Media > AI活用ユースケース > 生産 > 天ぷらの店が、日ごとの注文・予約・天気の記録から Python で昼と夜の品書きごとの注文を予測し、ネタごとの朝と午後の仕込みの表を作る

天ぷらの店が、日ごとの注文・予約・天気の記録から Python で昼と夜の品書きごとの注文を予測し、ネタごとの朝と午後の仕込みの表を作る

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

店ごとの過去の注文と予約・天気から、昼と夜の品書きごとの注文数を Python で予測し、品書きのネタの内訳で海老・きす・穴子などのネタごとの数に直して仕込みの表を作ります。朝に1日分の表を出し、昼の部が終わったら夜の部を出し直します。

サマリー
連携・自動化
Python
対象業界
宿泊/飲食
対象部門
生産
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
現在工数
40h/月
AI導入後
10h/月
想定削減
75%
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. 店長が朝8時に、レジの書き出しで前日と先週の同じ曜日の品書きごとの注文を見る
  2. 予約の台帳でその日のコースの人数を数える
  3. 天気予報と近くの催しを思い浮かべ、品書きごとの数を頭の中で上げ下げする
  4. 品書きのネタの内訳を思い出しながら、ネタごとの数に直して仕込みの表に書く
  5. 14時過ぎに、昼の部の売れ方と残りのネタを見て、夜の分の追加の数を決めて表に書く
導入後(After)
  1. 人本部の担当が前日の夕方に、翌日の天気の予報(天気の区分・最高気温)と近くの催しを予定のシートに入れる
  2. 自動朝7時半に Python の処理が動き、レジの書き出し、予約、ネタ切れの記録、予定を読む
  3. 自動朝のモデルで、店ごと・昼夜ごと・品書きごとの注文数を予測し、ネタの内訳でネタごとの数に直す
  4. 自動ネタごとに、過去の外れ方から足す予備の数を出し、朝の仕込みの表に書く
  5. 人店長が8時に表を見て、数を直して確定し、朝の仕込みを始める
  6. 自動14時に、昼の部のレジの実績と夜の予約を読み、午後のモデルで夜の部を出し直す。朝に仕込んだ夜の分との差を午後の追加の数として表に書く
  7. 人店長が残りのネタを見て、追加の数を直して確定する
  8. 人閉店後、店長がネタ切れの品書きと時刻、廃棄したネタの数を記録に付ける
各工程の詳しい説明を読む
  1. 店長が朝8時に、レジの書き出しで前日と先週の同じ曜日の品書きごとの注文を見る
  2. 予約の台帳でその日のコースの人数を数える
  3. 天気予報と近くの催しを思い浮かべ、品書きごとの数を頭の中で上げ下げする
  4. 品書きのネタの内訳を思い出しながら、ネタごとの数に直して仕込みの表に書く
  5. 14時過ぎに、昼の部の売れ方と残りのネタを見て、夜の分の追加の数を決めて表に書く

(a)毎回12分かかる。 品書きごとに考え、ネタに直す作業を朝と午後に繰り返すので、仕込みが始まる直前と、昼の片付けの時間に事務所にこもります。 4店で毎日です。

(b)ネタに直す計算を頭の中で行う。 天丼と定食で海老の数が違い、上と並でも違います。4番の換算を頭の中で行うので、品書きの多い日ほど数え間違いが出ます。 季節の天ぷら定食で内訳を変えた月は、とくに混乱します。

(c)ネタ切れの日の注文は、本当に頼まれたはずの数より少なく残る。 穴子が19時に切れれば、その日の穴子天丼の注文は実際より少ない数で記録されます。それを見て翌週の数を決めると、少なめが毎週続きます。

(d)午後の判断が昼の忙しさに左右される。 昼の部が忙しかった日ほど、14時過ぎの判断は疲れた頭で急いで行います。昼が多かった日は夜も多いことが多いのに、「今日は昼で出尽くした」と少なめに足して、夜にネタ切れが出ることがあります。

  1. 【人】 本部の担当が前日の夕方に、翌日の天気の予報(天気の区分・最高気温)と近くの催しを予定のシートに入れる
  2. 【自動】 朝7時半に Python の処理が動き、レジの書き出し、予約、ネタ切れの記録、予定を読む
  3. 【自動】 朝のモデルで、店ごと・昼夜ごと・品書きごとの注文数を予測し、ネタの内訳でネタごとの数に直す
  4. 【自動】 ネタごとに、過去の外れ方から足す予備の数を出し、朝の仕込みの表に書く
  5. 【人】 店長が8時に表を見て、数を直して確定し、朝の仕込みを始める
  6. 【自動】 14時に、昼の部のレジの実績と夜の予約を読み、午後のモデルで夜の部を出し直す。朝に仕込んだ夜の分との差を午後の追加の数として表に書く
  7. 【人】 店長が残りのネタを見て、追加の数を直して確定する
  8. 【人】 閉店後、店長がネタ切れの品書きと時刻、廃棄したネタの数を記録に付ける

5番目と7番目が、この設計の分かれ目です。 表は案で、決めるのは店長です。店長は、市場の入荷の具合、団体の来店の電話、近くの店の休みのような、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番目のネタ切れの時刻が、次の予測の質を決めます。 ネタ切れの日の注文は、本当に頼まれたはずの数より少ない数として扱わなければならないからです(第3章の(c))。

02今回想定するシステム構成

構成図
レジの書き出し(店・日・昼夜・品書きごとの注文数)
予約の台帳(店・日・昼夜・コース・人数・予約を受けた日時)
ネタ切れと廃棄の記録(店・日・品書き・切れた時刻、ネタごとの廃棄の数)
予定のシート(翌日の天気の区分・最高気温・催し)
品書きのネタの内訳、ネタごとの予備の線
   ▼【トリガー】毎日7時半(朝)と14時(午後)、本部の PC の定時の実行
Python(pandas・scikit-learn)
   ├──▶ 品書きごとの注文数の予測(朝のモデル/午後のモデル)
   ├──▶ ネタの内訳でネタごとの数に直す
   ├──▶ 過去の外れ方から予備の数を足す
   ▼
各店の仕込みの表(朝の欄/午後の追加の欄)
   ▼【人】店長が直す・確定
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(ポアソン損失)LightGBM のポアソン回帰、statsmodels の負の二項回帰
集計Python(ネタの内訳での換算、予備の数、朝と午後の差、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(仕込みの表、記録、予定、内訳)-

新しく足すのは、Python の処理と、予定のシート、ネタの内訳の表とネタごとの予備の線の表、仕込みの表の案の欄です。 レジと予約の台帳はこれまでどおりで、この構成はレジにも予約の台帳にも書き込みません。

品書きの注文数の予測には、ポアソン損失を使います。 注文数は0以上の数え上げる数で、平日の夜の上天丼のように1日に数件しか出ない品書きもあります。公式の説明では、loss="poisson" は内部で対数のリンクを使い、目的の値が0以上であることを求めるとされています。二乗誤差の損失だと、出の少ない品書きで負の予測が出ることがあります。

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。4店の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

Step1

処理の起点を決める

毎日7時半と14時の2回の定時の実行を起点にします。 7時半は朝の仕込みが始まる8時半の1時間前、14時は昼の部が終わって午後の仕込みが始まる14時半の30分前です。本部の PC の定時の実行で Python の処理を呼び、数分で4店の表に案が並ぶ想定です。

14時の実行は、昼の部のレジの締めを待ちます。 昼の部の最後の会計が14時を過ぎる店は、レジの書き出しが置かれたことを確かめてから動かします。 書き出しが無いまま動かすと、昼の実績を0として夜の部を少なめに出します。

モデルの学習は、毎週月曜の店休日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。毎日学習し直すと、前日の特殊な日に引っ張られた案が翌日に出ます。

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、店長は案を待って仕込みの開始が遅れます。

Step2

入力データを集める

データ中身取得元
注文店、日、昼夜の部、品書きごとの注文数、コースの中の注文と単品の区別レジの書き出し
予約店、日、昼夜の部、コース、人数、予約を受けた日時、取消の日時予約の台帳の書き出し
ネタ切れと廃棄店、日、ネタ切れの品書きと時刻、ネタごとの廃棄の数記録のシート
予定日、天気の区分、最高気温、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
内訳と線品書きごとのネタの内訳(適用を始めた日つき)、ネタごとの予備の線各種の表のシート

質を決めるのは、予約を受けた日時の列と、ネタ切れの時刻です。 予約を受けた日時は、学習のときに「前日の夕方の時点で入っていた予約」と「当日14時の時点で入っていた予約」を作り直すのに使います。最終の予約の人数で学習すると、当日の飛び込みの予約まで知っていたことになり、予測が実際より当たって見えます。

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。毎年その時期に取り直します。

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
過去3年の注文レジの日ごとの書き出しを店・昼夜・品書きでまとめる学習の目的の値
その時点の予約予約の台帳の書き出しから、受けた日時と取消の日時で作り直す説明の値
昼の部の実績当日のレジの昼の部の書き出し午後のモデルの説明の値
天気気象庁の CSV(過去)、予定のシート(当日)説明の値
ネタ切れの時刻記録のシート学習から外す日の判断

コースの注文は、予測の目的の値から外します。 コースの品書きは予約の人数とコースのネタの内訳で決まるので、予測するのは定食・丼・単品の注文だけにし、コースの分は予約から足します。 コースの予約の無い飛び込みの客のコースの注文は少ないので、単品と同じく予測に含めます。

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。店長に見せる表の下に、出典と加工した旨を書きます。

Step4

AIへ渡す前に整形する

  1. 行の形 … 1行を「店・日・昼夜の部・品書き」にし、目的の値を注文数にします
  2. ネタ切れの日の扱い … ネタ切れの時刻が閉店の1時間より前の日は、そのネタを使う品書きの行を学習から外します
  3. その時点の予約の作り直し … 朝のモデル用には前日18時、午後のモデル用には当日14時の時点で入っていた予約の人数を、昼夜の部ごとに数えます
  4. 昼の部の実績 … 午後のモデルの夜の部の行に、同じ日の昼の部の全品書きの注文数の合計を説明の値として入れます。朝のモデルには入れません
  5. カテゴリの列 … 店・昼夜の部・品書き・曜日・天気の区分は、pandas の category の型にします
  6. 説明の値 … 店、昼夜の部、品書き、曜日、祝日・祝前日、月、天気の区分、最高気温、降水量、その時点の予約の人数、催し、直近4週の同じ曜日・同じ品書きの平均

2番目で外すのは、ネタ切れの日を残すと、少なめを毎週学ぶからです。 第3章の(c)がそのまま学習に入ります。外した日の割合をネタごとに表に出し、予備の線の上げ下げの材料にします。

5番目で category の型にするのは、scikit-learn の決まりに合わせるためです。 公式の説明では、categorical_features の既定は "from_dtype" で、データフレームの列の型が Categorical か Enum のものをカテゴリとして扱うとされています。店の番号を整数のまま渡すと、カテゴリでなく大小のある数として扱われ、「3号店は1号店の3倍」のような分かれ方を学びます。

4番目で朝と午後のモデルを分けるのは、朝の時点では昼の実績が無いからです。 1つのモデルで昼の実績の列を空にして使うと、空の行と値のある行で学び方が混ざります。朝のモデルと午後のモデルを別に学習します。

Step5

AIに処理させる

させるのは、店ごと・昼夜ごと・品書きごとの注文数を予測することだけです。 ネタへの換算と予備の数は Python の計算で行います。

段階中身使うもの
品書きの注文数朝のモデル(昼と夜)、午後のモデル(夜だけ)HistGradientBoostingRegressor(loss="poisson")
ネタへの換算品書きの予測 × ネタの内訳を足し、予約のコースの分を足すPython
予備の数ネタごとに、過去8週の「換算した数」と「実際に使った数」の差の8割の点Python
午後の追加の数夜の部の出し直しの数 − 朝に仕込んだ夜の分Python

予備の数を、品書きごとの予測の幅を足して作らないのが、この構成の要です。 品書きごとに「多めの数」を出して足し合わせると、全部の品書きが同時に多めに出る日を想定した数になり、海老のように多くの品書きに入るネタほど多すぎる数になります。 品書きは平均の予測で換算し、ネタごとに、換算した数が実際にどれだけ外れたかの記録から予備を決めます。

予備の線は、ネタごとに変えます。 海老は多くの品書きに入り、切れると店の看板の品が出せなくなるので8割の点、季節の魚は余ると捨てるだけなので6割の点、というように、ネタごとの予備の線の表を店長と本部が決めます。

学習では、早期の打ち切りを切っておきます。 公式の説明では、early_stopping の既定は "auto" で、標本が1万を超えると有効になり、validation_fraction の既定の0.1の割合を検証用に取り分けます。4店 × 昼夜 × 品書き × 3年の行は1万を超えるので、何もしないと検証の行が日付と関係なく抜かれ、未来の日で打ち切りを決めることになります。 early_stopping=False にするか、直近の期間を X_val と y_val として渡します。

させないこと理由
魚の仕入の発注市場の入荷と値を見て店長が決める
下処理したネタを翌日に回す判断店の衛生の決まりで行う
コースの品書きの数の予測予約の人数と内訳で決まる
新しい品書き・季節の品の注文の予測学習に無い。店長が決める
品書きを売り切れにする判断店長がネタの残りを見て決める

2行目は、とくに気を付けてください。 予備を多めに出した日に余ったネタの扱いを、この構成の数に合わせて変えないでください。 余りの扱いは衛生の決まりで決まっています。

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、学習とネタへの換算の中身を示します。

import numpy as np
import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor

CATS = ["store", "part", "menu", "weekday", "weather_cat"]
NUMS = ["is_holiday", "is_pre_holiday", "month", "temp_max", "rain_mm",
        "rsv_people", "event", "recent4w_same_mean"]
FEATS_AM = CATS + NUMS
FEATS_PM = FEATS_AM + ["lunch_total"]          # 午後のモデルだけ昼の実績

def prep(df):
    df = df.copy()
    for c in CATS:
        df[c] = df[c].astype("category")       # from_dtype でカテゴリになる
    return df

def fit(train, feats):
    train = prep(train[~train["neta_out_early"]])   # 早いネタ切れの日は外す
    mono = {"rsv_people": 1}                         # 予約が増えたら減らさない
    m = HistGradientBoostingRegressor(loss="poisson", max_iter=400,
                                      learning_rate=0.05,
                                      early_stopping=False,   # 日付を無視した抜き取りを防ぐ
                                      monotonic_cst=mono)
    m.fit(train[feats], train["orders"])
    return m

def to_neta(pred_rows, recipe, course_neta, reserve):
    # pred_rows: 店・部・品書きごとの予測の数。recipe: 品書き→ネタの数
    neta = (pred_rows.merge(recipe, on="menu")
            .assign(qty=lambda d: d["pred"] * d["per_menu"])
            .groupby("neta")["qty"].sum())
    neta = neta.add(course_neta, fill_value=0)       # コースの分を足す
    return np.ceil(neta + reserve.reindex(neta.index, fill_value=0))

early_stopping=False が、標本が1万を超えたときの打ち切りを止める1行です。 これを書かないと、学習のたびに検証の行が無作為に抜かれ、試験では当たるのに本番で外れるモデルになります。

予備の数 reserve は、別の計算で毎週出し直します。 直近8週の各日について、その日の朝に出した換算の数と、実際に使ったネタの数(注文 × 内訳 + 廃棄の数)の差を並べ、ネタごとの予備の線の点を取ります。 ネタ切れの日は実際に使った数が少なく出るので、その日は差の並びから外します。

当たり方は、ネタごとのピンボールの損失で測ります。 scikit-learn の mean_pinball_loss は、alpha の既定が0.5で、0.5のときは平均絶対誤差に相当するとされています。予備を足した数は線の点なので、評価でも alpha に予備の線の値を明示して渡します。 時期の分け方には TimeSeriesSplit を使います。公式の説明では、時系列の順に並んだデータを分け、gap は各学習の期間の末尾から検証の前に除く標本の数とされているので、日の数ではなく行の数で数えることに注意します。

Step7

出力形式を固定する

店長に渡すのは、仕込みの表の案の欄です。 朝は8時、午後は14時15分に見ることを前提にします。

【11月18日(水)・駅前店の朝の仕込みの案(7:34 作成)】

ネタ昼の分夜の分(朝に仕込む分)予備案印
海老84尾40尾12尾136尾-
きす38枚18枚6枚62枚-
穴子14本8本3本25本黄(ネタ切れ多発)
季節の魚(はぜ)20尾10尾2尾32尾-

【同日・駅前店の午後の追加の案(14:06 作成)】

ネタ夜の部の出し直し朝に仕込んだ夜の分追加の案印
海老62尾40尾22尾黄(昼が多かった)
きす22枚18枚4枚-

表の下には、印の意味を並べます。 「ネタ切れ多発」は学習から外した日が多く予測が少なめになりうるネタ、「予報未入力」は天気を不明で予測した日、「昼が多かった」は昼の部の実績が直近4週の同じ曜日より2割以上多い日です。最後に、気象庁のデータの出典と、加工した旨を書きます。

機械で読む用には、同じ内容を CSV でも残します。 列は、日、店、朝か午後か、ネタ、品書きごとの予測、換算の数、予備、案、印、モデルを作った日付、店長が確定した数と直した理由の区分です。

Step8

システムへ連携する

つなぎ先方式内容
レジ日ごとと昼の部の書き出しのファイルを読む品書きごとの注文数
予約の台帳書き出しを読むコースと人数、受けた日時
記録・予定・表のシートスプレッドシートを読むネタ切れ、廃棄、天気の予報、内訳、線
仕込みの表案の欄にだけ書く朝の案と午後の追加の案、印

書き込むのは、仕込みの表の案の欄だけです。 店長が書く確定の欄には書きません。案をそのまま確定として扱う作りにはしません。

魚の仕入の発注の表とはつなぎません。 仕入は前日に市場の入荷を見て店長が決めるもので、この構成の朝の案は、仕入れたネタをどれだけ下処理するかの案です。

Step9

人が確認する

  1. 店長が朝の案を見て直す … 市場の入荷の具合、団体の電話、近くの催しで数を直します。直したら理由の区分を選びます
  2. 店長が午後の追加の案を見て直す … 残りのネタの数を見て、追加の数を直します
  3. 印のあるネタを先に見る … 「ネタ切れ多発」「昼が多かった」「予報未入力」のネタは店長の判断を優先します
  4. 本部が週1回、当たり方を見る … ネタごとのピンボールの損失と、店長が直した件数を見て、内訳と予備の線を見直します

4番目の店長が直した件数が、この構成の改善の入口です。 同じ理由で同じ店が毎週直しているなら、その理由を説明の値に足せないかを考えます。

目標は、1回の確定を3分で終えることです。 案を見て、印のあるネタだけ考え、確定の欄に書く時間です。

Step10

例外に対処する

起きること対応
14時に昼の部の書き出しが無い午後の実行を待たせ、14時15分になっても無ければ朝の案のままで「昼未取込」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
新しい品書き・季節の品予測の対象から外し、「新しい品書き」で店長が決める
品書きのネタの内訳を変えた内訳の表に適用を始めた日を入れ、その日から新しい内訳で換算する
臨時休業・貸切予定のシートで印を付け、その日の案を出さない。学習からも外す
市場の入荷が無いネタ店長が表で「入荷なし」を付け、そのネタを使う品書きを売り切れとして扱う
ネタ切れで外した日が3割を超えるネタ「ネタ切れ多発」の印。本部が予備の線を上げるかを決める
予測が負または極端に大きい直近4週の最大の1.5倍で止め、「確認」の印

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、レジの締めの時刻と表の整備の問題です。 書き出しを自動で同じ場所に置く設定にすると、ほとんど起きなくなります。

Step11

記録を残す

  • 朝と午後の予測に使った入力(注文・予約・天気の予報・昼の実績)と、作った日時
  • 品書きごとの予測、換算の数、予備、案
  • 店長が確定した数と、直した理由の区分
  • 実際の注文、ネタ切れの時刻、廃棄したネタの数
  • 毎週の学習のたびの、ネタごとのピンボールの損失
  • 内訳の表と予備の線の表の変更の履歴

3つ目と4つ目を並べると、案と店長の判断のどちらが当たっていたかが分かります。 店長が多めに直して廃棄が出た日、案のままでネタ切れが出た日を、店長と本部が月に1回見る材料にします。

04実装レベルの3段階

最小構成:表計算で直近4週の平均と内訳からネタの数を出す / 素朴な換算の試し
半自動化:上記+Python で4店のレジの書き出しを毎日読み、平均の換算と予約のコースの分を朝の表に書く / 毎朝の換算の案
本格構成:上記+ポアソン損失の勾配ブースティングで天気・予約・催しを入れ、ネタごとの予備、昼の実績での夜の出し直し、毎週の当たり方の記録まで / 朝と午後の予測から予備まで

本記事の想定は本格構成です。 1件12分が3分になります。半自動化の段階で、ネタへの換算が自動になり、③の4分はほとんど要らなくなります。 天気と予約での上積みと、午後の出し直しは本格構成からです。 段階を飛ばさないでください。 ネタ切れの時刻と廃棄の数の記録が3か月そろう前に本格構成を作ると、少なめの数を学ぶモデルになり、予備の線の点も決まりません。 半自動化の期間は、店長に案を見てもらいながら、記録を4店で欠かさず付ける習慣を作る期間でもあります。

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
200 件
1件あたり現在時間
12 分
1件あたり導入後時間
3 分
現在  200件 × 12分 ÷ 60 = 40 時間/月
導入後 200件 × 3分 ÷ 60 = 10 時間/月
月間削減時間
30h
削減率
75%
年間削減時間
360h
年間金額換算(時間単価2,300円)
83万円
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. 天ぷら定食・天丼・コースを出す天ぷらの店を数店舗持ち、海老の背わた取りやきすを開く下処理を朝と午後の2回に分けて行っている会社。レジで品書きごとの注文数が昼夜の部に分けて残り、予約の台帳にコースと人数がある場合。店長が前日の注文を見て勘で仕込みの数を決めていて、同じ週にネタ切れと下処理済みのネタの廃棄が両方出る場合。天丼や揚げ物の定食を出す和食の店、旅館の食事処にも使える。
向いていない
  1. 店が1つで、店主が毎朝の市場の入荷を見て決めれば足りる場合。品書きが日替わりで、同じ品書きの記録がたまらない場合。開店から1年未満で、季節と天気の動きが記録に無い場合。コースだけの予約制の店で、仕込みの数が予約で決まる場合。なお、魚の仕入、下処理したネタの保存の期限と衛生の管理、油の交換、品書きの改定は、この構成では代替できません。

07最小構成で試す方法

  1. 1店に絞り、品書きのネタの内訳の表を作る
  2. 表計算で、品書きごと・昼夜ごと・曜日ごとに、ネタ切れの日を除いた直近4週の注文の平均を出す
  3. 平均に内訳を掛けてネタごとの数に直し、予約のコースの分を足して朝の案にする
  4. 4週間、店長が決めた数と、この案と、実際に使った数・廃棄・ネタ切れを並べて記録する
  5. どちらがネタ切れと廃棄の釣り合いがよかったかを、ネタごとに見る

3番目は、モデルを使わない最も素朴な換算です。 予測が平均でも、頭の中で行っていたネタへの換算が表で正確になるだけで、③の4分はほとんど要らなくなります。 これで店長の数と同じくらいなら、天気と予約を入れたモデルの段階に進みます。

出てきた内容判断
素朴な換算でも店長の数と同じくらい当たったポアソン損失のモデルに進む
ネタ切れの記録が無い日が多い記録の付け方が先。 予測の問題ではない
内訳の表と板場の実際の盛り付けが違う内訳の表を板場と作り直すのが先

3行目が出ることは珍しくありません。 失敗ではなく、ネタの数がいつも合わなかった理由が1つ分かったということです。 板場が実際に盛っている数で内訳を作り直してから、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
試験では当たるのに本番で外れる標本が1万を超えると早期の打ち切りが自動で有効。early_stopping=False か X_val を渡す
店の番号が大小のある数として扱われるcategory の型にする(既定の "from_dtype" で拾われる)
海老の予備が多すぎる品書きごとの多めの数を足さない。ネタごとの外れ方から予備を出す
少なめの数を毎週学ぶ早いネタ切れの日を学習から外し、外した割合を印で出す
午後の案が昼の実績0で出る昼の部の書き出しを確かめてから動かす
最終の予約で学習して当たりすぎて見えるその時点の予約を受けた日時で作り直す
朝と午後を1つのモデルで済ませる昼の実績の有無で学び方が混ざる。2つに分ける
評価の損失の分位を取り違えるmean_pinball_loss の alpha の既定は0.5。予備の線を明示する
TimeSeriesSplit の gap を日数で書くgap は行の数。1日に何行あるかを掛ける
内訳の変更で数が段差になる内訳に適用を始めた日を持たせる
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
祝日の CSV が翌々年に無い毎年2月ごろに取り直す

上の3行が、この構成の失敗のほとんどです。 どれも ERR も警告も出ないまま、試験の数字だけがよく見えたり、店の番号の並びを学んだり、海老が毎日余ったりします。 1行目と2行目はライブラリの既定の値から、3行目は足し算の順序から出ます。

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: 店ごと・品書きごとの注文数、予約のコースと人数、ネタ切れと廃棄の記録です。予約の台帳には客の名前と電話番号がありますが、この構成では使いません。

  1. 予約の台帳から取り出すのは、店・日・昼夜の部・コース・人数・受けた日時・取消の日時だけ … 客の名前と電話番号は書き出しの段階で外します
  2. 仕込みの数を決めるのは店長 … この構成が出すのは案です。確定の欄を自動で埋める作りにしません
  3. 衛生の決まりを案に合わせて変えない … 下処理したネタの使い切りの期限、余ったネタの扱いは、店の衛生の決まりで決まっています
  4. 仕入の判断に使わない … 朝の案は仕入れたネタの下処理の数です。市場の入荷と値を見た仕入は店長が決めます
  5. 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
  6. 店長の評価に案との差を使わない … 店長が直した記録は、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、店長は案のまま確定するようになり、記録に無い事情が数に入らなくなります

誤りが起きた場合のリスクは、多すぎて下処理済みのネタを捨てることと、少なすぎてネタ切れになることの2つです。 どちらもネタごとの予備の線と店長の確定で釣り合いを取り、毎週の当たり方の記録で見直します。

10まず何から始めるか

1週目:内訳と記録をそろえる

品書きのネタの内訳の表を、板場が実際に盛っている数で作ります。4店で、ネタ切れの品書きと時刻、廃棄したネタの数を毎日記録する表を始めます。 レジの書き出しが昼夜の部に分かれているかを確かめます。

2週目:予備の線を決める

ネタごとの予備の線を、店長と本部で決めます。海老のように多くの品書きに入るネタと、季節の魚のように余ると捨てるだけのネタで線を分けます。

3〜6週目:素朴な換算で試す

1店で、直近4週の平均と内訳からネタの数を出し、店長の数と並べて4週間記録します。

2か月目: Python で4店のレジの書き出しを毎日読み、半自動化の朝の案を出します。予約の台帳から受けた日時を取り出す処理を作ります。3か月目以降: 朝と午後のモデルを入れ、昼の実績での夜の出し直しと、毎週の当たり方の記録を始めます。ネタごとの損失が週ごとに落ち着き、店長が直す件数と夜のネタ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

技術仕様確認日:2026-11-16/最終更新:2026-11-17
確認した内容情報源確認日
loss に poisson があり、内部で対数のリンクを使い目的の値が0以上を求めること。early_stopping の既定が "auto" で標本が1万を超えるか X_val・y_val を渡すと有効になること、validation_fraction の既定が0.1であること。categorical_features の既定が "from_dtype" で Categorical・Enum の型の列をカテゴリとして扱うこと。monotonic_cst で増加・減少・制約なしを指定でき、列名の辞書でも渡せること。scikit-learn 1.9.1scikit-learn: HistGradientBoostingRegressor2026-11-16
時系列の順に並んだデータを分けること、gap が各学習の期間の末尾から検証の前に除く標本の数であることscikit-learn: TimeSeriesSplit2026-11-16
mean_pinball_loss の alpha の既定が0.5で、0.5のとき平均絶対誤差に相当するとされることscikit-learn: mean_pinball_loss2026-11-16
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

下処理したネタの扱い、余ったネタの扱い、衛生の管理は、店の衛生の決まりに従ってください。 ネタごとの予備の線の値と、仕込みの数の確定は、本部と店長が決めてください。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-3405)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