課題
新規出店を進めるなか、既存店とのカニバリや、実績の少ないエリアへの展開が増え、経験則や類似店舗に頼った見積りが難航。店毎の投資判断を高い精度と再現性で支える予測を業務に組み込み、ドライブスルーやデリバリーなどチャネル単位でも精度を担保し、環境に合わせて改善していく仕組みが求められていた
アプローチ
数千店規模の既存店データを学習対象として、店舗属性、商圏統計、周辺の自店・競合店舗の配置（カニバリゼーションの影響）、高解像度の人流データなど数百の特徴量を設計した
LightGBMにより、イートイン・テイクアウト・ドライブスルー・デリバリー等のチャネル別モデルと全体モデルを構築し、チャネル間の整合性を担保する補正ロジックを実装し、候補地情報の入力のみで予測を算出できる実行環境として納品し、クライアントの出店判断システムへの実装を支援した
運用フェーズでは半年ごとに最新データでモデルを再学習する更新サイクルを確立し、予測の信頼性を継続的に担保している
成果
誤差率中央値約10%を実現、約8割の店舗で誤差20%以内、9割超の店舗で誤差30%以内の予測精度を達成（交差検証ベース）。本モデルはクライアントの出店判断システムに実装され、2022年以降、更新を重ねながら本番運用中。現在は、アプリ位置データや店舗視認性のAI特徴量化など、次世代モデルの開発を推進中
