毎月のシフト表作りに 2-3 時間かけていませんか？
私はかつて 100人のアルバイトのシフト表を Excel で組んでいました。人員配分・連続勤務上限・希望休をすべて手動でチェックし、月初の作業日が来るたびに気が重く、ミスも頻発していました。
この記事では、私も開発に関わっている fudebako（HTML 1 枚でブラウザだけで動く Python 環境）を使って、会社 PC でシフト表を最適化する手順をハンズオン形式で解説します。Microsoft アカウントも、AI コーディングアシスタントも、専門ソフトも要りません。
fudebako は REPL（読み込み・評価・出力ループ）型の Python 環境です。1 セル書く → 実行する → ワークスペースで結果を確認する → 次のセルへ、というサイクルで進めます。本記事もこの順番で読み進めてください。各セルのコードは短く、すべて 10 行前後です。
この記事でつくるもの
- コールセンター 8 名 × 2026 年 5 月（GW 4 連休あり）のシフトを 5 秒で出力する
- 個人別の希望休（A さんは水曜 NG など）を反映させる
- 曜日別の必要人数（月・金は早番 2 名のピーク対応）を反映させる
- 「希望休を出していない人が一番少ない勤務日数」という皮肉な偏りを、数式 1 行で解消する
- 2^744 通りの組み合わせを数秒で解く「数理最適化」の仕組みを理解する
- 結果を色付き Excel カレンダーで出力して現場に配布する
検証はすべて fudebako（v0.3.3、約 60 MB の HTML 1 ファイル）で行いました。手元で同じ手順をすぐ再現できます。
0. fudebako のセットアップ
fudebako のリリースページ から fudebako-v0.3.3.html をダウンロードして、ダブルクリックでブラウザに開きます。インストール不要、外部通信不要、サインイン不要です。
詳しくは前の記事 会社 PC に Python が入れられない人へ：ブラウザだけで動く秘密道具「fudebako」 を参照してください。
開いたら、左に Python 入力エディタ、右に ワークスペース（変数の中身が見られるタブ）と ドライブ（ファイル保存先）があります。これから書くコードのたびに、右のワークスペースで何が増えたかを確認していきます。
セル 1：ライブラリを準備する
scipy は同梱されているので、追加が必要なのは openpyxl（Excel 出力用）だけ。
import micropip
await micropip.install("openpyxl")
print("openpyxl OK")
→ ワークスペースに micropip モジュールが現れます。コンソールに openpyxl OK と出ます。
ワンポイント: micropip は Pyodide 用の pip クライアントです。fudebako 起動時にインターネット接続があれば、ここでパッケージを取りに行きます。1 回入れれば、以後ブラウザを閉じてもキャッシュに残るので、次回からはオフラインで動きます。
セル 2：祝日データを置く（通信不要）
外部 API は使いません。内閣府の祝日 CSV を見て、必要な祝日を Python の dict として埋め込みます。
HOLIDAYS_2026 = {
"2026-05-03": "憲法記念日",
"2026-05-04": "みどりの日",
"2026-05-05": "こどもの日",
"2026-05-06": "振替休日",
# 他の月の祝日も同様に追加できますが、5 月分だけで動きます
}
print(f"5 月の祝日: {len(HOLIDAYS_2026)} 件")
→ ワークスペースに HOLIDAYS_2026 (dict len=4) が現れます。クリックして展開すると 4 件の祝日が見えます。
ワンポイント: 年に 1 回、内閣府 CSV を見て書き換えるだけで OK。これで完全オフラインで動きます。
セル 3：5 月のカレンダーを作る
5 月 1 日 〜 31 日を順に作って、曜日と祝日 / 土日を判定します。
import datetime
n_days = 31
days_info = []
for d in range(1, n_days + 1):
date = datetime.date(2026, 5, d)
iso = date.isoformat()
weekday = date.weekday() # 月=0, 日=6
days_info.append({
"iso": iso, "day": d, "weekday_idx": weekday,
"weekday": ["月","火","水","木","金","土","日"][weekday],
"is_holiday": iso in HOLIDAYS_2026,
"holiday_name": HOLIDAYS_2026.get(iso, ""),
"is_special": (iso in HOLIDAYS_2026) or (weekday >= 5),
})
print(days_info[0]) # 5/1
print(days_info[2]) # 5/3 = 憲法記念日（日曜）
→ ワークスペースに days_info (list len=31) が現れます。展開して各日の dict が確認できます。
{'iso': '2026-05-01', 'day': 1, ..., 'weekday': '金', 'is_holiday': False, ...}
{'iso': '2026-05-03', 'day': 3, ..., 'weekday': '日', 'is_holiday': True, 'holiday_name': '憲法記念日', ...}
ワンポイント:
is_specialが「土日 OR 祝日」を表すフラグです。これで「特別日は人員増し」のロジックを後で簡潔に書けます。
セル 4：必要シフト数を検算する
最適化を走らせる前に、手で計算した結果と一致するかを確認します。これが REPL の良さで、「あれ、思ってたのと違う」を早めに気づけます。
n_persons = 8
persons = ["A", "B", "C", "D", "E", "F", "G", "H"]
specials = sum(1 for di in days_info if di["is_special"])
normals = n_days - specials
total_shifts = normals * 2 + specials * 4 # 平日 早1+遅1、土日祝 早2+遅2
print(f"5 月: 平日 {normals} 日, 特別日 {specials} 日")
print(f"総シフト数: {total_shifts}")
print(f"8 人で割ると 1 人あたり {total_shifts / n_persons:.2f} 日勤務")
→ コンソール:
5 月: 平日 18 日, 特別日 13 日
総シフト数: 88
8 人で割ると 1 人あたり 11.00 日勤務
ピッタリ 11 日です。これが「全員 11 日均等」の理論値で、後の最適化結果と一致するはずです。
セル 5：最適化問題のサイズを決める
シフト割り当てを「0 か 1」の変数 x[p, d, s]（人 p、日 d、シフト s = 0 早 / 1 遅 / 2 休）として表現します。
import numpy as np
n_shifts = 3
n_x = n_persons * n_days * n_shifts # 8 * 31 * 3 = 744 変数
n_vars = n_x + 1 # + W (公平性補助変数)
W_idx = n_x
def idx(p, d, s):
return p * n_days * n_shifts + d * n_shifts + s
print(f"変数の総数: {n_vars} (うち 0/1 整数 {n_x} 個 + W 1 個)")
→ コンソール: 変数の総数: 745 (うち 0/1 整数 744 個 + W 1 個)
→ ワークスペースに idx (function) が現れます。これは「(人, 日, シフト) → 変数番号」の変換関数。
ワンポイント: なぜ 1 人 × 1 日に 3 つの 0/1 変数（早・遅・休）が必要かというと、「シフト = 早 or 遅 or 休」を「3 個のうち 1 個だけ 1」という単純な足し算で書けるからです。専門用語ではワンホット表現と言いますが、要するに「どれか一つだけ選ぶスイッチ」だと思っておけば十分です。
セル 6：目的関数を決める（公平性）
「全員の勤務日数を均等にする」を線形最適化で表現するテクニック：
- 補助変数
Wを導入する - 各人の勤務日数 ≤ W という制約を入れる（次のセルで書きます）
- W を最小化する
これで「W は全員の勤務日数の上限」になり、最大勤務者の日数が最小化されます。
c = np.zeros(n_vars)
c[W_idx] = 1.0 # W に 1、他は 0
# scipy.optimize.milp は最小化問題なので、c.x が最小化される
print(f"目的関数 c のうち非ゼロ: c[{W_idx}] = {c[W_idx]} (W のみ)")
→ ワークスペースに c (ndarray len=745) が現れます。
セル 7：制約を組み立てる
4 種類の制約をすべて足し算と不等式で書きます。
from scipy.optimize import LinearConstraint
constraints_list = []
# 制約 1: 各日の必要人数（平日 早1+遅1、土日祝 早2+遅2）
for d in range(n_days):
is_special = days_info[d]["is_special"]
req_early = 2 if is_special else 1
req_late = 2 if is_special else 1
for s, req in [(0, req_early), (1, req_late)]:
row = np.zeros(n_vars)
for p in range(n_persons):
row[idx(p, d, s)] = 1.0
constraints_list.append(LinearConstraint(
row.reshape(1, -1), lb=[float(req)], ub=[float(req)]))
# 制約 2: 各人 1 日 1 シフトのみ
for p in range(n_persons):
for d in range(n_days):
row = np.zeros(n_vars)
for s in range(n_shifts):
row[idx(p, d, s)] = 1.0
constraints_list.append(LinearConstraint(
row.reshape(1, -1), lb=[1.0], ub=[1.0]))
# 制約 3: 連続 5 日のうち 早+遅 ≤ 4（5 連勤禁止）
for p in range(n_persons):
for start_d in range(n_days - 4):
row = np.zeros(n_vars)
for d in range(start_d, start_d + 5):
row[idx(p, d, 0)] = 1.0
row[idx(p, d, 1)] = 1.0
constraints_list.append(LinearConstraint(
row.reshape(1, -1), lb=[0], ub=[4]))
# 制約 4: 各人の勤務日数 ≤ W（公平性）
for p in range(n_persons):
row = np.zeros(n_vars)
for d in range(n_days):
row[idx(p, d, 0)] = 1.0
row[idx(p, d, 1)] = 1.0
row[W_idx] = -1.0
constraints_list.append(LinearConstraint(
row.reshape(1, -1), lb=[-np.inf], ub=[0]))
print(f"制約の総数: {len(constraints_list)}")
→ コンソール: 制約の総数: 534
→ ワークスペースに constraints_list (list len=534) が現れます。
ワンポイント: 534 個の制約を全部手で書いたら日が暮れます。同じ形の不等式を
forループで量産できるのが Python の利点。各制約は「左辺の係数行（長さ 745）+ 下限 + 上限」だけで決まる、地味な数学オブジェクトです。
セル 8：解く
from scipy.optimize import milp, Bounds
integrality = np.zeros(n_vars)
integrality[:n_x] = 1 # x のみ 0/1 整数、W は連続変数
bounds = Bounds(
lb=np.zeros(n_vars),
ub=np.array([1] * n_x + [n_days])
)
result = milp(c, constraints=constraints_list,
integrality=integrality, bounds=bounds)
print(f"求解成功: {result.success}")
print(f"W (最大勤務日数) = {result.x[W_idx]:.0f}")
→ コンソール（5 秒くらいで返ってきます）:
求解成功: True
W (最大勤務日数) = 11
→ ワークスペースに result (OptimizeResult) が現れます。展開すると result.x (ndarray len=745) に最適解が入っています。
セル 4 で計算した「8 人で割ると 1 人 11 日」と一致しました。
セル 9：結果を読み出す
result.x の中身を「人 × 日」の表に展開します。
schedule = {}
for p in range(n_persons):
for d in range(n_days):
for s in range(n_shifts):
if result.x[idx(p, d, s)] > 0.5:
schedule[(p, d)] = s
break
work_count = [
sum(1 for d in range(n_days) if schedule.get((p, d), 2) != 2)
for p in range(n_persons)
]
print(dict(zip(persons, work_count)))
print(f"max-min = {max(work_count) - min(work_count)}")
→ コンソール:
{'A': 11, 'B': 11, 'C': 11, 'D': 11, 'E': 11, 'F': 11, 'G': 11, 'H': 11}
max-min = 0
全員 11 日勤務、ピッタリ均等です。検算：5 月の必要シフト数は、平日 18 日 × (1+1) + 特別日 13 日 × (2+2) = 88 シフト。8 名 × 11 日 = 88 でぴったり一致します。
→ ワークスペースに schedule (dict len=248) が現れます。(0, 0): 2 のような形で、(人 0 = A, 日 0 = 5/1) → 2 (休) のように記録されています。
コラム：なぜ 2^744 通りを数秒で解けるのか
ここで「え、待って。744 個の 0/1 セル、全パターンって 2^744 ≈ 10^224 通り。総当たりじゃ宇宙の年齢でも終わらないのに、なぜ 5 秒で解けるの？」と思った方へ。原理を 3 層で説明します。
1. そもそもシフト表は「0 か 1 か」の表にすぎない
5/1 5/2 5/3 ... 5/31
A 早番 0 0 0 0
A 遅番 0 1 0 1
A 休 1 0 1 0
B 早番 ...
全部足し算と不等式で書ける。ここまでで分かったとおりです。
2. なぜ総当たりではダメなのか
744 個の 0/1 = 2^744 ≈ 10^224 通り。観測可能な宇宙の原子数（10^80）より圧倒的に多い。総当たりでは絶対に解けません。
3. 「魔法」の正体：MILP（整数線形計画法）の仕組み
scipy.optimize.milp の中身は HiGHS という最先端ソルバー（オープンソース、無料）で、「Branch and Bound」というアルゴリズムを使っています：
- 緩和: まず「0/1 整数」の制約を捨てて、「0.7 シフト」のような小数解も許す問題を解く（これは LP 緩和、瞬時に解ける）
- 枝刈り: 緩和解の値が「現在ベストの整数解」より悪ければ、その分岐は捨てる（その先の数百万通りを探索せずに済む）
- 整数化: 0.7 になった変数を「0 か 1」に分岐させて再帰
- 収束: 探索木の全枝が枝刈り or 整数解に到達するまで繰り返す
これで 2^744 通りの空間が、実際には数千〜数万ノードの探索木になり、数秒で最適解（しかも数学的に「これより良い解は存在しない」と証明されたもの）を見つけられます。
「魔法」の正体
| 見た目 | 実態 |
|---|---|
| Python が魔法でシフトを作った | ただの 0/1 配置問題、ぜんぶ足し算 |
| AI が判断している | 違う。決定論的アルゴリズムが最適解を数学的に証明 |
| 5 秒で解けるなんて | 1947 年の Simplex 法から始まる 70 年の最適化研究の蓄積、いまの HiGHS はその最先端 |
専門ソフトでは IBM CPLEX や Gurobi が有名ですが、同等の HiGHS を scipy.optimize.milp 経由で無料で呼べて、しかもそれが fudebako という1枚の HTML の中で動いてしまう。この恩恵を借りるだけで、業務のシフト作りが一瞬で終わります。
セル 10：応用 1 — 個人別の希望休を加える
実務では「A さんは水曜固定休（子供の習い事送迎）」「B さんは 5/15-16 で旅行」のような個人事情があります。
PREFERENCES = {
"A": {"weekly_off": [2]}, # 水曜は休
"B": {"date_off": ["2026-05-15", "2026-05-16"]}, # 5/15-16 連休
"C": {"weekly_off": [5]}, # 土曜は休
"E": {"date_off": ["2026-05-20"]}, # 5/20 通院
"G": {"weekly_off": [4]}, # 金曜は休
}
print(f"希望休のある人: {len(PREFERENCES)} 名")
→ ワークスペースに PREFERENCES (dict len=5) が現れます。
セル 11：希望休を bounds で表現する
該当する x[p, d, 早] と x[p, d, 遅] の上限を 0 にして、強制的に「休」に固定します。
bounds_ub = np.ones(n_vars)
bounds_ub[W_idx] = float(n_days)
forced_off = 0
for p, p_name in enumerate(persons):
prefs = PREFERENCES.get(p_name, {})
weekly_off = prefs.get("weekly_off", [])
date_off = prefs.get("date_off", [])
for d in range(n_days):
di = days_info[d]
is_off = di["weekday_idx"] in weekly_off or di["iso"] in date_off
if is_off:
bounds_ub[idx(p, d, 0)] = 0
bounds_ub[idx(p, d, 1)] = 0
forced_off += 1
bounds_with_pref = Bounds(lb=np.zeros(n_vars), ub=bounds_ub)
print(f"強制休セル: {forced_off}")
result2 = milp(c, constraints=constraints_list,
integrality=integrality, bounds=bounds_with_pref)
# 結果展開
schedule2 = {}
for p in range(n_persons):
for d in range(n_days):
for s in range(n_shifts):
if result2.x[idx(p, d, s)] > 0.5:
schedule2[(p, d)] = s
break
work_count2 = [sum(1 for d in range(n_days) if schedule2.get((p, d), 2) != 2)
for p in range(n_persons)]
print(dict(zip(persons, work_count2)))
→ コンソール:
強制休セル: 17
{'A': 11, 'B': 11, 'C': 11, 'D': 11, 'E': 11, 'F': 11, 'G': 11, 'H': 11}
5 名に希望休（合計 17 セル分の強制休）を入れても、全員 11 日均等を維持できました。
特に注目すべきは 5/16（土） で、B さん（旅行）と C さん（土曜固定休）が同時に休、それでも土曜の必要人数 4 名を残り 6 名でカバーできています。手作業で詰めるのは至難の業ですが、MILP は数秒で解いてくれます。
セル 12：応用 2 — 曜日別の必要人数
コールセンターは「月曜は週初の問い合わせ多」「金曜は週末前のピーク」という業務量の偏りがあります。
WEEKDAY_REQUIREMENTS = {
0: (2, 1), # 月: 早 2 / 遅 1（週初ピーク）
1: (1, 1), # 火
2: (1, 1), # 水
3: (1, 1), # 木
4: (2, 2), # 金: 早 2 / 遅 2（週末前ピーク）
}
制約 1（必要人数）の計算を曜日別に分岐させて、再構築します。
constraints_v2 = []
# 制約 1' を変えるだけ、他は同じ
for d in range(n_days):
di = days_info[d]
if di["is_special"]:
req_early, req_late = 2, 2
else:
req_early, req_late = WEEKDAY_REQUIREMENTS[di["weekday_idx"]]
for s, req in [(0, req_early), (1, req_late)]:
row = np.zeros(n_vars)
for p in range(n_persons):
row[idx(p, d, s)] = 1.0
constraints_v2.append(LinearConstraint(
row.reshape(1, -1), lb=[float(req)], ub=[float(req)]))
# 制約 2-4 は同じものを使い回し（ループから 1 つ目だけ取って差し替え）
constraints_v2 += constraints_list[n_days * 2:] # 前から「制約 1」分をスキップして残りを連結
result3 = milp(c, constraints=constraints_v2,
integrality=integrality, bounds=bounds_with_pref)
# 結果
work_count3 = []
for p in range(n_persons):
days = sum(1 for d in range(n_days) for s in [0, 1]
if result3.x[idx(p, d, s)] > 0.5)
work_count3.append(days)
print(dict(zip(persons, work_count3)))
→ コンソール:
{'A': 13, 'B': 13, 'C': 13, 'D': 13, 'E': 13, 'F': 13, 'G': 11, 'H': 12}
総シフト数が 88 → 101 に増えたので、各人の勤務日数も 11 → 12-13 に。
…ここで結果をもう一度よく見てください。
A=13 B=13 C=13 D=13 E=13 F=13 G=11 H=12
A-F の 6 名は 13 日、G は 11 日、H だけ 12 日です。希望休を出していたのは A, B, C, E, G の 5 名。希望休を出していない H と D / F を比べると、D / F は 13 日、H は 12 日。
つまり「希望休なしの H が、希望休なしの D / F よりも 1 日少なく働いている」結果になっています。これは皮肉ですよね。希望休を出した人を優遇したわけではないのに、運悪く H が割を食う形に。
セル 13：なぜこうなったか — 目的関数の死角
なぜこうなったか。実は、これまでの設定だと「最大値 (W_max) さえ抑えれば、最小値がいくら低くても構わない」という計算になっていたからです。
HiGHS の気持ちになると、「max が 13 で抑えられるなら、min は 11 だろうが 12 だろうが知ったことか」というわけです。min は野放しだったので、運悪く H が 12 日に流れ着いてしまった。
直し方はシンプルで、最少勤務者の日数 (W_min) も式に入れて縛るだけです。
セル 14：W_min を追加してもう一段公平に
補助変数 W_min を追加し、目的関数を「W_max を最小化 + W_min を最大化」に変えます。線形最適化では「最大化」は「マイナスを最小化」で書けるので：
n_vars_v3 = n_x + 2 # x + W_max + W_min
W_max_idx = n_x
W_min_idx = n_x + 1
c_v3 = np.zeros(n_vars_v3)
c_v3[W_max_idx] = 1.0 # W_max を最小化
c_v3[W_min_idx] = -1.0 # W_min を最大化（= -W_min を最小化）
# 制約 4a: 各人の勤務日数 ≤ W_max（既存）
# 制約 4b: 各人の勤務日数 ≥ W_min（新規追加）
for p in range(n_persons):
row = np.zeros(n_vars_v3)
for d in range(n_days):
row[idx(p, d, 0)] = 1.0
row[idx(p, d, 1)] = 1.0
row[W_min_idx] = -1.0
constraints_v3.append(LinearConstraint(
row.reshape(1, -1), lb=[0], ub=[np.inf]))
# （他の制約 1, 2, 3, 4a は応用 2 と同じ）
result_v3 = milp(c_v3, constraints=constraints_v3,
integrality=integrality_v3, bounds=bounds_v3)
求解結果：
W_max = 13, W_min = 12
{'A': 13, 'B': 13, 'C': 12, 'D': 13, 'E': 12, 'F': 12, 'G': 13, 'H': 13}
max-min = 1
G さん（金曜全休）も 13 日働ける解が見つかりました。希望休のある C / E と、希望休のない F が 12 日、その他は 13 日。全員が 12 か 13 のどちらかに収まり、H も 13 日に戻りました。
数式 1 行を足しただけで、解そのものが論理的に変わる。**この「微調整の効きやすさ」**が、手作業や単純な自動割付にはない最適化のメリットです。
ちなみに、総シフト 101 を 8 名で割った理論値は 12.625。整数解では全員を 12 か 13 に収めるのが数学的な限界で、今回はその限界ギリギリの最も公平なパターンを引き当てたことになります。
ワンポイント: ここで
constraints_v2を作ったとき、制約 2-4 は前のリストから流用しました。REPL なので前のセルで作った変数がそのまま使えるのが効率的です。専用ソフトを立ち上げて設定ファイルを書き直すより、Python の dict と list を数行弄って即実行する方が、現場の感覚には合っているはずです。
セル 15：Excel カレンダーに出力する
openpyxl で色付き Excel に：
from openpyxl import Workbook
from openpyxl.styles import PatternFill, Font, Alignment, Border, Side
from openpyxl.utils import get_column_letter
wb = Workbook()
ws = wb.active
ws.title = "2026年5月"
fills = {
"早": PatternFill(start_color="FFF9C4", end_color="FFF9C4", fill_type="solid"), # 黄
"遅": PatternFill(start_color="C5E1A5", end_color="C5E1A5", fill_type="solid"), # 緑
"休": PatternFill(start_color="E0E0E0", end_color="E0E0E0", fill_type="solid"), # 灰
}
weekend_fill = PatternFill(start_color="FFE4E1", end_color="FFE4E1", fill_type="solid")
holiday_fill = PatternFill(start_color="FFD180", end_color="FFD180", fill_type="solid")
preferred_off_fill = PatternFill(start_color="B3E5FC", end_color="B3E5FC", fill_type="solid")
# 1 行目: 日付ヘッダー
ws.cell(row=1, column=1, value="従業員").font = Font(bold=True)
for d in range(n_days):
di = days_info[d]
label = str(di["day"]) + "(" + di["weekday"] + ")"
cell = ws.cell(row=1, column=d+2, value=label)
cell.font = Font(bold=True)
cell.alignment = Alignment(horizontal="center")
if di["is_holiday"]:
cell.fill = holiday_fill
elif di["is_special"]:
cell.fill = weekend_fill
# 2 行目: 祝日名
for d in range(n_days):
di = days_info[d]
if di["is_holiday"]:
cell = ws.cell(row=2, column=d+2, value=di["holiday_name"])
cell.font = Font(italic=True, size=8, color="C04000")
cell.alignment = Alignment(horizontal="center", wrap_text=True)
# 3 行目以降: 8 名のシフト
for p in range(n_persons):
p_name = persons[p]
ws.cell(row=p+3, column=1, value=p_name).font = Font(bold=True)
prefs = PREFERENCES.get(p_name, {})
for d in range(n_days):
di = days_info[d]
s = schedule2.get((p, d), 2) # 応用 1 の結果を出力
label = ["早", "遅", "休"][s]
cell = ws.cell(row=p+3, column=d+2, value=label)
cell.alignment = Alignment(horizontal="center")
is_pref_off = (di["weekday_idx"] in prefs.get("weekly_off", [])
or di["iso"] in prefs.get("date_off", []))
cell.fill = preferred_off_fill if (is_pref_off and s == 2) else fills[label]
ws.freeze_panes = "B3"
wb.save("shift_2026_05.xlsx")
print("Excel saved: shift_2026_05.xlsx")
→ コンソール: Excel saved: shift_2026_05.xlsx
→ ドライブ タブを開くと shift_2026_05.xlsx が現れます。クリックでダウンロードして、Excel で開けばそのまま現場配布できます。サイズは 7KB 程度なのでメール添付も問題なし。
セル 16：パラメタを変えて再計算してみる
ここまでで、シフト作成の土台が完成しました。あとは制約を変えて何度でも再実行できます。
# 「月曜の早番を 3 名にしたい」と思ったら:
WEEKDAY_REQUIREMENTS[0] = (3, 1)
# その後、セル 12 を再実行 → 5 秒で新しいシフト表
# 「H さんも金曜は休にしたい」と思ったら:
PREFERENCES["H"] = {"weekly_off": [4]}
# その後、セル 11 を再実行
# 「6 月のシフトを作りたい」と思ったら:
# year, month = 2026, 6
# n_days = 30
# HOLIDAYS_2026 に 6 月分を追加
# セル 3 から再実行
このサイクルが数十秒で回せるので、現場のフィードバックを取り込みながら調整できます。
fudebako のような REPL 環境で最適化を回すメリットは、この試行錯誤の速さです。専門ソフト（ライセンスは年間数百万円のこともあります）も AI コーディングアシスタント（月額サブスク）も使わずに、会社 PC のブラウザだけで完結します。
まとめ
会社 PC でシフト表を作る方法をまとめました：
- fudebako で外部通信なしの Python 環境を起動（HTML 1 枚）
- scipy.optimize.milp で 0/1 整数計画法を求解（70 年の最適化研究の蓄積）
- openpyxl で色付き Excel カレンダーに出力（現場配布可能）
- 制約を 1 行変えるだけで再計算 → REPL 的に試行錯誤
「数理最適化」と聞くと専門家しか触らないイメージがありますが、scipy.optimize.milp は無料で、書き慣れた Python の dict と for ループだけで使えます。
この仕組みはいろんな業務に応用が効きます。看護師さんの 3 交代（日勤・準夜・深夜）に夜勤明け休を加えるパターンも、制約の形を少し変えれば組めます。配送ルートの最適化（巡回セールスマン問題）も同じ系統ですが、規模が大きいと別のアプローチが必要になります。会議室や席の割り当ては二項マッチングで済むことも多く、わざわざ MILP まで持ち出さなくてもよかったりします。
関連記事：
- 会社 PC に Python が入れられない人へ：ブラウザだけで動く秘密道具「fudebako」
- Microsoft markitdown はどこまで使えるか — PDF / エクセル / 画像を fudebako で検証
動画化・転載歓迎
この記事の内容を YouTube 動画 / Podcast / 社内資料 等に転載される際は、自由にお使いください。素材（デモ動画 / スクショ / ロゴ）は GitHub の assets/press-kit/ に置いてあります（CC0 相当）。事前連絡は不要ですが、コメント欄や DM でお知らせいただけると今後の参考にさせていただきます。
fudebako のフィードバックや業務での使用例、コメント欄などでお寄せいただけると嬉しいです。