Media > AI活用ユースケース > 営業 > 中古の工作機械の販売会社が、在庫の機械の型式・年式・状態・価格と過去の成約の記録から、成約までの日数を Python で予測し、値下げと広告の見直しの候補を毎月出す

中古の工作機械の販売会社が、在庫の機械の型式・年式・状態・価格と過去の成約の記録から、成約までの日数を Python で予測し、値下げと広告の見直しの候補を毎月出す

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

在庫の工作機械ごとに、型式・年式・状態・掲載価格と過去の成約の記録から、90日以内に成約する見込みを Python で出します。引き合いの数と合わせて、毎月の在庫会議に値下げの候補と広告の見直しの候補を分けて出します。

サマリー
連携・自動化
Python
対象業界
商社/製造
対象部門
営業
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
24h/月
AI導入後
9h/月
想定削減
63%
年間削減
180h
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、各担当が自分の機械の掲載からの日数を台帳で数える
  2. 問い合わせの記録から、機械ごとの引き合いの数を数える
  3. 似た機械(同じ区分・近い年式)の過去の成約の日数と価格を、台帳から探す
  4. 担当が「値下げ」「載せ方を変える」「様子を見る」の案を作る
  5. 在庫会議で、営業の責任者が案を聞いて決める
  6. 値下げした機械は掲載の価格を直し、載せ方を変える機械は写真や仕様の書き方を直す
導入後(After)
  1. 自動毎月1日の夜、Python が在庫の台帳と問い合わせの記録を読む
  2. 自動過去3年の機械ごとに、掲載から成約・業者回し・いまの日までの日数と、成約したかどうかを作る
  3. 自動生存時間のモデルを学習し直し、新しい期間の記録で当たり方を確かめる
  4. 自動在庫の機械ごとに、いまから90日以内に成約する見込みを出す
  5. 自動似た機械と比べた引き合いの数を出し、見込みと合わせて候補の区分を付ける
  6. 自動在庫会議の一覧(スプレッドシート)に書き出す
  7. 人担当が一覧を見て、区分に対する自分の案と理由を書く
  8. 人在庫会議で営業の責任者が決める
  9. 人値下げと載せ方の変更を行い、台帳に記録する
各工程の詳しい説明を読む
  1. 会議の前に、各担当が自分の機械の掲載からの日数を台帳で数える
  2. 問い合わせの記録から、機械ごとの引き合いの数を数える
  3. 似た機械(同じ区分・近い年式)の過去の成約の日数と価格を、台帳から探す
  4. 担当が「値下げ」「載せ方を変える」「様子を見る」の案を作る
  5. 在庫会議で、営業の責任者が案を聞いて決める
  6. 値下げした機械は掲載の価格を直し、載せ方を変える機械は写真や仕様の書き方を直す

(a)売れ残りの理由を値段に寄せてしまう。 掲載から日数がたつと、まず値下げの話になります。実際には、写真が少ない、制御装置の型式が書かれていない、業界の掲載サイトに載せていない、といった理由で引き合いが来ていない機械もあります。 その機械を値下げしても、見られていないので売れません。

(b)担当ごとに判断が違う。 同じ90日の売れ残りでも、値下げを急ぐ担当と、待つ担当がいます。会議で責任者が聞くのは担当の案だけで、比べる基準がありません。

(c)似た機械を探すのに時間がかかる。 3番は台帳のフィルタで探しますが、区分と年式だけでは似ていない機械も混ざります。制御装置の世代や主軸の仕様まで見ると、1台に数分かかります。

(d)引き合いの数を数えていない機械がある。 2番は電話のメモが多い担当ほど手間で、忙しい月は数えずに会議に出ることがあります。

(e)載せ方を変えた結果を見ていない。 写真を撮り直した、業界紙に載せた、という変更をしても、その後に引き合いが増えたかを誰も確かめていません。 どの載せ方が効くのかが会社に貯まらず、毎回担当の勘で決まります。

  1. 【自動】 毎月1日の夜、Python が在庫の台帳と問い合わせの記録を読む
  2. 【自動】 過去3年の機械ごとに、掲載から成約・業者回し・いまの日までの日数と、成約したかどうかを作る
  3. 【自動】 生存時間のモデルを学習し直し、新しい期間の記録で当たり方を確かめる
  4. 【自動】 在庫の機械ごとに、いまから90日以内に成約する見込みを出す
  5. 【自動】 似た機械と比べた引き合いの数を出し、見込みと合わせて候補の区分を付ける
  6. 【自動】 在庫会議の一覧(スプレッドシート)に書き出す
  7. 【人】 担当が一覧を見て、区分に対する自分の案と理由を書く
  8. 【人】 在庫会議で営業の責任者が決める
  9. 【人】 値下げと載せ方の変更を行い、台帳に記録する

7番目が、この設計の分かれ目です。 一覧は区分の候補を出しますが、担当は自分の案を書きます。 顧客と商談中、別の会社の工場の移転で同じ型式がまとめて出てくる、といった台帳に無い事情を知っているのは担当だけだからです。

5番目で区分を付けるのは規則で、モデルではありません。 モデルが出すのは「90日以内に成約する見込み」までで、それを値下げと広告の見直しに分けるのは、引き合いの比と組み合わせた規則です。規則を営業の責任者が読める形で持つことで、会議で「なぜこの区分か」を説明できます。

3番目で当たり方を毎月確かめるのは、市場が動くからです。 設備投資の波で、同じ機械の売れ方が半年で変わります。当たり方が落ちた月は、一覧の見込みの列を薄い色にし、会議では参考にとどめます。

02今回想定するシステム構成

構成図
在庫の台帳(買取・掲載・値下げ・成約・業者回し)
問い合わせの記録(機械の番号・日付・経路)
   │
   ▼【トリガー】毎月1日の夜の定時実行
Python(pandas)
   ├──▶ 機械ごとの日数と成約の有無、特徴の表
   ▼
scikit-survival の RandomSurvivalForest
   │   学習 → 新しい期間の記録で当たり方の確認
   ▼
Python ── 在庫の機械ごとの90日以内の成約の見込み
   ├──▶ 似た機械と比べた引き合いの数
   ▼
区分の付与(値下げの候補/広告の見直しの候補/様子見)
   ▼
在庫会議の一覧(スプレッドシート)
   ▼
【担当が案を書く → 責任者が決める】
役割想定する製品代替候補
実行環境Python(pandas・scikit-survival)R(survival パッケージ)
処理エンジンscikit-survival の RandomSurvivalForest(ランダムサバイバルフォレスト)lifelines の CoxPHFitter
集計Python(引き合いの比較、区分、会議の一覧、当たり方の記録)表計算の計算式
台帳在庫の台帳と問い合わせの記録(書き出したCSV)販売管理の仕組みのデータベース

新しく足すのは、Python のスクリプトと、それを毎月動かす場所だけです。 在庫の台帳と問い合わせの記録はこれまでのものを使い、毎月1日に CSV に書き出します。台帳には書き込まず、結果は会議の一覧にだけ出します。

ランダムサバイバルフォレストを選ぶのは、機械の条件の組み合わせが効くからです。 公式のページでは、RandomSurvivalForest はデータの一部から多数の生存木を作って平均する推定器で、木の分かれ目は log-rank の基準で選ぶとされています。工作機械では、「年式が古くても制御装置が新しい世代なら売れる」「研削盤は状態の評価が効くが、旋盤はそれほどでもない」のように、条件の組み合わせで売れ方が変わります。 比例ハザードのように効き方を一律に置く形より、木の形のほうが組み合わせを拾えます。

生成AIは使いません。 見込みは過去の記録の数え上げから出すもので、文を作る場面がありません。台帳の数を外部のサービスに渡す必要もなく、社内で完結します。 会議の一覧の「理由」の欄は担当が書きます。

代わりに、効き方の説明は弱くなります。 「年式が1年古いと何倍売れにくい」とは言えません。そこで一覧では、モデルの見込みに加えて、似た機械の過去の成約の日数を並べ、担当が自分の目で確かめられるようにします。

03どうやって実装するのか

Step1

処理の起点を決める

毎月1日の夜、定時実行で動かします。 在庫会議は毎月第1週の後半なので、2日の朝には一覧がそろい、担当が案を書く時間が2〜3日あります。 実行の場所は社内のサーバーの定時実行(cron やタスクスケジューラ)で足ります。

前月の末日までの記録を使うので、1日の夜に台帳の書き出しが終わっていることを先に確かめます。 書き出しのファイルの更新の日時が当月1日でなければ、実行を止めて担当に知らせます。

月の途中では動かしません。 見込みが毎週変わると、会議の前に担当が見る数字が揃いません。月1回、同じ時点の数字で全部の機械を見ます。

Step2

入力データを集める

データ中身取得元
在庫の台帳機械の番号、区分(マシニングセンタ・NC旋盤など)、メーカー、型式、年式、制御装置の型式、主な仕様、状態の評価(A〜C)、試運転の可否、掲載の日、掲載価格と値下げの履歴、成約の日、業者に回した日台帳の書き出し
問い合わせの記録機械の番号、日付、経路(自社のサイト・掲載サイト・業界紙・電話)問い合わせの記録の書き出し
掲載の状態機械ごとの写真の枚数、動画の有無、載せている掲載先台帳の掲載の列
参考の相場区分と年式の帯ごとの、自社の過去の成約の価格の中央値台帳から計算する

質を決めるのは、値下げの履歴と業者に回した日です。 値下げの履歴が無いと、成約したときの価格しか分からず、「いくらで載せていた期間に売れなかったか」が消えます。 業者に回した日が無いと、売れずに出ていった機械が「まだ在庫にある」ことになり、日数が伸び続けます。

引き合いの数は、モデルに入れません。 引き合いは掲載のあとに積み上がるもので、掲載から長くたった機械ほど多くなります。 モデルに入れると、「引き合いが多い機械は売れやすい」のか「長く残っているから引き合いが多い」のかを区別できません。引き合いは、モデルの外で、区分を付けるときに使います。

Step3

データの取得方法を決める

台帳と問い合わせの記録は CSV で受け取り、pandas で読みます。機械ごとに、掲載の日から成約の日、業者に回した日、いまの日のうち最初に来た日までの日数を作ります。

import pandas as pd
from sksurv.util import Surv

inv = pd.read_csv('inventory.csv', parse_dates=['listed_on', 'sold_on', 'dumped_on'])
asof = pd.Timestamp(run_month_start)          # 当月1日
end = inv['sold_on'].fillna(inv['dumped_on']).fillna(asof)
inv['days'] = (end - inv['listed_on']).dt.days.clip(lower=1)
inv['sold'] = inv['sold_on'].notna()
hist = inv[inv['listed_on'] < asof - pd.DateOffset(days=30)]
y = Surv.from_arrays(event=hist['sold'], time=hist['days'])

公式のページでは、Surv.from_arrays は成約したかどうかの印と時間の配列から、生存時間の分析で使う構造化した配列を作るとされています。業者に回した機械と、いま在庫にある機械は「成約していない」として、その日までの日数を持たせます。

機械の状態solddays
成約したTrue掲載から成約まで
業者に回したFalse掲載から業者に回すまで
いま在庫にあるFalse掲載からいままで

業者に回した機械を「成約していない」とするのは、意図してのことです。 業者に回すのは、売れないと見切った判断で、その時点まで売れなかったという記録は正しいからです。成約に数えると、売れにくい機械が「売れた」ことになります。

引き合いの比は、問い合わせの記録から別に計算します。似た機械が「掲載から同じ日数までに」受けた引き合いの数と比べます。

inq = pd.read_csv('inquiries.csv', parse_dates=['date'])
inq = inq.merge(inv[['machine_id', 'listed_on']], on='machine_id')
inq['day'] = (inq['date'] - inq['listed_on']).dt.days

def inquiry_ratio(m, peers):
    d = m['days']
    mine = (inq['machine_id'].eq(m['machine_id']) & inq['day'].le(d)).sum()
    base = [(inq['machine_id'].eq(p) & inq['day'].le(d)).sum()
            for p in peers['machine_id']]               # 同じ区分・年式の帯
    med = pd.Series(base).median() if len(base) >= 5 else None
    return mine / med if med else None                  # 比べる相手が少なければ出さない

比べる相手は、掲載から d 日以上たった似た機械に限ります。 d 日までに売れてしまった機械は、d 日までの引き合いが少なく数えられ、分母が下がるからです。似た機械が5台に満たないときは比を出さず、区分を空にします。

Step4

AIへ渡す前に整形する

  1. 特徴の作成 … 年式から経過年数、制御装置の型式から世代の区分、掲載価格を参考の相場で割った価格の比を作ります
  2. 価格の比の時点 … 値下げした機械は、学習のときは最初の掲載価格の比を使います。 値下げの後の価格を使うと、売れなかったから下げたという順序が逆になります
  3. 欠けた値の扱い … 制御装置や状態の評価が空のものは「不明」の区分にします。公式のページに欠けた値の扱いの記載が無いので、渡す前に必ず埋めます
  4. 区分の値の展開 … 区分・メーカー・世代は、pandas の get_dummies で0と1の列に開きます。台数の少ないメーカーは「その他」にまとめます
  5. 掲載から30日未満の機械を学習から外す … 日数が短すぎて手がかりにならないからです(見込みは出します)
  6. 学習と確かめの分け方 … 掲載の日で分け、古い期間で学習し、新しい12か月で当たり方を確かめます
first_price = inv['price_history'].map(lambda h: h[0]['price'])   # 最初の掲載価格
ref = hist.groupby(['category', 'age_band'])['sold_price'].median()
inv['price_ratio'] = first_price / inv.set_index(['category', 'age_band']).index.map(ref)
inv['price_ratio'] = inv['price_ratio'].fillna(1.0)               # 相場が無い帯は1.0、印を付ける
X = pd.get_dummies(inv[FEATURES], columns=['category', 'maker', 'ctrl_gen', 'grade'])

参考の相場は、学習に使う期間の成約だけから計算します。 確かめの期間の成約まで使うと、確かめるべき答えを先に見ていることになります。

2番目を省かないでください。 値下げの後の価格で学ぶと、「価格の比が低い機械ほど長く売れ残る」という逆さの関係を学びます。 長く残ったから下げた、という順序がモデルに入り込むからです。

Step5

AIに処理させる

させるのは、機械の条件から、掲載からの日数ごとに「まだ成約していない確率」の曲線を出すことだけです。

from sksurv.ensemble import RandomSurvivalForest
from sksurv.metrics import concordance_index_ipcw

rsf = RandomSurvivalForest(n_estimators=500, min_samples_leaf=10,
                           max_features='sqrt', random_state=0)
rsf.fit(X_train, y_train)
risk = rsf.predict(X_test)
cidx = concordance_index_ipcw(y_train, y_test, risk, tau=365)[0]

公式のページでは、min_samples_leaf は分かれ目の両側に残す最少の件数で、大きくするとモデルが滑らかになるとされています。工作機械は区分ごとの台数が少ないので、既定の3より大きめにします。 low_memory を有効にすると predict_survival_function が使えなくなるとされているので、既定の False のままにします。

在庫の機械ごとの見込みは、predict_survival_function で出した曲線から計算します。いま掲載から d 日の機械が、これから90日以内に成約する見込みは、曲線の d 日の値と d+90 日の値の比から求めます。

fns = rsf.predict_survival_function(X_now)
for fn, d in zip(fns, now['days']):
    s_now, s_90 = fn(min(d, t_max)), fn(min(d + 90, t_max))
    p90 = 1 - s_90 / s_now if s_now > 0 else None

t_max は学習の記録の中の最長の日数より少し手前に置きます。 記録の外の日数は、曲線が平らになるだけで手がかりがありません。d が t_max を超える機械は、見込みを出さずに「記録の外」と書きます。

させないこと理由
値下げの幅を決めること粗利と在庫の費用の判断。責任者が決める
値下げした場合の見込みを断定すること過去の記録は値下げの効果を測った実験ではない
引き合いの数を見込みに混ぜること日数と引き合いの順序が混ざる
区分の最終の決定台帳に無い事情を担当が持っている

2行目について。 価格の比を下げてモデルにもう一度通せば数字は出ますが、それは「最初から安く載せていた似た機械の売れ方」で、下げたらこうなるという効果ではありません。 一覧には参考として出すにとどめ、列の見出しにもそう書きます。

Step6

指示内容を固定する

この構成は生成AIを使わないので、プロンプトはありません。 代わりに、区分を付ける規則をスクリプトに書きます。規則の中身は営業の責任者と決め、設定のファイルに持ちます。

【区分の規則(設定のファイル)】
- 対象:掲載から60日以上の機械
- 引き合いの比 = この機械の掲載からの引き合いの数 ÷
  似た機械(同じ区分・経過年数の帯)が同じ日数までに受けた引き合いの数の中央値
- 広告の見直しの候補:p90 が0.25未満、かつ 引き合いの比が0.5未満
  (見られていない。載せ先・写真・仕様の書き方を先に見直す)
- 値下げの候補:p90 が0.25未満、かつ 引き合いの比が1.0以上
  (見られているが決まらない。価格か条件を見直す)
- 様子見:p90 が0.25以上
- それ以外:担当の判断(区分を空にする)
- 見込みが「記録の外」の機械:区分を空にし、担当の判断

引き合いの比の分母を「同じ日数まで」にするのは、日数の違いをならすためです。 掲載から60日の機械と200日の機械を、引き合いの総数で比べると、長い方が多く見えます。似た機械が同じ日数までに受けた数と比べれば、見られ方だけが比べられます。

値は最初の見当です。 0.25、0.5、1.0 は、最初の3か月の会議の決定と照らして責任者と直します。規則が設定のファイルにあれば、スクリプトを直さずに変えられます。

Step7

出力形式を固定する

在庫会議の一覧は、機械ごとに1行の表で出します。

列中身
機械の番号・区分・型式・年式台帳から
掲載からの日数・いまの掲載価格・値下げの回数台帳から
p90(90日以内の成約の見込み)モデルから。当たり方が落ちた月は薄い色
似た機械の過去の成約の日数の中央値と件数台帳から計算
引き合いの数と引き合いの比問い合わせの記録から計算
区分の候補規則から
参考:価格の比を5%下げた場合の p90モデルから(効果ではないと見出しに明記)
担当の案・理由担当が書く
決定会議で書く

似た機械の件数を並べるのは、見込みの重さを担当が判断するためです。 似た機械が3台しかない区分の見込みは、50台ある区分の見込みほど当てになりません。件数が10未満なら、一覧の見込みの列に印を付けます。

表で出すのは、会議で並べ替えるためです。 区分の候補ごと、担当ごと、p90 の低い順に並べ替えて議論します。

Step8

システムへ連携する

つなぎ先方式内容
在庫の台帳CSV の書き出し(読むだけ)機械の条件と履歴
問い合わせの記録CSV の書き出し(読むだけ)引き合いの数
在庫会議の一覧スプレッドシートへの書き出し機械ごとの1行
当たり方の記録ファイルへの追記毎月の確かめの結果

台帳と掲載サイトには書き込みません。 値下げも載せ方の変更も、会議で決まったものを担当が行います。見込みから価格が自動で変わる経路を作らないことが、この構成の前提です。

Step9

人が確認する

  1. 担当が一覧を見て案を書く … 区分の候補と違う案にするときは、理由を書きます(「商談中」「同じ型式が来月まとめて入る」など)
  2. 印の付いた機械を必ず見る … 似た機械が10未満のもの、「記録の外」のもの、当たり方が落ちた月の全部
  3. 責任者が会議で決める … 候補と担当の案が分かれた機械を先に議論します
  4. 決定を台帳に記録する … 値下げの日と価格、載せ方の変更の日と中身

会議は、区分の候補と担当の案が同じ機械を一括で流し、分かれた機械だけを1台ずつ議論します。 180台全部を議論すると会議が終わりません。分かれた機械が全体の2〜3割に収まっていれば、規則の値は会議の感覚とおおむね合っています。

4番目の記録が、翌月からの学習の材料になります。 載せ方の変更の日が残っていれば、変えた後に引き合いが増えたかを、半年後に確かめられます。

Step10

例外に対処する

起きること対応
台帳の書き出しが当月のものでない実行を止め、担当に知らせる
当たり方(C-index)が前月より大きく落ちた一覧の見込みを薄い色にし、会議では参考にとどめる
確かめの期間の日数が学習の範囲を超えるconcordance_index_ipcw は範囲外で止まるとされる。tau を学習の範囲に収める
似た機械が10未満見込みに印を付ける
掲載からの日数が t_max を超える見込みを出さず「記録の外」
制御装置・状態が空「不明」の区分で見込みを出し、印を付ける
問い合わせの記録に機械の番号が無い引き合いの比を出さず、区分を空にする
同じ機械を一度下げて戻した値下げの履歴をそのまま使い、最初の掲載価格で学習する

3行目について。 公式のページでは、concordance_index_ipcw は打ち切りの分布を学習の記録から見積もり、確かめの記録の時間が学習の記録の最長の時間を超えるとエラーになるとされています。tau で打ち切ると避けやすいとされているので、365日で打ち切ります。

Step11

記録を残す

  • 毎月の入力の CSV(台帳と問い合わせの記録の書き出し)
  • 学習したモデルのファイルと、使った設定(木の数、最少の件数、規則の値)
  • 毎月の当たり方(C-index)の推移
  • 在庫会議の一覧と、担当の案、会議の決定
  • 候補と決定が分かれた機械と、その後の成約の日

最後の行が、規則を直す材料です。 候補は「値下げ」だったのに「様子見」に決め、そのあと1か月で売れた機械が多ければ、規則の値が厳しすぎます。 3か月ごとに並べて、責任者と規則の値を見直します。

04実装レベルの3段階

最小構成:表計算で帯ごとの成約の割合と引き合いの数を並べる / 1区分の見比べ
半自動化:上記+Python で全区分の日数と引き合いの比を計算し、会議の一覧を毎月作る / 見比べの一覧化
本格構成:上記+RandomSurvivalForest で機械ごとの見込みを出し、規則で区分の候補を付け、当たり方を毎月確かめる / 見込みと候補の全体

半自動化で、引き合いの数え漏れがなくなります。 モデルを使わなくても、引き合いの比だけで「見られていない機械」は見えます。1件8分のうち①と②が短くなり、5分前後になります。 本格構成で3分になり、この段階が本記事の想定です。 差を生むのは、似た機械を探して見比べる時間です。 段階を飛ばさないでください。 半自動化の一覧を3か月使うと、台帳の記録の欠けと、引き合いの記録の付け方の違いが見えてきます。そこを直してからモデルを入れる方が、見込みが会議で信用されます。

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
180 件
1件あたり現在時間
8 分
1件あたり導入後時間
3 分
現在  180件 × 8分 ÷ 60 = 24 時間/月
導入後 180件 × 3分 ÷ 60 = 9 時間/月
月間削減時間
15h
削減率
63%
年間削減時間
180h
年間金額換算(時間単価3,500円)
63万円
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. マシニングセンタ・NC旋盤・研削盤などの中古の工作機械を常時100〜200台在庫し、自社のサイトと業界の掲載サイト・業界紙に載せて売っている販売会社。毎月の在庫会議で、売れ残っている機械を「値下げするか、載せ方を変えるか」を営業の経験で決めていて、決め方が担当ごとに違う場合。過去3年分以上の掲載・引き合い・成約・値下げの記録が、機械ごとに台帳に残っている場合。
向いていない
  1. 在庫が数十台で、全部の機械の事情を責任者が覚えている場合。大型の専用機や一品物が中心で、似た条件の機械の成約の記録がほとんど無い場合。掲載の日や引き合いの記録が残っておらず、成約の日しか分からない場合。なお、この構成は機械の相場を予測するものではなく、いくらで売るか、どこに載せるかを決めるのは営業の責任者です。

07最小構成で試す方法

  1. 過去3年の台帳から、区分を1つ(たとえば NC旋盤)に絞って書き出す
  2. 成約・業者回し・在庫の機械に、sold と days を手で付ける
  3. 表計算で、経過年数の帯ごとに「90日以内に成約した割合」を出す(業者回しと在庫を分母に入れる)
  4. 同じ区分の在庫の機械について、問い合わせの記録から引き合いの数を数える
  5. 先月の在庫会議の決定と、割合・引き合いの数を並べて見る

3番目で、業者回しと在庫を分母から外さないでください。 売れた機械だけで割合を出すと、どの帯も高く出て、売れ残りの問題が見えなくなります。

1区分に絞るのは、台数の多い区分で記録の質を見るためです。 最初から全区分で試すと、台数の少ない区分のばらつきに目を奪われます。NC旋盤のように毎月何台も動く区分で、記録が使えるかを先に確かめます。

出てきた内容判断
帯ごとの割合に差があり、会議の感覚と合うPython でモデルを作る段階に進む
引き合いが少ないのに値下げした機械が多い載せ方の見直しの区分だけでも先に始める
業者回しの日や値下げの履歴が空の行が多い台帳の記録を先に直す。 モデルの問題ではない

08実装時につまずきやすいポイント

問題対策
売れた機械だけで学ぶ業者回しと在庫を打ち切りとして入れる
値下げの後の価格で学ぶ最初の掲載価格の比を使う
引き合いの数をモデルに入れる日数との順序が混ざる。区分の規則でだけ使う
欠けた値でエラーや偏りが出る「不明」の区分で埋めてから渡す
low_memory で曲線が出ない既定の False のまま使う
C-index の計算でエラー確かめの期間を学習の範囲に収め、tau を置く
区分ごとの台数が少なく見込みがぶれるmin_samples_leaf を大きめにし、似た機械の件数に印
「下げた場合の見込み」を効果と読む見出しに「効果ではない」と書く
見込みが毎週変わって会議で揃わない月1回、同じ時点で出す
担当が候補をそのまま決定にする理由の欄を必須にする
参考の相場に確かめの期間の成約が混ざる学習の期間の成約だけで計算する
引き合いの比の分母に早く売れた機械が入るd 日以上たった似た機械だけと比べる
載せ方の変更の日が残らない台帳に変更の日と中身の列を足す

上の3行が、この構成の失敗のほとんどです。 どれもエラーにならず、もっともらしい数字を出します。 最初の3か月は、モデルの見込みと、最小構成の帯ごとの割合を並べて、大きく食い違わないかを確かめてください。

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: 在庫の機械の条件と価格、成約の価格、問い合わせの日付と経路です。個人の情報は扱いませんが、成約の価格と仕入の価格は取引上の機密です。

  1. 外部のAIのサービスに渡さない … 学習も見込みも社内のパソコンかサーバーで行います。問い合わせの記録から読むのは機械の番号・日付・経路だけで、問い合わせた会社の名前は読みません
  2. 見込みから価格を自動で変えない … 値下げと載せ方の変更は、会議で決まったものを担当が行います
  3. 見込みの重さを一覧に出す … 似た機械の件数と当たり方を並べ、数字だけが一人歩きしないようにします
  4. 値下げの判断の記録を残す … 候補と担当の案と決定を残し、後から判断の経緯を説明できるようにします
  5. 規則の値を責任者が持つ … 区分の規則は設定のファイルで、変えたときは日付と理由を残します
  6. 一覧の権限を絞る … 成約の価格と見込みが並ぶ一覧は、営業部と責任者だけが開けるようにします。値下げの候補が外に漏れると、商談で足元を見られます

誤りが起きた場合のリスクは、売れる機械を値下げすることと、見られていない機械を値下げで済ませることの2つです。 前者は見込みの楽観で、後者は引き合いの見落としで起きます。打ち切りの扱いと引き合いの比の分け方で、両方を防ぎます。 どちらの誤りも、最後に決めるのが人であることで、取り返しのつかない形にはなりません。

10まず何から始めるか

1週目:台帳の欠けを数える

過去3年の機械のうち、業者回しの日、値下げの履歴、制御装置の型式が空の行を数えます。多ければ、そこを埋めることから始めます。

2週目:1区分で最小構成を試す

NC旋盤などの1区分で、帯ごとの90日以内の成約の割合と、在庫の機械の引き合いの数を表計算で並べ、先月の会議の決定と見比べます。

3週目:引き合いの比の一覧を作る

Python で全区分の日数と引き合いの比を計算し、会議の一覧に出します。この時点ではモデルを使わず、来月の会議で試しに使います。

4週目:モデルを作って確かめる

RandomSurvivalForest で学習し、新しい12か月で C-index を出します。最小構成の帯ごとの割合と、見込みが大きく食い違わないかを見ます。

あわせて、問い合わせの記録の付け方をそろえます。 電話の問い合わせにも機械の番号を必ず入れ、番号の分からない問い合わせは「型式不明」として別に数えます。 引き合いの比の質は、ここで決まります。

2か月目: 区分の規則を責任者と決め、一覧に候補を出します。3か月目以降: 候補と決定が分かれた機械のその後を追い、規則の値を直します。1台8分が何分になったかを実測し、引き合いの少ない機械の値下げが減った時点で、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:2026-11-18/最終更新:2026-11-18
確認した内容情報源確認日
RandomSurvivalForest がデータの一部から多数の生存木を作って平均し、分かれ目を log-rank の基準で選ぶこと。n_estimators(既定100)、min_samples_leaf(既定3、大きくすると滑らかになる)、max_features(既定 'sqrt')。low_memory を有効にすると predict_survival_function が使えないこと。predict_survival_function が曲線(StepFunction)を返すこと(v0.28.0 のページ)scikit-survival: RandomSurvivalForest2026-11-18
Surv.from_arrays が成約の印と時間の配列から構造化した配列を作ることscikit-survival: Surv2026-11-18
concordance_index_ipcw が打ち切りの分布を学習の記録から見積もり、確かめの記録の時間が学習の最長の時間を超えるとエラーになること。tau で打ち切れること。推定値はリスクの点数(高いほど早く起きる)を渡すことscikit-survival: concordance_index_ipcw2026-11-18

区分の規則の値は、自社の在庫会議の決定と照らして決めてください。 本記事は公式のページ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-3802)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