Media > AI活用ユースケース > 購買 > トレーディングカードの販売店が、自店の販売と買取の記録、新弾の発売日から Python でカードごとの来週の売れる数と買い取る数を予測して相場の動きを見込み、買取の価格表の見直しの候補を出す

トレーディングカードの販売店が、自店の販売と買取の記録、新弾の発売日から Python でカードごとの来週の売れる数と買い取る数を予測して相場の動きを見込み、買取の価格表の見直しの候補を出す

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

トレーディングカードの販売店が、自店の販売と買取の記録、在庫、新弾の発売日から、Python でカードごとの来週の売れる数と買い取る数を幅付きで予測します。在庫が何週持つかから、買取の価格の上げ・下げ・据え置きの候補を出します。

サマリー
連携・自動化
Python
対象業界
EC/小売
対象部門
購買
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
16h/月
AI導入後
5h/月
想定削減
69%
年間削減
132h
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. 土曜に、買取の責任者が在庫の画面から、在庫が少ないカードと多いカードを書き出す
  2. 先週の販売の枚数と買取の枚数を POS と通販の記録から拾う
  3. 新弾の発売の予定と、公式の大会で使われているカードの話題を確かめる
  4. ほかの店の買取の価格をサイトで見比べる
  5. カードごとに、上げる・下げる・据え置くを決め、価格表のスプレッドシートを直す
  6. 店長が高額カードの表を同じ手順で見直す
  7. 月曜の開店の前に、価格表を店頭の掲示とサイトに出す
導入後(After)
  1. 人買取の責任者が、カードの予定の表に、各タイトルの新弾の発売日と、公式の大会で使われているカードの印を入れる
  2. 自動毎日の閉店のあとに、Python が POS と通販の販売、買取、在庫の記録を取り込み、カードの型番ごとにそろえる
  3. 自動金曜の夜に、価格表に載るカードごとの来週の売れる数と買い取る数を、中央と幅で予測する
  4. 自動在庫と見込みから「在庫が何週持つか」を出し、上げ・下げ・据え置きの候補と、上げ下げの幅の目安を出す
  5. 自動改定の候補の価格が1万円をまたぐカード、買取の価格が販売の価格に近づきすぎるカードに印を付ける
  6. 人土曜に、買取の責任者と店長が候補の付いたカードを中心に見て、価格を決め、価格表を直す
  7. 人月曜の開店の前に、価格表を店頭の掲示とサイトに出し、1万円をまたぐカードをカウンターの係に知らせる
各工程の詳しい説明を読む
  1. 土曜に、買取の責任者が在庫の画面から、在庫が少ないカードと多いカードを書き出す
  2. 先週の販売の枚数と買取の枚数を POS と通販の記録から拾う
  3. 新弾の発売の予定と、公式の大会で使われているカードの話題を確かめる
  4. ほかの店の買取の価格をサイトで見比べる
  5. カードごとに、上げる・下げる・据え置くを決め、価格表のスプレッドシートを直す
  6. 店長が高額カードの表を同じ手順で見直す
  7. 月曜の開店の前に、価格表を店頭の掲示とサイトに出す

(a)新弾の前後に、在庫切れと買いすぎが同じ週に出る。 新弾の発売の週は、組み合わせて使う既存のカードが一気に売れて在庫が切れる一方、前の弾の強いカードの持ち込みが増えます。1と2の見直しは先週の数を見ているので、動き出してから1週遅れて価格を動かします。 切れたカードは売り逃し、持ち込みの増えたカードは高い価格のまま買い続けます。

(b)600種を毎週見切れない。 責任者が丁寧に見られるのは、在庫の画面で目立つ百数十種です。残りは前の週の価格のままで、気づいたときには持ち込みが積み上がっています。

(c)見直しが責任者の経験と他店の画面頼み。 発売の何週後に前の弾のカードが戻るか、大会の結果がどれだけ効くかは、責任者が経験で知っています。責任者が休みの週は、価格表が据え置かれます。 他店の価格の見比べには、毎週1時間以上かかります。

(d)1万円をまたぐ改定に気づかない。 価格を上げて1枚の買取の価格が1万円を超えるカードが出ると、そのカードの買取は本人確認の要る取引になります。 カウンターの係が知らないまま改定すると、確認の手順が抜けます。

  1. 【人】 買取の責任者が、カードの予定の表に、各タイトルの新弾の発売日と、公式の大会で使われているカードの印を入れる
  2. 【自動】 毎日の閉店のあとに、Python が POS と通販の販売、買取、在庫の記録を取り込み、カードの型番ごとにそろえる
  3. 【自動】 金曜の夜に、価格表に載るカードごとの来週の売れる数と買い取る数を、中央と幅で予測する
  4. 【自動】 在庫と見込みから「在庫が何週持つか」を出し、上げ・下げ・据え置きの候補と、上げ下げの幅の目安を出す
  5. 【自動】 改定の候補の価格が1万円をまたぐカード、買取の価格が販売の価格に近づきすぎるカードに印を付ける
  6. 【人】 土曜に、買取の責任者と店長が候補の付いたカードを中心に見て、価格を決め、価格表を直す
  7. 【人】 月曜の開店の前に、価格表を店頭の掲示とサイトに出し、1万円をまたぐカードをカウンターの係に知らせる

6番目で決めるのは人です。 モデルが出すのは需給の見込みと候補で、価格の幅を決めるのは、ほかの店の動きや大会の話題を知っている責任者と店長です。

新弾の発売の週だけは、水曜にもう一度候補を出します。 発売の日から2日分の売れ方が分かると、組み合わせて使うカードのうち、どれが本当に動いたかが見えます。月曜に出した価格表を週の途中で直すかは責任者が決め、直したときは店頭の掲示とサイトを同じ時刻に替えます。

ほかの店の価格は、この構成で自動では集めません。 他店のサイトや売買の場の価格を機械で読み取る仕組みは、相手のサイトの利用規約に反するおそれがあります。 見比べが要るときは、候補の付いたカードに絞って責任者が画面で見ます。見比べるカードの数が減ることが、この構成の削る時間の大きな部分です。

02今回想定するシステム構成

構成図
POS(店頭の販売と買取)+ 通販のサイトの受注 + 在庫の管理
   + カードのマスタ(型番・タイトル・弾・レアリティ・再録の対応)
   + カードの予定の表(新弾の発売日、大会で使われている印)
   │
   ▼【トリガー】毎日閉店後(取り込み)、金曜の夜(予測)
Python(pandas)
   ├──▶ 型番の再録をまとめ、状態の区分をそろえ、週ごと・カードごとの枚数にする
   ▼
scikit-learn(HistGradientBoostingRegressor)
   │   来週のカードごとの売れる数・買い取る数:中央(ポアソン)・下側と上側(分位点)
   ▼
Python ── 在庫が持つ週数、上げ・下げ・据え置きの候補と幅の目安
   ▼
Python ── 1万円をまたぐ印、販売の価格との差の印
   ▼
【人】責任者と店長が価格を決め、価格表を直す
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(ポアソン損失と分位点損失)LightGBM、statsmodels
集計Python(在庫の週数、候補と幅の目安、印の付与)スプレッドシートの計算式
保管本店の共有フォルダ(カードの予定の表、決めた価格と理由の記録)-

新しく足すのは、Python の取り込みと予測のスクリプトと、カードの予定の表です。 POS・通販のサイト・在庫の管理はこれまでどおりで、この構成はどれにも書き込みません。 価格表を直すのは人です。

予測のエンジンに HistGradientBoostingRegressor を選んだのは、週に0〜数枚の枚数をそのまま扱え、幅も出せるからです。 公式のページでは、loss に 'poisson' と 'quantile' があり、ポアソンは目的の値が0以上であることを求めるとされています。カードごとの週の枚数は0の週が多い数なので、ポアソンで中央を、分位点で下側と上側を出します。

カードをタイトル・弾・レアリティの項目で1本のモデルにまとめるのは、記録の少ないカードが多いからです。 1枚ずつのカードでは学ぶ記録が足りませんが、同じ弾の同じレアリティのカードの発売の前後の動きは似ます。

生成AIは使いません。 予測は数の問題で、責任者に渡すのはカードごとの表です。

03どうやって実装するのか

Step1

処理の起点を決める

取り込みは毎日の閉店のあと、予測は金曜の夜に動かします。 POS と通販のサイトの記録は閉店のあとに確定するので、夜11時に前日の閉店から当日の閉店までの分を取り込みます。 本店のパソコンかサーバーの定時実行で Python のスクリプトを起動します。

金曜の夜は、土曜の見直しのための回です。 価格表は土曜と日曜に見直して月曜の開店前に出すので、金曜の閉店までの記録で、翌週の月曜から日曜の1週を予測します。 金曜の夜に動かせば、土曜の朝には候補の表がそろいます。

新弾の発売の週は、水曜の夜にも動かします。 発売の日の前後は、週の途中で売れ方が大きく変わります。発売の2日後までの記録を足して週の後半を予測し直し、臨時の値上げ・値下げをするかを責任者が決めます。

月に1回、モデルを作り直します。 毎月の第1金曜に先月までの記録で学習し直し、先月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
販売の記録日時、店舗か通販か、カードの型番、状態の区分、枚数、販売の価格POS、通販のサイトの受注の書き出し
買取の記録日時、店舗、カードの型番、状態の区分、枚数、買取の価格POS の買取の記録(古物の帳簿を兼ねる)
在庫カードの型番・状態の区分ごとの在庫の枚数、販売の価格在庫の管理の書き出し
カードのマスタ型番、タイトル、弾、レアリティ、同じカードの再録の型番の対応カードのマスタ
カードの予定タイトルごとの新弾の発売日、公式の大会で使われているカードの印カードの予定の表(責任者が入れる)
価格表の履歴週ごと・カードごとの買取の価格と販売の価格価格表のスプレッドシートの過去の版

質を決めるのは、カードのマスタの「再録の対応」の列と、価格表の履歴です。 同じカードが別の弾で再び出ると、型番は違っても使い道は同じなので、売れ方を分け合います。 再録をまとめずに数えると、旧い型番の売れる数が急に減ったように見えます。価格表の履歴は、価格を上げた週に持ち込みが増えた、という自店の価格の効き方を学ぶために使います。

新弾の発売日は、各タイトルの公式のサイトの発表を責任者が予定の表に入れます。 発売日の延期もあるので、発表が変わったらその日のうちに直す決まりにします。

公式の大会で使われている印は、責任者の判断で付けます。 大会の結果は話題の広がり方まで含めて読むもので、機械で決まった形の項目にしにくいからです。印は「使われている」「使われ始めた」の2つにします。

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
販売・買取の記録POS の日ごとの書き出し(CSV)、通販のサイトの受注の書き出しカードごと・週ごとの売れる数と買い取る数
在庫在庫の管理の書き出し(閉店の時点)在庫が持つ週数
カードのマスタ・予定の表・価格表共有フォルダのスプレッドシートを CSV で書き出して読む項目、再録のまとめ、価格の効き方

買取の記録からは、カードの型番・状態・枚数・価格・日時の列だけを取ります。 古物の帳簿としての買取の記録には、持ち込んだ人の住所・氏名・職業・年齢が載ることがあります。予測に要るのは枚数と価格だけなので、取り込みの時点でそれ以外の列を捨てます。

通販の受注は、注文の日ではなく出荷の確定の日で数えないようにします。 予約の注文は発売日より前に入るので、注文の日で数えると発売の前の週に売れたように見えます。 売れる数は注文の日で数え、予約は「予約」の印を付けて別の項目にします。キャンセルは外します。

Step4

AIへ渡す前に整形する

  1. 再録をまとめる … カードのマスタの再録の対応で、同じカードの型番を1つの「カードの名前の単位」にまとめます。価格表に載る型番ごとの数も残します
  2. 店舗の間の移動を外す … 本店から支店へ在庫を回した記録は、POS で販売や買取と同じ画面から入ることがあります。移動の伝票の区分で外し、売れた数と買い取った数に入れません
  3. 状態の区分をそろえる … 「美品」の区分だけを予測の対象にし、傷ありは別の数として残します
  4. 週ごとに数える … 月曜から日曜の週ごとに、カードごとの売れる数(店頭+通販)と買い取る数にします
  5. 在庫が切れていた週を印にする … 在庫が0だった日が3日以上ある週は、売れる数が本当の需要より少なく出るので、「品切れ」の印を付けます
  6. 項目を作る … タイトル、弾、レアリティ、新弾の発売から何週か、次の新弾まで何週か、そのカードの弾の発売から何週か、大会の印、予約の数、その週の買取の価格と販売の価格、それらの前の週からの変化の率、直近4週の売れる数と買い取る数の平均、在庫の枚数
  7. タイトル・弾・レアリティを Categorical にする … 既定の設定でカテゴリとして扱われます

5番目が、この構成の肝です。 在庫が切れていた週は、売れなかったのではなく売る物が無かった週です。そのまま学ぶと、人気のカードほど「売れない週がある」と覚え、来週の売れる数を少なく見込みます。 品切れの週は売れる数のモデルの学習から外し、買い取る数のモデルには残します。

6番目で自店の価格を項目に入れるのは、価格を変えたときの効き方を学ぶためです。 ただし来週の価格はまだ決まっていないので、予測のときは今週の価格のまま置いた場合の見込みとして出します。

Step5

AIに処理させる

させるのは、来週のカードごとの売れる数と買い取る数を予測することだけです。 機械学習のモデルを、売れる数と買い取る数それぞれ3本ずつ作ります。

出すもの損失使いみち
中央の見込みloss="poisson"在庫が持つ週数の目安
下側の見込み(0.2)loss="quantile"、quantile=0.2売れる数が少なめに転んだときの在庫の残り
上側の見込み(0.8)loss="quantile"、quantile=0.8売れる数が多めに転んだときの品切れ

当たり方は mean_pinball_loss で、分位ごとに測ります。 公式のページでは、分位点の回帰の損失とされ、alpha に分位を渡すとされています。0.2と0.8の線が、実際の数を外す割合がそれぞれ2割前後に収まっているかも合わせて見ます。

在庫が持つ週数を、決まった計算で出します。 「今の在庫+来週の買い取る数(中央)」を「来週の売れる数」で割った値です。売れる数は、下側と上側の両方で計算します。

在庫が持つ週数候補幅の目安
売れる数が上側でも4週以上 かつ 中央で8週以上下げの候補直近の持ち込みの増え方に応じて1〜3段階
売れる数が上側で1週未満上げの候補直近の品切れの日数に応じて1〜3段階
それ以外据え置き-

「段階」は、店で決めた価格の刻みです。 たとえば、買取の価格が千円未満なら10円、1万円未満なら100円、それ以上なら1,000円を1段階とします。刻みの決め方と上げ下げの上限は、責任者と店長が決めて表にしておきます。

続けて、2つの印を付けます。 1つは、上げの候補の価格が1万円をまたぐカードです。古物営業法では、古物を買い受けるときは相手方の住所・氏名・職業・年齢の確認などの措置をとるとされ、対価の総額が規則で定める金額未満の取引は確認を要しないとされています。施行規則ではその金額を1万円としています。1枚で1万円を超える価格になったカードは、その1枚だけで確認の要る取引になります。 もう1つは、買取の価格が販売の価格の決めた割合を超えるカードです。

させないこと理由
買取と販売の価格の決定他店の動きと大会の話題を知る責任者と店長が決める
他店・売買の場の価格の収集相手のサイトの利用規約に反するおそれがある
本人確認と帳簿の記載の要否の判断取引の対価の総額で決まる。カウンターの係が手順どおり行う
偽造の疑いのあるカードの判定人の目と決まった手順で扱う
発売が初めてのタイトルの見込み記録が無い。責任者が置く

3行目に気を付けてください。 本人確認が要るかは、1回の取引の対価の総額で決まります。この構成が付ける印は「1枚で1万円を超えるカードが出た」という知らせで、数枚を合わせて1万円を超える取引の確認は、カウンターの係が手順どおり行います。

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、品切れの週の扱いと、在庫が持つ週数の中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_pinball_loss

FEATURES = ["title", "set_code", "rarity", "wk_since_new_set", "wk_to_next_set",
            "wk_since_own_set", "meta_flag", "preorders", "buy_price", "sell_price",
            "buy_price_chg", "sell_price_chg", "sold_4w_avg", "bought_4w_avg", "stock"]

def fit3(df, target):
    models = {}
    for name, kw in {"mid": dict(loss="poisson"),
                     "lo":  dict(loss="quantile", quantile=0.2),
                     "hi":  dict(loss="quantile", quantile=0.8)}.items():
        m = HistGradientBoostingRegressor(max_iter=400, learning_rate=0.05,
                                          random_state=0, **kw)
        models[name] = m.fit(df[FEATURES], df[target])
    return models

sold_models   = fit3(train[~train["stockout_week"]], "sold")   # 品切れの週は外す
bought_models = fit3(train, "bought")

for q, key in [(0.2, "lo"), (0.8, "hi")]:
    p = sold_models[key].predict(valid[FEATURES])
    print(q, mean_pinball_loss(valid["sold"], p, alpha=q))

def weeks_of_cover(stock, bought_mid, sold):
    return (stock + bought_mid) / max(sold, 0.5)   # 0で割らない

max(sold, 0.5) は、売れる数が0と見込まれたカードで割り算が壊れないようにするためです。 0.5は「2週に1枚」に当たり、店で決めて構いません。この値で週数が大きく出たカードは、下げの候補に入ります。

検証の週は、最後の8週を取り分けて時間の順を守ります。 新弾の発売の週を必ず1回は含むように、取り分ける期間を決めます。

Step7

出力形式を固定する

責任者と店長に渡すのは、次の表です。 土曜の朝に、候補の付いたカードから順に並べて画面で見ます。

【来週の買取の価格表の見直しの候補(11月第2週・金曜 23:40 作成/取り込み 23:15)】

カード在庫来週の売れる数(下/中央/上)来週の買い取る数(中央)在庫が持つ週数(上側)候補今の買取の価格目安印
タイトルA 第12弾 SR 型番○○26/10/1530.3上げ1,800円+2段階新弾の前週
タイトルA 第11弾 UR 型番△△412/4/797.1下げ950円-2段階前の弾の持ち込み増
タイトルB 第8弾 SEC 型番□□11/2/400.3上げ9,500円+1段階1万円をまたぐ

「1万円をまたぐ」の印のカードは、上げると決めたら、月曜の朝にカウンターの係に一覧で知らせます。 価格表の掲示にも、本人確認が要る価格であることが分かる印を付けます。

表の一番下には、注意の印を並べます。 カードの予定の表に新弾の発売日が無いタイトルには「発売日が未入力」、再録の対応が無い新しい型番には「再録の対応が未入力」、取り込みが当日より古ければ「取り込みが止まっている」を出します。

同じ内容を CSV でも残し、翌週に実績と並べて当たり方を見ます。

Step8

システムへ連携する

つなぎ先方式内容
POS日ごとの書き出し(CSV)を読む店頭の販売と買取
通販のサイト受注の書き出しを読む通販の販売と予約
在庫の管理閉店の時点の在庫の書き出しを読む在庫の枚数と販売の価格
価格表・マスタ・予定の表スプレッドシートを CSV で書き出して読む価格の履歴、項目
POS・通販のサイト・価格表書き込まない(決めてから人が直す)-

価格表には書き込みません。 候補の表から価格表へ写すのは責任者で、写すときに、決めた価格と候補から変えた理由を記録の列に残します。

販売の価格も、この構成では動かしません。 買取の価格を上げたカードは販売の価格も見直すことが多いのですが、販売の価格は通販のサイトの見え方や、ほかの売り場との釣り合いで決まります。 候補の表には今の販売の価格を並べるだけにし、販売の価格を直すかは店長が決めます。

Step9

人が確認する

  1. 作った日時と取り込みの日時を見る … 金曜の夜の日時であることを確かめます
  2. 上げの候補を見る … 大会の話題や他店の動きと照らし、上げる幅を決めます。他店の価格を見るのは、ここで候補のカードに絞って行います
  3. 下げの候補を見る … 次の新弾で使われそうなカードが入っていないかを確かめます
  4. 1万円をまたぐカードを見る … 上げると決めたら、カウンターへの知らせを用意します
  5. 予測の外の事情を足し引きする … 公式の禁止・制限のカードの発表、再録の発表などを足し引きします

目標は、20件をならして1件15分です。 据え置きのカードは見ず、時間を使うのは上げ・下げの候補と印の付いたカードです。

Step10

例外に対処する

起きること対応
取り込みが失敗した・止まっている予測を止め、表の一番上に「取り込みが止まっている」と出す
新しい型番がマスタに無い「マスタ未登録」として表に出し、予測の対象から外す
公式の禁止・制限の発表対象のカードに「発表あり」の印を付け、候補を出さず責任者が決める
新弾の発売の延期予定の表を直して予測し直す
1人の持ち込みで同じカードが大量に届いた週買い取る数の外れとして記録に印を付け、学習から外すかを決める
偽造の疑いのあるカードが持ち込まれた予測とは別に、決まった手順で扱う
価格表に無いカードの持ち込みが続くカウンターの査定の記録から週に3枚以上のカードを拾い、価格表に載せる候補として表に出す
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

3行目は、売れ方が一晩で変わるので、モデルに任せません。 禁止のカードは売れなくなり、制限が解かれたカードは急に売れます。過去の記録に似た例が少ないので、責任者が決めます。

Step11

記録を残す

  • 実行の日時、使ったモデルの作成日、最後に取り込みが成功した日時
  • カードごとの売れる数と買い取る数の見込み、在庫が持つ週数、候補、印
  • 責任者と店長が決めた価格と、候補から変えた理由
  • 翌週の実績(売れた数、買い取った数、品切れの日数)と、分位ごとの当たり方

3つ目と4つ目を並べると、価格の判断が合っていたかが分かります。 上げたカードの品切れが減り、下げたカードの持ち込みが落ち着いたなら、判断は働いています。

04実装レベルの3段階

最小構成:手で書き出した1年分の記録で Python を動かし、過去の8週で当たり方を見る / 予測の当たり方の確認
半自動化:上記+毎日の取り込みと、金曜の夜にカードごとの売れる数と買い取る数の表を出す / 需給の見込み
本格構成:上記+在庫が持つ週数、上げ・下げの候補と幅の目安、1万円をまたぐ印、新弾の週の水曜のやり直し / 見込みから見直しの候補まで

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、在庫と照らして候補を選ぶ作業は責任者の手に残ります。 第4章の③の時間がほぼ残ります。 半自動化で1件48分が30分ほどに、本格構成で15分になります。 差が大きいのは、600種から見るべきカードを選ぶ作業が、在庫が持つ週数の計算で機械に出せるからです。 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、どのタイトルとどの弾の見込みが当たり、どこが外れるかが分かります。外れる部分のマスタと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
20 件
1件あたり現在時間
48 分
1件あたり導入後時間
15 分
現在  20件 × 48分 ÷ 60 = 16 時間/月
導入後 20件 × 15分 ÷ 60 = 5 時間/月
月間削減時間
11h
削減率
69%
年間削減時間
132h
年間金額換算(時間単価2,600円)
34万円
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. 複数のタイトルのシングルカードを販売と買取の両方で扱い、買取の価格表を店頭と自社のサイトに毎週出しているトレーディングカードの販売店。POS と通販の販売の記録と、買取の記録をカードの型番で1年分以上たどれる場合。価格表の見直しを買取の責任者が経験と他店の画面の見比べで行っていて、新弾の発売の前後に在庫の切れと買いすぎが同じ週に出る場合。
向いていない
  1. 扱うのがパックや箱の新品だけで、シングルカードの買取をしていない店。販売と買取の記録がカードの型番で残っておらず、品名の手入力でしか分からない場合。数枚の高額カードの売り買いが売上の大半で、件数の予測が立たない場合。なお、買取の価格の決定、本人確認と古物の帳簿の記載、偽造の疑いのあるカードの扱いは、この構成では代替できません。

07最小構成で試す方法

  1. POS と通販のサイトから、過去1年分の販売と買取の記録をカードの型番・枚数・価格・日時の列で書き出す
  2. 価格表の過去の版から、週ごと・カードごとの買取の価格を拾う
  3. カードのマスタに、主なタイトルの弾の発売日と再録の対応を足す
  4. Python で第7章の設定を動かし、最後の8週(新弾の発売の週を含む)を「来週」として、週ごとに予測させる
  5. 当時の責任者の改定(上げた・下げたカード)と、実際の品切れと持ち込みと並べる

1年・8週で十分です。 確かめたいのは、「新弾の発売の週に品切れになったカードを、前の週のうちに上げの候補に出せるか」です。

出てきた内容判断
新弾の前の週に、品切れになったカードが上げの候補に出る候補と印まで出す段階に進む
人気のカードの売れる数が少なめに出る品切れの週を学習している。品切れの週を外す
再録のあったカードだけ大きく外れる再録をまとめていない。マスタの対応を足す

2行目は、ほとんどの店で一度は出ます。 失敗ではなく、売れた数と売れたはずの数が違うことが、数字で分かったということです。

08実装時につまずきやすいポイント

問題対策
品切れの週を「売れない週」として学ぶ在庫が0の日の多い週を売れる数の学習から外す
再録の型番を別のカードとして数えるマスタに再録の対応を持たせてまとめる
予約を注文の日で売れた数に入れる予約は別の項目にし、キャンセルを外す
価格そのものを当てようとする売れる数と買い取る数を予測し、在庫の週数で読む
0で割って週数が壊れる売れる数に下限を置く
他店の価格を機械で集める集めない。候補のカードだけ人が見る
1万円をまたぐ改定がカウンターに伝わらない印を付け、月曜の朝に一覧で知らせる
禁止・制限の発表をモデルに任せる発表ありの印で候補を止め、人が決める
帳簿の個人の情報を取り込む枚数と価格以外の列を取り込みで捨てる
店舗の間の在庫の移動を売れた数に数える移動の伝票の区分で外す
新弾の表からタイトルの表へ移したカードの記録が途切れる型番でつなぎ、表の移動の日を記録する

上の2行が、この構成の失敗のほとんどです。 どちらも、記録に残った数と、本当に売れたはずの数がずれることから起きます。ここを押さえれば、残りは他の件数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: カードごとの販売と買取の枚数・価格、在庫、価格表の履歴、新弾の予定です。買取の記録は古物の帳簿を兼ね、持ち込んだ人の住所・氏名・職業・年齢が含まれることがあります。

  1. 持ち込んだ人の情報を取り込まない … 取り込みの時点で、型番・状態・枚数・価格・日時以外の列を捨てます。予測に要るのは枚数だけです
  2. 帳簿の保存は別に守る … 古物営業法では、帳簿等を最終の記載の日から3年間保存するとされています。この構成の取り込みのファイルは帳簿の代わりになりません。 POS の買取の記録をそのまま保存します
  3. データを外に出さない … 予測は店のパソコンか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
  4. 他店の情報を自動で集めない … 他店のサイトや売買の場の価格を、機械で読み取る仕組みを作らないでください
  5. 価格は人が決める … 候補はあくまで候補で、価格表を直すのは責任者と店長です。 予測の数を係の評価に使わないでください
  6. 候補の表を店の外に出さない … 来週どのカードの買取の価格を上げるかは、出す前に知られると持ち込みの時期をずらされる情報です。表の共有先を責任者と店長に限ります

誤りが起きた場合のリスクは、品切れで売り逃すことと、高い価格のまま買いすぎることの2つです。 前者は品切れの週を学ぶと起き、後者は再録や前の弾の持ち込みの増え方を見誤ると起きます。分位ごとの当たり方と、在庫の週数の記録の確認で、両方を抑えます。

10まず何から始めるか

1週目:記録をつなぐ

POS と通販のサイトから過去1年分の記録を書き出し、カードの型番で販売と買取がつながるか、再録の対応がマスタにあるかを確かめます。買取の記録の個人の情報の列は、この時点で捨てる決まりにします。

2週目:1年分で試す

第8章のとおり、最後の8週を週ごとに予測させます。新弾の発売の週の品切れが、前の週のうちに上げの候補に出るかを最優先で見ます。

3週目:価格の刻みと上限を決める

責任者と店長で、価格帯ごとの1段階の刻み、1週の上げ下げの上限、買取の価格の販売の価格に対する割合の上限を表にします。1万円をまたぐカードの知らせ方を、カウンターの係と決めます。

4週目:金曜の夜の表を毎週出す

毎日の取り込みと、金曜の夜に見込みの表を出す半自動化を始め、責任者はこれまでどおり自分で見直しながら、表と見比べます。 翌週に、責任者の判断と表の候補のどちらが品切れと買いすぎを避けられたかを書き残します。

2か月目以降: 在庫の週数、候補と幅の目安、1万円の印を足し、新弾の週の水曜のやり直しを始めます。候補から変えた理由、品切れの日数、在庫の週数を毎月見ます。 責任者が候補の付いたカードだけを見て価格表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:2026-11-03
確認した内容情報源確認日
HistGradientBoostingRegressor の loss に 'poisson'(y >= 0 が要る)と 'quantile'(quantile で分位を指定)があること。categorical_features の既定が 'from_dtype' であること(版 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-03
mean_pinball_loss が分位点の回帰の損失で、alpha に分位を渡すこと(版 1.9.1)scikit-learn: mean_pinball_loss2026-11-03
古物営業法第15条:古物を買い受けるときに相手方の住所・氏名・職業・年齢の確認などの措置をとること、対価の総額が規則で定める金額未満の取引は要しないこと。第16条:取引の年月日・品目と数量・特徴などを帳簿等に記載すること。第18条:最終の記載の日から3年間保存することe-Gov 法令API: 古物営業法2026-11-03
古物営業法施行規則第16条:法第15条第2項第1号の金額を1万円とし、金額にかかわらず確認が要る古物(自動二輪車、家庭用ゲームのソフト、CD・DVD など、書籍など)を定めていること(2026-08-12 施行の版)e-Gov 法令API: 古物営業法施行規則2026-11-03

買取の価格の決定、本人確認と帳簿の記載、偽造の疑いのあるカードの扱いは、店の判断と決まった手順で行ってください。 本記事は公開されている仕様と法令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-2624)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