移動スーパーの会社が、ルート・曜日ごとの品目の売上の記録から Python で翌日の便の売れる量を予測し、積み込む品目と量の表を作る
ルートごと・品目の区分ごとの過去の販売と天気から、翌日の便の売れる量を Python で予測し、取り置きの品と予備を足して積み込みの表の案を作ります。冷蔵の箱に入りきらない日は、どの区分を減らすかまで案に入れます。
- 連携・自動化
- Python
- 対象業界
- その他/小売
- 対象部門
- 営業
- 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/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
01導入前 / 導入後の業務フロー
- 販売員が16時過ぎに倉庫に戻り、先週の同じ曜日の同じルートの販売の書き出しを開く
- 取り置きの台帳で、翌日のルートで頼まれている品を数える
- 品目の区分ごとに、先週の販売に天気や月の行事を思い浮かべて上げ下げする
- 冷蔵の箱に入るかを番重の数で数え、入らなければどれかを減らす
- 積み込みの表に書き、弁当・惣菜・刺身の数を17時までに提携先に出す
- 人本部の担当が毎日14時に、翌日の天気の予報(天気の区分・最高気温)を予定のシートに入れる。ルートの近くの催しは販売員が前もって入れておく
- 自動15時半に Python の処理が動き、販売の書き出し、取り置きの台帳、売れ残りと品切れの記録、予定を読む
- 自動学習済みのモデルで、翌日のルートの品目の区分ごとの売れる量を予測する
- 自動区分ごとに、取り置きの数と、過去の外れ方から決めた予備を足す
- 自動冷蔵の箱の容量に入るかを番重の数で確かめ、入らなければ区分の優先の表の順に予備から減らす
- 自動積み込みの表の案の欄に書き、弁当・惣菜・刺身の数の案を提携先への表の横に出す
- 人販売員が戻ってから案を見て、数を直して確定する。直したときは理由の区分を選ぶ。17時までに提携先への数を出す
- 人販売員が便の終わりに、品切れになった区分と、何か所目の停留所で切れたかを端末に付ける
各工程の詳しい説明を読む
- 販売員が16時過ぎに倉庫に戻り、先週の同じ曜日の同じルートの販売の書き出しを開く
- 取り置きの台帳で、翌日のルートで頼まれている品を数える
- 品目の区分ごとに、先週の販売に天気や月の行事を思い浮かべて上げ下げする
- 冷蔵の箱に入るかを番重の数で数え、入らなければどれかを減らす
- 積み込みの表に書き、弁当・惣菜・刺身の数を17時までに提携先に出す
(a)毎日25分かかる。 冷蔵の品だけでも区分が多く、取り置きを足して箱の容量に合わせる作業が、1日の運転の後にあります。 5台で毎日です。
(b)販売員ごとに勘が違う。 品切れでお客様に謝った経験のある販売員は毎回多めに、廃棄を言われた販売員は少なめに積みます。同じような団地を回るルートでも、廃棄の割合がかなり違います。
(c)品切れの日の販売は、本当に売れたはずの数より少なく残る。 先週の火曜に豆腐が12か所目で売り切れていれば、その日の販売の数は、残りの13か所で売れたはずの分が抜けた数です。 それを見て積むと、少なめが毎週続きます。
(d)取り置きの品が「いつもの量」に混ざる。 先週たまたま牛乳の取り置きが多かったと、その週の牛乳の販売が多く見え、今週はその分まで多めに積みます。 取り置きは頼まれた分だけ別に積めばよいのに、販売の記録の中で区別がついていません。
- 【人】 本部の担当が毎日14時に、翌日の天気の予報(天気の区分・最高気温)を予定のシートに入れる。ルートの近くの催しは販売員が前もって入れておく
- 【自動】 15時半に Python の処理が動き、販売の書き出し、取り置きの台帳、売れ残りと品切れの記録、予定を読む
- 【自動】 学習済みのモデルで、翌日のルートの品目の区分ごとの売れる量を予測する
- 【自動】 区分ごとに、取り置きの数と、過去の外れ方から決めた予備を足す
- 【自動】 冷蔵の箱の容量に入るかを番重の数で確かめ、入らなければ区分の優先の表の順に予備から減らす
- 【自動】 積み込みの表の案の欄に書き、弁当・惣菜・刺身の数の案を提携先への表の横に出す
- 【人】 販売員が戻ってから案を見て、数を直して確定する。直したときは理由の区分を選ぶ。17時までに提携先への数を出す
- 【人】 販売員が便の終わりに、品切れになった区分と、何か所目の停留所で切れたかを端末に付ける
7番目が、この設計の分かれ目です。 案は案で、決めるのは販売員です。販売員は、団地の集会所の催し、常連のお客様がしばらく休むという話のような、記録に無いことを知っています。 直した理由の区分を残すと、次にモデルに足すべき情報が見えてきます。
8番目の「何か所目で切れたか」が、次の予測の質を決めます。 品切れの日の販売の数を、どれだけ足りなかったかで補えるからです(第3章の(c))。
02今回想定するシステム構成
販売の端末の書き出し(車・日・ルート・停留所・品目・販売の数) 取り置きの台帳(ルート・日・品目・数) 売れ残りと品切れの記録(車・日・区分・売れ残りの数・品切れの停留所の順番) 予定のシート(翌日の天気の区分・最高気温・ルートの近くの催し) 品目と区分の対応、区分ごとの番重の数の換算、予備の線、優先の表、箱の容量 ▼【トリガー】毎日15時半(本部の PC の定時の実行) Python(pandas・LightGBM) ├──▶ 区分ごとの売れる量(ツイーディ回帰) ├──▶ 取り置きと予備を足す ├──▶ 冷蔵の箱の容量に合わせて減らす ▼ 積み込みの表(案の欄)/提携先への数の表(案の欄) ▼【人】販売員が直す・確定(17時まで)
| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(pandas・LightGBM) | R |
| 処理エンジン | LightGBM のツイーディ回帰(objective="tweedie") | LightGBM のポアソン回帰、scikit-learn の HistGradientBoostingRegressor |
| 集計 | Python(取り置きと予備の足し算、番重の換算、容量の調整、当たり方の記録) | 表計算の計算式 |
| 保管 | Google スプレッドシート(積み込みの表、取り置きの台帳、記録、予定、各種の表) | - |
新しく足すのは、Python の処理と、予定のシート、品目と区分の対応の表、予備の線と優先の表、積み込みの表の案の欄です。 販売の端末と取り置きの台帳はこれまでどおりで、この構成は端末にも台帳にも書き込みません。
ツイーディ回帰を選ぶのは、区分ごとの販売の記録に0が多いからです。 公式の説明では、tweedie は対数のリンクを使うツイーディの回帰で、保険の損害の合計のような値の予測に役立ちうるとされています。保険の損害も、多くの契約で0、ときどき大きな値が立つ形で、1つのルートの刺身の販売と同じ形です。 tweedie_variance_power は既定が1.5で、1に近づけるとポアソン、2に近づけるとガンマの分布に寄るとされています。
天気の過去の記録は、気象庁の過去の気象データのダウンロードの CSV を使います。 公式の説明では、昨日までの気象観測のデータから、複数の地点の複数の項目を取り出し、CSV 形式のファイルとしてダウンロードできるとされています。ルートごとに最寄りの観測地点を選びます。
03どうやって実装するのか
処理の起点を決める
毎日15時半の定時の実行を起点にします。 販売員が戻る16時過ぎに案が並んでいて、17時の提携先への締めまでに確定できる時刻です。本部の PC の定時の実行で Python の処理を呼び、数分で5台の表に案が並ぶ想定です。
15時半の時点では、その日の便の販売はまだ終わっていません。 翌日の便の予測に使うのは、前日までの販売の記録と、15時半の時点の取り置きの台帳だけにします。その日の便の販売を待つと、17時の締めに間に合いません。
モデルの学習は、毎週日曜の早朝に別に動かします。 毎日の実行は学習済みのモデルで予測するだけにします。同じルートは週に1回しか走らないので、毎日学習し直しても新しい記録はルート1本分しか増えません。
処理が失敗したときは、表に「案なし」と書いて本部の担当にメールで知らせます。 何も書かずに止まると、販売員は案を待って17時を過ぎます。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 販売 | 車、日、ルート、停留所、品目、販売の数、取り置きの受け渡しかどうかの区別 | 販売の端末の書き出し |
| 取り置き | ルート、日、品目、数、受けた日 | 取り置きの台帳 |
| 売れ残りと品切れ | 車、日、区分、戻した数、品切れの区分と停留所の順番 | 記録のシート |
| 予定 | 日、天気の区分、最高気温、ルートの近くの催し | 予定のシート |
| 祝日 | 祝日の日付 | 内閣府の祝日の CSV |
| 過去の天気 | 日ごとの天気の概況、最高気温、降水量 | 気象庁の過去の気象データの CSV |
| 表 | 品目と区分の対応、区分ごとの1番重あたりの数、予備の線、優先の順、車ごとの冷蔵の箱の番重の容量 | 各種の表のシート |
質を決めるのは、販売の記録の「取り置きの受け渡しかどうか」の区別です。 端末で取り置きの品を渡すときに別のボタンで打つようにすると、その場で選ばれた販売と、頼まれた品の受け渡しが記録の上で分かれます。 分かれていないと、第3章の(d)がそのまま学習に入ります。
祝日は内閣府の CSV を使います。 公式のページでは、昭和30年から令和9年までの国民の祝日を CSV で載せており、令和10年の祝日は令和9年2月に載せるとされています。祝日に走るかどうかは会社の決まりによるので、走る祝日だけを説明の値にします。
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 |
|---|---|---|
| 過去2年の販売 | 端末の書き出しを、ルート・日・区分でまとめる(取り置きの受け渡しを除く) | 学習の目的の値 |
| 翌日の取り置き | 取り置きの台帳の15時半の時点の内容 | 積み込みに足す数 |
| 品切れの停留所の順番 | 記録のシート | 品切れの日の補い |
| 天気 | 気象庁の CSV(過去)、予定のシート(翌日) | 説明の値 |
| 停留所の数 | ルートの停留所の一覧の、その日の時点の数 | 説明の値 |
区分は約30にまとめます。 400品目それぞれを予測すると、1ルートで年に数回しか売れない品目ばかりになります。豆腐・納豆、牛乳、卵、パン、弁当、惣菜、刺身、精肉のように、積み込みの判断の単位で区分を作ります。 区分の中の品目の割合は、直近8回の同じルートの販売から出します。
停留所の一覧には、追加と廃止の日を持たせます。 新しい団地の停留所が加わると、そのルートの販売は増えます。停留所の数を説明の値に入れておくと、停留所が変わった後も予測が追いつきます。
気象庁のデータを使うときは、出典を書きます。 気象庁のホームページの利用規約では、コンテンツを利用する際は出典を記載し、編集・加工して利用する場合は、出典とは別に編集・加工を行ったことを記載するよう求めています。販売員に見せる表の下に、出典と加工した旨を書きます。
AIへ渡す前に整形する
- 取り置きを除く … 販売の記録から取り置きの受け渡しの行を除き、その場で選ばれた販売だけを区分ごとに足します
- 品切れの日の補い … 品切れの区分は、切れた停留所より先の停留所の数の割合で、直近の同じルートの停留所ごとの売れ方から足りなかった分を見積もって足します。後半の停留所で切れた日だけ補い、前半で切れた日は学習から外します
- 走らなかった日の扱い … 車の故障・大雪で走らなかった日、ルートの途中で戻った日は、予定のシートで印を付けて学習から外します
- 説明の値 … ルート、区分、月、月の中の区分(月初・中旬・月末)、祝日、天気の区分、最高気温、降水量、停留所の数、直近4回の同じルート・同じ区分の平均、ルートの近くの催し
- カテゴリの列 … ルートと区分は pandas の category の型にします
2番目で補う日と外す日を分けるのは、補いの見積もりが前提を置いているからです。 後半で切れた日は、残りの停留所が少ないので見積もりの外れも小さく、前半で切れた日は、足りなかった分のほうが大きく、見積もりに頼りすぎるからです。
5番目の category の型は、LightGBM の決まりに合わせるためです。 公式の説明では、カテゴリの列の値は int32 に変換され、Python のパッケージでは pandas の categorical から整数の符号が取り出されるとされています。また、負の値はすべて欠けた値として扱われるので、自分で番号を振る場合も0から振ります。
AIに処理させる
させるのは、翌日のルートの品目の区分ごとの売れる量を予測することだけです。 取り置きと予備の足し算、容量の調整は Python の計算で行います。
| 段階 | 中身 | 使うもの |
|---|---|---|
| 区分ごとの売れる量 | 翌日のルートの区分ごとの、その場で選ばれる販売の数 | LightGBM(objective="tweedie"、tweedie_variance_power は1.5から試す) |
| 取り置きの足し算 | 取り置きの台帳の翌日の分を区分ごとに足す | Python |
| 予備 | 区分ごとに、過去8回の同じルートの「予測」と「実際」の差の、予備の線の点 | Python |
| 品目への割り振り | 区分の量を、直近8回の区分の中の品目の割合で割り振る | Python |
| 容量の調整 | 冷蔵の区分の番重の合計が箱の容量を超えたら、優先の表の低い区分の予備から減らす | Python |
tweedie_variance_power は、1.5から始めて、1.2・1.5・1.8 の3つを直近の期間で比べて決めます。 0の多い区分が多ければ1に近い値、売れた日の数の振れが大きい区分が多ければ2に近い値が合いやすくなります。比べるときは、評価の power も同じ値に合わせて測ります。 違う power で測った逸脱度どうしは比べられないので、比べる指標はピンボールの損失のような共通のものにそろえます。
予備の線は、区分ごとに変えます。 豆腐や牛乳は切れると不満が大きく、戻しても値引きで売れるので高めの線、刺身と弁当は戻すとほぼ廃棄なので低めの線、というように、区分ごとの予備の線の表を販売員と本部が決めます。
容量を超えたときに減らすのは予備からです。 取り置きの品は約束なので減らしません。予備を全部減らしても入らない日は、案に「容量超え」の印を付け、販売員がどの区分を棚に回すかを決めます。
| させないこと | 理由 |
|---|---|
| お客様ひとりひとりの買い物の予測 | 積み込みに要らない。個人の購買の記録を予測に使わない |
| 取り置きの品の数を変える | お客様との約束。台帳のとおりに積む |
| 提携先への発注を確定する | 販売員が記録に無い事情を足して決める |
| ルートや停留所の組み替え | 営業の責任者が地域の事情を見て決める |
| 温度の管理の判断 | 冷蔵の箱の温度の記録は別の決まりで行う |
1行目は、とくに気を付けてください。 端末には停留所ごとの販売が残り、常連のお客様がどの停留所で何を買うかも分かってしまいます。この構成はルートと区分の単位でだけ予測し、停留所より細かい記録は品切れの補いにだけ使います。
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、学習と積み込みの案の作り方の中身を示します。
import lightgbm as lgb
import numpy as np
from sklearn.metrics import mean_tweedie_deviance
POWER = 1.5
FEATS = ["route", "cat", "month", "month_part", "is_holiday", "weather_cat",
"temp_max", "rain_mm", "n_stops", "recent4_same_mean", "near_event"]
CATS = ["route", "cat", "month_part", "weather_cat"]
def prep(df):
df = df.copy()
for c in CATS:
df[c] = df[c].astype("category")
return df
train = prep(train[~train["early_soldout"] & ~train["not_run"]])
model = lgb.LGBMRegressor(objective="tweedie", tweedie_variance_power=POWER,
n_estimators=500, learning_rate=0.03,
num_leaves=31, min_child_samples=30)
model.fit(train[FEATS], train["sold_walkin"])
# 評価は学習と同じ power で測る(既定の power=0 は二乗誤差になる)
pred_va = model.predict(prep(valid)[FEATS])
dev = mean_tweedie_deviance(valid["sold_walkin"], np.maximum(pred_va, 1e-6),
power=POWER)
def load_plan(pred, reserve, reserved_qty, per_crate, priority, capacity):
qty = np.ceil(pred + reserved_qty + reserve) # 区分ごとの数
crates = np.ceil(qty / per_crate)
for cat in priority[::-1]: # 優先の低い区分から
while crates.sum() > capacity and reserve[cat] > 0:
reserve[cat] -= 1 # 予備だけを減らす
qty[cat] = np.ceil(pred[cat] + reserved_qty[cat] + reserve[cat])
crates[cat] = np.ceil(qty[cat] / per_crate[cat])
return qty, crates, crates.sum() > capacity # 最後は容量超えの印
mean_tweedie_deviance の power を学習と同じ値で渡すのが、この中でいちばん忘れやすい1行です。 公式の説明では、power の既定は0で、そのときは二乗誤差に当たります。 書き忘れると、ツイーディで学習したモデルを二乗誤差で測ることになり、0の多い区分の当たり方が正しく見えません。
np.maximum(pred_va, 1e-6) は、評価の決まりに合わせるためです。 公式の説明では、power が1と2の間のとき、実績は0以上、予測は0より大きい必要があるとされています。予測は対数のリンクで0より大きく出るはずですが、念のため下限を置きます。
予備 reserve は、別の計算で毎週出し直します。 直近8回の同じルートについて、予測と、実際の販売(品切れの日は補った数)の差を並べ、区分ごとの予備の線の点を取ります。
出力形式を固定する
販売員に渡すのは、積み込みの表の案の欄です。 戻ってから17時の締めまでに見ることを前提にします。
【11月18日(水)・3号車・団地東ルートの積み込みの案(11月17日 15:36 作成)】
| 区分 | 予測 | 取り置き | 予備 | 案 | 番重 | 印 |
|---|---|---|---|---|---|---|
| 豆腐・納豆 | 34 | 4 | 6 | 44 | 2 | - |
| 牛乳 | 22 | 6 | 4 | 32 | 2 | - |
| 弁当 | 15 | 2 | 1 | 18 | 3 | 黄(品切れ多発) |
| 刺身 | 6 | 0 | 1 | 7 | 1 | - |
| 冷蔵の合計 | - | - | - | - | 22/24 | - |
表の下に、区分の中の品目への割り振りを並べます。 豆腐・納豆の44なら、絹豆腐・木綿豆腐・納豆3種への割り振りです。最後に、印の意味と、気象庁のデータの出典と加工した旨を書きます。 「品切れ多発」は補いや学習から外した日が多い区分、「容量超え」は予備を全部減らしても箱に入らない日、「予報未入力」は天気を不明で予測した日です。
機械で読む用には、同じ内容を CSV でも残します。 列は、日、車、ルート、区分、予測、取り置き、予備、案、番重、印、モデルを作った日付、販売員が確定した数と直した理由の区分です。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 販売の端末 | 日ごとの書き出しのファイルを読む | 品目ごとの販売の数と取り置きの受け渡しの区別 |
| 取り置きの台帳 | スプレッドシートを読む | 翌日の取り置きの品 |
| 記録・予定・表のシート | スプレッドシートを読む | 売れ残り、品切れ、天気の予報、各種の表 |
| 積み込みの表 | 案の欄にだけ書く | 区分ごとの案、品目への割り振り、番重、印 |
| 提携先への数の表 | 案の欄にだけ書く | 弁当・惣菜・刺身の数の案 |
書き込むのは、案の欄だけです。 販売員が書く確定の欄と、提携先へ出す欄には書きません。16時45分になっても確定の欄が空の車は、倉庫の積み込みの係が販売員に声をかけます。 案をそのまま提携先へ流す作りにはしません。
人が確認する
- 販売員が案を見て直す … 集会所の催し、常連のお客様の休み、ルートの工事のような、記録に無い事情で数を直します。直したら理由の区分を選びます
- 印のある区分を先に見る … 「品切れ多発」「容量超え」「予報未入力」の区分は、販売員の判断を優先します
- 積み込みの係が番重の数を確かめる … 冷蔵の箱に実際に入るかを、積み込みのときに確かめます
- 本部が週1回、当たり方を見る … 区分ごとのツイーディの逸脱度と、販売員が直した件数を見て、予備の線とモデルを見直します
1番目の理由の区分に、お客様の事情の中身は書きません。 「常連の休み」のような区分だけを選び、入院や施設への入所といった理由は記録に残しません。 健康にかかわる情報を、積み込みの記録に持ち込まないためです。
目標は、1台の1日の確定を8分で終えることです。 案を見て、印のある区分だけ考え、確定の欄と提携先への数を書く時間です。
例外に対処する
| 起きること | 対応 |
|---|---|
| 販売の端末の書き出しが届いていない | 前日までの分で予測し、「販売未取込」の印 |
| 予定のシートの天気が空 | 天気を「不明」として予測し、「予報未入力」の印 |
| 停留所の追加・廃止 | 停留所の一覧に日付を入れ、停留所の数の説明の値で追う。直後の4回は「停留所変更」の印 |
| 新しいルート | 学習に無いので、近い団地のルートの案を参考に販売員が決める |
| 車の故障・大雪で走らない | 予定のシートで印を付け、案を出さない。学習からも外す |
| 取り置きが急に多い | 取り置きは台帳のとおりに足す。予備は変えない |
| 予備を全部減らしても容量を超える | 「容量超え」の印。販売員が棚に回す区分を決める |
| 品切れで外した日が3割を超える区分 | 「品切れ多発」の印。本部が予備の線を上げるかを決める |
上から3行目までが、最初の数か月の大半を占めます。 どれもモデルの問題ではなく、書き出しの時刻と表の整備の問題です。 端末の書き出しを毎日同じ場所に自動で置く設定にすると、ほとんど起きなくなります。
記録を残す
- 毎日の予測に使った入力(販売・取り置き・天気の予報)と、作った日時
- 区分ごとの予測、取り置き、予備、案、番重、容量の調整で減らした数
- 販売員が確定した数と、直した理由の区分
- 実際の販売、品切れの区分と停留所の順番、戻した数
- 毎週の学習のたびの、区分ごとのツイーディの逸脱度
- 予備の線と優先の表の変更の履歴
3つ目と4つ目を並べると、案と販売員の判断のどちらが当たっていたかが分かります。 販売員が多めに直して戻しが出た日、案のままで品切れが出た日を、販売員と本部が月に1回見る材料にします。
04実装レベルの3段階
本記事の想定は本格構成です。 1件25分が8分になります。半自動化の段階で、取り置きの足し算と番重の数え上げが自動になり、①と③の多くは要らなくなります。 天気と停留所の数での上積みは本格構成からです。 段階を飛ばさないでください。 取り置きの区別と品切れの停留所の記録が3か月そろう前に本格構成を作ると、少なめと多めが混ざった記録を学ぶモデルになります。 半自動化の期間は、販売員に案を見てもらいながら、端末の打ち方と品切れの記録を全車でそろえる期間でもあります。
05工数削減シミュレーション
導入後 120件 × 8分 ÷ 60 = 16 時間/月
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。
06向いている企業・向いていない企業
- 軽トラックの移動スーパーを数台走らせ、曜日ごとに決まったルートで同じ停留所を週1〜2回まわっている会社。販売の端末で品目ごとの販売の数が便ごとに残り、取り置きの頼まれごとを台帳に付けている場合。販売員が前日の夕方に経験で積み込みの表を作っていて、同じ月に豆腐や惣菜の売れ残りと品切れが両方出る場合。スーパーが自社で移動販売の車を出している場合や、生協の移動店舗にも使える。
- 車が1台で、販売員が毎回同じお客様の買い物を覚えていて困っていない場合。ルートが毎回変わり、同じ停留所の記録がたまらない場合。販売の端末が無く、売上を金額だけで付けている場合。始めて半年未満で、季節の動きが記録に無い場合。なお、仕入の発注、食品の温度の管理、お客様の見守りの対応、ルートの組み替えは、この構成では代替できません。
07最小構成で試す方法
- 1台の車の1ルートに絞り、過去半年の区分ごとの販売と、品切れの覚えがある日を集める
- 表計算で、区分ごとに直近4回の同じルートの販売の平均を出す
- 平均に取り置きを足し、区分ごとに少しの予備を足して積み込みの案にする
- 4週間、販売員の積み込みと、この案と、実際の販売・戻し・品切れを並べて記録する
- どちらが戻しと品切れの釣り合いがよかったかを、区分ごとに見る
3番目は、モデルを使わない最も素朴な案です。 これで販売員の積み込みと同じくらいなら、天気と停留所の数を入れたモデルでどこまで上積みできるかを見る段階に進みます。
| 出てきた内容 | 判断 |
|---|---|
| 素朴な案でも販売員の積み込みと同じくらい当たった | ツイーディ回帰のモデルに進む |
| 端末で取り置きの受け渡しが区別されていない | 端末の打ち方をそろえるのが先 |
| 品切れの停留所の記録が無い | 記録の付け方が先。 予測の問題ではない |
2行目が出ることは珍しくありません。 失敗ではなく、積み込みがなぜ多めに寄っていたかの理由が1つ分かったということです。 端末の打ち方をそろえて4週間記録してから、同じ比べ方をやり直します。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 取り置きの多い週の後に多めになる | 取り置きの受け渡しを販売から除き、台帳の数を別に足す |
| 少なめを毎週学ぶ | 後半の品切れは補い、前半の品切れは学習から外す |
| 評価で当たり方が正しく見えない | mean_tweedie_deviance の power の既定は0(二乗誤差)。学習と同じ値を渡す |
| 評価が値の決まりで止まる | power が1と2の間は予測が0より大きい必要がある。下限を置く |
| ルートの番号が大小のある数になる | category の型にする。自分で振るなら0から(負は欠けた値) |
| 400品目を直接予測して0ばかりになる | 積み込みの判断の単位で約30区分にまとめ、品目は割合で割り振る |
| 取り置きまで容量の調整で減る | 減らすのは予備だけ。取り置きは約束 |
| 停留所の追加の後に予測が追いつかない | 停留所の数を説明の値に入れる |
| 気象庁のデータの出典が抜ける | 表の下に出典と加工した旨を書く |
| 直した理由にお客様の健康の事情が書かれる | 理由は区分だけを選ぶ |
| 祝日の CSV が翌々年に無い | 毎年2月ごろに取り直す |
上の2行が、この構成の失敗のほとんどです。 どちらも ERR も警告も出ないまま、取り置きの週の後に多め、品切れの週の後に少なめという揺れが、毎週の案に入り続けます。 記録の区別の問題で、モデルを替えても直りません。
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: ルートごと・区分ごとの販売の数、取り置きの台帳、売れ残りと品切れの記録です。取り置きの台帳と端末の記録には、お客様の名前や停留所ごとの買い物が含まれます。
- 予測に使うのはルートと区分の単位の数だけ … お客様の名前は書き出しの段階で外し、個人の買い物の予測はしません
- 停留所ごとの記録は品切れの補いにだけ使う … 常連のお客様がどの停留所で何を買うかを、予測の説明の値に入れません
- お客様の健康の事情を記録に持ち込まない … 販売員が直した理由は区分だけを選び、入院・施設への入所などの事情は書きません
- 取り置きの台帳の閲覧を販売員と本部に限る … 名前と頼まれた品が並ぶ表です
- 積み込みを決めるのは販売員 … この構成が出すのは案です。確定の欄と提携先への数を自動で埋める作りにしません
- 気象庁のデータの出典を書く … 利用規約にしたがい、加工した旨も書きます
- 販売員の評価に案との差を使わない … 直した記録は、モデルと情報の足りないところを見つけるための材料です。直したこと自体を減点にすると、販売員は案のまま確定するようになり、記録に無い事情が量に入らなくなります
誤りが起きた場合のリスクは、多すぎて刺身や弁当を捨てることと、少なすぎて後半の停留所のお客様が買えないことの2つです。 移動スーパーのお客様には、ほかに買い物の手段が少ない方もいます。後半の停留所の品切れを重く見て、豆腐や牛乳のような毎日の品の予備の線を高めに置きます。
10まず何から始めるか
1週目:端末の打ち方と記録をそろえる
5台で、取り置きの受け渡しを端末の別のボタンで打つようにそろえます。品切れになった区分と、何か所目の停留所で切れたかを、便の終わりに端末に付ける習慣を始めます。
2週目:表を作る
品目と区分の対応、区分ごとの1番重あたりの数、車ごとの冷蔵の箱の容量、区分ごとの予備の線と優先の表を、販売員と本部で決めます。
3〜6週目:素朴な案で試す
1台の1ルートで、直近4回の平均に取り置きと予備を足した案を出し、販売員の積み込みと並べて4週間記録します。
2か月目: Python で5台の書き出しと取り置きの台帳を毎日読み、半自動化の案と番重の数を出します。3か月目以降: ツイーディ回帰を入れ、容量の調整と毎週の当たり方の記録を始めます。区分ごとの逸脱度が週ごとに落ち着き、販売員が直す件数と後半の停留所の品切れが月ごとに減っていった時点で、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
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
tweedie が対数のリンクを使うツイーディの回帰で、保険の損害の合計のような値の予測に役立ちうるとされること。tweedie_variance_power の既定が1.5で、1.0以上2.0未満、1に近いとポアソン・2に近いとガンマに寄ること。カテゴリの列の値が int32 に変換され、pandas の categorical から整数の符号が取り出され、負の値が欠けた値として扱われること | LightGBM: Parameters | 2026-11-16 |
mean_tweedie_deviance の power の既定が0(二乗誤差に当たる)で、1でポアソン、2でガンマ、1と2の間は実績が0以上・予測が0より大きい必要があること | scikit-learn: mean_tweedie_deviance | 2026-11-16 |
| 昨日までの気象観測データから複数地点の複数項目を取り出し、CSV 形式でダウンロードできること | 気象庁: 過去の気象データ・ダウンロード ヘルプ | 2026-11-16 |
| 利用の際に出典を記載し、編集・加工した場合は出典とは別にその旨を記載すること | 気象庁: ホームページについて(利用規約) | 2026-11-16 |
| 昭和30年から令和9年までの国民の祝日を CSV で載せていること。令和10年の祝日は令和9年2月に載ること | 内閣府: 国民の祝日について | 2026-11-16 |
食品の温度の管理、売れ残りの扱い、お客様の個人の情報の扱いは、会社の決まりと関係する法令に従ってください。 区分ごとの予備の線の値と、積み込みの確定は、販売員と本部が決めてください。本記事は公開資料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-3406)についてのご相談はこちらから。
