Media > AI活用ユースケース > 物流 > ウォーターサーバーの会社が、お客様ごとのボトルの配送と空きボトルの回収の記録から Python で次の配送までに使う本数を予測し、配送の本数の見直しのご提案の候補を出す

ウォーターサーバーの会社が、お客様ごとのボトルの配送と空きボトルの回収の記録から Python で次の配送までに使う本数を予測し、配送の本数の見直しのご提案の候補を出す

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

お客様ごとのボトルの配送と空きボトルの回収の記録から、Python で次の配送までに使う本数を見込みます。手元に残りそうな本数と並べ、本数を減らす・休む・増やすのご提案をしたほうがよいお客様の一覧を配送の管理の担当に出します。

サマリー
連携・自動化
Python
対象業界
EC/小売
対象部門
物流
対象業務
集計・分析
主な課題
人手が足りない/判断に時間がかかる/期限・対応漏れが起きる
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
45h/月
AI導入後
15h/月
想定削減
67%
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. 月の半ばに、配送と顧客の管理の仕組みから、前月に休止・追加の注文・配送員の報告があったお客様を書き出す
  2. お客様ごとに、直近数回の届けた本数と回収した空きボトルの本数を見比べる
  3. 手元に何本たまっていそうかを頭の中で数え、本数を減らす・休む・増やすのご提案をするかを決める
  4. ご提案をするお客様には、窓口の担当がメールか電話で案内する
  5. お客様の返事を受けて、翌月の配送の予定を直す
導入後(After)
  1. 自動月の半ばに、Python が配送と顧客の管理の仕組みの書き出しを読み込み、契約中の全件の項目を作る
  2. 自動学習済みのモデルで、お客様ごとに1日あたりに使う本数を見込み、次の配送までに使う本数を出す
  3. 自動届けた本数と回収した本数の差から手元の在庫の見込みを出し、次の配送の後に残る本数を計算する
  4. 自動残る本数の見込みから「減らす」「休む」「増やす」の案を付け、差の大きい順に並べる
  5. 人担当が上位の900件を見て、ご提案をするか、どの案にするかを決める
  6. 人窓口の担当がお客様にご提案を案内し、お客様が決めた本数で翌月の予定を直す
  7. 自動次の配送で回収した空きボトルの本数を、見込みと並べて記録する
各工程の詳しい説明を読む
  1. 月の半ばに、配送と顧客の管理の仕組みから、前月に休止・追加の注文・配送員の報告があったお客様を書き出す
  2. お客様ごとに、直近数回の届けた本数と回収した空きボトルの本数を見比べる
  3. 手元に何本たまっていそうかを頭の中で数え、本数を減らす・休む・増やすのご提案をするかを決める
  4. ご提案をするお客様には、窓口の担当がメールか電話で案内する
  5. お客様の返事を受けて、翌月の配送の予定を直す

(a)回収の本数を足し算していない。 2番で見比べるのは直近の数回だけで、数か月かけて少しずつたまった在庫は見落とします。届けた本数と回収した本数の差を、契約の初めから足し上げている人はいません。

(b)連絡のあったお客様しか見ていない。 1番の書き出しは、何かあったお客様だけを拾います。黙って在庫をためているお客様は、休止の連絡が来るまで分かりません。

(c)季節の変わり目に追いつかない。 夏に向けて使う量が増えるお客様、冬に減るお客様は、毎年同じ時期に同じ連絡をくれます。 去年の同じ月の使い方を見れば先回りできますが、その見方は担当の記憶にしかありません。

(d)事業所と家庭で見方が違う。 事業所は休日と来客の数で使う量が変わり、家庭は家族の人数で変わります。同じ「4週ごとに4本」でも、たまり方の速さが違います。

(e)ご提案の結果を記録していない。 4番でご提案をしても、お客様が応じたか、応じた後に在庫が減ったかは、翌月の担当の記憶に頼っています。 同じお客様に何度もご提案したり、逆に一度断られたお客様を見なくなったりします。

  1. 【自動】 月の半ばに、Python が配送と顧客の管理の仕組みの書き出しを読み込み、契約中の全件の項目を作る
  2. 【自動】 学習済みのモデルで、お客様ごとに1日あたりに使う本数を見込み、次の配送までに使う本数を出す
  3. 【自動】 届けた本数と回収した本数の差から手元の在庫の見込みを出し、次の配送の後に残る本数を計算する
  4. 【自動】 残る本数の見込みから「減らす」「休む」「増やす」の案を付け、差の大きい順に並べる
  5. 【人】 担当が上位の900件を見て、ご提案をするか、どの案にするかを決める
  6. 【人】 窓口の担当がお客様にご提案を案内し、お客様が決めた本数で翌月の予定を直す
  7. 【自動】 次の配送で回収した空きボトルの本数を、見込みと並べて記録する

6番目で本数を決めるのはお客様です。 定期の本数は契約の中身で、会社の側で勝手に減らしたり増やしたりはしません。 一覧が出すのはご提案の候補で、案内を受けたお客様が選びます。

5番目で担当が見るのは、全件ではなく差の大きいお客様です。 全件の見込みが出ていれば、連絡の無いまま在庫をためているお客様も、差の大きさで上に来ます。

7番目の記録が、次の見込みの材料になります。 ご提案に応じて本数が変わったお客様は、変わった後の回収の本数で使い方が確かめられます。応じたのに次も在庫がたまるなら、見込みか手元の足し上げのどちらかがずれています。 担当はこの組を毎月数件ずつ見て、案の線と印の付け方を直します。

02今回想定するシステム構成

構成図
配送と顧客の管理の仕組み(契約のプラン・配送の日と本数・回収した空きボトルの本数・休止と追加)
+ お客様の区分(家庭・事業所、サーバーの台数) + 窓口の対応の記録(連絡の種類)
   │
   ▼【トリガー】毎月の配送の予定を組む前(月1回)、モデルの作り直しは3か月に1回
Python(pandas)
   ├──▶ 配送の間ごとに1行(間隔の日数・回収した本数)を作る
   ▼
scikit-learn の HistGradientBoostingRegressor(loss="poisson")
   │   1日あたりに使う本数を、間隔の日数を重みにして学ぶ
   ▼
Python ── 次の配送までに使う本数、手元の在庫の見込み、残る本数、案の付与
   ▼
【人】担当が候補を見て、窓口からお客様にご提案する
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 HistGradientBoostingRegressor(ポアソンの損失)scikit-learn の PoissonRegressor、LightGBM の LGBMRegressor(poisson)
集計Python(使う本数、在庫の見込み、残る本数、案、当たり方の記録)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、ご提案と返事の記録)-

新しく足すのは、Python の処理と、管理の仕組みからの月次の書き出しだけです。 配送の予定にも契約のプランにも書き込みません。この構成が出すのは、見込みとご提案の候補の一覧までです。

予測のエンジンにポアソンの損失を選んだのは、使った本数が0以上の数だからです。 公式のページでは、poisson の損失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。見込みが負の本数になることがありません。 公式の例では、件数を期間で割った頻度を目的の値にし、期間を sample_weight として渡す書き方が示されています。この構成では、使った本数を間隔の日数で割り、日数を重みにします。

代替候補の PoissonRegressor は、線形のモデルで項目の効き方を読みやすいのが利点です。 公式の例では、ポアソンの損失の勾配ブースティングが当たり方と並べる力の両方で線形のモデルを上回っていました。最初に PoissonRegressor で項目の効き方を確かめ、勾配ブースティングに移る、という順でも構いません。

生成AIは使いません。 出すのは本数の見込みと案の表です。

03どうやって実装するのか

Step1

処理の起点を決める

毎月、翌月の配送の予定を組む10日前に、契約中の全件の見込みを出します。 管理の仕組みが前日までの配送と回収の記録を書き出し、社内のサーバーで Python のスクリプトを動かします。ご提案の案内からお客様の返事までに1週間ほどかかるので、予定を組む日から逆算して動かします。

モデルの作り直しは3か月に1回にします。 季節で使う量が変わるので、作り直すたびに直近1年の記録を必ず含め、去年の同じ季節が学習に入るようにします。 作り直す前と後で直近2か月の当たり方を比べ、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印字します。

暑さが急に来た年は、作り直しを待たずに見込みを読み替えます。 保存・ログで、全体の見込みの合計と実際に回収した本数の合計を週ごとに並べ、2週続けて実際が1割以上上回ったら、「増やす」の案の線を下げて出し直します。

Step2

入力データを集める

データ中身取得元
契約の記録お客様の番号、契約日、定期の本数と間隔、プラン、家庭か事業所か、サーバーの台数配送と顧客の管理の仕組み
配送の記録配送の日、届けた本数、回収した空きボトルの本数、不在で置いてきたか配送と顧客の管理の仕組み・配送員の端末
休止と追加の記録休止した回、追加の注文の日と本数、急ぎの配送の有無配送と顧客の管理の仕組み
窓口の記録連絡の種類(休止・本数の変更・置き場所・故障)と日付窓口の対応の記録
暦の記録配送の間に入る長い休み(年末年始・夏休み)の日数社内で作る表

質を決めるのは、回収した空きボトルの本数の記録です。 配送員が端末に打ち込まないと、回収0本の記録が「使っていない」のか「打ち忘れた」のか分かりません。回収の本数の欄を必ず入れる形にし、空欄のまま送れない設定にします。

事業所かどうかと台数は、必ず項目に入れます。 事業所は休日が多い月に使う量が減り、台数が多いほど1日あたりの本数が大きくなります。家庭と事業所を同じ物差しで学ぶと、事業所の大きな数に家庭の見込みが引っ張られます。

住所・氏名・電話番号は、項目にしません。 配送の地域は、配送のルートの区分(市区町村より粗い単位)で十分です。

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・配送・休止と追加の記録管理の仕組みから、月1回 CSV で書き出す学習の記録と予測の材料
回収した本数配送員の端末の入力が管理の仕組みに入ったもの使った本数(目的の値)
窓口の記録連絡の種類と日付の列だけを書き出す項目
暦の記録社内の表を CSV で保存する長い休みの日数

回収した本数は、次の配送の日に分かります。 前回の配送から今回の配送までに使った本数は、今回の配送で回収した空きボトルの本数です。学習の1行は「前回の配送の日から今回の配送の日まで」の間で、目的の値は今回回収した本数です。

休止を挟んだ間は、そのまま1つの長い間として扱います。 休止の回は配送員が訪問しないので、回収もありません。次に訪問したときの回収の本数が、休止のあいだも含めた期間の使った本数です。 日数で割れば、1日あたりの本数として他の間と並べられます。

事業所でサーバーの台数が途中で変わったときは、変わった日で間を区切り直します。 台数が1台から2台に増えた間をそのまま1行にすると、増えた後の使い方と増える前の使い方が混ざります。 台数の変更の日は契約の記録に残っているので、その日を境に前後を別の行にし、台数の項目もそれぞれの値にします。

Step4

AIへ渡す前に整形する

  1. 配送の間ごとに1行にする … お客様の番号、前回と今回の配送の日、間隔の日数、今回回収した本数
  2. 1日あたりの本数を作る … 回収した本数 ÷ 間隔の日数。学習ではこれを目的の値にし、日数を重みにします
  3. 過去の使い方の項目を作る … 直近3回の1日あたりの本数、去年の同じ月の1日あたりの本数、契約からの月数
  4. 区分の列の型をそろえる … プラン、家庭か事業所か、配送のルートの区分を pandas の Categorical の型にします
  5. 外れた間を外す … 回収の本数が空欄の間、ボトルの交換や故障で回収が多かった間、引越しの前後の間
  6. 手元の在庫を足し上げる … 契約の初めから、届けた本数 − 回収した本数 を足し上げ、いまの手元の本数の見込みにします
  7. 学習と確かめの期間を時間で分ける … 配送の日の順に並べ、古い期間で学習し、新しい2か月で確かめます

2番目で日数を重みにするのは、短い間と長い間を同じ重さで学ばないためです。 2週の間で回収2本と、8週の間で回収8本は、同じ1日あたりの本数でも、長い間のほうが確かな記録です。 公式の例でも、件数を期間で割った頻度を目的の値にし、期間を重みとして渡しています。

6番目の足し上げが、この構成の肝の一つです。 1回ごとの差は1本か2本でも、半年たてば手元に10本近くたまっていることがあります。 ただし足し上げは、配送員が回収の本数を打ち忘れると狂います。年に1回、配送員が手元の本数を数えて記録する機会を作り、足し上げをそこで直します。

5番目で故障の間を外すのは、サーバーの交換のときに中身の残ったボトルもまとめて回収することがあるからです。 回収の本数が使った量を表さない間が学習に混ざると、そのお客様の1日あたりの本数が大きく見込まれます。

Step5

AIに処理させる

させるのは、お客様ごとに1日あたりに使う本数を予測することだけです。 次の配送までに使う本数、残る本数、案は、その見込みから規則で計算します。

出すもの作り方使いみち
1日あたりに使う本数ポアソンの損失のモデルの見込み次の配送までの見込みの元
次の配送までに使う本数1日あたり × 次の配送までの日数残る本数の計算
手元の在庫の見込み足し上げた 届けた本数 − 回収した本数残る本数の計算
次の配送の後に残る本数手元の在庫 + 次に届ける本数 − 次の次の配送までに使う本数案の付与
案残る本数の線で「減らす」「休む」「増やす」ご提案の候補
案条件ねらい
休む次の配送の後に残る本数が、次の間に使う本数の2倍を超える置き場所の無いお客様の在庫を減らす
減らす残る本数が、次の間に使う本数を超える少しずつのたまりを止める
増やす残る本数が0を下回る次の配送の前の水切れを防ぐ
案なしそれ以外いまの本数のまま

案の線は、配送の管理の責任者と窓口の責任者で決めます。 「休む」の線を低くしすぎると、ご提案の連絡が増え、お客様には「休んでください」と言われているように聞こえます。 最初は線を高めに置き、ご提案に応じた割合を見て下げます。

させないこと理由
配送の本数の変更契約の中身で、お客様が決める
プランの変更・解約の引き止め窓口とお客様のあいだで決める
請求の金額の調整契約と料金の規程で別に決める
お客様の評価・格付け見込みは本数のご提案のためだけに使う

1行目は、とくに気を付けてください。 見込みで本数を自動で減らすと、お客様が来客や夏の備えで多めに置いていた場合に、水が足りなくなります。 ご提案を案内し、お客様が選んだ本数で予定を直します。

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、学習と確かめの中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_poisson_deviance
import pandas as pd

CAT = ["plan", "site_type", "route_area"]
NUM = ["units", "rate_last3", "rate_same_month_ly", "months_since_start",
       "interval_days", "holiday_days", "addon_count_6m", "pause_count_6m"]
X_cols = CAT + NUM

tr["rate"] = tr["collected"] / tr["interval_days"]       # 1日あたりの本数
te["rate"] = te["collected"] / te["interval_days"]

m = HistGradientBoostingRegressor(loss="poisson", learning_rate=0.05,
                                  max_iter=500, min_samples_leaf=50)
m.fit(tr[X_cols], tr["rate"], sample_weight=tr["interval_days"])

pred_rate = m.predict(te[X_cols])
pred_units = pred_rate * te["interval_days"]
print(mean_poisson_deviance(te["rate"], pred_rate,
                            sample_weight=te["interval_days"]))
print(pred_units.sum(), te["collected"].sum())           # 合計の釣り合い

te["bin"] = pd.qcut(pred_units, 10, labels=False, duplicates="drop")
print(te.assign(p=pred_units).groupby("bin")[["p", "collected"]].mean())

最後の3行が、いちばん大事な確かめです。 見込みの大きさで10の組に分け、組ごとに見込みの平均と実際に回収した本数の平均を並べます。 公式の例でも、見込みで組に分けて、組ごとに見込みの平均と実際の平均を比べる確かめ方が示されています。見込みが小さい組で実際が見込みを上回っていれば、「減らす」「休む」の案が出すぎます。

mean_poisson_deviance を見るのは、0や1の小さな数が多い記録では、ふつうの誤差の指標が読みにくいからです。 公式の例でも、0の多い件数の記録では二乗誤差や絶対誤差は解釈しにくく、ポアソンの逸脱度が当たり方と並べる力の両方を表すとされています。

件数は、1万件を超えることが多いです。 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 を渡したときに有効になるとされています。学習を止めた回が作り直しのたびに変わるので、記録に残します。

Step7

出力形式を固定する

配送の管理の担当に渡すのは、次の一覧です。

【配送の本数のご提案の候補(基準日 2026-11-15/モデル作成 2026-10-01)】

お客様区分定期の本数1日あたり次の間に使う手元の見込み残る本数案印
C-104882家庭4週ごと 3本0.05本1.4本4本5.6本休む-
C-208311事業所(2台)2週ごと 4本0.36本5.0本0本-1.0本増やす年末の休み
C-095127家庭4週ごと 2本0.05本1.4本1本1.6本減らす回収の空欄2回

「残る本数」は、手元の見込みに次に届ける本数を足し、次の次の配送までに使う見込みを引いた本数です。 1行目は、手元の4本に3本を足し、次の間(28日)に使う1.4本を引いて5.6本で、次の間に使う本数の2倍を超えるので「休む」です。

「印」は、見込みを読むときに気を付ける点です。 「回収の空欄」は足し上げが狂っている恐れ、「年末の休み」は間に長い休みが入ることを示します。

機械で読む用には、同じ内容を CSV でも残します。 列は、基準日、お客様の番号、見込み、手元の見込み、残る本数、案、印、担当がご提案をしたか、お客様の返事、決まった本数、モデルの作成日です。

Step8

システムへ連携する

つなぎ先方式内容
配送と顧客の管理の仕組み月1回 CSV で書き出す/一覧からは書き込まない学習と予測の材料
配送員の端末回収の本数の欄を必ず入れる設定にする目的の値の質
窓口の対応の記録連絡の種類と日付の列だけを書き出す項目
共有フォルダ一覧の表と CSV を置く担当と窓口が見る

配送の予定には書き込みません。 案を予定に自動で入れると、お客様が選ぶ前に本数が変わります。 お客様の返事を受けた窓口の担当が、管理の仕組みで本数を直します。

Step9

人が確認する

  1. モデルの作成日と印を見る … 「回収の空欄」が付いたお客様は、配送員に手元の本数を数えてもらうのを先にします
  2. 窓口の記録を見る … 直近に本数の変更や休止の連絡があったお客様は、ご提案を重ねません
  3. 案を決める … 「休む」と「減らす」のどちらを案内するか、事業所なら担当者の都合も見て決めます
  4. ご提案を見送った理由を一言残す … 「来客の予定で多めに置いている」が多い型は、案の線を見直す材料になります

2番目を省かないでください。 先月「今の本数で大丈夫」と答えたお客様に、今月もご提案を送ると、売り込みのように受け取られます。 返事の記録を一覧の横に出し、一定の期間はご提案を控えます。

目標は、900件をならして1件1分です。 印の無いお客様は案を見て数十秒で決め、時間を使うのは印の付いたお客様と事業所です。

Step10

例外に対処する

起きること対応
契約したばかりで間の記録が少ない見込みは出すが「新規」と印を付け、3回目の配送までは案を出さない
回収の本数の空欄が続く足し上げを使わず「回収の空欄」と出し、配送員に手元の本数を数えてもらう
不在で玄関に置いてきた回が続く回収ができていないので、次の訪問の回収をまとめて1つの間にする
サーバーの交換・故障の間学習から外し、手元の見込みも直す
引越し・移設移設の前後で使い方が変わるので、移設の後の記録だけで見込む
全体の見込みが実際より2週続けて少ない「増やす」の線を下げて出し直し、作り直しを早める
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、共働きの家庭で多く出ます。 不在が続くと空きボトルを回収できず、手元の見込みが実際より多く見えます。 不在の回を記録し、回収できた回でまとめて数えます。

6行目は、夏の初めに毎年起きると考えておきます。 学習の記録に去年の夏が入っていても、暑さの来る時期は年ごとにずれます。 合計の釣り合いを週ごとに見ていれば、作り直しを待たずに「増やす」の線だけを動かして、水切れの先回りができます。

Step11

記録を残す

  • 実行の日時、基準日、使ったモデルの作成日、学習に使った期間と間の数、外した間と理由
  • お客様ごとの見込み、手元の見込み、残る本数、案、印
  • 担当がご提案をしたか、見送った理由、お客様の返事と決まった本数
  • 次の配送で回収した本数と、見込みとの差
  • 配送員が手元の本数を数えた記録と、足し上げとの差
  • 月ごとの当たり方(組ごとの見込みと実際、全体の合計の釣り合い、休止の連絡と急ぎの追加の件数)

ご提案と返事の組を残すのは、案の線を直すためです。 「休む」の案を案内して応じたお客様の割合が低ければ、線が低すぎるか、文面が伝わっていません。応じなかったお客様の次の回収の本数を見れば、どちらかが分かります。

最後の行の「休止の連絡と急ぎの追加の件数」が、この構成が効いているかの目印です。 ご提案に応じたお客様が増えれば、配送の直前の休止の連絡と、急ぎの追加の注文が減るはずです。月ごとの件数をご提案を始める前と並べて見ます。

04実装レベルの3段階

最小構成:家庭の500件で、手で書き出した記録で Python を動かし、過去の2か月で当たり方を見る / 見込みの当たり方の確認
半自動化:上記+家庭の全件について、毎月の1日あたりの見込みと残る本数を出す / お客様ごとの見込み
本格構成:上記+事業所を含めた全件、手元の在庫の足し上げ、案の付与、印、ご提案と返事の記録、組ごとの当たり方の記録まで行う / 見込みからご提案の候補、振り返りまで

本格構成の先には、お客様のマイページに手元の本数の見込みを出し、お客様が自分で本数を選べるようにする形も考えられます。 ただし見込みが外れたまま画面に出すと、「うちにはそんなに残っていない」という問い合わせが窓口に来ます。 組ごとの当たり方が安定し、足し上げを年1回の数え直しで直せるようになってから検討します。 本記事の想定は本格構成です。 半自動化では見込みは出ますが、担当はまだ手元の在庫を自分で数え、どの案にするかを経験で決めています。 半自動化で1件3分が2分ほどに、本格構成で1分になります。 差が大きいのは、手元の在庫の足し上げと案の付与が、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、回収の本数の空欄が多い配送のルートが見えてきます。そこの入力を直してから足し上げを使うほうが、ご提案の空振りが減ります。

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
3 名
月間件数
900 件
1件あたり現在時間
3 分
1件あたり導入後時間
1 分
現在  900件 × 3分 ÷ 60 = 45 時間/月
導入後 900件 × 1分 ÷ 60 = 15 時間/月
月間削減時間
30h
削減率
67%
年間削減時間
360h
年間金額換算(時間単価2,800円)
101万円
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. リターナブルボトルの水を自社の配送員か委託の配送で定期的に届け、配送のたびに空きボトルを回収しているウォーターサーバーの会社。契約中のお客様が数千件あり、在庫がたまっての休止の連絡や、水が切れての急ぎの追加の注文が毎月続いている場合。配送ごとに届けた本数と回収した空きボトルの本数が記録に残っている場合。
向いていない
  1. 使い捨てのボトルを宅配便で送っていて、空きボトルの回収の記録が無い場合。お客様が毎回マイページで本数を選ぶ形にしていて、定期の本数を会社から提案する場面が無い場合。契約中のお客様が数百件で、担当が全件の様子を把握できている場合。なお、お客様の配送の本数の変更の決定、契約のプランの変更、解約の引き止め、料金の請求の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 家庭のお客様から、契約から1年以上たった500件を選び、直近1年の配送と回収の記録を書き出す
  2. 第7章の前処理で、配送の間ごとの1行と、1日あたりの本数を作る
  3. 古い10か月で学習し、新しい2か月で、間ごとに回収する本数を予測させる
  4. 見込みの大きさで10の組に分け、組ごとに見込みの平均と実際の平均を並べる
  5. 同じ2か月に休止の連絡をくれたお客様が、見込みの「休む」の案に入っていたかを数える

最初は家庭のお客様だけで始めます。 事業所は台数と休日の扱いが加わるので、家庭で見込みの当たり方を確かめてから広げます。

出てきた内容判断
組ごとの見込みと実際が近く、休止の連絡のお客様が「休む」に多く入っている事業所を足し、毎月の一覧を出す段階に進む
組ごとの見込みと実際がずれる回収の本数の空欄と、外した間の範囲を確かめる
手元の見込みが大きすぎるお客様が多い不在の回と、交換のときの回収の扱いを確かめる

3行目は、足し上げの狂いから出ます。 配送員に50件ほど手元の本数を数えてもらい、足し上げと並べると、どの種類の記録の抜けが狂いを生んでいるかが分かります。

試す段階では、ご提案はまだ送りません。 過去の記録で見込みが当たるかを確かめるだけで、お客様には何も案内しない期間にします。見込みがずれたままご提案を始めると、在庫の少ないお客様に「休む」を案内してしまい、最初のつまずきが窓口への問い合わせとして返ってきます。

季節の効き方もこの段階で見ます。 学習の期間に夏と冬の両方が入っているかを確かめ、去年の同じ月の項目を外したときと入れたときで、組ごとの釣り合いがどれだけ変わるかを比べます。

08実装時につまずきやすいポイント

問題対策
届けた本数を目的の値にする回収した空きボトルの本数を使った量として学ぶ
間隔の違う記録を同じ重さで学ぶ日数で割り、日数を重みにする
回収の本数の打ち忘れで在庫の足し上げが狂う欄を必須にし、年に1回手元の本数を数えて直す
交換・故障の回収が学習に混ざるその間を外す
去年の同じ季節が学習に入っていない作り直しのたびに直近1年を必ず含める
家庭と事業所を区別しない区分と台数を項目に入れる
見込みで本数を自動で変えるご提案の候補にとどめ、お客様が選ぶ
ご提案を毎月重ねる返事の記録を出し、一定の期間は控える

上の2行が、この構成の失敗のほとんどです。 どちらも「何を使った量として数えるか」から起きます。ここを押さえれば、残りは記録の質と運用の注意で足ります。

3行目と4行目は、作ってすぐには気づけません。 どちらも手元の見込みを実際より多く見せる方向に働くので、「休む」の案が増え、ご提案したお客様から「そんなに残っていない」と返事が来て初めて分かります。 第8章の配送員による数え直しを、運用を始めてからも年に1回続けます。

最後の2行は、お客様との関係に直接ひびきます。 ご提案はお客様の手間を減らすためのもので、本数を減らすことが目的ではありません。 「増やす」の案も同じ重さで出します。

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: お客様ごとの契約の中身、配送の日と本数、回収の本数、休止と追加の注文、窓口への連絡の種類です。家庭のお客様の記録は、在宅の時間や家族の人数を推し量れる生活の情報でもあります。

  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. 住所・氏名・電話番号を学習に使わない … 項目は配送のルートの区分までにし、一覧にもお客様の番号だけを出します
  3. 使いみちを本数のご提案に限る … 使う量の見込みを、ほかの商品の売り込みや、留守の時間の推定に使いません。 社内の規程に「この一覧の使いみち」を書いておきます
  4. 一覧を見られる人を限る … 配送の管理の担当と窓口の担当だけが見られる場所に置きます
  5. 配送員の端末の入力を必須にする理由を伝える … 回収の本数の欄を必須にすると、配送員の手間が少し増えます。何のために数えるのかを配送員に説明し、評価や叱責の材料にしないと決めておきます。打ち忘れを責める運用にすると、とりあえずの数が入るようになり、足し上げがかえって狂います
  6. ご提案の文面を決めておく … 「お手元にボトルがたまっていませんか」「お休みもお選びいただけます」のように、お客様が選べる形の文面にし、本数を変えたことを前提にした文面にしません

誤りが起きた場合のリスクは、水が足りなくなるお客様を作ることと、要らないご提案を重ねてお客様に煩わしく思われることの2つです。 前者は見込みの小さい組の確かめを省くと起き、後者は返事の記録を見ずにご提案すると起きます。どちらも一覧の外の確かめと運用で防げるので、そこは省きません。

10まず何から始めるか

1週目:回収の本数の入力を整える

配送員の端末の回収の本数の欄を必須にし、不在・交換・故障のときの入れ方を決めます。あわせて、ご提案の案の線と文面を窓口と相談します。

2〜3週目:家庭の500件の記録をそろえる

第8章のとおり、家庭のお客様500件の直近1年の記録を書き出し、配送の間ごとの行を作ります。配送員に50件ほど手元の本数を数えてもらい、足し上げと並べます。

4週目:当たり方を確かめる

古い10か月で学習し、新しい2か月で、組ごとの見込みと実際の平均を並べます。休止の連絡をくれたお客様が「休む」の案に入っていたかも数えます。

最初の月にご提案を送る件数は、絞ります。 一覧の上位から「休む」の案の100件ほどに限って案内し、応じた割合と、窓口に来た問い合わせの中身を見てから件数を広げます。

2か月目: 家庭の全件について、毎月の見込みと残る本数を出す半自動化を始めます。担当はこれまでどおり気になるお客様を自分でも見ながら、一覧と見比べます。3か月目以降: 事業所、在庫の足し上げ、案の付与、ご提案と返事の記録を足します。組ごとの見込みと実際が近い月が続き、配送の直前の休止の連絡と急ぎの追加の件数が下がり始めた時点で、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
HistGradientBoostingRegressor の loss に poisson があり、内部で対数のリンクを使い、y >= 0 を求めること(gamma は y > 0)。fit に sample_weight を渡せること。categorical_features の既定が from_dtype で、区分ごとの値の数は max_bins(255まで)以下であること。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(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-19
件数を期間で割った頻度を目的の値にし、期間を sample_weight として渡す書き方。ポアソンの損失の勾配ブースティングと PoissonRegressor・Ridge を比べ、Ridge は負の値を見込むことがあること。0の多い件数の記録では二乗誤差や絶対誤差は解釈しにくく、ポアソンの逸脱度が当たり方と並べる力の両方を表すこと。見込みで組に分けて、組ごとに見込みの平均と実際の平均を比べる確かめ方scikit-learn: Poisson regression and non-normal loss2026-11-19

お客様の配送の本数、プラン、ご提案の文面と頻度は、契約と自社の規程で決めてください。 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-4205)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