AIで勤怠データから残業の偏りを見つける

結論：残業の偏りは集計方法を変えるだけで見えてくる

多くの旅館・ホテルで、勤怠管理は「月末に勤怠システムの集計を印刷して確認する」で終わっている。その結果、特定のフロントスタッフに週3回以上の残業が集中していても、管理者は年次集計で初めて気づく。

AIを使った分析では、同じ勤怠CSVデータを読み込ませるだけで、「誰に・いつ・どの程度の残業が偏っているか」を10分以内に可視化できる。専用ツールは不要で、ChatGPTのCode Interpreterか、Googleスプレッドシートのピボット＋スクリプトで対応できる。この記事では、旅館の実務に即した手順と判断基準を具体的に示す。

---

なぜ旅館で残業の偏りが起きやすいのか

宿泊業の勤怠は、一般オフィスと比べて偏りが生まれる構造的な要因が多い。

チェックイン・チェックアウト集中による負荷の非対称性
フロントスタッフは15時〜19時の繁忙帯に業務が集中する。一方、清掃スタッフは午前中が中心。同じ「フロント」でも、早番と遅番では残業発生率が大きく違う。月次の合計時間だけ見ていると、遅番担当者への偏りを見逃す。

多能工スタッフへの業務集中
中・小規模旅館では、調理補助・フロント対応・布団引きを兼務できるスタッフが「便利屋」になりやすい。そのスタッフが有給取得率も低く、実態として毎月30時間超の残業を続けているケースは珍しくない。

季節繁忙期の固定化
紅葉・正月・GWといった繁忙期に同じメンバーが毎年集中して働く構造が固定化すると、年間の残業時間は法定内でも特定月に集中して過重労働に近い状態になる。これは月単位の集計だけでは見えない。

---

分析に必要なデータと前処理

最低限必要なデータ形式

勤怠システム（KING OF TIME、ジョブカン、マネーフォワード勤怠など）からエクスポートできるCSVで、以下の列があれば十分だ。

列名	内容	例
date	日付	2026-04-01
staff_id	スタッフID or 名前	A001
department	部署	フロント
clock_in	出勤時刻	09:00
clock_out	退勤時刻	22:15

退勤時刻から所定労働時間（例：8時間）を引いた値が残業時間になる。「残業時間」列が既にある場合はそのまま使える。

前処理の3ステップ

ステップ1：欠損行の除去
打刻漏れや休日出勤の記録ミスで空白行が生じやすい。分析前に clock_out が空の行を除外する。ChatGPTのCode Interpreterなら「空欄の行を除いてください」と指示するだけで処理できる。

ステップ2：残業時間の計算
所定労働時間を8時間として「退勤−出勤−休憩−8h」を残業時間とする。深夜割増（22時以降）を分けて集計したい場合は、22時以降の時間を別列に分ける。

ステップ3：月次・週次・曜日別に集計
「月次合計」だけでなく「週単位」「曜日別」「時間帯別」の3軸で集計すると、偏りのパターンが浮かびやすい。

---

AIを使った偏り検出の具体的な手順

ChatGPT Code Interpreterを使う場合

手順1：CSVファイルをアップロード
ChatGPT（Plus以上）の会話画面でCSVをドラッグ&ドロップしてアップロードする。

手順2：以下のプロンプトを入力する

このCSVは旅館の勤怠データです。
列：date, staff_id, department, clock_in, clock_out
所定労働時間は1日8時間として、以下を分析してください。

1. スタッフ別の月間残業時間を集計し、上位5名を表示
2. 部署別の月間平均残業時間を比較
3. 曜日別の残業時間の分布を棒グラフで可視化
4. 月間残業が45時間を超えたスタッフを一覧表示

日本語で結果を説明してください。

手順3：結果を確認してグラフをダウンロード
Code Interpreterは自動でPythonコードを実行し、集計表と棒グラフを生成する。グラフは画像としてダウンロードできる。必要に応じて「週次でも同じ集計をしてください」と追加指示すれば深掘りできる。

Googleスプレッドシートで行う場合

ChatGPTを使いたくない場合や、データを外部サービスに送りたくない場合は、Googleスプレッドシートのピボットテーブルで代替できる。

手順1：CSVをスプレッドシートにインポート

手順2：残業時間列を追加
=IF(F2="","",MAX(0,(F2-E2)*24-8)) で残業時間（時間単位）を計算する（E列=出勤時刻、F列=退勤時刻と仮定）。

手順3：ピボットテーブルで集計
行：staff_id、値：残業時間の合計、列：月で設定すると、スタッフ別×月別の残業マトリクスが完成する。

手順4：条件付き書式で偏りを色分け
セルの値が45以上を赤、30〜44を黄色に設定すると、一目で危険ゾーンが分かる。

---

偏りを見つけた後の判断基準

介入が必要なサインの3条件

データ分析で以下のいずれかが確認されたら、速やかにシフト見直しや業務再配分を検討すべきだ。

条件1：同一スタッフが3か月連続で月45時間超の残業
年360時間の法定上限を超えるペースであり、労働基準法の特別条項を使っていても健康リスクが高い。

条件2：部署内の最大残業者が平均の2倍以上
「チームとして多忙」ではなく「特定の1人に偏っている」状態を示す。業務の属人化が原因であることが多い。

条件3：特定の曜日（例：土曜）だけ毎週30分以上の残業が発生
シフト設計の構造的な問題を示唆する。土曜の人員配置を1名増やすだけで解消できるケースが多い。

偏りの原因を深掘りする追加分析

残業の偏りを見つけたら、次の質問をAIに投げる。

残業が多い上位3名の担当部署・シフトパターン・有給取得率を
他のスタッフと比較してください。
業務の属人化が疑われる場合は、その根拠も示してください。

この追加分析で「特定スタッフだけが深夜フロントを担当している」「有給取得率が他の半分以下」といった具体的な原因が特定できる。経営者や管理職が改善策を検討する際に、感覚ではなくデータを根拠にできる。

---

導入事例のパターン：20室規模の温泉旅館

実際の旅館でよく見られるケースとして、次のようなパターンがある。

20室・スタッフ12名規模の温泉旅館で、月次の勤怠集計をExcelで管理していたとする。表面上の月間残業時間は全員20〜35時間でバラツキは小さいが、週次・曜日別で分析すると土日の遅番担当者2名に毎週3〜4時間の残業が集中している。

年間では、この2名だけで他スタッフより年間100時間以上多く働いていたことになる。分析前は「うちはみんな同じくらい働いている」という認識だったが、データを可視化してはじめて不均衡が見えた。

改善策として土日の遅番シフトに1名追加し、残業が月15時間程度に減少。スタッフの離職意向が下がり、繁忙期のシフト充足率も改善したというパターンが典型的だ。

---

他の業務効率化と組み合わせる

勤怠データの分析は、他のバック業務のデジタル化と組み合わせると効果が高まる。

たとえば、旅館の経理をAIで月次決算を1週間早める方法で解説しているように、月次の財務データと勤怠データを並べると「人件費の増加が売上増加に見合っているか」を月単位で検証できる。残業が増えた月に客室稼働率が高かったかどうかを確認するだけで、残業が繁忙対応なのか、シフト設計の問題なのかが切り分けられる。

また、食材ロスをAI需要予測で減らす実践ステップで取り上げた需要予測の考え方を応用すると、宿泊者数の見込みを基にシフト必要人数を事前に計算し、残業を発生させないシフト設計ができる。繁忙期前にシフトを組む際、AIが「この週末は過去同期比120%の入り込みが予測されるため、フロントに+1名必要」と示せれば、残業の予防的な管理が可能になる。

勤怠管理のDXを進める際に課題になるのが、各種帳票の手作業処理だ。旅館の経費精算をAI-OCRで紙レシートから解放で解説しているOCRの活用と組み合わせると、タイムカードの紙媒体をデジタル化する際の手入力コストも削減できる。

---

分析の継続と仕組み化

一度分析して終わりでは意味がない。月次での定期分析を仕組みにすることが重要だ。

月次レポートの自動化
ChatGPTやGoogleスプレッドシートのスクリプトを使えば、毎月1日にCSVをアップロードして同じ分析を回すフローを作れる。分析結果を管理者にメールで自動送信する設定も、GASを使えば無料で実現できる。

アラート閾値の設定
スプレッドシートなら「月間残業が40時間を超えたスタッフがいる場合、管理者に通知メールを送る」というスクリプトを設定できる。問題が起きてから気づくのではなく、超過前に動ける体制を作る。

四半期レビューへの組み込み
月次の偏り分析結果を四半期レビューに組み込むと、「A さんは3か月連続でフラグが立っている」という中期トレンドが見える。個人面談やキャリア面談の素材としても使える。

---

まとめ

旅館・ホテルの残業管理における課題は、データがないことではなく、データの見方が「月次合計」に留まっていることだ。

• 勤怠CSVを週次・曜日別・スタッフ別の3軸で集計するだけで偏りは可視化できる
• ChatGPT Code Interpreterなら分析プロンプトを入力するだけで10分以内に結果が出る
• 月45時間超が3か月連続、または部署内で最大が平均の2倍以上が介入の目安
• 分析を月次ルーティンにすることで、過重労働を予防的に管理できる

労務リスクの管理は、コンプライアンス対応であると同時にスタッフの定着率にも直結する。データに基づいた対話ができる管理体制を、まず勤怠データの可視化から始めてほしい。

---

よくある質問

AIで勤怠データを分析するのに専用システムは必要ですか？
既存の勤怠システムからCSVエクスポートができれば、ChatGPTのCode Interpreterや無料のPythonライブラリで分析できます。専用ツールがなくても始められます。

残業の偏りを見つけたあと、どう改善に活かせますか？
偏りのあるスタッフのシフトパターン・担当業務・スキルを照合し、業務の再配分やシフト設計の見直しに使います。定量データがあることで上長や当事者との対話もしやすくなります。

月何時間から残業の偏りとみなすべきですか？
法定の上限（月45時間・年360時間の原則）を基準に、同部署内で平均の1.5倍以上を継続して超えるスタッフを優先的にチェックする運用が実務では多く見られます。詳細は社労士や最新の労働基準法をご確認ください。

勤怠データのどのフォーマットが分析に向いていますか？
「日付・スタッフID・出勤時刻・退勤時刻・部署」の5列があれば十分です。月次の集計済みデータよりも、日次の生データのほうが偏りのパターンを正確に捉えられます。