Media > AI活用ユースケース > 物流 > 納豆の製造会社が取引先ごとの過去の受注・特売の予定・曜日から Python で3日先の日別の出荷の数を予測し、大豆の仕込みの量を決める

納豆の製造会社が取引先ごとの過去の受注・特売の予定・曜日から Python で3日先の日別の出荷の数を予測し、大豆の仕込みの量を決める

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

取引先ごと・品目ごとの過去の受注と、取引先から届く特売の予定、曜日・祝日から、Python で3日先の受注の数を幅つきで予測します。大豆の種類ごとに積み上げて、毎日の浸漬の量と、容器・たれの準備の数の案を出します。

サマリー
連携・自動化
Python
対象業界
商社/小売/製造
対象部門
物流/生産
対象業務
比較検討/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
現在工数
18h/月
AI導入後
4h/月
想定削減
78%
年間削減
168h
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. 午前中、生産管理の担当が受注のシステムで、28品目の先週と前年の同じ曜日の出荷の数を探す
  2. 特売の予定の表で、3日先に特売がある取引先と品目、内示の数を確かめる
  3. 取引先ごとに、内示に対して実際の発注がどれだけ出たかを、担当の記憶と過去のメモで見積もる
  4. 品目ごとの見込みの数を、大豆の種類ごとの浸漬の量(kg)と、容器・たれの数に置き換える
  5. 発酵室の空きと、在庫の賞味期限の残りを見て、量を足し引きする
  6. 生産の計画の表に書き、浸漬の担当へ渡す
  7. 出荷の前日に確定の発注が届き、欠品が出そうなら、物流課が取引先ごとの配分を決めて営業へ伝える
導入後(After)
  1. 人営業が、取引先の本部から届いた特売の予定(日、品目、内示の数、売価、チラシの掲載の有無)を特売の予定の表に入れる
  2. 自動毎日9時に、Python が受注のシステムの記録、特売の予定の表、品目の表を読み込み、3日先の取引先ごと・品目ごとの受注の数を2割・5割・8割の分位で見込む
  3. 自動品目ごとに、どの分位まで作るかの線と、在庫で回せる数を足し引きして、作る数の案を出す
  4. 自動作る数を、大豆の種類ごとの浸漬の量(kg)と、容器・たれの数に積み上げ、発酵室の上限に収まるかを確かめる
  5. 人生産管理の担当が、印の付いた品目と取引先を中心に見て、浸漬の量を決める
  6. 人浸漬の担当が、決まった量で浸ける
  7. 自動確定の発注が届いたら、見込みとの差を記録し、翌日の見込みの材料にする
各工程の詳しい説明を読む
  1. 午前中、生産管理の担当が受注のシステムで、28品目の先週と前年の同じ曜日の出荷の数を探す
  2. 特売の予定の表で、3日先に特売がある取引先と品目、内示の数を確かめる
  3. 取引先ごとに、内示に対して実際の発注がどれだけ出たかを、担当の記憶と過去のメモで見積もる
  4. 品目ごとの見込みの数を、大豆の種類ごとの浸漬の量(kg)と、容器・たれの数に置き換える
  5. 発酵室の空きと、在庫の賞味期限の残りを見て、量を足し引きする
  6. 生産の計画の表に書き、浸漬の担当へ渡す
  7. 出荷の前日に確定の発注が届き、欠品が出そうなら、物流課が取引先ごとの配分を決めて営業へ伝える

(a)特売の日に欠品し、特売の明けに余る。 内示より多く発注が来る取引先の特売で欠品し、物流課が他の取引先への出荷を削って回します。 特売が明けると発注は急に落ち、多めに作った分が在庫に残ります。特売の明けの在庫は、納品期限の厳しい取引先へは出せません。

(b)内示の癖が担当の頭の中にある。 どの取引先が内示より多めに発注するか、チラシに載ったときと載らないときでどれだけ違うかは、担当の経験の中にあります。担当の休みの日は、課長が前週と同じ量で浸けます。 特売の重なる週は大きく外れます。

(c)出荷の数を「売れた数」として覚えている。 受注のシステムで見ているのは出荷の数で、欠品した日は、発注より少ない出荷の数が記録に残ります。 欠品の多い特売の日ほど、翌年に低く見積もります。

(d)28品目の積み上げに時間がかかる。 見込みの数を品目ごとに出したあと、大豆の種類ごとの kg と、容器の種類ごと・たれの種類ごとの数に置き換えるのは、毎日の表計算の手作業です。

  1. 【人】 営業が、取引先の本部から届いた特売の予定(日、品目、内示の数、売価、チラシの掲載の有無)を特売の予定の表に入れる
  2. 【自動】 毎日9時に、Python が受注のシステムの記録、特売の予定の表、品目の表を読み込み、3日先の取引先ごと・品目ごとの受注の数を2割・5割・8割の分位で見込む
  3. 【自動】 品目ごとに、どの分位まで作るかの線と、在庫で回せる数を足し引きして、作る数の案を出す
  4. 【自動】 作る数を、大豆の種類ごとの浸漬の量(kg)と、容器・たれの数に積み上げ、発酵室の上限に収まるかを確かめる
  5. 【人】 生産管理の担当が、印の付いた品目と取引先を中心に見て、浸漬の量を決める
  6. 【人】 浸漬の担当が、決まった量で浸ける
  7. 【自動】 確定の発注が届いたら、見込みとの差を記録し、翌日の見込みの材料にする

5番目で決めるのは担当です。 モデルが出すのは量の案で、大豆の入荷の遅れ、発酵室の点検、取引先から電話で入った急な変更を知っている担当が決めます。

3番目で「どの分位まで作るか」を品目ごとに変えるのは、余る損と足りない損が品目ごとに違うからです。 欠品の重い主力の品目と、納品期限が厳しく余りが捨てに近い品目とで、線を分けます。

02今回想定するシステム構成

構成図
受注のシステムの記録(取引先ごと・品目ごとの確定の発注・出荷・欠品)
+ 特売の予定の表(日・品目・内示の数・売価・チラシの掲載)
+ 品目の表(大豆の種類・1パックの大豆の量・容器・たれ・納品期限・線)
+ 祝日(内閣府の CSV)+ 在庫の表(品目ごと・製造日ごと)
   │
   ▼【トリガー】毎日9時(3日先の分)
Python(pandas)
   ├──▶ 発注の数を目的にそろえる(出荷ではなく)
   ▼
scikit-learn(HistGradientBoostingRegressor、分位点の損失、単調の制約)
   │   3日先の取引先ごと・品目ごとの受注の見込み(2割・5割・8割)
   ▼
Python ── 品目ごとの線と在庫で作る数を決め、
           大豆の種類ごとの kg、容器・たれの数に積み上げ
   ▼
【人】生産管理の担当が浸漬の量を決め、浸漬の担当へ渡す
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(分位点の損失、単調の制約)LightGBM、statsmodels
集計Python(作る数の決定、大豆の kg と容器・たれの数への積み上げ)スプレッドシートの計算式
保管Google スプレッドシート(特売の予定、品目の表、決めた量の記録)-

新しく足すのは、Python の処理と、品目の表です。 受注のシステムと特売の予定の表はこれまでどおりで、この構成は生産の計画の表にも取引先への回答にも書き込みません。 出すのは量の案です。

予測のエンジンに HistGradientBoostingRegressor を選んだのは、分位点を直接出せ、項目ごとに単調の制約をかけられるからです。 loss="quantile" と quantile で分位を指定し、2割・5割・8割の3本を作ります。monotonic_cst に項目名をキーにした辞書を渡すと、その項目が増えたら見込みも増える(1)・減る(−1)という制約をかけられます。 内示の数と値引きの率に「増える」の制約をかけ、記録の少ない取引先で「値引きを深くしたら見込みが下がった」という逆向きの見込みが出ないようにします。

取引先と品目は pandas の Categorical の列にしておきます。 categorical_features の既定の 'from_dtype' でカテゴリとして扱われ、22の取引先と28品目を1本のモデルで学習し、取引先ごとの癖はカテゴリの分岐で拾わせます。

生成AIは使いません。 予測と積み上げは数の問題で、担当に渡すのは品目ごと・大豆の種類ごとの表です。

03どうやって実装するのか

Step1

処理の起点を決める

毎日9時に動かします。 浸漬は午後に始まるので、午前のうちに担当が案を見て量を決め、浸漬の担当へ渡せる時刻です。前日の昼に届いた確定の発注と、前日の出荷と欠品の記録が受注のシステムに入ったあとでもあります。工場の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。

受注のシステムの書き出しが前日の分を含んでいるかを、最初に確かめます。 前日の出荷の記録が無ければ10分おきに3回まで待ち、それでも無ければ「前日の記録未確定」の印を付けて案を出します。

工場が休む日の前は、2日分を出します。 日曜に浸漬をしない工場では、土曜の9時に、月曜と火曜の浸漬の分をまとめて出します。 3日先と4日先の見込みは当たり方が落ちるので、表に「4日先」と印を付けます。

月に1回、モデルを作り直します。 当たり方は scikit-learn の TimeSeriesSplit で、前の期間で学習し後の期間で確かめる形で見ます。gap は行の数なので、取引先×品目の行ではなく日付の並びにかけ、3を入れて、仕込みの時点で手に入らない直近の3日を学習の末尾から空けます。 作り直したあとの当たり方が悪くなっていれば、前のモデルのまま使います。

Step2

入力データを集める

データ中身取得元
受注取引先ごと・品目ごと・出荷の日ごとの確定の発注の数受注のシステム(EDI の記録、CSV)
出荷と欠品出荷の数、欠品の数、欠品のときに配分を削った取引先受注のシステム(CSV)
特売の予定取引先、品目、特売の日、内示の数、売価と通常の売価、チラシの掲載の有無特売の予定の表
品目の表品目、大豆の種類、1パックあたりの乾いた大豆の量、容器とたれの種類、取引先ごとの納品期限(製造から何日まで出せるか)、作る線品目の表(生産管理と営業で決める)
在庫品目ごと・製造日ごとの在庫の数在庫の表
暦国民の祝日、連休の何日目か、月末と給料日、年末内閣府の祝日の CSV と会社の暦

質を決めるのは、確定の発注の数です。 出荷の数は、欠品した日には発注より少なく残ります。目的に使うのは発注の数で、出荷の数ではありません。 EDI の確定の発注が残っていれば、欠品した日も「取引先が欲しかった数」が記録にあります。

特売の予定の表は、営業が写すものなので、抜けが出ます。 取引先の本部から届いた予定を写し忘れると、その特売はモデルから見ると「ふだんの日」になります。予定の表に入っていない特売で発注が急に増えた日を、翌日に自動で拾い、営業へ確かめる一覧に出します。

品目の表の納品期限は、取引先ごとに違います。 農林水産省のページでは、賞味期間の3分の1以内で小売店舗に納品する慣例(いわゆる「3分の1ルール」)があり、期限内に納品できなかった食品は行き場を失い廃棄されうるとされています。同じページでは納品期限を緩和(または予定)している小売の事業者が増えているとも書かれていて、取引先ごとに何日まで出せるかを、営業が取引先に確かめて表に持ちます。

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
受注・出荷・欠品受注のシステムから毎日8時半に CSV を書き出し、決まったフォルダに置く目的の値と、欠品の印
特売の予定・品目の表・在庫スプレッドシートを CSV で書き出して読む特売の項目、作る数の決定
祝日年に1回、内閣府の CSV を入れ替える祝日の印

取引先の名前は、取引先コードに置き換えて読みます。 予測に要るのは「どの取引先か」の区別だけで、名前は要りません。売価と内示の数は取引先との取り決めの情報なので、事務所のパソコンの外に出しません。

祝日の CSV は、令和9年(2027年)までが載っていて、翌年の分が前の年の2月に載るとされているので、年に1回、2月に入れ替えます。年末年始とお盆は、祝日の CSV に載らないので、会社の暦の表で印を付けます。

Step4

AIへ渡す前に整形する

  1. 取引先・品目・出荷の日ごとにそろえる … EDI の確定の発注を、出荷の日ごとに足します。訂正の発注が来た日は、最後の訂正の数を使います
  2. 特売の予定をつなぐ … 取引先・品目・特売の日でつなぎ、内示の数、値引きの率(1 − 売価 ÷ 通常の売価)、チラシの掲載を列に持ちます。特売の無い日は内示を0、値引きを0にします
  3. 特売の前後を印にする … 特売の前日と、特売の明けの1日目・2日目に印を付けます。特売の明けは、店の在庫が残って発注が落ちる日です
  4. 扱っていない日を外す … 取引先が品目を棚から外していた期間と、新しく扱い始めて4週未満の期間は、0ではなく行ごと外します
  5. 項目を作る … 取引先、品目、曜日、祝日とその前日、連休の何日目か、月、月末と給料日の印、年末の印、特売の項目、特売の前後の印、前年の同じ週の同じ曜日の発注、直近4週の同じ曜日の平均、仕込みの時点で分かっている直近の発注(3日前まで)
  6. 取引先・品目・曜日を Categorical にする … pandas の Categorical の型にしておきます

5番目の最後の項目が、この構成の肝です。 学習のときに「前日の発注」を項目に入れると当たり方はよく見えますが、仕込みの時点では前日の発注はまだ届いていません。 3日先を見込むモデルには、3日前までに分かっていた値だけを渡します。 これを間違えると、試したときは当たるのに、毎日の運用で外れます。

4番目で棚から外れていた期間を0にしないのは、0の日を学習すると、その取引先の見込みが実際より少なく出るからです。 取引先コードと品目の組で「扱いの開始日・終了日」を営業から聞き、品目の表に持ちます。

Step5

AIに処理させる

させるのは、3日先の取引先ごと・品目ごとの受注の数を、2割・5割・8割の分位で見込むことだけです。 作る数と浸漬の量は、その見込みと品目の表から計算で出します。

段階中身使うもの
受注の見込み取引先ごと・品目ごとの3日先の発注の数(2割・5割・8割)HistGradientBoostingRegressor(loss="quantile")を分位ごとに3本
品目ごとの合計取引先の見込みを品目ごとに足す(分位はそれぞれの5割を足し、幅は取引先の幅から近似)Python の計算
作る数品目ごとの線の分位まで作る数から、納品期限の内で出せる在庫を引くPython の計算
浸漬の量作る数 × 1パックの乾いた大豆の量を、大豆の種類ごとに足すPython の計算

品目ごとの線は、生産管理と営業で決めます。 主力の品目は欠品の重さが大きいので8割、納品期限が厳しく特売の明けに余りやすい品目は6割、というように品目の表に持ちます。線を変えても学習のやり直しは要りません。 2割・5割・8割の3本から、線の分位を間で読みます。

在庫を引くときは、取引先ごとの納品期限で出せる数だけを引きます。 製造から2日の在庫は、どの取引先にも出せます。製造から4日の在庫は、納品期限の緩い取引先にしか出せません。出せる取引先の見込みを超える在庫は、引く数に入れません。

発酵室の上限も見ます。 作る数を発酵室の棚の数に置き換え、上限を超えるときは、線の低い品目から順に減らした案を出し、印を付けます。

させないこと理由
特売の条件の交渉営業と取引先の取り決め
欠品のときの取引先への配分取引先との関係に関わる。物流課と営業が決める
原料の大豆の調達の量産地と入荷を知る購買が決める
品質と衛生の管理、賞味期限の設定品質管理の決まりで行う
新しい品目の数記録が無い。営業の見込みで決める

4行目は、とくに気を付けてください。 在庫を回すために、納品期限の短い取引先へ製造日の古い品を出す判断に、この構成を使わないでください。 期限の扱いは取引先との取り決めと品質管理の決まりで行います。

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、見込みと浸漬の量の出し方の中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
import numpy as np

FEATURES = ["customer", "item", "weekday", "is_holiday", "is_pre_holiday",
            "holiday_seq", "month", "is_payday", "is_year_end",
            "promo_qty", "promo_discount", "promo_flyer", "promo_pre", "promo_after",
            "last_year_same", "recent4w_same_mean", "lag3_order"]
# customer・item・weekday・month は pandas の Categorical にしておく

models = {}
for q in (0.2, 0.5, 0.8):
    m = HistGradientBoostingRegressor(
        loss="quantile", quantile=q, max_iter=600, learning_rate=0.05,
        monotonic_cst={"promo_qty": 1, "promo_discount": 1},
        early_stopping=True, validation_fraction=0.15, random_state=0)
    m.fit(train[FEATURES], train["order_qty"])        # 出荷ではなく確定の発注
    models[q] = m

def soak_kg(plan, item_master):
    """plan:品目ごとの作る数(パック)。大豆の種類ごとの乾いた大豆の kg を返す"""
    df = plan.merge(item_master[["item", "bean_type", "dry_g_per_pack"]], on="item")
    df["kg"] = df["make_qty"] * df["dry_g_per_pack"] / 1000
    return df.groupby("bean_type")["kg"].sum().round(1)

monotonic_cst を項目名の辞書で渡すには、学習に渡す表に列の名前が付いている必要があります。 pandas の表で渡しているので、そのまま使えます。単調の制約をかけるのは、内示の数と値引きの率の2つだけです。 チラシの掲載や特売の明けの印に制約をかけると、「特売の明けに発注が落ちる」という動きまで消えるおそれがあります。

分位のモデルは3本別々なので、まれに2割の見込みが5割を上回ります。 出てきた値を小さい順に並べ替えて使い、並べ替えた行に印を残します。 印の多い取引先と品目の組は、記録の少なさを疑います。

early_stopping を明示的に有効にしています。 既定の 'auto' では行が10,000を超えるときなどにしか有効になりません。22の取引先と28品目の組の3年分なら行は十分に多いものの、取引先を絞って試すときは下回るので、明示しておきます。

Step7

出力形式を固定する

担当に渡すのは、次の2つの表です。 9時半に印刷し、浸漬の量を決める前に見ることを前提にします。

【3日先(11月7日・金)の出荷の分の品目ごとの案(火曜 9:04 作成/受注の書き出し 8:31)】

品目見込み(2割〜5割〜8割)線線までの数出せる在庫作る数の案印
極小粒 3個パック14,200〜15,800〜17,6000.817,60060017,000黄(特売3社)
小粒 ミニ36,100〜6,700〜7,4000.77,20007,200-
ひきわり 3個パック2,000〜2,300〜2,7000.62,4003002,100赤(予定に無い特売の疑い)

【大豆の種類ごとの浸漬の量と、容器・たれの数】

大豆の種類作る数の合計(パック)浸漬の量(乾いた大豆)発酵室の棚上限との差
極小粒28,4001,136.0 kg47-
小粒12,600504.0 kg21-

線までの数は、2割・5割・8割の見込みから、品目ごとの線の分位を間で読んだ数です。 作る数の案は、そこから納品期限の内で出せる在庫を引いたものです。取引先ごとの内訳は、別の表で開けるようにしておきます。 特売の重なる日に、どの取引先の見込みが大きいかを担当が確かめられるようにするためです。

同じ内容を CSV でも残します。 列は、出荷の日、取引先、品目、分位ごとの見込み、線、作る数、浸漬の量、印、モデルを作った日付です。確定の発注が届いたら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
受注のシステム毎日8時半に CSV を書き出してフォルダに置く確定の発注、出荷、欠品
特売の予定・品目・在庫の表スプレッドシートを CSV で書き出して読む特売、線、納品期限、在庫
生産の計画の表書き込まない(担当が決めてから書く)-
取引先への回答書き込まない(欠品の配分は物流課と営業)-

生産の計画の表には担当が書きます。 案をそのまま浸漬の担当へ渡す作りにすると、担当が直した量と案の量が混ざり、浸漬の担当がどちらで浸けるか迷います。 決めた量を記録の表にも入れ、確定の発注が届いたあとの当たり方の確認に使います。

Step9

人が確認する

  1. 作った日時と受注の書き出しの日時を見る … どちらも当日の朝であることを確かめます
  2. 印の付いた品目を見る … 黄(特売の重なり)と赤(予定に無い特売の疑い・発酵室の上限)の品目の量を決めます
  3. 取引先ごとの内訳を見る … 特売の日は、見込みの大きい取引先の内示と、担当の知っている取引先の事情を突き合わせます
  4. 予測の外の事情を足し引きする … 大豆の入荷の遅れ、発酵室の点検、取引先から電話で入った急な変更を足し引きします

目標は、24稼働日をならして1件10分です。 印の無い品目は案を写すだけで、時間を使うのは特売の重なる日と、赤の印の品目です。

Step10

例外に対処する

起きること対応
受注の書き出しに前日の分が無い10分おきに3回待ち、無ければ印を付けて案を出す
予定の表に無い特売で発注が急に増えた翌日に一覧に出し、営業が取引先に確かめて予定の表に入れる
取引先が品目を棚から外した・扱い始めた品目の表の扱いの期間を直す。外していた期間を0で学習しない
発酵室の上限を超える線の低い品目から減らした案を並べる
新しい品目見込みを出さず、営業の見込みで決める
新しい取引先学習のときに無かったカテゴリになり、見込みが当てにならない。似た規模の取引先の数を担当が使う
分位の見込みの順が逆になる並べ替えて使い、印を残す
パソコンが止まっていて動かなかった事務が手で実行。作った日時の古い表は使わない

2行目を見逃すと、同じ欠品を翌年もくり返します。 予定の表に無い特売の日は、モデルにとって「ふだんの日なのに発注が多かった日」になり、取引先のふだんの見込みを押し上げます。営業が予定の表に入れ直せば、特売の日として学習し直されます。

Step11

記録を残す

  • 実行の日時、使ったモデルの作成日、読み込んだ受注の書き出しの日時
  • 取引先ごと・品目ごとの分位の見込み、線、作る数、浸漬の量、印
  • 担当が決めた浸漬の量と、案から変えた理由
  • 確定の発注、出荷、欠品と、欠品のときに配分を削った取引先
  • 品目ごとの線と納品期限を変えた日と、変えた理由
  • 月ごとの当たり方(品目ごとの外れの大きさ、欠品した日の割合、納品期限を過ぎて出せなかった在庫の数)と、モデルの作り直しの結果

欠品した日の割合と、出せなかった在庫の数を、品目ごとに並べて見ます。 線を0.8にした品目は、ならせば5日に1日ほど見込みの8割を超えて発注が来るのが線のとおりの動きです。在庫で吸収できる分を除いて、それより多く欠品していれば見込みが低く、出せない在庫が多ければ線が高すぎます。

04実装レベルの3段階

最小構成:書き出した3か月の記録で Python を動かし、過去の4週で特売の日の当たり方を見る / 予測の当たり方の確認
半自動化:上記+毎日9時に、3日先の取引先ごと・品目ごとの見込みの表を出す / 受注の見込み
本格構成:上記+品目ごとの線と在庫で作る数を決め、大豆の種類ごとの浸漬の量と容器・たれの数まで積み上げ、発酵室の上限を確かめる / 見込みから浸漬の量まで

本記事の想定は本格構成です。 半自動化では見込みの表までで、品目ごとの作る数と、大豆の kg への積み上げは担当の手に残ります。 第3章の(d)の、28品目の積み上げの手作業も残ります。 半自動化で1件45分が25分ほどに、本格構成で10分になります。 差が大きいのは、在庫の引き算と浸漬の量への積み上げが、品目の表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、どの取引先の特売の見込みが当たり、どれが外れるかが分かります。外れる取引先の予定の表を直してから、本格構成に進みます。

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
24 件
1件あたり現在時間
45 分
1件あたり導入後時間
10 分
現在  24件 × 45分 ÷ 60 = 18 時間/月
導入後 24件 × 10分 ÷ 60 = 4 時間/月
月間削減時間
14h
削減率
78%
年間削減時間
168h
年間金額換算(時間単価3,000円)
50万円
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. スーパーのチェーンの物流センター、生協、業務用の卸など十数社から数十社へ、毎日納豆を出荷している製造会社。確定の発注が出荷の前日に届くのに、大豆の浸漬はその数日前に始めなければならず、仕込みの量を生産管理の担当が過去の出荷と特売の内示を見比べて決めている場合。特売の日に欠品し、特売の明けに余って納品期限を過ぎる、ということが同じ月に起きている場合。豆腐・油揚げ・こんにゃくなど、仕込みから出荷まで日数がかかる日配品の製造にも使える。
向いていない
  1. 取引先が数社で、出荷の1週間前に数が確定している場合。受注を電話とFAXで受けていて、取引先ごと・品目ごとの日別の記録が残っていない場合。新しい品目の発売の月(記録が無い)。なお、取引先との特売の条件の交渉、欠品のときの取引先への配分の決定、原料の大豆の調達、品質と衛生の管理は、この構成では代替できません。

07最小構成で試す方法

  1. 受注のシステムから、去年の10月から12月の3か月分の確定の発注を、取引先コード・品目・出荷の日で書き出す
  2. 同じ期間の特売の予定を、営業のメールと表から集め、内示の数と売価、チラシの掲載を表にする
  3. 主力の5品目と、取引先の上位8社に絞る
  4. Python で第7章の設定を動かし、最後の4週を「3日先」として毎日見込ませる(3日前までに分かっていた値だけを使う)
  5. 当時の担当が決めた量と、案の量で、欠品の数と余った数がどう違ったかを比べる

3か月・5品目・8社で十分です。 確かめたいのは、「特売の日の見込みが、担当の見積もりより確定の発注に近いか」です。

出てきた内容判断
特売の日の見込みが担当より近い品目の表と納品期限を整え、毎日の表を出す段階に進む
特売の日が大きく外れる予定の表の抜けを疑う。予定に無い特売で発注が増えた日を数える
試すと当たるのに、毎日回すと外れる3日前に分かっていない値が入っている。直近の発注の項目を確かめる

2行目は、ほとんどの会社で出ます。 特売の予定が営業のメールに散らばっていて、表に入っていないためで、失敗ではなく、予定の表を整える理由が数字で分かったということです。

10月から12月を選ぶのは、秋の特売、給料日、年末の買いだめが同じ3か月に入るからです。 振れが大きく、内示の癖を短い期間で確かめられます。

08実装時につまずきやすいポイント

問題対策
出荷の数を目的にして、欠品の日を低く覚える確定の発注の数を目的にする
仕込みの時点で届いていない発注を項目に入れる3日前までの値だけを渡す。TimeSeriesSplit の gap で空ける
予定の表に無い特売を「ふだんの日」として学習する発注が急に増えた日を拾い、営業が予定の表に入れる
値引きを深くすると見込みが下がる内示の数と値引きの率に単調の制約をかける
特売の明けの落ち込みまで消える単調の制約を特売の明けの印にかけない
在庫をすべて引いて作る数を減らす納品期限で出せる取引先の分だけを引く
棚から外していた期間を0で学習する扱いの期間を品目の表に持ち、行ごと外す
分位の見込みの順が逆になる並べ替えて使い、印を残す
年末年始とお盆を祝日の CSV で拾おうとする載っていない。会社の暦の表で印を付ける
取引先の名前と売価を外に出す取引先コードで読み、事務所のパソコンの中で動かす

上の3行が、この構成の失敗のほとんどです。 どれも、記録に残っている数と、仕込みの時点で本当に分かっていた数がずれることから起きます。ここを押さえれば、残りは他の日配品の予測と同じ注意で足ります。

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: 取引先ごと・品目ごとの発注と出荷、欠品、特売の予定(内示の数、売価、チラシの掲載)、品目ごとの大豆の量と納品期限です。個人の情報は扱いません。 ただし、取引先の特売の予定と売価は、取引先から預かった情報で、他の取引先や外部に知られてはならないものです。

  1. 取引先の特売の予定を外に出さない … 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。特売の予定の表は、営業と生産管理だけが見られる場所に置きます
  2. 取引先の名前を予測に使わない … 取引先コードで読みます。取引先ごとの内訳の表も、社内の担当だけが見ます
  3. 仕込みの量は人が決める … 案はあくまで案で、浸漬の量は担当が決めます
  4. 欠品のときの配分に使わない … 見込みの大きい取引先へ優先して出す、という判断にこの構成を使わないでください。配分は物流課と営業が、取引先との取り決めで決めます
  5. 品質と期限の管理に使わない … 在庫を回すために、納品期限の短い取引先へ古い品を出す判断に使わないでください。期限の扱いは品質管理の決まりで行います
  6. 見込みを取引先に渡さない … 取引先の発注を促す材料として見込みを渡すと、自社の見込みと取引先の内示が混ざり、翌年の学習の材料が崩れます

誤りが起きた場合のリスクは、特売の日に欠品して取引先への配分を削ることと、特売の明けに余って納品期限を過ぎることの2つです。 前者は予定の表の抜けと内示の癖の見落としで起き、後者は線が高すぎると起きます。品目ごとの欠品した日の割合と、出せなかった在庫の数の確認で、両方を抑えます。

10まず何から始めるか

1週目:特売の予定の表を整える

営業と一緒に、取引先の本部から届く特売の予定を、取引先コード・品目・特売の日・内示の数・売価・チラシの掲載の列で表に入れる決まりを作ります。過去3か月の分は、営業のメールから写します。

2週目:3か月分で試す

第8章のとおり、主力の5品目と上位8社で、最後の4週を毎日見込ませます。特売の日が大きく外れていないか、3日前に分かっていない値が入っていないかを最優先で見ます。

3週目:品目の表を作る

生産管理と営業で、品目ごとの大豆の種類、1パックの乾いた大豆の量、容器とたれ、取引先ごとの納品期限、作る線を表にします。納品期限は営業が取引先に確かめます。

4週目:3日先の見込みを毎日出す

毎日9時に見込みの表を出す半自動化を始め、担当はこれまでどおり自分で量を決めながら、表と見比べます。 確定の発注が届いたら、担当の量と案の量のどちらが近かったかを書き残します。

2か月目以降: 品目ごとの線での作る数と、浸漬の量の積み上げを足します。担当が案から変えた理由、欠品した日の割合、出せなかった在庫の数を毎月見ます。 担当が印の付いた品目だけを見て浸漬の量を決められ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:2026-11-03/最終更新:2026-11-04
確認した内容情報源確認日
HistGradientBoostingRegressor の loss に 'quantile' があり、quantile に0から1の値で分位を指定すること。monotonic_cst で項目ごとに単調の増加(1)・減少(−1)の制約をかけられ、項目名をキーにした辞書でも渡せること。categorical_features の既定が 'from_dtype' であること。early_stopping='auto' は行が10,000を超えるときなどに有効になること(版 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-03
TimeSeriesSplit が時間の順に分割し、前の期間で学習して後の期間で評価すること。gap で評価の期間の直前の行を学習から外せることscikit-learn: TimeSeriesSplit2026-11-03
賞味期間の3分の1以内で小売店舗に納品する慣例(いわゆる「3分の1ルール」)があり、期限内に納品できなかった食品は行き場を失い廃棄されうること。納品期限を緩和(または予定)している食品小売事業者が令和6年10月末時点で339事業者であること農林水産省: 商慣習見直しに取り組む食品製造・小売事業者の公表2026-11-03
国民の祝日の CSV が昭和30年から令和9年までを収録し、令和10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2026-11-03

特売の条件、欠品のときの配分、原料の調達、品質と期限の管理は、会社の判断と取引先との取り決めで行ってください。 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-2703)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