Media > AI活用ユースケース > 営業 > 事業用の貸し倉庫の運営会社が、契約ごとの利用の記録から Python で翌3か月の解約の起こりやすさを予測し、失いうる賃料の大きい順に営業のフォローの順番を決める

事業用の貸し倉庫の運営会社が、契約ごとの利用の記録から Python で翌3か月の解約の起こりやすさを予測し、失いうる賃料の大きい順に営業のフォローの順番を決める

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

事業用の貸し倉庫の契約ごとの利用の記録から、Python で翌3か月に解約の申し出がありそうな契約を見込みます。確からしさに月額の賃料を掛けた「失いうる賃料」の大きい順に、理由の札を付けて営業に渡します。

サマリー
連携・自動化
Python
対象業界
不動産/物流
対象部門
営業
対象業務
集計・分析
主な課題
判断に時間がかかる/営業フォローが追いつかない/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
50h/月
AI導入後
20h/月
想定削減
60%
年間削減
360h
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. 会議の前に、契約の管理の仕組みから受け持ちの契約の一覧を書き出す
  2. 更新の月が近い契約、最近問い合わせのあった契約に印を付ける
  3. 気になる契約は入退館の仕組みを開き、最近来ているかを見る
  4. 請求と入金の記録を開き、支払が遅れていないかを見る
  5. 声をかける先と順番を決め、会議で共有する
導入後(After)
  1. 自動毎月の営業の会議の5営業日前に、Python が契約・入退館・請求と入金・問い合わせの記録の書き出しを読み込み、契約ごとの1行を作る
  2. 自動学習済みのモデルで、翌3か月に解約の申し出がある確からしさを出し、較正した値にする
  3. 自動支払の遅れが続く契約を「管理へ」に分け、営業の一覧から外す
  4. 自動確からしさ × 月額の賃料で失いうる賃料を出し、大きい順に並べ、理由の札を付ける
  5. 人営業の担当が一覧の上から見て、記録に無い事情を足し、声をかける先と順番を決める
  6. 人声をかけた結果(困りごと、移り替えの相談、変化なし)を記録する
  7. 自動3か月が過ぎたら、見込みと実際の解約・移り替えを並べて記録する
各工程の詳しい説明を読む
  1. 会議の前に、契約の管理の仕組みから受け持ちの契約の一覧を書き出す
  2. 更新の月が近い契約、最近問い合わせのあった契約に印を付ける
  3. 気になる契約は入退館の仕組みを開き、最近来ているかを見る
  4. 請求と入金の記録を開き、支払が遅れていないかを見る
  5. 声をかける先と順番を決め、会議で共有する

(a)使われ方の変化を見ていない。 3番で入退館を開くのは、気になった契約だけです。出し入れの回数が半年かけて少しずつ減っている契約は、気になる前に解約の申し出が来ます。

(b)賃料の大きさで順番を付けていない。 声をかける順番は、担当が気になった順です。月額30万円の区画の契約と月額3万円の区画の契約が、同じ1件として並びます。

(c)移り替えと解約が同じ記録に残っている。 契約の管理の仕組みでは、広い区画に移った会社の元の契約も「解約」として残ります。解約の件数を数えると、伸びている会社の移り替えまで含まれます。

(d)支払の遅れの扱いが担当で違う。 支払が遅れている契約に、ある担当は声をかけ、別の担当は管理に任せます。同じ契約者に、営業と管理から別々に連絡が行くことがあります。

(e)声をかけた結果が残っていない。 担当が訪ねて困りごとを聞いても、その結果は担当の手帳に残るだけです。声をかけた契約と、かけなかった契約のその後を比べる材料がありません。 どんな話をすると解約が防げたのかが、担当が変わると引き継がれません。

  1. 【自動】 毎月の営業の会議の5営業日前に、Python が契約・入退館・請求と入金・問い合わせの記録の書き出しを読み込み、契約ごとの1行を作る
  2. 【自動】 学習済みのモデルで、翌3か月に解約の申し出がある確からしさを出し、較正した値にする
  3. 【自動】 支払の遅れが続く契約を「管理へ」に分け、営業の一覧から外す
  4. 【自動】 確からしさ × 月額の賃料で失いうる賃料を出し、大きい順に並べ、理由の札を付ける
  5. 【人】 営業の担当が一覧の上から見て、記録に無い事情を足し、声をかける先と順番を決める
  6. 【人】 声をかけた結果(困りごと、移り替えの相談、変化なし)を記録する
  7. 【自動】 3か月が過ぎたら、見込みと実際の解約・移り替えを並べて記録する

3番目を、確からしさの計算の後で機械的に行うのが、この設計の分かれ目です。 支払の遅れは項目としてモデルに入れますが、一定の回数を超えた契約は、確からしさにかかわらず営業の一覧から外します。 営業の担当には、その契約が外れた理由を出さず、管理の担当にだけ一覧を渡します。

5番目で決めるのは担当です。 一覧は記録から見た確からしさで、「先月会ったときに事務所の移転の話が出た」のような話は入っていません。

02今回想定するシステム構成

構成図
契約の管理の仕組み(契約者・区画・賃料・開始日・更新の月・解約の日と理由)
+ 入退館の仕組み(カードごとの入館と退館) + 請求と入金 + 問い合わせ
   │
   ▼【トリガー】毎月の営業の会議の5営業日前。モデルの作り直しは半年に1回
Python(pandas)
   ├──▶ 契約×月の1行、入出庫の回数とその推移、移り替えの判定
   ▼
scikit-learn の HistGradientBoostingClassifier + CalibratedClassifierCV
   │   翌3か月の解約の申し出の確からしさ(較正済み)
   ▼
Python ── 管理への振り分け、失いうる賃料、理由の札、当たり方の記録
   ▼
【人】営業の担当が一覧を見て、声をかける先と順番を決める
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 HistGradientBoostingClassifier と CalibratedClassifierCVLightGBM の LGBMClassifier
集計Python(入出庫の回数の組み立て、移り替えの判定、失いうる賃料、理由の札)表計算の計算式
保管社内のファイルサーバー(学習の記録、月ごとの見込み、声をかけた結果)-

新しく足すのは、Python の処理と、4つの仕組みからの書き出しだけです。 契約の管理の仕組みにも請求の仕組みにも書き込みません。この構成が出すのは、確からしさと順番の一覧までです。

確からしさを較正するのは、失いうる賃料の計算にそのまま使うからです。 勾配ブースティングの分類が出す値は順番付けには使えますが、「0.3」が本当に10件に3件の割合で解約されるとは限りません。 公式のページでは、CalibratedClassifierCV は sigmoid(プラットの方法)・isotonic・temperature の方法で確率を較正し、学習済みの分類器は FrozenEstimator で包んで較正できるとされています。

生成AIは使いません。 出すのは確からしさと理由の札の表です。

03どうやって実装するのか

Step1

処理の起点を決める

毎月の営業の会議の5営業日前に、全契約の見込みを出します。 前日までの記録を4つの仕組みから書き出し、社内のサーバーで Python のスクリプトを動かします。担当が会議の前に受け持ちの一覧を見られる形にします。

基準日は、スクリプトを動かした日に固定します。 「翌3か月」は基準日の翌日から3か月で、学習の行も、過去の各月の同じ日を基準日にして、その後3か月に申し出があったかで正解を付けます。 入出庫の回数などの項目は、基準日の前日までの記録だけで作ります。

モデルの作り直しは半年に1回にします。 作り直す前と後で、直近の期間の当たり方を比べ、悪くなっていれば前のモデルのまま使います。 一覧には、モデルの作成日と基準日を必ず印字します。

賃料の改定の通知を出した月は、会議を待たずに出し直します。 改定の通知は、多くの契約者に同じ時期に届き、解約の起こりやすさが一度に動きます。 通知を出した2週間後に、通知を受けた契約だけ見込みを出し直します。

Step2

入力データを集める

データ中身取得元
契約の記録契約の番号、契約者の番号、区画、面積、種類(常温・定温)、月額の賃料、開始日、更新の月、解約の申し出の日と理由契約の管理の仕組み
入退館の記録カードの番号、契約の番号、入館と退館の時刻入退館の仕組み
請求と入金の記録請求の月、入金の日、遅れた日数請求と入金の記録
問い合わせの記録受けた日、種類(設備の不具合・鍵・請求・区画の移り替えの相談・その他)、解決したか問い合わせの記録
賃料の改定の記録改定の通知の日、改定の前と後の賃料契約の管理の仕組み

質を決めるのは、入退館の記録と契約者の番号です。 入退館の記録から、1日に何回入ったかではなく、入館から退館までを1回の出し入れとして数え、月ごとの回数にします。 同じ日に複数のカードで入った出入りは、1回にまとめます。

契約者の番号は、移り替えを見分けるために要ります。 同じ契約者の番号で、元の契約の終わりの前後30日以内に別の区画の契約が始まっていれば、移り替えとして扱います。 契約者の番号が会社ごとに振られていないと、移り替えと解約を分けられません。

契約者の担当者の氏名や連絡先は、項目にしません。 契約者の業種の区分は、契約の申込書の欄から付けて項目に入れます。

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
契約と解約の記録契約の管理の仕組みから CSV で書き出す。解約の理由の欄も含める正解と項目
入退館の記録入退館の仕組みから、契約の番号付きで月ごとに書き出す出し入れの回数
請求と入金請求の仕組みから、契約ごとの遅れた日数を書き出す項目と管理への振り分け
問い合わせ問い合わせの記録を CSV で書き出す項目と理由の札

入退館の記録は量が多いので、月ごとの回数に集めてから使います。 1契約で月に数十回の出入りがある区画もあり、時刻の記録のまま持つと、2年分で数百万行になります。 書き出しのときに、契約×月の出し入れの回数と、平日と土日の別の回数にまとめます。

解約の理由の欄は、学習の正解を作るのに使います。 理由が「移り替え」「事業の縮小」「他の倉庫へ」「自社倉庫を持った」「事業をやめた」などで記録されていれば、移り替えを正解から外し、残りを解約として数えます。 理由が空の古い記録は、契約者の番号で移り替えかどうかを判定します。

Step4

AIへ渡す前に整形する

  1. 契約×基準日で1行にする … 過去の各月の同じ日を基準日にし、その時点で続いている契約を並べます
  2. 正解を付ける … 基準日の翌日から3か月以内に解約の申し出があれば1。移り替えは0にし、別の列で数えます
  3. 出し入れの回数の項目を作る … 直近3か月の月平均、前年の同じ3か月との比、直近3か月の傾き
  4. 契約の項目を作る … 契約からの月数、更新の月までの月数、面積、種類、月額の賃料、業種の区分
  5. 支払と問い合わせの項目を作る … 直近6か月で支払が遅れた月の数、未解決の設備の不具合の問い合わせの数、移り替えの相談の有無
  6. 賃料の改定の項目を作る … 改定の通知からの月数、改定の幅(率)
  7. 学習と確かめの期間を時間で分ける … 基準日の順に並べ、確かめの期間の前に3か月のすき間を空けます

2番目で移り替えを0にするのが、この構成の肝の一つです。 広い区画に移る会社は、移る前の数か月に出し入れの回数が増えています。移り替えを解約に混ぜると、「出し入れが増えると解約する」という逆の関係まで学びます。 移り替えは別の列で数え、営業の一覧には「移り替えの相談の兆し」として別の札で出します。

3番目で前年の同じ3か月と比べるのは、季節の波を消すためです。 イベントの会社は秋に出し入れが増え、園芸の資材を置く会社は春に増えます。直近3か月の回数だけで見ると、季節の谷を解約の兆しと読みます。 契約から1年に満たない契約は前年が無いので、その項目は空にし、勾配ブースティングの欠けた値の扱いに任せます。

7番目のすき間は、正解が3か月先までの申し出で決まることに合わせたものです。 学習の最後の基準日の正解は、その3か月後まで分かりません。公式のページでは、TimeSeriesSplit は時間の順の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で確かめることになるとされ、gap で学習の末尾から確かめの前までに除く件数を指定できます。ここでは1つの基準日に600行が並ぶので、gap は行数ではなく基準日の月で数えて、自分で期間を区切ります。

Step5

AIに処理させる

させるのは、契約ごとに、翌3か月に解約の申し出がある確からしさを出すことだけです。

出すもの作り方使いみち
確からしさHistGradientBoostingClassifier を CalibratedClassifierCV で較正失いうる賃料の計算
失いうる賃料確からしさ × 月額の賃料 × 12一覧の並び順
理由の札項目の値と決まりの表から機械的に付ける担当が話のきっかけをつかむ
振り分け支払の遅れの回数営業/管理

理由の札は、モデルの中身から作らず、決まりの表で付けます。 モデルがなぜその確からしさを出したかを1件ずつ説明させる道具もありますが、担当が知りたいのは「何の話をしに行けばよいか」です。 決まりの表で、話のきっかけになる事実だけを札にします。

理由の札条件
出し入れが減っている直近3か月の回数が前年の同じ時期の半分以下
更新が近い更新の月まで3か月以内
改定の通知の後賃料の改定の通知から3か月以内
不具合が未解決設備の不具合の問い合わせが30日以上未解決
移り替えの相談の兆し移り替えの相談の問い合わせがあった、または出し入れが前年の1.5倍以上
させないこと理由
賃料の値下げや条件の変更の判断営業の責任者が、区画の空き具合と収支を見て決める
支払の督促、契約の解除の判断管理の担当が、契約と法令に沿って行う
契約者の信用の評価一覧は解約の見込みで、信用の評価ではない
新しい契約の申込の審査審査の手順で別に行う

2行目と3行目は、とくに気を付けてください。 支払の遅れは項目に入っているので、確からしさの高い契約には支払の遅れた会社が多く並びます。この一覧を、支払が怪しい会社の一覧として社内で使い回すと、目的の違う判断に流れます。 一覧は営業のフォローの順番のためだけに使い、管理への振り分けは別の一覧で渡します。

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、学習・較正・確かめの中身を示します。

from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.calibration import CalibratedClassifierCV
from sklearn.frozen import FrozenEstimator
from sklearn.metrics import brier_score_loss, roc_auc_score

CAT = ["unit_type", "industry_band"]
NUM = ["months_since_start", "months_to_renewal", "area_m2", "rent",
       "visits_3m", "visits_ratio_ly", "visits_slope", "late_months_6m",
       "open_defects", "move_inquiry", "months_since_rent_notice", "rent_change_rate"]
X_cols = CAT + NUM
for c in CAT:
    rows[c] = rows[c].astype("category")

tr  = rows[rows.base_date <= "2025-06-30"]
cal = rows[(rows.base_date >= "2025-10-01") & (rows.base_date <= "2025-12-31")]
te  = rows[rows.base_date >= "2026-04-01"]        # それぞれ3か月のすき間

clf = HistGradientBoostingClassifier(learning_rate=0.05, max_iter=400,
                                     early_stopping=False, min_samples_leaf=50)
clf.fit(tr[X_cols], tr["churn_3m"])

cal_clf = CalibratedClassifierCV(FrozenEstimator(clf), method="sigmoid")
cal_clf.fit(cal[X_cols], cal["churn_3m"])

p = cal_clf.predict_proba(te[X_cols])[:, 1]
print(roc_auc_score(te["churn_3m"], p), brier_score_loss(te["churn_3m"], p))

較正の期間を、学習とも確かめとも別の期間にしているのは、公式のページの注意に沿ったものです。 FrozenEstimator で包んだ場合は、渡したデータがすべて較正に使われ、学習と較正のデータが重ならないよう利用者が気を付けるとされています。

method="sigmoid" にしたのは、較正に使える解約の件数が少ないからです。 公式のページでは、isotonic は較正のデータが1,000件よりずっと少ないと過学習しやすいとされています。600件の契約で3か月分の基準日を使っても、解約は数十件です。

early_stopping=False を書くのは、時間の順を崩さないためです。 公式のページでは、既定の auto は件数が1万を超えると早期停止が有効になり、検証の行を取り分けます。契約×基準日の行は数年分で1万を超えます。

class_weight="balanced" は付けません。 付けると解約の少なさを補えますが、出てくる値が実際の割合から離れ、較正でまた戻すことになります。 順番付けと失いうる賃料の計算を両方満たすには、重みを付けずに学習し、較正で整えるほうが扱いやすくなります。

Step7

出力形式を固定する

営業の担当に渡すのは、次の一覧です。

【翌3か月の解約の見込み(基準日 2026-11-19/モデル作成 2026-10-01)】

契約棟・区画月額の賃料確からしさ失いうる賃料(年)理由の札担当
C-0412第3倉庫 2F-08280,000円0.311,041,600円出し入れが減っている/更新が近い佐藤
C-1177第11倉庫 1F-0295,000円0.62706,800円改定の通知の後/不具合が未解決鈴木
C-0890第7倉庫 1F-15160,000円0.18345,600円移り替えの相談の兆し佐藤

1行目は、確からしさは2行目より低くても、月額の賃料が大きいので先頭に来ます。 3行目の「移り替えの相談の兆し」は、解約の引き留めではなく、広い区画の空きを案内する話として担当が読みます。

機械で読む用には、同じ内容を CSV でも残します。 列は、基準日、契約、区画、月額の賃料、確からしさ、失いうる賃料、理由の札、担当が決めた対応(声をかける・見送る)と理由、声をかけた結果、モデルの作成日です。管理への振り分けの一覧は、別のファイルにして管理の担当だけが見られる場所に置きます。

Step8

システムへ連携する

つなぎ先方式内容
契約の管理の仕組みCSV で書き出す/書き込まない契約・解約・改定の記録
入退館の仕組み契約×月の回数で書き出す出し入れの回数
請求と入金の記録遅れた日数を書き出す/書き込まない項目と振り分け
問い合わせの記録CSV で書き出す項目と理由の札

どの仕組みにも書き込みません。 確からしさを契約の管理の仕組みの画面に出すと、営業以外の部署が契約者を見る目に影響します。 一覧は営業の会議の資料としてだけ使います。

Step9

人が確認する

  1. 一覧の上から見て、記録に無い事情を足す … 先月会ったときの話、契約者の会社の動きを足します
  2. 理由の札から、話のきっかけを決める … 「不具合が未解決」なら先に修理の進み具合を確かめてから訪ねます
  3. 声をかけるか見送るかを決め、理由を残す … 「先週会ったばかり」「更新の意向を聞いている」などを残します
  4. 声をかけた結果を記録する … 困りごと、移り替えの相談、変化なし

2番目を省かないでください。 「不具合が未解決」の札が付いた契約に、修理の進み具合を確かめずに訪ねると、解約の話を早めることになります。 先に社内の修理の担当に確かめてから訪ねます。

同じ契約が3か月続けて上位に出たら、声のかけ方を変えます。 担当が訪ねても変化が無いなら、困りごとが区画ではなく契約者の事業の側にあることが多く、区画の移り替えや狭い区画への切り替えの案内のほうが話が進みます。

目標は、600件をならして1件2分です。 失いうる賃料の小さい契約は一覧で流し見て数十秒、上位の契約は理由の札と記録を見て10分ほどかけます。

Step10

例外に対処する

起きること対応
契約から1年に満たない前年との比べの項目が空。「新しい契約」と札を付け、出し入れの回数だけで見る
入退館のカードを契約者が使い回している複数の契約で同じカードが使われていれば、回数を契約ごとに分けられない。その契約は回数の項目を空にする
支払の遅れが続く営業の一覧から外し、管理の担当の一覧に回す
契約者の倒産・事業の停止の知らせ見込みの対象から外し、管理の担当に回す
棟の改修・設備の更新で入れない期間があるその期間の回数を減りとして数えない。改修の期間を表に持ち、前年との比べから外す
作り直したモデルが前より外れる前のモデルのまま使い、作り直しの記録を残す
書き出しが遅れた一覧を作らず、基準日の無い一覧は使わない

2行目のカードの使い回しは、記録の上では見えにくい問題です。 同じ会社が2つの区画を借りて1枚のカードで出入りしていると、どちらの区画に出し入れしたかが分かりません。 カードと契約のひも付けを最初に確かめ、使い回しのある契約は回数の項目を使わずに見込みます。

Step11

記録を残す

  • 実行の日時、基準日、使ったモデルの作成日、学習と較正に使った期間と行の数
  • 契約ごとの確からしさ、失いうる賃料、理由の札、営業/管理の振り分け
  • 担当が決めた対応と理由、声をかけた結果
  • 3か月後の実際の解約・移り替え・継続
  • 当たり方(確からしさの帯ごとの実際の解約の割合、上位の一覧に入っていた解約の割合)

確からしさの帯ごとの実際の割合を毎回見るのは、較正が崩れていないかを確かめるためです。 「0.3前後」と出た契約のうち実際に解約したのが1割なら、失いうる賃料が大きく見積もられています。 半年ごとの作り直しの判断に使います。

04実装レベルの3段階

最小構成:5棟の記録で Python を動かし、過去の半年で当たり方を見る / 見込みの当たり方の確認
半自動化:上記+全契約について、毎月の確からしさを出す / 契約ごとの見込み
本格構成:上記+較正、失いうる賃料の並べ替え、理由の札、管理への振り分け、声をかけた結果の記録まで行う / 見込みから順番、振り返りまで

本記事の想定は本格構成です。 半自動化では確からしさは出ますが、担当はまだ賃料の大きさを見比べ、支払の遅れた契約を自分で選り分けています。 半自動化で1件5分が3分ほどに、本格構成で2分になります。 差が大きいのは、失いうる賃料の並べ替えと管理への振り分けが、記録があれば機械で行える作業だからです。 段階を飛ばさないでください。 半自動化を3か月使うと、どの確からしさの帯から声をかける意味があるかが分かります。その線を一覧の区切りに入れてから、本格構成に進みます。 本格構成の先には、声をかけた結果から「どんな話が効いたか」を学ぶ形も考えられます。 ただし声をかける先は担当が選んでいるので、記録をそのまま比べても効き目は読めません。結果の記録が1年ほどたまってから、似た確からしさの契約で比べる形を検討します。

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
4 名
月間件数
600 件
1件あたり現在時間
5 分
1件あたり導入後時間
2 分
現在  600件 × 5分 ÷ 60 = 50 時間/月
導入後 600件 × 2分 ÷ 60 = 20 時間/月
月間削減時間
30h
削減率
60%
年間削減時間
360h
年間金額換算(時間単価3,000円)
108万円
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. EC の事業者・工務店・イベントの会社・小売の店などに、倉庫の区画を月単位で貸している会社。契約が数百件あり、営業の担当が毎月どの契約に声をかけるかを、担当の記憶と更新の月の一覧で決めている場合。入退館のカードや入出庫の記録が契約ごとに残っていて、使われ方の変化を数えられる場合。解約の申し出の日と理由が2年分以上記録されている場合。
向いていない
  1. 契約が数十件で、担当が全部の契約者の様子を把握できている場合。入退館や入出庫の記録が残っておらず、契約の属性と支払しか分からない場合。長期の一括の契約が中心で、解約がほとんど起きない場合。なお、賃料の値下げや契約の条件の変更の判断、支払の督促と契約の解除の判断、契約者の信用の評価は、この構成では代替できません。

07最小構成で試す方法

  1. 契約の多い5棟を選び、直近3年の契約・解約・入退館の記録を書き出す
  2. 第7章の前処理で、契約×基準日の行と、移り替えを外した正解を作る
  3. 古い期間で学習し、すき間を空けた新しい半年で見込ませる
  4. 確からしさの上位の契約に、実際に解約した契約がどれだけ入っていたかを数える
  5. 同じ半年に、当時の担当が声をかけた契約と、見込みの上位の契約を並べる

最初に移り替えと解約の分け方を確かめます。 解約の理由の欄と契約者の番号で、移り替えがどれくらい解約に混ざっていたかを数えると、これまでの解約の件数の見え方が変わることがあります。

出てきた内容判断
上位の契約に、実際の解約の多くが入っていた棟を広げ、毎月の一覧を出す段階に進む
上位に伸びている会社が多く並ぶ移り替えが正解に混ざっていないかを確かめる
学習の当たりが良すぎて、新しい半年で外れる項目が基準日より後の記録を使っていないか、すき間を空けているかを確かめる

2行目でよくあるのは、契約者の番号が会社ごとに振られていないことです。 同じ会社でも、区画を借りるたびに別の契約者として登録されていると、移り替えを見分けられません。

5番目の並べ方は、営業の会議で一度見てもらうと役に立ちます。 当時の担当が声をかけた契約と、見込みの上位の契約が重ならなかったものを数件ずつ取り上げ、その契約が実際にどうなったかを担当と一緒に見ます。見込みが当たっていた契約と、担当の勘が当たっていた契約の両方が出てくるはずで、どの事情を記録に足せばよいかの話し合いの材料になります。

08実装時につまずきやすいポイント

問題対策
移り替えを解約に混ぜ、伸びている会社を上位に出す契約者の番号で移り替えを見分け、正解から外す
季節の谷を解約の兆しと読む前年の同じ時期と比べる
確からしさが実際の割合とずれ、失いうる賃料が狂う学習と別の期間で較正し、帯ごとの割合を毎回見る
少ない解約で isotonic の較正が過学習するsigmoid を使う
支払の遅れた会社の一覧として使い回される管理への振り分けを別の一覧にし、営業には理由を出さない
既定の早期停止で検証の行が時間と関係なく抜かれるearly_stopping=False にし、期間は自分で区切る
カードの使い回しで回数がずれるひも付けを確かめ、使い回しの契約は回数を使わない
一覧で賃料の値下げを決める一覧はフォローの順番の材料。 条件は営業の責任者が決める

上の3行が、この構成の失敗のほとんどです。 どれも「何を解約と数え、どの値をそのまま使うか」から起きます。ここを押さえれば、残りは記録の整備と運用の注意で足ります。

5行目は、作ってしばらくしてから起きます。 一覧が当たると、他の部署が「危ない会社の一覧」として見たがります。営業のフォローのための一覧だと最初に決め、置き場所と見られる人を限ります。

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: 契約ごとの賃料、入退館の記録、支払の遅れ、問い合わせの記録です。入退館の記録は、契約者の会社の人がいつ倉庫に来たかの記録で、支払の遅れは契約者の経営の状態を映します。

  1. データを外に出さない … 予測は社内のサーバーの中で動き、生成AIや外部のサービスに記録を送りません
  2. 入退館の記録を回数にしてから使う … 誰が何時に来たかの記録は使わず、契約×月の回数にまとめてから項目にします
  3. 一覧を見られる人を限る … 営業の一覧は営業の担当と責任者、管理への振り分けは管理の担当だけが見られる場所に置きます
  4. 信用の評価に使わない … 確からしさは解約の見込みで、契約者の支払能力や信用の評価ではありません。 新しい契約の審査や与信には使いません
  5. 値下げを一覧から自動で決めない … 確からしさの高い契約だけに条件を良くすると、同じ区画で賃料が契約者ごとにばらつき、説明がつかなくなります
  6. 担当の評価に使わない … 受け持ちの契約の解約の数を担当の成績にすると、確からしさの高い契約を他の担当に回したがる動きが出ます。解約は契約者の事業の動きで起きるもので、一覧は声をかける順番の材料にとどめます

誤りが起きた場合のリスクは、伸びている会社に引き留めの声をかけて的外れになることと、減っている会社を見落として解約を受けてから気づくことの2つです。 前者は移り替えの混ざりで起き、後者は季節の谷と減りを取り違えると起きます。どちらも記録の組み直しから出ているので、そこだけは設計で守ります。

10まず何から始めるか

1週目:記録のひも付けを確かめる

入退館のカードと契約のひも付け、契約者の番号が会社ごとに振られているか、解約の理由の欄の埋まり具合を確かめます。理由の欄が空の解約が多ければ、これから受ける解約の申し出で理由を必ず聞いて残すところから始めます。この欄が埋まるほど、移り替えと解約の分け方が確かになります。

2〜3週目:5棟の記録を組み立てる

直近3年の記録から、契約×基準日の行、出し入れの回数の項目、移り替えを外した正解を作ります。管理の担当と、支払の遅れの振り分けの基準を決めます。

4週目:当たり方を確かめる

第8章のとおり、すき間を空けた新しい半年で、上位の契約に実際の解約がどれだけ入っていたかを数え、当時の担当の声かけと並べます。営業の会議での見せ方も、この週に決めます。

2か月目: 全契約の見込みを出す半自動化を始めます。担当はこれまでどおり記憶で選びながら、一覧と見比べます。3か月目以降: 較正、失いうる賃料、理由の札、管理への振り分け、声をかけた結果の記録を足します。確からしさの帯ごとの実際の割合が見込みと合う月が続き、担当が解約の申し出の前に上位の契約に声をかけ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:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
HistGradientBoostingClassifier の loss の既定が log_loss であること。class_weight に balanced を指定できること。categorical_features の既定が from_dtype であること。early_stopping の既定 auto は件数が1万を超えるか X_val・y_val を渡したときに有効になること。欠けた値をそのまま扱えること(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingClassifier2026-11-19
CalibratedClassifierCV の method が sigmoid(既定)・isotonic・temperature であること。学習済みの分類器を FrozenEstimator で包んで較正でき、その場合は渡したデータがすべて較正に使われ、学習と較正のデータが重ならないよう利用者が気を付けること。isotonic は較正のデータが1,000件よりずっと少ないと過学習しやすいこと(scikit-learn 1.9.1)scikit-learn: CalibratedClassifierCV2026-11-19
TimeSeriesSplit が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で確かめることになること。gap が学習の末尾から確かめの前までに除く件数であること(既定0)(scikit-learn 1.9.1)scikit-learn: TimeSeriesSplit2026-11-19

賃料や契約の条件、支払の督促と契約の解除、契約者の信用の評価は、自社の決まりと契約と法令に沿って決めてください。 本記事は上記の公開情報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-4281)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