げると、モデルが学んだ気温と出荷の関係がずれます。 予報の外れは、当たり方の記録で後から見ます。

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

features = ["item", "channel", "dow", "holiday", "obon_newyear", "school_break",
            "event_scale", "tmax", "tmax_dev_7d", "lag_ly_same_dow", "lag_mean_8_14"]
X_tr, y_tr = train[features], train["qty"]
X_va, y_va = valid[features], valid["qty"]
for c in ["item", "channel", "dow"]:
    X_tr[c] = X_tr[c].astype("category")
    X_va[c] = X_va[c].astype(pd.CategoricalDtype(X_tr[c].cat.categories))

common = dict(categorical_features="from_dtype",
              monotonic_cst={"tmax": 1},       # 気温が高いほど出荷が多い向き
              early_stopping=True, max_iter=1000, random_state=0)
m_mid = HistGradientBoostingRegressor(loss="poisson", **common).fit(X_tr, y_tr, X_val=X_va, y_val=y_va)
m_low = HistGradientBoostingRegressor(loss="quantile", quantile=0.1, **common).fit(X_tr, y_tr, X_val=X_va, y_val=y_va)
m_up  = HistGradientBoostingRegressor(loss="quantile", quantile=0.9, **common).fit(X_tr, y_tr, X_val=X_va, y_val=y_va)

lag_mean_8_14 は、予測する日の8日前から14日前までの出荷の平均です。 名前に日数を入れておくと、7日以内の値を使っていないことが、列の名前だけで確かめられます。

検証の期間の品目の区分を、学習のときと同じ並びにそろえているのは、 並びが違うと同じ品目が別の番号として扱われるためです。

翌週の予測は、同じ3つのモデルに翌週の7日分の行を渡すだけです。

nxt = build_next_week_rows(plan_sheet, calendar, events, history)  # 予報の気温を含む
for c in ["item", "channel", "dow"]:
    nxt[c] = nxt[c].astype(pd.CategoricalDtype(X_tr[c].cat.categories))
if nxt["tmax"].isna().any():
    raise ValueError("予報の気温が空の日があります。計画のシートを確かめてください")
nxt["low"]  = m_low.predict(nxt[features]).clip(min=0)
nxt["mid"]  = m_mid.predict(nxt[features])
nxt["high"] = m_up.predict(nxt[features]).clip(min=0)
# 分位点のモデルは別々に学ぶので、下の値が中央を上回る日がありうる。並べ直して印を付ける
crossed = (nxt["low"] > nxt["mid"]) | (nxt["mid"] > nxt["high"])
nxt.loc[crossed, "flags"] = "幅の逆転"

最後の2行は、3つのモデルを別々に学ぶことへの備えです。 下の値と上の値はそれぞれ独立に学ぶので、まれに下の値が中央の値を上回る日が出ます。 黙って並べ直さず、印を付けて課長に見せます。逆転が多い品目は、学習のデータが足りていない品目です。

予報の気温が空の日があれば、予測をせずに止めます。 学習のときは空欄の気温をモデルがそのまま扱えますが、予測のときに空欄を渡すと、予報を使わない予測が黙って出てきます。 学習と予測で、空欄の扱いを変えているのはこのためです。

Step7

出力形式を固定する

計画の案のシートは、品目と区分の組ごとに、翌週の7日分を次の形で書き出します。

日予報の最高気温下の値中央の値上の値仕込みの日製氷の量の案貯氷庫の埋まり(見込み)注意
月31℃8201,0501,380前週の金1,200第1室 78%-
火33℃9001,1601,520前週の土1,350第1室 85%-
土34℃1,4001,9002,600水2,200第1室 96%催しあり・容量に近い

製氷の量の案は、課長が品目ごとに決めた「目指す位置」で作ります。 目指す位置は、中央と上の値の間のどこか(例:中央から上へ6割の位置)を品目ごとに設定の表に持ち、Python はその位置で量を出すだけです。 欠品の損が大きい品目は上寄りに、置いておくと品質が落ちる品目は中央寄りに置きます。

JSON でも同じ内容を書き出し、当たり方の記録の処理が読みます。

{
  "run_at": "2026-11-05T15:20",
  "week_of": "2026-11-09",
  "model_version": "2026-11-01",
  "rows": [
    { "date": "2026-11-09", "item": "kachiwari", "channel": "direct",
      "tmax_forecast": 18.0, "low": 0, "mid": 0, "high": 0,
      "plan_qty": 0, "target_position": 0.6, "storage_fill": 0.0, "flags": [""] }
  ]
}

model_version と tmax_forecast を残すのは、外れたときに原因を分けるためです。 予報の気温が外れたのか、同じ気温でもモデルが外れたのかで、直す場所が違います。

Step8

システムへ連携する

つなぎ先方式内容
販売管理の仕組みCSV の書き出し(読み取りのみ)出荷の記録
気象庁の過去の気象データCSV のダウンロード(月1回)過去の気温と品質情報
計画のシートファイルの読み書き予報の気温を読み、計画の案を書く
在庫の表・設備の表ファイルの読み取り在庫、容量、凍結の日数

販売管理の仕組みには書き込みません。 確定した計画は、課長が製造の指示書に落とします。モデルの案がそのまま製造の指示になる経路を作らないことで、 予測の誤りが製造に直結しないようにします。

製氷の量の案は、3つの制約の中で作ります。 1日の製氷の上限、貯氷庫の室ごとの容量、品目ごとの凍結の日数です。制約に当たって目指す位置まで作れない日は、注意の欄に「容量に近い」「製氷の上限」と書き、 どの品目を優先するかは課長に委ねます。

Step9

人が確認する

  1. 注意の欄のある行を先に見る … 催しのある日、容量に近い日、製氷の上限に当たる日です
  2. 幅の広い日を見る … 上の値と下の値の差が大きい日は、モデルが迷っている日です。催しの規模や得意先の注文を、営業に確かめます
  3. 目指す位置を決める … 品目ごとの設定の位置を、その週だけ変えるかを決めます
  4. 計画を確定する … 確定した計画を製造の指示書に落とします

「平均の予報」の印の付いた週末の日は、幅をそのまま信じません。 5日間の平均の気温で予測しているので、暑い1日と涼しい1日がならされています。 週末の仕込みは控えめにしておき、月曜の予測し直しで足します。

2番目が、課長の経験がいちばん効く場面です。 幅が広いのは、過去に似た条件が少ない日です。そこに、得意先から聞いている話や地域の事情を重ねて判断します。

確認の時間は1件8分を見込みます。 過去の表を見比べる時間が無くなり、判断に使う時間だけが残る想定です。

Step10

例外に対処する

起きること対応
予報の気温の欄が空処理を止め、担当に知らせる。過去の平年の値で埋めない
気温の品質情報が悪い日が続くその期間は空欄のまま学習する。別の観測点で補うかは月1回の見直しで決める
新しい品目が加わった過去の記録が無いので、似た品目の値を参考に課長が決める。3か月たまってからモデルに入れる
大きな催しが初めて開かれる過去に同じ規模の催しが無いので、幅が広く出る。営業の見込みで人が決める
欠品の日が多い週がある欠品の印を付け、学習から外すかを決める
検証の当たり方が悪化した学習し直す。改善しなければ特徴量と期間を見直す
出荷の記録の CSV の列が変わった列の名前を確かめ、合わなければ処理を止める

1行目で埋めないのは、平年の値で予測すると「予報どおり」に見えるからです。 実際には予報を使っていない予測が、課長の手元では予報を使った予測と区別がつきません。

Step11

記録を残す

  • 学習に使った期間、特徴量の一覧、モデルの版、検証の当たり方
  • 毎週の予測の結果(3つの値)と、そのときの予報の気温
  • 課長が確定した計画と、目指す位置を変えた品目とその理由
  • 翌週の実際の出荷と、予測との差
  • 欠品の日と、作りすぎで貯氷庫に入らなかった日

当たり方は、3つの見方で記録します。 中央の値と実際の差、実際の出荷が下の値と上の値の間に入った割合、そして欠品と作りすぎの日数です。間に入った割合が8割から大きく離れていれば、幅の付け方を見直します。

3つ目の記録は、目指す位置の見直しに使います。 課長がその週だけ上寄りにした品目が、実際にはどうだったかが残ると、設定の表の位置そのものを直す根拠になります。

04実装レベルの3段階

最小構成:表計算の散布図で、気温・曜日・催しと出荷の関係を見る / 見込みの材料の整理
半自動化:上記+Python のモデルで翌週の3つの値を出し、製氷の量の案を作る / 予測と製氷の量の案
本格構成:上記+得意先ごとの注文の積み上がりを特徴量に入れ、予報の取り込みと当たり方の集計を自動にする / 入力の取り込みと見直しまで

本記事の想定は半自動化です。 1件30分が8分になる見込みで、残るのは予報を写すことと、案を見て計画を確定することです。 最小構成では、翌週の数字は出ません。 散布図で分かるのは、気温と曜日と催しで出荷がどこまで説明できるかで、計画に使う数字を出すのは半自動化からです。 それでも、散布図で関係が見えない品目をモデルの対象から外せるので、半自動化の手間が減ります。 半自動化の中でも、段階を分けられます。 最初は中央の値だけを出し、課長の計画と並べて1か月見ます。中央の値が課長の見込みと大きく違わないことを確かめてから、上下の幅と製氷の量の案を足します。 いきなり3つの値と案を出すと、どこを信じればよいかが分からなくなります。 本格構成の注文の積み上がりは、効く場面が限られます。 催しのまとめての注文は前もって入りますが、飲食店の注文は前日に入るものが多く、 木曜の時点ではまだ積み上がっていません。

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
2 名
月間件数
60 件
1件あたり現在時間
30 分
1件あたり導入後時間
8 分
現在  60件 × 30分 ÷ 60 = 30 時間/月
導入後 60件 × 8分 ÷ 60 = 8 時間/月
月間削減時間
22h
削減率
73%
年間削減時間
264h
年間金額換算(時間単価3,000円)
79万円
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. 飲食店・鮮魚店・小売店・催しの主催者に氷を卸し、品目が数種類から十数種類ある製氷会社。翌週の製氷の量を、製造課長が過去の出荷と天気予報を見比べて経験で決めている場合。夏の暑い週の欠品と、涼しい週の作りすぎで貯氷庫があふれることの両方が起きている場合。日ごと・品目ごとの出荷の記録が2〜3年分そろっている場合。
向いていない
  1. 出荷の大半が定期の契約で、量が毎週ほとんど変わらない場合。品目が1〜2種類で、計画を立てる作業そのものが数分で終わる場合。出荷の記録が月ごとの合計しか無く、日ごとの量が分からない場合。なお、計画の確定と、得意先への出荷の調整の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 販売管理の仕組みから、主力の1品目(例:かち割り)の過去3年の日ごとの出荷を書き出す
  2. 気象庁の過去の気象データから、同じ期間の日最高気温を CSV で取る
  3. 表計算で、気温を横の軸、出荷の量を縦の軸にした散布図を作り、曜日で色を分ける
  4. 催しのあった日に印を付け、散布図のどこに来るかを見る
  5. 前年の夏の数週間について、課長が当時立てた計画と、実際の出荷を並べる

ここで見たいのは、気温と曜日でどこまで説明できるかです。

出てきた内容判断
気温が上がるほど出荷が増える形がはっきり見えるPython でのモデル作りに進む
催しの日が大きく外れたところに散らばる催しの暦を整えれば効く。構成は有効
気温と出荷の関係がほとんど見えない定期の契約が中心で、この構成の効果は小さい

3行目が出たら、無理に進めないでください。 出荷が気温で動かないなら、予測より定期の契約の管理のほうが効きます。

08実装時につまずきやすいポイント

問題対策
予測の時点で分からない直近の出荷を使った予測する日から7日以上前の値だけを使う。 列の名前に日数を入れる
行を混ぜて学習と検証に分けた期間で分ける
品質の悪い気温を使った品質情報8と5だけを使い、それ以外は空欄
期間を分けて取った CSV の均質番号がずれる3年分を1回で取る
早期終了が働いていなかった1万行未満なら X_val・y_val を渡す
催しの日を気温のせいだと学んだ催しの暦を過去分まで入れる
欠品の日の出荷を需要として学んだ欠品の印を付けて扱いを決める
高温の日に出荷が減る形を学んだ気温に monotonic_cst を付ける
予報の気温を担当が補正した補正しない。外れは当たり方の記録で見る
品目の区分の並びが学習と予測で違う学習のときの並びにそろえる
下の値が中央の値を上回る3つのモデルは別々に学ぶ。並べ直さず「幅の逆転」の印を付ける
予報の気温が空のまま予測した予測のときは空欄を許さず、処理を止める
ブロック氷の計画が砕く品目の分を見ていない材料のつながりを設備の表に持たせ、ブロック氷の量に足し込む
2週目の予報を日ごとの値として使った2週目は5日間の平均。「平均の予報」の印を付け、月曜に日ごとの値で予測し直す

上の2行は、当たり方を実際より良く見せる失敗です。 検証では当たっていたのに本番で外れる、という形で表に出ます。導入の最初の1か月は、毎週の当たり方を検証のときの値と比べてください。

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: 出荷の記録(品目、量、得意先の区分)、在庫と設備の情報、気象庁の気象データです。個人の情報は扱いません。

  1. 得意先の名前をモデルに入れない … 得意先の区分(飲食・鮮魚・小売・催し)で足ります。得意先ごとの出荷は取引の情報なので、 学習のデータには区分だけを残します
  2. 気象庁のデータの出典を書く … 気象庁のホームページのコンテンツは、権利表記がない限り公共データ利用規約(第1.0版)に準拠した条件で利用でき、利用の際は出典を記載し、編集・加工した場合はそのことも記載するよう案内されています。計画の案のシートに出典と加工の旨を書いておきます
  3. 気象の予報を社外に出さない … この構成が作るのは氷の出荷の予測で、気象の予報ではありません。計画の案に写した予報の気温を、得意先への案内などで自社の予報のように出さないでください。 気象庁の利用規約には、気象業務法に基づく予報業務の許可に関わる制約への注意が書かれています
  4. 予測を計画の確定に直結させない … 製造の指示は課長が確定した計画から出します。モデルの案が誤っていても、製造の段で止まるようにします
  5. 予測の数字を得意先への約束に使わない … 「来週はこれだけ用意できます」と得意先に伝えるのは、課長が確定した計画をもとに営業が行います。モデルの上の値を、用意できる量として案内しないでください。 上の値は需要の見込みの幅で、作れる量ではありません

誤りが起きた場合のリスクは、欠品と作りすぎの2つです。 欠品は得意先の営業に、作りすぎは貯氷庫の容量と品質に響きます。どちらに外れやすいかは、当たり方の記録に残るので、目指す位置の設定で調整します。

10まず何から始めるか

1週目:催しの暦を作る

過去3年の地域の催しを、日付・場所・規模で表にします。営業と得意先の記憶を集めるところから始めます。 あわせて、在庫が0になった日に印を付けます。

2週目:散布図で確かめる

主力の1品目について、気温と出荷の散布図を作り、催しの日がどこに来るかを見ます。気温で動く品目と、動かない品目を分けます。

3週目:モデルを作る

Python で過去3年の表を作り、3つのモデルを学習します。直近の1年で検証し、実際の出荷が上下の値の間に入る割合を見ます。

4週目:前年の夏で答え合わせをする

前年の夏の数週間について、モデルの案と課長が当時立てた計画を並べます。どちらが欠品と作りすぎを少なくできたかを、課長と一緒に見ます。

2か月目: 毎週木曜の運用を始め、計画の案を課長が見て確定します。3か月目以降: 当たり方の記録をもとに、品目ごとの目指す位置を見直します。課長が休んだ週にも、担当が案を見て計画を確定できた時点で、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:2026-11-02/最終更新:2026-11-03
確認した内容情報源確認日
HistGradientBoostingRegressor の損失に poisson と quantile があり、quantile で分位点を指定すること。ポアソン損失が0以上の目的の値を要すること。欠けた値を学習の際に扱うこと。categorical_features の既定が 'from_dtype' であること。monotonic_cst。早期終了が既定では1万を超える標本か X_val・y_val を渡したときに有効になること(1.9.1 の文書)scikit-learn: HistGradientBoostingRegressor2026-11-02
過去の気象データの CSV の構造(ダウンロードの時刻、表題行、データ行)。品質情報の値(8・5・4・2・1・0)の意味。「すべて数値で格納」で品質情報が別の列に入ること。均質番号の意味と、CSV の取得ごとに振られること気象庁: ダウンロードファイルの形式2026-11-02
2週間気温予報が毎日14時30分に発表され、確認は14時45分以降とされていること。2週目が5日間の平均であること気象庁: 2週間気温予報2026-11-02
気象庁のホームページのコンテンツが公共データ利用規約(第1.0版)に準拠した条件で利用でき、出典と加工の記載が要ること。予報業務の許可に関わる制約への注意気象庁: 利用規約2026-11-02

本記事は、上記のページで確認できた範囲だけを扱っています。 予報の値の取り込みを自動にする場合は、気象庁の利用規約と提供の形を改めて確かめてください。

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-2540)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