Media > AI活用ユースケース > 情報システム > 情報システム部が、PC のリースの満了の台帳と過去の入れ替えの作業の記録から、月ごと・拠点ごとの入れ替えの作業の量を Python で幅付きで予測し、作業の日程と外部の手配の案を出す

情報システム部が、PC のリースの満了の台帳と過去の入れ替えの作業の記録から、月ごと・拠点ごとの入れ替えの作業の量を Python で幅付きで予測し、作業の日程と外部の手配の案を出す

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

リースの満了の台帳と過去の入れ替えの作業の記録から、1台ごとの作業の時間を Python で幅付きで予測し、突発の入れ替えと足して月ごと・拠点ごとの作業の量を出します。部の手持ちの時間と比べ、日程の山ならしと外部の手配の案にします。

サマリー
連携・自動化
Python
対象業界
IT・SaaS/製造/金融
対象部門
情報システム
対象業務
台帳・マスタ管理/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/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
10h/月
AI導入後
3h/月
想定削減
70%
年間削減
84h
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、IT資産の台帳から翌月と翌々月に満了するPCを拠点ごとに書き出す
  2. 機種と利用者の部署を見て、時間のかかりそうなPCに印を付ける
  3. 印の数と台数から、拠点ごとの作業の日数の見当をつける
  4. 去年の同じ月の故障・入社の入れ替えの件数を思い出して、上乗せする
  5. 部の4名の予定と比べ、足りない拠点・週があれば外部の作業員を頼む
  6. 頼みきれない月は、満了の前の月に前倒しするか、リースの延長を購買に相談する
導入後(After)
  1. 人月末までに、担当がIT資産の台帳の満了日・延長の予定を最新にする
  2. 自動月初の朝、Python が台帳、作業の記録、リースの契約の一覧を読み込む
  3. 自動翌月から6か月に満了するPCの1台ごとに、作業の時間の下・中央・上を予測する
  4. 自動拠点・月ごとの突発の入れ替えの件数を、過去の記録から見込む
  5. 自動くり返しの試算で、月ごと・拠点ごとの作業の時間を下・中央・上の値で出す
  6. 自動部の手持ちの時間と比べ、足りない月・拠点と、外部の作業員の延べの人日の案を出す
  7. 自動延長・前倒しのできるPCの中から、動かすと山がならされる候補を並べる
  8. 人担当が案を見て、外部の会社に作業員を頼む人数と時期を決める
  9. 人前倒し・延長の候補を責任者と購買が見て、契約の変更を決める
  10. 自動月の終わりに、予測と実際の作業の時間を比べた当たり方を記録する
各工程の詳しい説明を読む
  1. 月初に、IT資産の台帳から翌月と翌々月に満了するPCを拠点ごとに書き出す
  2. 機種と利用者の部署を見て、時間のかかりそうなPCに印を付ける
  3. 印の数と台数から、拠点ごとの作業の日数の見当をつける
  4. 去年の同じ月の故障・入社の入れ替えの件数を思い出して、上乗せする
  5. 部の4名の予定と比べ、足りない拠点・週があれば外部の作業員を頼む
  6. 頼みきれない月は、満了の前の月に前倒しするか、リースの延長を購買に相談する

(a)時間のかかるPCの見当が担当頼み。 開発の部署のPCや、管理の職種で特殊なアプリを使うPCが時間がかかることは、長く担当してきた1名が経験で知っています。 2番の印の付け方は、その人の頭の中にあります。

(b)突発の入れ替えが読めない。 故障による入れ替えは月によって数件から数十件、4月は新入社員のPCの準備が重なります。満了の分だけで組んだ日程は、突発の分が来るとすぐに崩れます。

(c)外部の手配が直前になる。 見込みに自信が無いと、外部の作業員を頼む人数を決めきれません。頼むのが1か月前を切ると、人が集まらないか、割増の料金になります。

(d)在宅の社員の分が読めない。 在宅の社員のPCは、新しいPCを送り、遠隔でデータの移行を手伝い、古いPCを送り返してもらいます。1台の作業は短くても、日程の調整と待ちが長く、月をまたぐことがあります。 在宅の割合が拠点ごとに違うので、拠点の作業の量の見当がずれます。

(e)山ならしの判断が遅い。 満了の前倒しや延長で繁忙の月をならせることは分かっていても、どのPCをどの月に動かせばよいかを、毎月の見直しの中で組みきれません。

  1. 【人】 月末までに、担当がIT資産の台帳の満了日・延長の予定を最新にする
  2. 【自動】 月初の朝、Python が台帳、作業の記録、リースの契約の一覧を読み込む
  3. 【自動】 翌月から6か月に満了するPCの1台ごとに、作業の時間の下・中央・上を予測する
  4. 【自動】 拠点・月ごとの突発の入れ替えの件数を、過去の記録から見込む
  5. 【自動】 くり返しの試算で、月ごと・拠点ごとの作業の時間を下・中央・上の値で出す
  6. 【自動】 部の手持ちの時間と比べ、足りない月・拠点と、外部の作業員の延べの人日の案を出す
  7. 【自動】 延長・前倒しのできるPCの中から、動かすと山がならされる候補を並べる
  8. 【人】 担当が案を見て、外部の会社に作業員を頼む人数と時期を決める
  9. 【人】 前倒し・延長の候補を責任者と購買が見て、契約の変更を決める
  10. 【自動】 月の終わりに、予測と実際の作業の時間を比べた当たり方を記録する

8番と9番を人に残しているのが、この設計の要です。 外部の作業員を頼むかは料金と予算で、リースの延長は契約と費用で決まります。モデルが出すのは作業の時間の見込みと、動かせる候補までです。

6か月先まで出すのは、外部の手配の期限のためです。 2か月先の見込みが立てば、外部の会社に早めに相談できます。3か月より先の値は幅が広く、相談の目安にとどめます。

在宅の社員の分は、満了の月の前の月から作業が始まる形で数えます。 新しいPCの発送、遠隔の移行の日程の調整、古いPCの返送の待ちが、満了の月をまたぐからです。予測は満了の月に付けたうえで、計画の表では「前の月の準備」の列に一部を割り振ります。 割り振りの割合は、過去の在宅の社員の入れ替えで、準備に使った日が満了の月の前にどれだけあったかから決めます。

02今回想定するシステム構成

構成図
IT資産の台帳(満了日・機種・部署・拠点)  作業の記録(チケット)  リースの契約の一覧  部の予定
        │                                    │                     │               │
        └──────────────────┬─────────────────┴─────────────────────┴───────────────┘
                           ▼【トリガー】月初の朝
Python
   ├──▶ 1台ごとの作業の時間の学習の表(過去の入れ替え)と、予測の表(これから満了するPC)
   ▼
LightGBM(objective="quantile"、alpha=0.1・0.5・0.9)
   │   1台ごとの作業の時間の下・中央・上
   ▼
Python ── 突発の入れ替えの件数の見込み、くり返しの試算
   ├──▶ 月ごと・拠点ごとの作業の時間、手持ちの時間との差、外部の人日、山ならしの候補
   ▼
入れ替えの計画の表(情報システム部の共有のシート)
   ▼
【担当が外部の手配を決める → 責任者と購買が契約の変更を決める】
役割想定する製品代替候補
実行環境Python(pandas・NumPy)R
処理エンジンLightGBM(objective="quantile")scikit-learn の HistGradientBoostingRegressor(loss="quantile")
集計Python(くり返しの試算、手持ちの時間との差、山ならしの候補)表計算の計算式
保管部の共有フォルダ(学習の記録、計画の表、当たり方)-

新しく足すのは Python の処理だけです。 IT資産の台帳とチケットの仕組みは、これまでどおり使います。計画の表は部の共有のシートに書き出し、決めた日程は担当が台帳とチケットに入れます。

モデルは LightGBM の分位点の回帰です。 公式のページでは、objective に quantile を選ぶと分位点の回帰になり、alpha は Huber 損失と分位点の回帰でだけ使われる引数で、既定は0.9とされています。alpha を渡し忘れると、中央の値のつもりのモデルが90%の値を出します。 0.1・0.5・0.9 の3つを、それぞれ alpha を指定して学びます。

03どうやって実装するのか

Step1

処理の起点を決める

毎月の初めの朝に動かします。 担当が月末までに台帳の満了日と延長の予定を最新にし、月初にそれを読み込みます。外部の会社への相談は、月の第1週に行うと決めておきます。

段いつすること
1. 台帳の更新月末まで満了日、延長・前倒しの予定、利用者の拠点の異動
2. 学び直しと予測月初の朝1台ごとの時間、突発の件数、くり返しの試算
3. 手配の相談月の第1週外部の作業員の人数と時期
4. 当たり方の記録翌月の初め予測と実際の作業の時間を比べる

拠点の異動や入社の予定が分かったときは、月の途中でも動かし直せるようにしておきます。 大きな組織の変更で、ある拠点の社員がまとめて在宅に切り替わると、その拠点の入れ替えは送付と遠隔の設定に変わり、1台の時間が変わります。

Step2

入力データを集める

データ中身取得元
IT資産の台帳資産番号、機種、利用者の部署・職種の区分、拠点、勤務の形(出社・在宅・混在)、リースの満了日、延長の可否部のスプレッドシート
作業の記録資産番号、作業の種別(満了・故障・入社)、作業日、移行の方式、業務のアプリの数、作業の時間、出直しの回数チケットの仕組みの書き出し
リースの契約の一覧契約ごとの満了日、延長の単位と料金、中途の解約・前倒しの条件購買から受け取る一覧
部の予定担当ごとの月の作業に充てられる時間(休暇・他の案件を引いたもの)部の予定表

作業の記録は、資産番号で台帳とつなぎます。 利用者の氏名は使いません。職種の区分と部署、勤務の形があれば、1台の時間の違いはほぼ説明できます。

質を決めるのは、作業の記録の「作業の時間」の付け方です。 担当によって、移動の時間を含める人と含めない人がいます。含めるかどうかを決め、決めた日より前の記録には印を付けます。 出直しの回数も、1回の訪問の時間に入れるのか、別の行にするのかをそろえます。

Step3

データの取得方法を決める

取るもの範囲使い道
作業の記録(満了の入れ替え)過去3年1台ごとの時間の学習
作業の記録(故障・入社)過去3年月ごと・拠点ごとの突発の件数
IT資産の台帳最新これから満了するPCの一覧
リースの契約の一覧最新延長・前倒しの候補の条件
部の予定6か月先まで手持ちの時間

チケットの仕組みからは、CSV で書き出します。 作業の時間は、チケットの開始と終わりの差ではなく、担当が入れた作業の時間の欄を使います。チケットは利用者の都合で何日も開いたままになることがあり、差を取ると作業の時間が膨らみます。

部の手持ちの時間は、担当ごとの月の稼働の時間から引いて出します。 休暇、ほかの案件、問い合わせの窓口の当番、毎月の決まった作業を引いた残りです。入れ替えに使える時間を担当に聞いて決め、6か月先まで部の予定表に入れておきます。 ここが楽観的だと、不足の月が出てきません。

過去の記録は、そのときの台帳の内容と組み合わせます。 過去に入れ替えたPCの職種の区分や勤務の形は、いまの台帳では変わっていることがあります。作業日の時点の値を使うため、台帳の月ごとの写しがあれば、それを使います。 写しが無ければ、作業の記録に職種の区分と勤務の形を書く欄を足し、その月から学習に使います。

Step4

AIへ渡す前に整形する

  1. 作業の時間をそろえる … 移動の時間を含めない形にそろえ、そろえられない行に印を付けます
  2. 外れた行を見る … 1台で8時間を超える行は、複数台をまとめて入れた記録の可能性があるので、担当に確かめます
  3. 新旧の機種の組を作る … 古い機種と新しい機種の組み合わせ(OSの版の違いを含む)を列にします
  4. 移行の方式 … 同じ部屋で移す、遠隔で移す、利用者が自分で移すの3つに分けます
  5. 業務のアプリの数 … 利用者の申請の記録から、標準の外のアプリの数を付けます
  6. 時期の列 … 月、その拠点のその月の満了の台数(同じ日にまとめて入れると1台が短くなる)
  7. 突発の件数の表 … 月・拠点ごとに故障と入社の入れ替えの件数を数え、月の列を付けます

6番の「その月の満了の台数」は、まとめて作業すると1台あたりが短くなることを学ばせるためです。 1拠点で20台を2日でまとめて入れると、準備と移動がまとまります。同じ拠点の1台だけの入れ替えは、1台あたりが長くなります。

Step5

AIに処理させる

させるのは、これから満了するPCの1台ごとに、作業の時間の下・中央・上を予測することだけです。 突発の件数の見込みと足し上げは、規則と試算の側で行います。

させることさせないこと
1台ごとの作業の時間の幅(0.1・0.5・0.9)満了の時期の予測(台帳から取る)
職種・勤務の形・移行の方式・アプリの数による違いの学習外部の手配の人数を決めること(担当が決める)
まとめて作業したときの1台あたりの短縮の学習リースの延長・前倒しを決めること(責任者と購買)

突発の入れ替えの件数は、過去の月ごとの件数の平均で見込みます。 故障の件数は台数の多い拠点ほど多いので、拠点の台数あたりの月ごとの件数を過去3年で平均し、ポアソンの分布で件数を引きます。 入社の分は、人事から聞いた入社の予定の人数をそのまま使います。故障の件数を学習のモデルに入れないのは、件数が少なく、拠点・月に分けると0の月ばかりになるからです。

故障の件数の平均は、機種の年数で変わります。 満了の近いPCほど故障が増えるなら、満了の多い月の前は突発の分も増えます。拠点の台数あたりの件数で足りないときは、満了まで1年以内のPCの台数あたりの件数に分けて平均します。 分けるかどうかは、過去の記録で年数ごとの故障の件数を表にして決めます。

山ならしの候補は、規則で並べます。 延長・前倒しのできるPCの中から、繁忙の月の作業の時間の上の値を下げ、隣の月の上の値を手持ちの時間の内に収められるものを、作業の時間の中央の大きい順に並べます。

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、学習と試算の設定を示します。

import numpy as np, pandas as pd, lightgbm as lgb
from sklearn.metrics import mean_pinball_loss

feats = ["model_old", "model_new", "job_class", "dept", "work_style",
         "migration", "n_apps", "batch_size", "month", "site"]
for c in ["model_old", "model_new", "job_class", "dept", "work_style",
          "migration", "site"]:
    hist[c] = hist[c].astype("category")

cut = hist["work_date"].quantile(0.8)            # 作業日で区切って検証する
tr = hist["work_date"] < cut; va = ~tr
models = {}
for a in (0.1, 0.5, 0.9):
    params = dict(objective="quantile", alpha=a, learning_rate=0.05,
                  num_leaves=15, min_data_in_leaf=30,
                  deterministic=True, seed=7, verbose=-1)
    dtr = lgb.Dataset(hist.loc[tr, feats], hist.loc[tr, "minutes"])
    dva = lgb.Dataset(hist.loc[va, feats], hist.loc[va, "minutes"], reference=dtr)
    m = lgb.train(params, dtr, num_boost_round=2000, valid_sets=[dva],
                  callbacks=[lgb.early_stopping(100)])
    models[a] = m
    print(a, mean_pinball_loss(hist.loc[va, "minutes"],
                               m.predict(hist.loc[va, feats]), alpha=a))

alpha を3回とも明示しているのが、この設定の要です。 公式のページでは alpha の既定は0.9です。min_data_in_leaf を既定の20から30に上げているのは、部署と機種の組み合わせが細かく、数台の記録をその組み合わせの性質として覚えさせないためです。 deterministic=True と seed は、公式のページでは同じデータと設定で安定した結果を出すための設定とされています。毎月の学び直しで、データが変わっていないのに見込みが動くことを避けます。

カテゴリの列には、向きの縛りを入れられません。 公式のページでは、カテゴリの列の値は int32 に直され、負の値は欠測として扱われ、カテゴリの列に対しては出力の単調の縛りをかけられないとされています。アプリの数(数の列)だけに「増える向き」を入れる場合は、monotone_constraints で数の列の位置に1を置きます。

当たり方は mean_pinball_loss で見ます。 公式のページでは分位点の回帰のためのピンボール損失で、alpha の既定は0.5です。分位点ごとに alpha を合わせて渡します。

月ごと・拠点ごとの試算は次のように行います。

rng = np.random.default_rng(7)
N = 3000
q = np.sort(np.column_stack([models[a].predict(fut[feats])
                             for a in (0.1, 0.5, 0.9)]), axis=1)
res = {}
for (site, mon), idx in fut.groupby(["site", "month_due"]).groups.items():
    tot = np.zeros(N)
    for i in range(N):
        u = rng.random(len(idx))
        planned = sample_from_quantiles(q[fut.index.get_indexer(idx)], u).sum()
        k_fail = rng.poisson(fail_rate[site] * fleet[site])
        unplanned = sample_hist_minutes("故障", site, k_fail, rng).sum()
        unplanned += sample_hist_minutes("入社", site, hires[site, mon], rng).sum()
        tot[i] = planned + unplanned
    res[(site, mon)] = np.percentile(tot, [10, 50, 90]) / 60   # 時間

3つの値を行ごとに並べ直してから使います。 分位点ごとに別々に学ぶので、まれに下の値が中央の値を上回ります。sample_from_quantiles は3つの値の間を直線でつないで1つ引く関数、sample_hist_minutes は同じ拠点の過去の故障・入社の入れ替えの作業の時間から件数の分だけ引く関数です。

Step7

出力形式を固定する

月・拠点ごとの計画の表と、山ならしの候補の表の2つを、部の共有のシートに書き出します。

列(月・拠点ごと)中身
月・拠点見込みの単位
満了の台数台帳の値
作業の時間の下・中央・上試算の10%・50%・90%の値(時間)
うち突発の分の中央故障と入社の分
部の手持ちの時間部の予定から
足りない時間(上の値)作業の時間の上 - 手持ちの時間
外部の作業員の人日の案足りない時間 ÷ 1日の作業の時間
印手配の期限が近い/幅が広い/学習の行の少ない機種あり
列(山ならしの候補)中身
資産番号・拠点・部署台帳の値(利用者の氏名は出さない)
満了の月台帳の値
動かす先の月前倒し・延長の候補
作業の時間の中央1台ごとの予測
契約の条件延長の単位と料金、前倒しの条件

計画の表と候補の表の行は、たとえば次のようになります(値は説明のための例です)。

3月・本社   | 満了 64台 | 作業 下 98・中央 121・上 152時間 | うち突発 18 | 手持ち 110 | 不足(上)42 | 外部 6人日 | 印:手配の期限が近い
4月・本社   | 満了 22台 | 作業 下 41・中央 55・上 74時間  | うち入社 20 | 手持ち 100 | 不足なし   | -
候補        | PC-1187・本社・開発部 | 3月満了 → 4月へ延長 | 作業の中央 3.4時間 | 延長は1か月単位

1行目と2行目を並べて読み、3行目の候補を何台動かせば3月の不足が埋まるかを見ます。 作業の中央の大きいPCから動かすと、少ない台数で山がならせます。

外部の作業員の人日は、上の値で出します。 中央の値で頼むと、半分の月で足りなくなります。ただし、上の値で頼み続けると費用がかさむので、どちらに寄せるかは担当が月ごとに決めます。

Step8

システムへ連携する

つなぎ先方式内容
IT資産の台帳共有のスプレッドシートを読む満了日、機種、部署、勤務の形
チケットの仕組みCSVの書き出し過去の作業の時間
リースの契約の一覧購買から受け取ったファイルを読む延長・前倒しの条件
部の予定表共有のシートを読む手持ちの時間
部の共有のシート書き出す計画の表、山ならしの候補、当たり方

台帳とチケットの仕組みには書き込みません。 決めた日程は担当がチケットを作って入れ、契約の変更は購買が行います。

Step9

人が確認する

  1. 足りない月・拠点を見る … 上の値で足りない時間が出た月・拠点から見ます
  2. 外部の手配を決める … 頼む人数と時期を決め、外部の会社に相談します
  3. 山ならしの候補を見る … 責任者と購買が、延長・前倒しの費用と条件を見て決めます
  4. 印の付いた機種を見る … 新しい機種への入れ替えが初めての組み合わせは、1台目の作業の時間を実測してから見込みを直します

4番は、新しい機種が入るときに必ず起きます。 過去の記録に無い機種は、似た機種の値で見込むしかありません。最初の数台の実測で、見込みを担当が手で直します。

利用者との日程の調整は、これまでどおり人が行います。 計画の表は拠点・月の単位で、どの日にだれのPCを入れ替えるかまでは決めません。出直しの多い部署は、計画の表の幅が広く出るので、その部署から先に日程を押さえます。

Step10

例外に対処する

起きること対応
台帳の満了日が空のPC予測から外し、一覧にして担当が埋める
過去に無い機種の組み合わせ似た機種の値で見込み、印を付ける
作業の時間の欄が空の記録学習から外し、件数を担当に知らせる
拠点の閉鎖・統合台帳を直してから動かし直す
大量の故障(不具合のある機種など)突発の分を別に見込み、責任者が手配を決める
部の担当が長く休む部の予定を直して動かし直す
出直しが続く利用者作業の記録の出直しの回数に入れ、部署ごとの幅に反映する
古いPCの返却の期限が迫る返却の作業を計画の表の別の列にし、満了の月の作業に足す
当たり方が前の月より大きく悪化計画の表を出したうえで、学習の記録を担当が見る
Step11

記録を残す

  • 学習に使った範囲、列の一覧、分位点ごとのピンボール損失
  • 月・拠点ごとの見込み、手持ちの時間との差、外部の人日の案
  • 担当が決めた外部の手配と、責任者と購買が決めた延長・前倒し
  • 翌月の当たり方(実際の作業の時間が下〜上の値に入った月・拠点の割合)

作業の記録の時間を、担当ごとの評価に使いません。 時間は利用者の都合や機種で大きく変わり、担当の手際を測る物差しではありません。ログに残すのは拠点と月の単位の値です。

04実装レベルの3段階

最小構成:区分ごとの作業の時間の表を作り、満了のPCに当てて足す / 作業の量の見当
半自動化:上記+1台ごとの作業の時間を3つの値で予測し、月・拠点ごとに足す / 作業の量の見込み
本格構成:上記+突発の分の試算、手持ちの時間との差、外部の人日、山ならしの候補、当たり方の記録 / 見込みから手配の案まで

本記事の想定は本格構成です。 1件50分が15分になるのは、書き出し・印付け・見当・比べの作業がそろって出てくるからです。残る15分は、足りない月・拠点を見て外部の手配と山ならしを決める時間です。 半自動化で、入れ替えの多い月を1回越えてから本格構成に進みます。 繁忙の月の当たり方を見ないと、外部の人日の案を信用してよいかが分かりません。突発の分の試算は、4月の入社の月を1回含めて確かめます。 入社の準備は満了の入れ替えと作業の中身が違い、1台の時間の分布も違うからです。

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
12 件
1件あたり現在時間
50 分
1件あたり導入後時間
15 分
現在  12件 × 50分 ÷ 60 = 10 時間/月
導入後 12件 × 15分 ÷ 60 = 3 時間/月
月間削減時間
7h
削減率
70%
年間削減時間
84h
年間金額換算(時間単価3,500円)
29万円
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. 社員のPCを数百台から数千台、リースで持ち、満了に合わせて毎月入れ替えている会社の情報システム部。満了の時期が月によって偏り、繁忙の月に外部の作業員を急いで頼むことがある場合。機種や利用者の職種によって1台の作業の時間が大きく違い、件数だけでは作業の量が読めない場合。過去の入れ替えの作業の時間を1年分以上記録している場合。
向いていない
  1. PCが数十台で、入れ替えを年に数回まとめて行う場合。入れ替えの作業を外部の会社に一括で任せていて、社内で日程と作業の量を組まない場合。作業の時間を記録しておらず、件数しか分からない場合。なお、リースの契約の延長や前倒しを決める構成ではありません。契約の変更は購買・経理と情報システム部の責任者が決めます。

07最小構成で試す方法

  1. 過去1年の満了の入れ替えの作業の記録を、職種の区分・勤務の形・移行の方式で分ける
  2. 区分ごとに、1台の作業の時間の中央と、上下の幅(10%と90%の値)を表にする
  3. 翌月から3か月の満了のPCに、区分ごとの中央の値を当てて、拠点ごとに足す
  4. 過去の故障・入社の入れ替えの月ごとの件数を、拠点ごとに表にする
  5. 3と4を足した値を、部の手持ちの時間と並べる
出てきた内容判断
区分によって作業の時間が大きく違う1台ごとに予測する構成に進む
区分の違いが小さく、台数でほぼ決まる台数 × 平均の時間で足りる。モデルは要らない
作業の時間の記録がばらばら記録の付け方をそろえてから3か月待つ

2行目が出ることもあります。 標準のPCを同じ形で配る会社では、台数で作業の量がほぼ決まります。そのときは、モデルを作らずに表計算で済ませるのが正解です。

5番の並べ方で、山の大きさが見えます。 満了の台数の表だけでは平らに見えていた月が、作業の時間に直すと大きな山になることがあります。開発の部署のPCがまとめて満了する月がそれです。 この表を責任者と一緒に見るだけでも、外部の手配を早める判断ができます。

08実装時につまずきやすいポイント

問題対策
台数で作業の量を見込んでしまう1台ごとの作業の時間を予測の単位にする
中央のつもりのモデルが90%の値を出すalpha を3回とも明示する(既定は0.9)
チケットの開始と終わりの差で時間が膨らむ担当が入れた作業の時間の欄を使う
移動の時間の扱いが担当でばらばら含めない形にそろえ、前の記録に印を付ける
いまの台帳の値で過去を学ぶ作業日の時点の職種・勤務の形を使う
カテゴリの列に向きの縛りを入れようとする縛りは数の列だけに入れる
突発の分を見込まずに日程が崩れる過去の件数から試算で足す
3つの値が逆転する行ごとに並べ直す
新しい機種で見込みが外れる最初の数台を実測して手で直す
作業の時間を担当の評価に使う拠点と月の単位でしか残さない
返却の作業を見込みに入れ忘れる返却の分を別の列にして満了の月に足す
手持ちの時間を楽観的に置く窓口の当番や決まった作業を引いて担当に確かめる

上の2行が、この構成の土台です。 台数ではなく時間で見込むこと、そのモデルが本当に中央と幅を出していることの2つです。2行目は、出力を見ても気づきにくい誤りです。 中央の値がいつも高めに出ていても、「慎重な見込み」に見えてしまいます。当たり方の記録で、実際の作業の時間が中央の値を下回った月・拠点の割合を見て、半分前後になっているかを確かめます。 9割近くが下回っていれば、alpha の渡し忘れを疑います。

下から2行目の返却の作業は、満了の月の終わりに集中します。 新しいPCを渡し終えてから古いPCを集めるので、月の後半に作業の山が寄ります。 計画の表を月の前半と後半に分けて出すと、外部の作業員を頼む週が決めやすくなります。

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: PCの資産番号・機種・拠点・利用者の部署と職種の区分・勤務の形、作業の時間、リースの契約の条件。利用者の氏名は使いません。

  1. 利用者の氏名を読まない … 資産番号でつなぎ、部署と職種の区分だけを使います
  2. 担当の評価に使わない … 作業の時間は利用者の都合と機種で大きく変わります
  3. 外部へ送らない … 生成AIを使わず、部のPCで動かします
  4. 外部の会社に渡すのは人日と時期だけ … 資産番号や部署の一覧を、手配の相談で渡しません
  5. リースの契約の条件を部の外に出さない … 料金と条件は購買との取り決めです
  6. スクリプトを1人の持ち物にしない … 手順書と、動かし方を知る2人目を用意します

勤務の形の列は、取り扱いに気をつけます。 在宅か出社かは、利用者ひとりひとりの働き方の情報です。作業の方式を決めるためだけに使い、ほかの目的の資料に流用しません。 計画の表や候補の表にも、勤務の形の列は出しません。モデルの中で使うだけにし、共有のシートには拠点・部署・資産番号までを書き出します。

古いPCのデータの消去の記録は、この構成の外で残します。 計画の表は作業の量を見込むためのもので、どのPCをいつ消去したかの証跡ではありません。返却の前の消去の手順と記録は、これまでどおりチケットの仕組みとリースの会社の手順で管理します。

誤りが起きた場合のリスクは、外部の作業員が足りずに満了の日までに入れ替えが終わらないことと、頼みすぎて費用がかさむことの2つです。 前者は上の値で人日を出すことで、後者は当たり方を毎月見て寄せ方を直すことで抑えます。

10まず何から始めるか

1週目:作業の時間の付け方をそろえる

移動の時間を含めるかどうか、出直しの扱いを決め、担当4名に伝えます。この週から、そろった記録がたまり始めます。 外部の作業員が入れ替えたPCも、同じ付け方で記録してもらうよう外部の会社に頼みます。

2週目:台帳に勤務の形と職種の区分を足す

IT資産の台帳に、利用者の勤務の形と職種の区分の列を足します。作業の記録にも同じ欄を足します。

3週目:区分ごとの時間を表にする

第8章のとおり、過去1年の記録で区分ごとの作業の時間の中央と幅を出します。区分の違いが大きいかを見ます。 違いが小さければ、ここで表計算の見込みに切り替えます。

4週目:翌月から3か月を表計算で見込む

区分ごとの中央の値を満了のPCに当て、突発の分を足して、部の手持ちの時間と並べます。

2か月目: LightGBM で1台ごとの3つの値を出し、表計算の見込みと並べます。3か月目以降: 突発の分の試算、外部の人日、山ならしの候補を足し、当たり方を毎月見ます。入れ替えの多い月を1回越え、外部の会社への相談を毎月の第1週に決まって行え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:2026-11-18/最終更新:2026-11-18
確認した内容情報源確認日
objective の quantile が分位点の回帰であること、alpha が Huber 損失と分位点の回帰でだけ使われ既定が0.9であること、min_data_in_leaf の既定20、categorical_feature の値が int32 に直され負の値は欠測として扱われカテゴリの列に単調の縛りをかけられないこと、deterministic と seedLightGBM: Parameters2026-11-18
mean_pinball_loss が分位点の回帰のためのピンボール損失で、0が最良であること、alpha の既定が0.5であること(1.9.1)scikit-learn: mean_pinball_loss2026-11-18

外部の作業員の手配は情報システム部の担当が、リースの延長・前倒しは責任者と購買が決めてください。 本記事は上の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-3806)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