印刷会社が受注の仕様と工程の記録から Python で受注ごとの製作の日数を「校了まで」と「校了から出荷まで」に分けて予測し、納期の回答と工程の段取りに使う

処理の起点を決める

毎朝7時に1回、製作中と受注したばかりの全部の受注について見込みを出します。 工務課の朝の打合せが8時半なので、打合せの前に遅れの印の付いた受注を見られる時刻にします。社内のサーバーの定時実行（Windows ならタスク スケジューラ、Linux なら cron）で Python のスクリプトを起動します。

もう一つの起点は、営業の問い合わせです。 営業がお客と話している最中に納期を聞かれたときは、見込みの画面に受注番号（または仕様）を入れると、その1件だけの見込みを返します。ここで返すのは見込みの票で、納期の回答そのものではありません。 工務課の担当の確認を経てお客に答えます。

モデルの作り直しは月に1回、月初めの夜にします。 学習に使うのは出荷まで終わった受注だけで、製作中の受注は日数が確定していないので学習に入れません。 作り直す前と後で、直近3か月の受注の当たり方（第7章「保存・ログ」）を比べ、悪くなっていれば前のモデルのまま使います。

見込みの票には、作った日時とモデルの作成日を必ず印字します。

入力データを集める

質を決めるのは、校正の記録です。 入稿の日と出荷の日だけでは、日数を2つに割れません。多くの印刷会社では、校正を出した日と戻った日は工務の台帳やメールにしか残っていません。 導入の最初の仕事は、過去2年分の受注について、少なくとも「校了の日」をそろえることです（第14章）。

お客の戻り方は、お客ごとの過去の記録から作ります。 直近1年の受注での「校正1回あたりの戻りの営業日の数の中央値」と「校了までの校正の回数の平均」をお客のコードごとに出し、受注の項目として付けます。受注の数の少ないお客は値が欠けたまま渡し、モデルに欠けた値として扱わせます。

データの取得方法を決める

日数はすべて工場の営業日で数えます。 暦の日数で数えると、連休を挟んだ受注が「遅い受注」として学習され、連休の前に受ける仕様ほど日数が長く出ます。 入稿の日から校了の日まで、校了の日から出荷の日までのそれぞれについて、稼働の暦で稼働の日だけを数えます。

工程の受注残は、その受注を受けた日の朝の値を使います。 出荷が終わってから集計した混み具合を使うと、その受注自身が混み具合に入ってしまいます。 毎朝の集計を日付ごとに保存しておき、学習のときは受注の日の朝の値を引きます。

AIへ渡す前に整形する

1. 日数の答えを2つ作る … 「入稿の日から校了の日まで」と「校了の日から出荷の日まで」を、稼働の暦で営業日の数にします
2. 受注を見込みの時点でそろえる … 項目は、受注を受けた日の時点で分かっていたものだけにします。実際の校正の回数は、受注の時点では分からないので入れません
3. お客の戻り方を付ける … お客のコードごとに、その受注より前の1年の受注から、戻りの営業日の中央値と校正の回数の平均を出して付けます
4. 区分の列の型をそろえる … 品目・判型・紙の銘柄・製本の方式・加工の種類・外注先を pandas の Categorical の型にします
5. 外れた受注に印を付ける … お客の都合で製作が止まった受注（「保留」の記録があるもの）、事故で刷り直した受注は、学習から外します
6. 学習と確かめの期間を時間で分ける … 受注の日の順に並べ、scikit-learn の TimeSeriesSplit で古い受注で学習し、新しい受注で確かめます

2番目と3番目が、この構成の肝です。 実際の校正の回数を項目に入れると、学習のときの当たり方はとてもよくなります。けれども受注の時点ではその数は分からず、予測のときに使えません。 同じ理由で、お客の戻り方もその受注より前の受注だけから作ります。後の受注まで含めて作ると、学習のときだけ未来の情報が混ざります。

6番目で受注を無作為に分けないのは、未来の受注で学習して過去を当てることになるからです。 公式のページでは、TimeSeriesSplit は時間の順に並んだ記録を分けるためのもので、ほかの分け方では未来の記録で学習して過去の記録で確かめることになるとされています。gap で学習と確かめのあいだを空けられるので、出荷まで2週間ほどかかる受注が多いなら、その分の受注を間に挟み、学習の側に確かめの期間の結果が漏れないようにします。

5番目の「保留」は、外すか別に数えるかを最初に決めます。 お客の社内の都合で1か月止まった受注を残すと、校了までの90％点が大きく引っ張られます。外した件数は月ごとに記録し、外しすぎていないかを見ます。

AIに処理させる

させるのは、受注ごとに「入稿から校了まで」と「校了から出荷まで」の営業日の数を、50％点と90％点で予測することだけです。

90％点は、「10件に9件はこの日数までに終わる」日数です。 営業がお客に約束するのは90％点の側です。50％点で約束すると、2件に1件は約束より遅れます。 50％点は工務課の中で、段取りの目標として使います。

赤と橙を分けるのは、手の打ち方が違うからです。 赤は工場の中で手を打てます。橙は工場がいくら急いでも縮まないので、お客に「この日までに校了をいただければ間に合います」と伝えるのが先です。

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、学習と予測の中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
import numpy as np

CAT = ["item", "size", "paper", "binding", "finish", "outsourcer"]
NUM = ["pages", "copies", "colors", "paper_gsm", "proof_paper",
       "cust_return_median", "cust_rounds_mean", "backlog_press", "backlog_bind"]
X_cols = CAT + NUM
for c in CAT:
    df[c] = df[c].astype("category")   # from_dtype で区分の項目として扱われる

def fit_pair(train, target, val):
    models = {}
    for q in (0.5, 0.9):
        m = HistGradientBoostingRegressor(
            loss="quantile", quantile=q, max_iter=300, learning_rate=0.05)
        m.fit(train[X_cols], train[target],
              X_val=val[X_cols], y_val=val[target])   # 1万件未満でも早期終了を効かせる
        models[q] = m
    return models

to_proof = fit_pair(train, "days_to_proof_ok", val)      # 入稿→校了
to_ship  = fit_pair(train, "days_proof_to_ship", val)    # 校了→出荷

def predict(models, X):
    p50 = models[0.5].predict(X)
    p90 = np.maximum(models[0.9].predict(X), p50)   # 90％点が50％点を下回らないように
    return np.ceil(p50), np.ceil(p90)                # 営業日は切り上げ

X_val と y_val を渡しているのは、早期終了のためです。 公式のページでは、early_stopping の既定の auto は、件数が1万を超えるか、X_val と y_val を fit に渡したときに早期終了が有効になるとされています。月300件の2年分は7,200件で1万に届かないので、渡さないと早期終了が効かず、max_iter の上限まで木を足します。

np.maximum で90％点を50％点より下にしないのは、2つのモデルを別々に学習するからです。 別々のモデルなので、まれに90％点のほうが小さく出る受注があります。そのまま票に出すと、遅めの見込みが真ん中より早いという読めない票になります。

営業日は切り上げます。 2.3営業日を2営業日と答えると、約束の日の夕方に出荷が間に合いません。

出力形式を固定する

工務課と営業に渡すのは、次の見込みの票です。 見込みの画面と、朝の打合せの印刷の両方で同じ形にします。

【受注 P-26-10418 の見込み（10/29 07:05 作成／モデル作成 2026-10-01）】

営業がお客に答えるのは、「校了をいただいてから8営業日で出荷」です。 校了の見込みの日は「いつもの戻り方なら11月5日から10日ごろ」として添え、「11月の納品をご希望なら、校了を何日までに」という形で使います。

朝の打合せには、遅れの印の一覧を出します。

機械で読む用には、同じ内容を CSV でも残します。 列は、受注番号、段階、50％点と90％点の営業日の数、出荷の見込みの日、印、モデルの作成日です。翌月に、実際の出荷の日と並べて当たり方を見るのは、この CSV です。

システムへ連携する

納期の欄には書き込みません。 見込みの票の日付をそのまま納期の欄に入れると、外注の空き具合を見ないまま約束が決まります。 工務課の担当が確かめた答えだけを、担当が入れます。

人が確認する

1. 作った日時とモデルの作成日を見る … 票の上の日付が当日の朝であることを確かめます
2. 根拠になった値を見る … お客の戻り方が空欄（新しいお客）なら、校了までの見込みは広めに読みます
3. 記録に無い事情を足す … 外注先の空き具合、紙の入荷の遅れ、機械の点検の予定を足して、回答の日数を決めます
4. 赤と橙の受注の手の打ち方を決める … 朝の打合せで、工場の中で手を打つか、お客に校了の期限を伝えるかを決めます

3番目で票と違う答えにしたら、理由を一言残します。 「外注の製本屋が月末で混む」が何度も出るなら、外注先の月末の受注残を項目に足す材料になります。

目標は、300件をならして1件2分です。 くり返しの仕様の受注は票を見て答えるだけで、時間を使うのは、根拠の値が空欄の受注と、記録に無い事情を足す受注です。

例外に対処する

2行目は、とくに大事です。 箔押しを初めて外注する受注のように、学習の記録に前例の少ない仕様では、モデルは似た仕様から推しはかった日数しか出せません。 区分の項目ごとに学習の記録の件数を数え、一定の件数に満たない組み合わせの受注に印を付けます。

記録を残す

• 実行の日時、使ったモデルの作成日、学習に使った受注の期間と件数、外した件数と理由
• 受注ごとの50％点・90％点の営業日の数、日付の見込み、印
• 工務課が票と違う答えにした受注と、その理由
• 実際の校了の日と出荷の日
• 月ごとの当たり方（実際の日数が90％点以内に収まった割合、50％点以内に収まった割合）を、区切りごと・品目ごとに

最後の行の「90％点以内に収まった割合」が、この構成の健康診断です。 9割前後なら、遅めの見込みの意味どおりに働いています。公式の例のページでも、学習の記録では90％の幅に収まっていたのに、確かめの記録では8割ほどしか収まらなかった例が示されています。 学習の記録で当たっていても新しい受注で当たるとは限らないので、新しい月の受注で毎月数えます。 8割を下回る月が続けば、90％点に足す日数を、直近の外れ方から決めます。