ROI事件ファイル No.511『勘で買っていた、三十台の新台』
勘で買っていた、三十台の新台
第一章：当たった台が、なぜ当たったか分からない
「三十台まとめて買って、半分が外れる。これが普通になっています」
Quantum Leisure社の経営企画マネージャー、神保涼介氏は、そう言いながら新台導入の稟議書を開いた。十五店舗を運営するパチンコホール。年間の新台購入額は七億から八億円。「購入判断は各店舗の店長に任せている。メーカーの案内、競合店の導入動向、自店の客層——複数の情報を見て決めているが、結局は経験と勘です」
「的中率はどの程度ですか」とClaudeが尋ねた。
「導入一ヶ月で平均稼働率を超える台が、四割前後」と神保氏が答えた。「残り六割は期待を下回る。一台あたり三十万から五十万円の投資ですから、三十台で千二百万円規模。これが月に複数回発生する」
「過去の購入データは残っていますか」と私が確認した。
「あります」と神保氏が答えた。「各店舗の稼働ログ、購入履歴、競合店動向——データ自体はある。ただ、横断的に分析した経験がない。店長の頭の中で判断が完結している。代表からは『AIで予測精度を上げられないか』と指示が出ていますが、何から手を付ければいいか」
「判断軸が多すぎて、優先順位がつかない状況ですね」と私が応じた。「MANDALAで分解しましょう」
第二章：MANDALAが問う、中心と八方位
「この案件には、MANDALAが必要です」
Claudeがホワイトボードに九マスを描いた。中央に一マス、その周囲に八マス。
「MANDALAとは、中心テーマを核として八方位に関連要素を配置し、全体像を構造化するフレームワークです」と私が説明した。「大谷翔平選手が高校時代に使ったことで知られますが、本来は複雑な意思決定の要素分解に向く手法です。需要予測のような多変量の問題では、何を入力変数にするかが精度を決める。九マスで漏れなく洗い出します」
「まず現状のコストを測りましょう」とGeminiがROI Polygraphを開いた。神保氏から提供された購入データを入力する。
「月間の機会損失コストが出ました」と Geminiが読み上げた。「外れ台による稼働率未達の損失が月平均六百八十万円——購入額に対する想定稼働との差分。早期撤去・入替コストが月平均百二十万円。店長の購入判断工数が十五店舗合計で月平均三百時間、時給四千二百円で月百二十六万円。競合店動向の手動調査工数が月九十万円。過去データが分析されないまま蓄積されている機会損失が月平均八十万円。店長異動時の判断品質低下リスク期待値が月六十万円。合計で月千百五十六万円。年間換算で約一億三千八百七十万円」
神保氏が数字を見つめた。「外れ台の損失だけだと思っていました。判断工数まで含めると規模が違う」
「では、MANDALAで設計します」と私が続けた。
[中心マス——需要予測の精度向上]
「九マスの中心に置くテーマは『新台需要予測の精度を経験則から数値モデルへ』です」とClaudeが言った。「中心が定まると、周囲の八マスが何を埋めるべきかが決まる。逆に中心が曖昧だと、八マスがバラバラになる」
[八方位——予測モデルの入力変数を洗い出す]
「中心の周囲に、予測精度を決める八要素を配置します」とGeminiが続けた。
「第一マス、自店稼働履歴——機種別・時間帯別・客層別の過去稼働データ。第二マス、競合店導入動向——半径商圏内の同型機種の稼働状況。第三マス、メーカー実績——同シリーズの全国稼働傾向。第四マス、客層プロファイル——年齢・来店頻度・滞在時間の分布。第五マス、季節要因——曜日・連休・給料日との相関。第六マス、店舗特性——立地・規模・併設施設の影響。第七マス、価格・スペック——導入価格と継続率の関係。第八マス、市場トレンド——遊技性ジャンルの流行サイクル」
「八要素のすべてに、既存データがあります」と私が補足した。「使われていないだけです」
[モデル設計——八マスを重み付きで統合]
「八マスをAIモデルに統合する設計です」とClaudeが続けた。「単純な平均ではなく、各要素の予測寄与度を機械学習で算出する。自店稼働履歴の重みが大きい店舗もあれば、競合動向の重みが大きい店舗もある。十五店舗ごとに最適化された予測モデルが組まれる構造です」
[投資回収を試算する]
「ROI Proposal Generatorで試算しましょう」とGeminiが提案した。
- 初期費用：データ基盤構築・予測モデル開発・店舗別チューニング・店長向け運用研修費用合計千二百八十万円
- 月次費用：モデル運用・データ収集基盤継続費合算月三十八万円
- 月次削減効果：外れ台損失削減＝月四百二十万円（的中率四割から六割への改善想定）、早期撤去削減＝月七十万円、店長判断工数削減＝月七十六万円、競合調査工数削減＝月五十四万円、合計月六百二十万円
- 月次純削減：六百二十万円－三十八万円＝月五百八十二万円
- 投資回収期間：千二百八十万円÷五百八十二万円＝約二・二ヶ月
「二ヶ月強の回収です」とGeminiが整理した。「特に大きいのは外れ台損失の削減です。的中率を四割から六割に上げるだけで、月四百万円規模のインパクトが出る」
神保氏が数字を確認しながら言った。「AIシステムの導入費用を見て、二年は回収にかかると思っていました。九マスで要素を整理した瞬間に、見え方が変わる」
「MANDALAは、全体を見るための道具です」と私が応じた。
第三章：九マスで設計する、AI予測の導入計画
「進め方を整理します」と私がホワイトボードの前に立った。
「第一・二ヶ月——十五店舗の過去三年分の稼働データ・購入履歴のクレンジング、データ基盤構築。第三ヶ月——八マスの入力変数定義、競合データ収集経路の整備。第四・五ヶ月——予測モデル開発、十五店舗ごとの個別チューニング。第六ヶ月——試験運用、店長の判断との比較検証。第七ヶ月——本番運用開始、店長の意思決定支援ツールとして展開。第八ヶ月以降——予測結果と実績の差分を月次で学習させ、モデル精度を継続改善」
「店長の判断は残しますか」と神保氏が確認した。
「最終判断は店長が行います」とClaudeが応じた。「AIは判断材料を提供する役割。経験と勘が無価値になるわけではなく、勘の根拠が数値で裏付けられる構造になる。店長の役割は『決定者』から『AIを使いこなす判断者』に変わります」
神保氏がメモを取りながら言った。「AIが店長を置き換える話だと思っていた現場の警戒感が、これで解けそうです」
第四章：勘が、データで補強された日
九ヶ月後、神保氏から報告が届いた。
新台導入の的中率は、AI予測モデル稼働三ヶ月後に従来比で四割から六割三分に向上。外れ台の損失は月平均で四百五十万円減少した。「店長が見ていなかった変数を、モデルが拾っている。競合店の稼働パターンと自店の客層の相互作用など、人間が頭の中で計算しきれない要素が予測に反映された」と神保氏は記していた。
店長の判断工数も大幅に削減された。AI予測のスコアと判断根拠が画面に表示されるため、購入候補機種の絞り込みが従来の半分以下の時間で完了。「以前は稟議書を書くまでに数日かけていた。今は半日で根拠付きの稟議書が出る」と報告書にあった。
最も意外な変化は、店長間の情報共有に表れた。十五店舗のモデルが個別最適化されているため、店舗間の差異が数値で見えるようになり、なぜ自店ではこの機種が当たり別店では外れるのか、という議論が定例化した。「以前は店長同士の情報交換が雑談レベルだった。今は数値を見ながら構造的に話せる」と神保氏は記していた。
店長異動時の判断品質低下リスクも軽減された。AI予測モデルが各店舗の特性を学習しているため、店長が交代しても判断品質が維持される。「異動初月の的中率が、従来は二割台に落ちていた。今は六割前後を維持できている」と報告書にあった。
副次効果として、メーカーとの交渉力も変化した。AI予測で自店の客層に合わない機種が事前に分かるため、無理な購入を断る根拠が明確になった。「メーカー側も、無理な提案を出してこなくなった。データを持っている顧客への扱いが変わる」と神保氏は記していた。
予測モデルの改善も継続している。月次で予測と実績の差分が学習データとして取り込まれ、九ヶ月で精度が四ポイント向上。「使えば使うほど精度が上がる構造になった」と報告書にあった。
神保氏の報告書の最後にはこう書かれていた。「AI導入が失敗する理由は、何を入力するかが決まらないからだと思う。MANDALAで九マスを埋めた瞬間に、設計が動き出した。中心テーマが定まれば、周囲は自然に決まる」
外れ台の山を見ながら稟議書を書いていた朝が、データに照らされた朝に変わった、と記されていた。
「AIで需要予測を、という相談は多い。失敗するのは、何を予測するかが曖昧で、何を入力するかが整理されていないからだ。MANDALAが問うのは、中心と八方位だ。中心が定まれば周囲が決まり、周囲が揃えばモデルが組める。経験と勘は捨てる対象ではない。九マスに分解して言語化すれば、勘の正体は学習可能な変数になる。三十台まとめて買って半分外していたホールで、店長の頭の中が九マスに展開された日、変わったのは予測精度ではなく、判断の構造そのものだった」
関連ファイル
使用ツール
- ROI Polygraph — 外れ台損失・判断工数・店長異動リスクの可視化
- ROI Proposal Generator — AI需要予測基盤の投資回収シミュレーション
