Media > AI活用ユースケース > 物流 > 乳業メーカーが、ヨーグルトの品目ごとの出荷・特売・気温の記録から Python で翌週の日別の出荷の量を予測し、発酵の仕込みのバッチ数の目安を出す

乳業メーカーが、ヨーグルトの品目ごとの出荷・特売・気温の記録から Python で翌週の日別の出荷の量を予測し、発酵の仕込みのバッチ数の目安を出す

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

ヨーグルトの品目ごとの過去の出荷、特売の予定、曜日、気温から、Python で翌週の品目ごと・日ごとの出荷の量を幅付きで予測します。その値を発酵タンクのバッチの単位に直し、仕込みの数の目安を出します。

サマリー
連携・自動化
Python
対象業界
商社/製造
対象部門
物流/生産
対象業務
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
8h/月
想定削減
80%
年間削減
384h
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. 木曜の朝、受注・出荷のシステムから先週までの出荷を書き出す
  2. 品目ごとに、前年の同じ週と先週と先々週の出荷を並べる
  3. 営業の特売の予定の表から、翌週の特売の品目と日を写す
  4. 天気予報を見て、気温が高くなりそうか低くなりそうかを書き込む
  5. 品目ごとに、担当者が経験から翌週の日ごとの出荷の見込みを決める
  6. 見込みを発酵タンクのバッチの数に直し、生産の計画の表に入れる
  7. 課長が全体を見て、ラインと発酵室の空きに収まるかを確かめて決める
導入後(After)
  1. 自動木曜の朝6時、Python の処理が受注・出荷のシステムの書き出しと、特売の予定の表、気温の記録を読む
  2. 自動気象庁の府県週間天気予報から翌週の最高気温を取り、予報の記録として保存する
  3. 自動品目ごと・日ごとの予測の行を作り、下の値・中央の値・上の値を予測する
  4. 自動品目の表の分位の設定で使う値を選び、バッチの量と充填のケースの単位に切り上げる
  5. 自動印を付ける(幅が広い、特売の初めての品目、新しい品目、ラインの空きを超える日)
  6. 自動生産の計画の表の隣のシートに、目安と幅と印を書き出す
  7. 人生産管理課が印の付いた品目だけを開き、目安を直すかを決める
  8. 人課長がラインと発酵室の空きを見て、計画を確定する
  9. 自動翌週の終わりに、予測と実際の出荷を比べ、当たり方を記録する
各工程の詳しい説明を読む
  1. 木曜の朝、受注・出荷のシステムから先週までの出荷を書き出す
  2. 品目ごとに、前年の同じ週と先週と先々週の出荷を並べる
  3. 営業の特売の予定の表から、翌週の特売の品目と日を写す
  4. 天気予報を見て、気温が高くなりそうか低くなりそうかを書き込む
  5. 品目ごとに、担当者が経験から翌週の日ごとの出荷の見込みを決める
  6. 見込みを発酵タンクのバッチの数に直し、生産の計画の表に入れる
  7. 課長が全体を見て、ラインと発酵室の空きに収まるかを確かめて決める

(a)担当者によって見込みが違う。 前年の同じ週を重く見る人、直近の2週を重く見る人がいます。同じ品目でも、担当が替わると仕込みの量の傾向が変わります。 新しく入った担当は、特売の週の見込みを大きく外しがちです。

(b)特売と気温が重なる週に外す。 夏の暑い週の特売では、のむヨーグルトの出荷が特売の分と気温の分の両方で増えます。担当者は片方ずつは経験で分かっていても、重なったときの増え方は覚えきれません。 足りずに欠品するか、多めにしすぎて売れ残ります。

(c)40品目を毎週見るのに時間がかかる。 1品目15分でも、40品目で10時間です。木曜の午前に終わらず、原料の手配の確定が金曜の夕方にずれ込む週があります。

(d)週間予報の後半が見えない。 木曜に決める翌週の後半の日は、その時点の週間予報の範囲に入らないことがあります。担当者は「たぶん暑いまま」と前半の予報を延ばして決めていますが、そのことはどこにも書かれていません。 外れた週に、予報が外れたのか見込みが外れたのかを振り返れません。

(e)作りすぎは捨てるしかない。 ヨーグルトは日持ちが短く、作りすぎた分を翌週に回せる日数がわずかです。売れ残りの重さは、品目によって大きく違います。 これを担当者の頭の中だけで扱っています。

  1. 【自動】 木曜の朝6時、Python の処理が受注・出荷のシステムの書き出しと、特売の予定の表、気温の記録を読む
  2. 【自動】 気象庁の府県週間天気予報から翌週の最高気温を取り、予報の記録として保存する
  3. 【自動】 品目ごと・日ごとの予測の行を作り、下の値・中央の値・上の値を予測する
  4. 【自動】 品目の表の分位の設定で使う値を選び、バッチの量と充填のケースの単位に切り上げる
  5. 【自動】 印を付ける(幅が広い、特売の初めての品目、新しい品目、ラインの空きを超える日)
  6. 【自動】 生産の計画の表の隣のシートに、目安と幅と印を書き出す
  7. 【人】 生産管理課が印の付いた品目だけを開き、目安を直すかを決める
  8. 【人】 課長がラインと発酵室の空きを見て、計画を確定する
  9. 【自動】 翌週の終わりに、予測と実際の出荷を比べ、当たり方を記録する

7番目が、この設計の分かれ目です。 40品目のうち、印の付かない品目は目安をそのまま計画に写します。担当者が時間を使うのは、幅が広い品目と、特売や新しい品目のように過去の記録が当てにならない品目だけです。

9番目の当たり方の記録が、印の基準を育てます。 印の無かった品目で大きく外れた週があれば、その品目に何が起きていたか(取引先の棚の入れ替え、テレビでの紹介など)を記録し、印の付け方を見直します。

8番目の確定は人が行います。 目安はあくまで出荷の見込みから出した仕込みの数で、ラインの段取り、洗浄の時間、原料の生乳の量は、課長が全体を見て合わせます。

02今回想定するシステム構成

構成図
受注・出荷のシステム(日別・品目別の出荷のCSV)
営業の特売の予定の表   品目の表(分位・バッチの量・ケースの入数)
気温の記録(過去の実測)  予報の記録(毎週保存した週間予報)
        │
        ▼【トリガー】毎週木曜 6:00
Python(pandas)
   ├──▶ 予測の行を作る(品目 × 翌週の7日)
   ▼
scikit-learn の HistGradientBoostingRegressor(分位点の損失)
   │   下の値・中央の値・上の値
   ▼
Python ── 品目ごとの分位の選択、バッチとケースへの切り上げ、印
   ▼
生産の計画の表の隣のシート
   ▼
【生産管理課が印の品目を確かめる → 課長が確定】
   ▼
翌週末:当たり方の記録
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(分位点の損失、単調の制約)LightGBM、statsmodels
集計Python(分位の選択、バッチとケースへの切り上げ、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、予報の記録、目安、当たり方)-

新しく足すのは Python の処理だけです。 出荷の記録は受注・出荷のシステムから書き出し、特売の予定の表と生産の計画の表はこれまでどおり使います。目安は計画の表の隣のシートに書き出し、確定した計画は人が元のシートに写します。

予測には scikit-learn の HistGradientBoostingRegressor を使います。 公式のページ(1.9.1)では、loss に 'quantile' を指定し、quantile で何分位を予測するかを0から1の間で決めます。欠けた値をそのまま扱え、pandas の Categorical の列をカテゴリーとして扱えるので、品目や曜日を数字に直す手間が要りません。

気温の予報は、気象庁の府県週間天気予報を使います。 公式の解説によると、府県週間天気予報は毎日11時ごろと17時ごろに発表され、発表日の翌日から7日先までの日ごとの天気・最高と最低の気温・降水確率・予報の信頼度を含みます。木曜6時に動かすと、水曜17時ごろの発表を使うことになり、翌週の日曜はその7日先の範囲から外れます。

03どうやって実装するのか

Step1

処理の起点を決める

毎週木曜の朝6時に、社内のサーバーの定時の実行で動かします。 生産管理課が出社する前に目安を出し、午前中に確かめて、午後に課長が確定できるようにします。

使う週間予報は、水曜17時ごろの発表です。 木曜6時の時点で最新の発表で、翌日の木曜から翌週の水曜までが7日の範囲です。翌週の木曜から日曜は、この発表の範囲に入りません。 その4日は、予報のある最後の日の最高気温と平年の差を引き継ぐ形で埋め、「予報の範囲外」の印を付けます。

金曜の11時ごろの発表で、もう一度だけ動かします。 金曜の発表なら翌週の金曜までが入ります。木曜の目安と比べて大きく変わった品目だけを一覧にし、原料の手配の確定の前に生産管理課が見ます。 計画を作り直すのではなく、見直す品目を知らせるための実行です。

Step2

入力データを集める

データ中身取得元
出荷の記録日付、品目、取引先の区分、出荷の数(ケース)、欠品の数受注・出荷のシステムの書き出し
特売の予定日付、取引先、品目、売価、チラシの掲載、内示の数営業の特売の予定の表
品目の表品目、種類(カップ発酵・タンク発酵)、使う分位、1バッチの量、ケースの入数、発売日生産管理課で作る表
暦曜日、祝日、連休の何日目か、給料日、学校の長期休み自社で作る暦の表
気温の記録出荷の拠点の地域の、日ごとの最高気温の実測気象庁のホームページから取得
予報の記録毎週保存した府県週間天気予報の最高気温と発表の日時自社で保存

質を決めるのは、欠品の数の列です。 欠品した日の出荷の数は、その日に出せたはずの数より少なく出ます。 そのまま学習に使うと、欠品の多い品目ほど予測が低くなり、また欠品します。欠品のあった日は、出荷の数に欠品の数を足した値を「出せたはずの数」として学習に使います。

予報の記録は、今日から保存を始めます。 学習は実測の気温で行いますが、本番では予報の気温を使います。 過去に発表された予報を毎週保存しておけば、半年後には「予報の気温で予測したらどれだけ外れたか」を確かめられます。

気象庁のデータを使うときは、出典を記載します。 気象庁のホームページのコンテンツは公共データ利用規約(第1.0版)に準拠した条件で使え、編集・加工して使うときは、その旨を別に記載することとされています。目安のシートの下に出典と「加工して作成」を書きます。

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年の日別の出荷受注・出荷のシステムのCSVを品目と日で集める学習の行
翌週の特売特売の予定の表を品目と日で集め、内示の数を足し合わせる予測の行の特売の項目
過去の最高気温気温の記録の表学習の行の気温
翌週の最高気温府県週間天気予報予測の行の気温
前年の同じ曜日の出荷出荷の記録を52週前の同じ曜日で引く予測の項目の1つ
直近4週の同じ曜日の平均出荷の記録予測の項目の1つ

直近の出荷の項目は、木曜の時点で分かる値だけで作ります。 翌週の月曜の予測に「前日の出荷」を使うと、本番ではその値がまだ無く、学習のときだけ当たる模型になります。 予測する日から見て、少なくとも木曜より前の値だけを項目にします。

特売の項目は、内示の数・売価の下げ幅・チラシの掲載・特売の前日と翌日の印の4つにします。 特売の翌日は出荷が落ちるので、翌日の印が無いと、特売の明けの日に作りすぎます。

Step4

AIへ渡す前に整形する

  1. 出せたはずの数を作る … 欠品のあった日は、出荷の数に欠品の数を足します
  2. 品目の切り替えをつなぐ … 容量の変更や名前の変更で品目コードが変わったものは、品目の表で新旧をつなぎます
  3. 工場の休みと出荷の止まった日を外す … 設備の点検や災害で出荷を止めた日は、学習から外します
  4. 新しい品目を分ける … 発売から半年に満たない品目は、似た品目の値を参考にして印を付けます
  5. カテゴリーの列を Categorical にする … 品目・曜日・種類を pandas の Categorical にします
  6. 予報の範囲外の日を埋める … 予報の無い日は、範囲内の最後の日の平年との差を引き継ぎ、印を付けます

1番目を落とすと、欠品が欠品を呼びます。 夏の特売の日にのむヨーグルトが欠品すると、その日の出荷は実際の需要より少なく記録されます。翌年の同じ時期の予測がその低い値を学び、また足りなくなります。

4番目の新しい品目は、似た品目の表を持って扱います。 新しい果肉入りなら既存の果肉入りの品目を「似た品目」として品目の表に書き、似た品目の予測の値に、発売からの週の数で決めた割合を掛けた値を参考として出します。割合は営業の見込みと照らして生産管理課が決め、new_item の印を必ず付けます。

5番目は、公式のページの既定に合わせるためです。 categorical_features の既定は 'from_dtype' で、Categorical の型の列だけがカテゴリーとして扱われます。 品目コードを数字のまま渡すと、品目の番号の大小に意味があるものとして学びます。

Step5

AIに処理させる

させるのは、翌週の品目ごと・日ごとの出荷の量を、3つの分位で予測することです。 3つの値から、品目ごとに使う値を選びます。

品目の例使う分位理由
プレーンの大容量上の値(0.8)欠品が取引先の棚に穴を空ける主力。売れ残りは翌週にわずかに回せる
カップの加糖中央の値(0.5)品目の数が多く、どれか1つの欠品の重さは小さい
季節の限定の果肉入り中央より下(0.4)終売が決まっていて、売れ残りはそのまま廃棄
のむヨーグルト上の値(0.7)気温で振れが大きく、欠品の機会の損失が大きい

使う分位は、欠品の重さと売れ残りの重さの比で決めます。 1ケース足りないときの損と、1ケース余ったときの損を品目ごとに見積もり、足りない損 ÷(足りない損 + 余った損)を分位の目安にします。 足りない損が余った損の4倍なら0.8です。表の値は生産管理課と営業で決めます。

分位は、学習するモデルを分けて作ります。 0.2・0.5・0.8の3本のモデルを作り、品目の表の分位がその間なら、2本の値を直線でつないで読みます。 分位ごとに別々に学ぶので、まれに下の値が中央の値を上回ります。出てきた値を小さい順に並べ替えて使い、並べ替えた行に印を残します。

させないこと理由
生産の計画を決めるラインと原料と洗浄の段取りは人が全体で合わせる
使う分位を決める欠品と売れ残りの重さは、会社の方針で決める
新しい品目の数を言い切る記録が無い。似た品目を参考にした値に印を付けて人へ
特売の内示を書き換える内示は営業の情報。学ぶのは内示と出荷の関係まで
予報の範囲外の日を予報として扱う範囲外の印を付ける
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、学習と予測の中身を示します。

import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor

FEATURES = ["item", "item_type", "weekday", "is_holiday", "holiday_seq",
            "is_payday", "school_break", "tmax", "tmax_anom",
            "promo_qty", "promo_discount", "promo_flyer", "promo_pre", "promo_after",
            "last_year_same", "recent4w_same_mean"]
# item・item_type・weekday は pandas の Categorical にしておく

# 検証は日付で切る:学習の最後の8週を検証に使う
cut = train["date"].max() - pd.Timedelta(weeks=8)
tr, va = train[train["date"] <= cut], train[train["date"] > cut]

models = {}
for q in (0.2, 0.5, 0.8):
    m = HistGradientBoostingRegressor(
        loss="quantile", quantile=q, max_iter=800, learning_rate=0.05,
        monotonic_cst={"promo_qty": 1, "promo_discount": 1},
        early_stopping=True, random_state=0)
    m.fit(tr[FEATURES], tr["demand"],
          X_val=va[FEATURES], y_val=va["demand"])   # demand は出荷+欠品
    models[q] = m

X_val と y_val を渡しているのが、この中身の要です。 公式のページによると、early_stopping='auto' は行が10,000を超えるときに有効になり、検証の行は validation_fraction(既定0.1)で学習の行から取り分けます。40品目の3年分なら行は4万を超え、既定のままだと検証の行が日付と関係なく抜かれます。 未来の行で止めどきを決めることになるので、fit に X_val と y_val を渡して、最後の8週を検証にします。 渡すと validation_fraction は使われません。

単調の制約は、内示の数と売価の下げ幅の2つだけにかけます。 monotonic_cst は項目名の辞書で渡せ、1が増える方向です。気温にはかけません。 気温が高すぎる日は外出が減って出荷が落ちる品目もあるからです。

当たり方の確かめも、日付で切ります。 scikit-learn の TimeSeriesSplit は、公式のページで行が等しい間隔で並んでいることを前提にし、gap と test_size も行の数で数えます。 1日に40品目の行が並ぶこの表では、行の数で切ると日付の途中で分かれます。週の境で切る自前の分け方にします。

Step7

出力形式を固定する

目安のシートは、品目ごと・日ごとに次の列を書き出します。

{
  "item": "Y-PL-400",
  "date": "2026-11-23",
  "pred_q20": 412,
  "pred_q50": 468,
  "pred_q80": 531,
  "quantile_used": 0.8,
  "pred_used": 531,
  "batch_size_case": 120,
  "batches": 5,
  "make_case": 600,
  "flags": ["promo", "out_of_forecast_range"],
  "reorder_fixed": false
}

1つ目の理由は、目安の根拠が1行で読めることです。 3つの分位の値、どの分位を使ったか、それをバッチの量で切り上げた結果が並んでいるので、担当者は「なぜ5バッチか」を表で追えます。 上の例では、上の値531ケースを1バッチ120ケースで切り上げて5バッチ、600ケースです。

2つ目は、印で見る品目を絞れることです。

印付け方人が見ること
wide上の値 ÷ 下の値が1.5を超える記録の少なさか、特売と気温の重なり
promo翌週に特売がある内示の数と、前回の同じ取引先の特売の出荷
new_item発売から半年未満似た品目の値で足りるか
out_of_forecast_range予報の範囲外の日金曜の再実行で見直す
line_overその日のバッチの合計がラインの空きを超える前の日に寄せるか、どの品目を減らすか
reordered分位の値を並べ替えた記録の少なさを疑う

切り上げの単位は、品目の種類で変わります。 タンクで発酵させる品目は、1回の仕込みの量が決まっているのでバッチの数に切り上げ、充填の数はそのバッチから詰められる数になります。カップに詰めてから発酵させる品目は、充填の時点で数が決まり、発酵室の棚の単位とケースの入数で切り上げます。 品目の表の種類の列で、どちらの切り上げにするかを分けます。

line_over は品目をまたいだ印です。 品目ごとの目安を足し合わせると、ある日の発酵室の空きを超えることがあります。 どの品目を前の日に寄せるかは、日持ちと取引先の納品の日を見て課長が決めます。

Step8

システムへ連携する

つなぎ先方式内容
受注・出荷のシステム毎日の夜の書き出しのCSVを読む出荷と欠品の記録
特売の予定の表共有フォルダの表を読む翌週と過去の特売
気象庁のホームページ予報と過去の気温を取得する予測と学習の気温
生産の計画の表隣のシートに書き出す目安・幅・印
ファイルサーバー保存学習の記録、予報の記録、当たり方

生産の計画の表の本体には書き込みません。 目安は隣のシートに出し、課長が確定した値を人が本体に写します。 書き込みを自動にすると、確かめていない目安が原料の手配に流れます。

受注・出荷のシステムへは読むだけです。 書き出しのCSVの列の並びが変わると処理が止まるので、列の名前で読み、期待する列が無ければ止めて知らせます。

Step9

人が確認する

生産管理課が開くのは、印の付いた品目だけです。 印の無い品目は、目安をそのまま計画の表に写します。

  1. line_over を先に見る … その日の空きを超えた分を、どの品目で調整するかを決める
  2. promo と wide が重なる品目を見る … 前回の同じ取引先の特売の出荷と、内示の数を見比べる
  3. new_item を見る … 似た品目の値で足りるかを、営業の見込みと合わせる
  4. 直した品目と理由を記録する … 当たり方の記録と一緒に、翌月に見直す

4番目を省かないでください。 人が直した品目が、直した方が当たっていたのか、目安のままの方が当たっていたのかを残さないと、どの印で人が見るべきかが分からないままになります。

目標は、160件をならして1件3分です。 印の無い品目は数十秒の流し見、特売と気温が重なる品目は10分ほどかかります。3分を大きく超える週は、wide の基準が厳しすぎるか、特売が集中しています。

Step10

例外に対処する

起きること対応
出荷のCSVの列が変わった列の名前で読み、無ければ止めて知らせる
予報が取れない平年の気温で埋め、全品目に印を付ける
特売の予定の表に無い特売の連絡が入った表に足してから再実行。表に無い特売は予測に入らない
品目コードが変わった品目の表で新旧をつなぐまで new_item
下の値が中央の値を上回った並べ替えて reordered
災害や設備の停止で出荷が止まった日学習から外す印を付ける
取引先の物流センターの休み暦の表に入れる。休みの前日に出荷が寄る
当たり方が急に悪くなった直近の4週の当たり方を見て、学び直しの時期を早める

多いのは、3行目と4行目です。 特売の予定は営業が取引先とのやり取りで受け取り、表への記入が遅れることがあります。表に無い特売は、予測から見えません。 木曜の朝の前に表を締める決まりを営業と作ります。

Step11

記録を残す

  • 毎週の予測に使った材料(出荷の記録の版、特売の予定の版、予報の発表の日時)
  • 3つの分位の値と、使った分位、バッチとケースの目安、印
  • 人が直した品目と、直した値、理由
  • 翌週の実際の出荷と欠品、売れ残りの数
  • 予報の気温と実際の気温の差

材料の版を残すのは、外れた週を後から作り直すためです。 特売の予定の表は木曜の後にも書き換わるので、そのときの版が残っていないと、模型が何を見て予測したかを再現できません。

最後の行が、本番の当たり方を説明します。 試験のときは実測の気温で学び、実測の気温で確かめるので、本番より当たって見えます。 予報と実測の差を貯めておけば、予報の誤差が大きかった週に外れたのか、模型の問題で外れたのかを分けられます。

04実装レベルの3段階

最小構成:5品目の記録を表と Python で手で動かし、直近を当てさせる / 当たり方の確かめ
半自動化:上記+40品目を毎週木曜に自動で予測し、3つの分位の値を表に書き出す / 予測と材料の並べ
本格構成:上記+品目ごとの分位の選択、バッチとケースへの切り上げ、印、予報の保存、当たり方の記録 / 仕込みの目安づくりの全体

最小構成では、毎週の計画には使えません。 当たり方を確かめる段階です。 半自動化で、①が無くなり、②が短くなります。 3つの値を見て担当者が決めるので、経験による違いは残ります。本格構成で②と③が印の付いた品目だけになり、この段階が本記事の想定です。 差が大きいのは、分位の選択を品目の表に移したことで、「どこまで多めに仕込むか」が人によって変わらなくなるからです。 段階を飛ばさないでください。 半自動化の段階で3か月動かすと、どの品目で模型が担当者より外れるかが分かります。 その品目の分位と印を決めてから本格構成にするほうが、現場の信用を得られます。

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
3 名
月間件数
160 件
1件あたり現在時間
15 分
1件あたり導入後時間
3 分
現在  160件 × 15分 ÷ 60 = 40 時間/月
導入後 160件 × 3分 ÷ 60 = 8 時間/月
月間削減時間
32h
削減率
80%
年間削減時間
384h
年間金額換算(時間単価3,500円)
134万円
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. 品目が数十あり、毎週の仕込みの量を生産管理の担当が前年同週と先週の出荷と特売の表から決めている乳業・発酵食品のメーカー。日持ちが短く、作りすぎは廃棄、足りなければ欠品になる品目が多い場合。出荷の記録が日別・品目別に3年分ほど書き出せ、特売の予定を取引先から受け取っている場合。
向いていない
  1. 受注を受けてから作って間に合う品目が中心で、見込みで仕込む必要が無い場合。品目が数個で、担当者の経験で十分に当たっている場合。新しい品目ばかりで、同じ品目の過去の出荷の記録が1年に満たない場合。なお、生産の計画を決めること、品質の判定や出荷の可否を決めることは、この構成では代替できません。

07最小構成で試す方法

  1. 主力の5品目を選び、過去2年の日別の出荷と欠品を書き出す
  2. 同じ期間の特売の予定と、出荷の拠点の地域の最高気温を日付でつなぐ
  3. 表計算で、品目・曜日ごとに「前年同週」「直近4週の平均」を並べ、先週の実際の出荷と比べる
  4. 次に、Python で第7章の中身を5品目だけで動かし、直近の8週を当てさせる
  5. 担当者が当時決めた見込みと、模型の中央の値と、実際の出荷の3つを並べる

最小構成でも、日付で切って確かめてください。 行を無作為に分けて当たり方を見ると、同じ週の別の日の値から当てることになり、本番より当たって見えます。

出てきた内容判断
特売の週で、担当者より模型の外れが小さい40品目に広げる
普段の週は同じくらい、特売の週は担当者が上特売の項目を見直す。構成は有効
全体に模型の外れが大きい欠品の足し戻しと、品目の切り替えのつなぎを先に直す

2行目が出ることはよくあります。 担当者は取引先の特売の癖を経験で知っています。その癖を項目にできるか(前回の同じ取引先の特売の出荷)を考える材料になります。

比べる物差しは、外れの大きさを品目の出荷の量で割った値にします。 プレーンの大容量とカップの小さい品目では、同じ10ケースの外れでも重さが違います。さらに、足りなかった外れと余った外れを分けて数えます。 分位を上に寄せた品目は、余る外れが増えるのが正しい動きだからです。

08実装時につまずきやすいポイント

問題対策
検証の行が日付と関係なく抜かれるX_val と y_val に最後の8週を渡す
欠品の多い品目ほど予測が低い出荷に欠品を足した値で学ぶ
試験では当たるのに本番で外れる予報の気温を保存し、予報で予測した当たり方を見る
翌週の後半に予報が無い範囲外の印。金曜の発表で見直す
品目コードを数字のまま渡すCategorical にする
TimeSeriesSplit で日付の途中で切れる週の境で切る自前の分け方にする
特売の明けに作りすぎる特売の翌日の印を項目にする
下の値が中央を上回る並べ替えて印
特売の予定が表に無い木曜の朝の前に表を締める決まりを営業と作る
品目ごとの合計が発酵室の空きを超えるline_over の印。寄せ方は課長が決める
季節の限定の入れ替えで記録が切れる似た品目を品目の表に書き、new_item の印
気温を項目にしても効かない品目がある品目ごとに気温の効き方を当たり方の記録で見る。無理に制約をかけない
学び直しの間隔が決まっていない毎月の初めに学び直し、当たり方が落ちた週は早める

上の3行は、どれも「本番で使えない情報で学ぶ」ことから起きます。 未来の行で止めどきを決める、欠品の日の低い値を需要と見る、予報ではなく実測の気温で確かめる。どれも試験の当たり方を良く見せ、本番で外れます。

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: 品目ごとの出荷の数、取引先ごとの特売の予定(売価・内示の数)、欠品の記録です。個人の情報は扱いませんが、取引先の特売の予定は取引先から預かった営業の情報です。

  1. 特売の予定を社外に出さない … 学習と予測は社内のサーバーで行います。取引先の売価と内示の数は、取引先との関係で預かっている情報です
  2. 目安を計画に自動で流さない … 確定は課長が行います。原料の手配と出荷の約束に直結します
  3. 使う分位は会社の方針として決める … 欠品と売れ残りの重さは、担当者ではなく生産管理課と営業で決め、品目の表に残します
  4. 当たり方を記録し続ける … 模型は過去を学ぶので、取引先の入れ替わりや新しい品目で当たり方が変わります。 毎週の記録で見ます
  5. 気象庁のデータの出典を書く … 公共データ利用規約に沿って出典を記載し、加工したことを書きます
  6. 品質の判定に使わない … この目安は仕込みの数の話です。発酵の具合や出荷の可否の判断は、品質管理の手順で行います
  7. 目安の作り方を取引先に約束しない … 欠品を減らす取り組みとして取引先に説明することはあっても、予測の値そのものを取引先への供給の約束にしません。 確定の発注に応える量は、これまでどおり営業と生産管理課が決めます

誤りが起きた場合のリスクは、仕込みが足りず欠品して取引先の棚に穴を空けることと、作りすぎて廃棄することの2つです。 前者は品目ごとの分位と promo の印で、後者は日持ちの短い品目の分位を中央寄りにする表で守ります。

10まず何から始めるか

1週目:欠品と品目の切り替えを整える

受注・出荷のシステムから過去3年の日別の出荷を書き出し、欠品の数が日ごとに取れるかを確かめます。 取れなければ、今日から記録を始めます。あわせて、品目コードの新旧の対応を品目の表にまとめます。

2週目:予報の保存を始める

府県週間天気予報の最高気温を、毎日の発表の日時と一緒に保存する処理を作ります。模型ができる前から保存を始めておくと、半年後に本番の当たり方を確かめられます。

3週目:5品目で試す

主力の5品目で、第8章の手順を行います。担当者の見込みと模型の中央の値を、特売の週と普段の週に分けて比べます。

4週目:品目の表に分位を入れる

生産管理課と営業で、40品目の分位を決めます。欠品の重さと売れ残りの重さを、品目ごとに1行で書いておきます。

2か月目: 40品目を毎週木曜に予測し、3つの値を計画の表の隣に書き出します。担当者は今までどおり決め、模型の値と並べます。3か月目以降: 分位の選択、バッチとケースへの切り上げ、印を足し、1件15分が何分になったかを実測します。予報の気温で予測した当たり方が、担当者の見込みと同じか上回った品目から、目安をそのまま使う形に切り替えた時点で、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
版が1.9.1であること。loss に 'quantile' を指定し quantile を0から1の間で決めること。categorical_features の既定が 'from_dtype' で Categorical の列をカテゴリーとして扱うこと。monotonic_cst を項目名の辞書で渡せること。early_stopping='auto' が行が10,000を超えるときに有効になり、validation_fraction の既定が0.1であること。fit に X_val・y_val を渡せ、渡すと validation_fraction が使われないこと。欠けた値をそのまま扱えることscikit-learn: HistGradientBoostingRegressor2026-11-16
TimeSeriesSplit が行が等しい間隔で並んでいることを前提にし、gap と test_size が行の数で数えられることscikit-learn: TimeSeriesSplit2026-11-16
府県週間天気予報が毎日11時ごろと17時ごろに発表され、発表日の翌日から7日先までの日ごとの天気・最高と最低の気温・降水確率・予報の信頼度を含むこと気象庁: 週間天気予報2026-11-16
気象庁のホームページのコンテンツが公共データ利用規約(第1.0版)に準拠した条件で使え、出典の記載が要り、編集・加工した場合はその旨を記載すること気象庁: ホームページについて2026-11-16

生産の計画と、品目ごとに使う分位は、生産管理課と営業で決めてください。 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-3402)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