主要な原材料の購買実績と市況の指標から来月以降の調達単価を幅で見込み、まとめ買いと分割発注の判断材料を購買担当に出す

処理の起点を決める

毎月第2営業日の9時30分に、定時で動かします。 購買システムの先月分の単価は、月末の締めのあと第1営業日中に確定します。日本銀行の時系列統計データ検索サイトでは、データが午前8時50分ごろに掲載されると利用マニュアルに書かれています。第2営業日の朝なら、両方がそろっています。

企業物価指数の先月分は、毎月の公表日まで載りません。 公表日より前に動かすと、指標の最新の月が1か月古いまま見込むことになります。そのため、取れた指標の最新の月を結果の表に必ず書き、購買会議の前に公表日を過ぎていれば、その日に一度だけ動かし直します。 動かし直しは担当者がボタンで行い、毎日自動で取り直すことはしません。

モデルの学び直しは、半年に1回にします。 毎月学び直すと、同じ品目の幅が月ごとに広がったり狭まったりして、先月の幅と今月の幅が比べられなくなります。

入力データを集める

質を決めるのは、2行目の品目の区分です。 算定式の品目を交渉の品目として扱うと、算定式で決まっている値上げを、モデルが推測で外すことになります。逆に、算定式を取り決めていても実際は交渉で決まっている品目もあります。品目ごとに、実際にどう決まっているかを担当者が確かめて台帳に書きます。

関係する指標の系列は、品目ごとに担当者が選びます。 機械に全系列から選ばせると、たまたま値動きが似ている関係の無い系列を拾います。選ぶのは、その原材料の値段に効くと担当者が説明できる系列だけです。 1品目あたり2〜3系列に絞ります。

データの取得方法を決める

日本銀行の API は、URLに条件を付けて呼びます。利用マニュアルの例では https://www.stat-search.boj.or.jp/api/v1/getDataCode?format=json&lang=en&db=CO&startDate=202401&endDate=202504&code=... の形で、format（JSON か CSV）、lang（日本語か英語）、db（DB名）、startDate と endDate（月次なら YYYYMM）、code（系列のコード） を指定します。

1回の呼び出しで指定できる系列のコードは同じ頻度のものだけで、上限は250系列、データの点数は6万点とされています。30品目で選ぶ系列は多くても90系列ほどなので、月次の系列を1回か2回の呼び出しでまとめて取れます。 取った値は手元に保存し、次の月は不足の月だけを取ります。

系列の選び方は /getMetadata で確かめてから決めます。 企業物価指数には、品目・類別などの階層ごとに多くの系列があり、名前の似た系列を取り違えやすいからです。選んだ系列のコードと名前を品目の台帳に書きます。

購買システムの単価は、月ごとに数量で重み付けした平均にします。 同じ月に小口の発注が高い単価で入ると、単純な平均では値動きに見えます。

AIへ渡す前に整形する

1. 品目コードのそろえ … 規格の変更で品目コードが変わった原材料は、新旧のコードを対応させて1つの系列にします
2. 月ごとの単価の作成 … 数量で重み付けした平均単価を月ごとに出します。発注の無い月は空のままにし、前の月の値で埋めません
3. 指標の月をそろえる … 単価の月と、指標の月を同じ月に並べます。指標の最新の月が単価より古いときは、その差を特徴量の作り方に反映します
4. 遅れの特徴量を作る … 指標の1〜3か月前の値と、前の年の同じ月からの変化率を特徴量にします。原材料の値段は、市況から数か月遅れて動くことが多いためです
5. 単価の変化率にする … 予測するのは単価そのものではなく、今月の単価からの変化率にします。品目ごとに単価の桁が違うためです
6. 特殊な月の印 … 仕入先の切り替え、規格の変更、災害などで単価が飛んだ月に印を付け、学習から外します

2番目の「前の月の値で埋めない」を軽く見ないでください。 埋めると値動きが無かったことになり、モデルは実際より値動きの小さい品目だと学びます。 幅が狭く出て、実績が幅から外れる割合が増えます。

学習と検証は、時間の順で分けます。 scikit-learn の TimeSeriesSplit は時間順のデータの分け方を作るもので、ほかの分け方は未来のデータで学習して過去のデータで評価することになるため不適切とされています。分割数の既定は5で、gap で学習用の末尾から検証用の手前までを空けられます。3か月先を見込むモデルでは、gap を2か月にします。 空けないと、検証の答えに近い月を学習で見てしまいます。

AIに処理させる

この構成の「AI」は2段に分かれます。 幅を出すのは Python の分位点回帰で、調達額の差も Python が計算します。生成AIは数字を出しません。 生成AIにさせるのは、出そろった表から判断メモの下書きを作ることだけです。

分位点回帰には、scikit-learn の QuantileRegressor を使います。 条件付きの分位点を予測する線形の回帰で、ピンボール損失を最小にし、外れ値に強いとされています。quantile の既定は0.5（中央値）、L1 の正則化の強さ alpha の既定は1.0、ソルバーの既定は highs です。10％点・50％点・90％点のそれぞれで、quantile を変えたモデルを3つ作ります。 線形のモデルなので、係数を見ればどの指標がどれだけ効いているかを担当者に説明できます。

alpha の既定の1.0は、変化率の桁によっては強すぎて、係数がすべて0になることがあります。 特徴量を標準化したうえで、TimeSeriesSplit の検証で品目ごとに選びます。

1行目がいちばん起きやすい失敗です。 表を渡して「まとめて」と頼むと、生成AIは変化率を円に直したり、合計を出し直したりします。判断メモの数字が表と違えば、会議で誰も表を信じなくなります。

指示内容を固定する

あなたは製造業の購買部で、毎月の購買会議の資料を準備する立場です。
渡された表だけを使って、品目ごとの判断メモの下書きを作ってください。
このメモは担当者が直してから会議に出します。

【作るもの】
1. 来月から3か月先の単価の見込みの幅（下限・中央・上限）を、表の値のまま写す
2. まとめ買いと分割発注の調達額の差を、下限・中央・上限の3通りで写す
3. 過去12か月で、実際の単価が見込みの幅に収まった割合を写す
4. 担当者が会議の前に確かめること（仕入先の予告、使用量の変化、倉庫の空き）を
   箇条書きで3つまで

【厳守事項】
- 数字は表にある値だけを使い、計算し直したり、円や％に換算し直したりしないでください。
- 「買うべき」「待つべき」「おすすめ」など、発注の判断を書かないでください。
- 市況の先行き、為替の見通し、ニュースの内容を書き足さないでください。
- 幅に収まった割合が 0.6 を下回る品目は、冒頭に「見込みの幅の信頼性が低い」と
  書いてください。
- 算定式の品目では、単価が算定式で決まることと、参照した指数の最新の月を書いてください。
- 表に無い品目や数字を足さないでください。
- 情報が足りないときは missing_info に項目名を入れ、推測で補わないでください。

【品目】{item_code}（{item_name}）／区分：{pricing_type}
【単価の見込みの幅】{forecast_table}
【調達額の比較】{purchase_scenarios}
【幅に収まった割合（過去12か月）】{coverage}
【指標の最新の月】{latest_index_month}

「発注の判断を書かない」を明記しないと、生成AIは結論を書きます。 上限で計算した調達額の差が大きければ「前倒しでの購入をおすすめします」と書き、会議の議論が、そのおすすめに賛成か反対かから始まってしまいます。

「幅に収まった割合が低い品目は冒頭に書く」は、幅を信じすぎないための仕掛けです。 割合の低い品目の幅をそのまま会議に出すと、狭い幅が確かな見込みに見えます。

出力形式を固定する

次の形のJSONで受け取ります。 Claude API の構造化出力（output_config.format に type: "json_schema" を指定）で、この形に固定します。

{
  "item_code": "RM-PP-01",
  "month": "2026-10",
  "pricing_type": "negotiated | formula",
  "latest_index_month": "2026-08",
  "forecast": [
    { "horizon": 1, "p10": 0.0, "p50": 0.0, "p90": 0.0 }
  ],
  "scenarios": [
    { "plan": "bulk | split", "cost_p10": 0, "cost_p50": 0, "cost_p90": 0 }
  ],
  "coverage_12m": 0.0,
  "memo_draft": "",
  "checks_before_meeting": [],
  "missing_info": [],
  "buyer_decision": { "plan": "", "reason": "" }
}

forecast scenarios coverage_12m latest_index_month は Python が埋め、memo_draft checks_before_meeting missing_info を生成AIが埋めます。buyer_decision は会議の後に担当者が書きます。

1つ目の理由は、数字と文章を別の層に置けることです。 生成AIの出力に数字の欄を持たせないので、生成AIが数字を書き換える経路がありません。 受け取った後に、memo_draft に出てくる数字が表の値と一致するかを Python で照らします。構造化出力では数値の範囲（minimum／maximum）や文字数の制約が使えず、additionalProperties は false にする必要があるとされているため、checks_before_meeting が3つ以内かの確認も受け取った後に行います。

2つ目は、会議の判断を見込みと並べて残せることです。 buyer_decision に決めた発注の仕方と理由を書けば、数か月後に、幅と判断と実際の単価を並べて振り返れます。

システムへ連携する

日本銀行の API の呼び出しは、毎月1回の定時実行と、担当者の動かし直しだけにします。 留意点の文書には、API を使ったサービスを公開する場合の届け出とクレジットの表示の求めがありますが。この構成は社内の会議の資料に使うだけで、サービスとして公開するものではありません。 社外に出す資料に載せる場合は、留意点の文書を読み直します。

仕入先の名前と単価は、生成AIに渡す表から外すこともできます。 判断メモに必要なのは品目と変化率と調達額の差で、仕入先ごとの単価は要りません。

人が確認する

担当者は、毎月、受け持ちの品目の表と判断メモを必ず見ます。

1. 幅に収まった割合を見る … 0.6を下回る品目は、幅を参考程度にとどめます
2. 仕入先から聞いている話と照らす … 値上げの予告、供給の不安、算定式の見直しの申し入れを書き足します
3. 使用量の見込みを確かめる … 工場の定期修理や新しい製品の立ち上げで、生産計画の表より使用量が変わることがあります
4. 判断メモを直し、会議の後に決めたことを書く … 機械の幅と違う判断をした場合は、理由を一言残します

2番目を省かないでください。 仕入先からの値上げの予告は、指標にはまだ表れていない情報です。予告が届いている品目で機械の幅だけを見ると、上限より上で単価が決まることがあります。

目標は、1品目をならして20分です。 幅が狭く調達額の差も小さい品目は表を見て数分、差の大きい品目は仕入先への確認を含めて30分以上かかります。

例外に対処する

上の2行は、毎月の運用で必ず起きます。 どちらも見込みを止める理由にはしませんが、どの月の指標で見込んだかを表に書かないと、古い指標の見込みが新しいものに見えます。

記録を残す

• 毎月の購買の実績のCSVと、日本銀行の API から取った系列の値（取った日時と最新の月）
• 品目の台帳のそのときの版（区分、選んだ系列、算定式）
• モデルの版、選んだ alpha、係数
• 品目ごとの幅、調達額の比較、幅に収まった割合
• 生成AIに渡した表と、返ってきた判断メモの下書き
• 会議で決めた発注の仕方と理由（buyer_decision）と、その後の実際の単価

最後の行は、半年ごとの振り返りに使います。 幅の外れが多かった品目、機械の幅と違う判断が当たった品目が分かれば、系列の選び方と特徴量を直す材料になります。