ある品質管理チームは、シール不良に対する是正処置を8か月間で3回実施しました。その都度、パレート分析では「シール温度の偏差」が主要因として特定され、チームはシーラーの設定を調整しました。しかし、いずれの場合も6週間以内に不良が再発しました。
真の原因は、シールヘッドに到達する前にコンベアの振動で製品がずれていたことでした。これは検査画像には写っていたものの、手書きのシフト終了時日報には記録されていませんでした。製造不良分析の手法自体は正しかったのですが、そこに入力されるデータが不完全だったのです。
本ガイドでは、なぜこのような事態が起こるのか、そしてそれをどう解決すべきかを解説します。
製造不良分析とは、不良率の上昇によるライン停止や、顧客からの苦情によるリコールが発生する前に、製造不良がどこで、いつ、なぜ発生しているかを特定するものです。根本原因の究明に不可欠な3つの手法として、主要な原因の20%を特定する「パレート分析」、要因を整理する「特性要因図」、そして表面的な事象の奥にある根本原因を掘り下げる「なぜなぜ分析」があります。これらすべては、正確で構造化された製造不良分析データがあって初めて機能します。
製造不良分析とは何か、そして手動による手法がなぜ限界を迎えるのか
製造不良分析とは、製造不良を体系的に特定・分類し、根本原因を見つけて再発を防止するプロセスです。製造不良分析をリアルタイムで行えば、不良率の上昇を検知してライン停止前に是正処置を講じることができます。しかし、シフト終了から24時間後に行うのでは、予防の機会はすでに失われています。
製造不良の最大70%は制御不能なプロセス変動に起因しており、その多くは初日の根本原因の誤診断によって放置されています（Qualityze、2026年5月）。手動のスプレッドシートによる根本原因分析から、統合された不良原因分析プラットフォームへ移行したチームでは、調査時間が平均35%削減されました（Qualityze社内調査、2024年）。ボトルネックとなっているのは手法ではなく、データの品質なのです。
すべての分析で分類すべき製造不良の4つのカテゴリー
不良分析のフレームワークは、不良が実行可能な原因と結びつくカテゴリーに一貫して分類されて初めて有用なものとなります。記録の40%が「その他」や「不明」に分類されている不良ログは、分析の入力データとしては機能しません。それ自体が解決すべき問題です。
1. 製品不良
寸法偏差、表面の傷、外観不良、機能不全。根本原因カテゴリー：設計仕様の不備またはプロセス変動。検出方法： KOMPASSインライン検査 による100%全数検査。定期的なサンプリングでは見逃してしまう不良を確実に捕捉します。
2. プロセス不良
機械パラメータのドリフト（温度、速度、圧力）、作業手順の逸脱、SOP（標準作業手順書）の工程飛ばし。根本原因カテゴリー：プロセス管理の不備。検出方法：NAGAREリアルタイム工程監視により、次の製品が作られる前に、どの作業者のアクションが偏差を生んだかを特定します。
3. 材料の欠陥
入荷材料の不適合および原材料特性のロット間バラつき。根本原因の分類：サプライヤーの品質管理不足。特定のロットを特定するにはロットトレーサビリティが必要であり、自動化された 仕分けおよび計数 記録がこれに対応します。
4. 環境に起因する欠陥
周囲環境からの汚染、温度変化、および湿度に関連する故障の集中。根本原因の分類：施設管理の不備。これらの欠陥は、入力時に環境データと生産データが紐付けられていないため、手動ログでは「不明」と誤分類されることがよくあります。
生産欠陥分析を推進する3つの根本原因分析手法
生産欠陥分析で用いられる3つの根本原因分析手法は、パレート分析、フィッシュボーン図（特性要因図）、そして「なぜなぜ分析（5 Whys）」です。これらは独立した代替手段としてではなく、順を追って使用することで最大の効果を発揮します。パレート分析で調査対象を特定し、フィッシュボーン図で発生原因をマッピングし、なぜなぜ分析で修正可能な原因まで掘り下げます。
ステップ1：パレート分析による優先欠陥カテゴリーの特定
生産欠陥分析に適用されるパレートの法則：一般的に、欠陥の80%は20%の故障モードによって引き起こされます（ResearchGate, Root Cause Analysis Using Fishbone Diagram）。ある製造現場の実地調査では、わずか2種類の欠陥が全不合格品の55%以上を占めていることが判明しました（International Journal of Indonesian Business Review, 2025）。まずその2種類を特定することこそが、生産欠陥分析を実効性のあるものにします。
重要な制約として、パレート図の精度は、その元となる欠陥分類ログの精度に依存します。欠陥の30%がサブカテゴリーなしで「シール不良」、さらに20%が詳細な分類なしで「外観不良」と入力されているようなログでは、信頼できるパレート優先順位は得られません。パレート図自体は数学的に正確であっても、入力データが不完全であれば、誤った問題を優先することになります。これは、本ブログの冒頭で紹介したシール欠陥の事例が如実に示しているデータ上の問題です。
ステップ2：フィッシュボーン図による寄与因子のマッピング
フィッシュボーン図（特性要因図）は、人（Man）、方法（Method）、機械（Machine）、材料（Material）、測定（Measurement）、環境（Environment）の6つのカテゴリーにわたって考えられる原因をマッピングします。これには部門横断的なチームの意見が必要です。品質エンジニアは測定と方法のカテゴリーを、保全担当者は機械のカテゴリーを、プロセスエンジニアは方法と材料のカテゴリーを把握しています。スプレッドシートで作業する一人の品質エンジニアが、これら6つすべてを完全に把握することは不可能です。
フィッシュボーン図の出力は、根本原因ではなく、寄与因子の候補リストです。チームは各因子の可能性について投票を行い、なぜなぜ分析で掘り下げるべき2〜3の候補に絞り込みます。MES（製造実行システム）では、欠陥記録とリンクしたデジタルフィッシュボーン図の活用が進んでおり、図の根拠となる証拠は記憶に頼った会議ではなく、生産システムから直接得られるようになっています（Tulip, root cause analysis tools）。
ステップ3：修正可能な根本原因に到達するための「なぜ」を5回繰り返す
「なぜ」を5回繰り返す手法は、物理的かつ修正可能なシステム上の条件に到達するまで、各レベルで「なぜ」と問いかけ、要因を掘り下げます。終了のルールは、その答えがチームで実際に変更可能な内容になった時点です。「オペレーターのミス」は根本原因ではありません。「組み立てステーションでトルク仕様が確認できなかった」は根本原因です。なぜなら、具体的な修正箇所が特定できるからです。
本ブログの冒頭で紹介したシール不良の事例では、「なぜ」を5回繰り返す手法を3回実施しましたが、いずれも「シール温度が許容範囲外だった」という結論に至りました。これは間違った問いに対する正しい答えでした。本来は、実際の不具合である「シールヘッド手前での製品のズレ」から問いを始めるべきでした。この問いがパレート図に現れなかったのは、不良ログに記録されていなかったからです。コンベアの振動という原因は、オペレーターのシフト終了時の記憶には残らず、検査画像にのみ記録されていました。
AIビジョンが不良分析を失敗させるデータギャップを埋める仕組み
製造現場の不良分析の精度は、分析に使用する不良分類データの品質に左右されます。手書きのシフト終了時ログは8〜24時間の遅延があり、分類が不統一で、欠落も頻繁に発生します。手書きログに基づくパレート図は、必ずしも発生頻度が高い問題ではなく、最も記憶に残っている問題を優先して表示してしまいます。
KOMPASSが製造現場で分類済みの不良データを提供
KOMPASSは、不良の種類、深刻度、ロットコード、ラインID、タイムスタンプ、注釈付き画像など、すべての不良を検出した瞬間に分類します。この分類は自動的かつ一貫して行われ、100%の検査範囲をカバーします。これにより、パレート図や特性要因図が正確な結果を出すために必要な、構造化された不良率分析ログが生成されます。
構造的な違いは以下の通りです。手書きログはオペレーターがシフト終了時に記憶している内容を記録しますが、KOMPASSログは検査システムが製造中の全ユニットを観察した内容を記録します。シール不良の事例であれば、特定のコンベア速度で発生したズレに関連する不良のクラスターがデータとして可視化され、オペレーターのログでは決して捉えられなかったパターンが明らかになったはずです。Jidokaの 不良検出 および ラベル認識 のユースケースが、どのようにしてこの構造化された記録を実務で生成するかをご覧ください。
NAGAREが製品検査では見えないプロセス上の不良を捕捉
プロセス上の不良（オペレーターの作業手順の逸脱、SOPの工程飛ばし、誤った機械設定など）は、完成品に目に見える痕跡を残さないことがあります。KOMPASSは製品を検査し、NAGAREはプロセスを監視します。プロセスに逸脱が発生すると、NAGAREはリアルタイムでそれを検知し、次のユニットで同じ不良が発生する前に、逸脱の種類、タイムスタンプ、担当オペレーターを記録します。
これは、多くの製造不良分析プログラムにおいて「原因不明」と分類される不良カテゴリーです。製品の不良は事実であり、パレート図のデータも正しいものの、製品検査の記録だけでは不良とプロセスの起源を結びつけられないのです。NAGAREは、製品検査イベントと並行してプロセスイベントを記録することでそのつながりを提供し、特性要因図による根本原因の特定を可能にします。
クローズドループシステム：検出から検証済みの修正まで
完全な製造不良分析アーキテクチャは、KOMPASSとNAGAREを組み合わせて使用します。KOMPASSが製品不良を検出・分類し、分類されたログがリアルタイムのパレート図に反映されます。パレート図に基づいて特性要因図や「なぜ」を5回繰り返す調査が行われ、是正処置が割り当てられてデジタルSOPの更新としてNAGAREに読み込まれます。NAGAREは、その後のすべてのサイクルで是正処置が守られているかを検証し、KOMPASSが不良率の低下を確認します。
このクローズドループにより、製造不良分析は事後対応から予防メカニズムへと進化します。すべての製造サイクルが、次回の調査で使用されるデータにフィードバックされます。同じシール不良に対して3回も是正処置を行う必要はなく、検査画像データが最初からパレート図の優先順位を決定していれば、1回の対応で済んだはずです。
製造不良分析が機能していることを確認する指標
製造不良分析が正確な根本原因の特定につながっているかを確認する指標は3つあります。不良率の推移（是正処置後に優先度の高い不良カテゴリーが減少しているか）、流出率（不良品が顧客に届いていないか）、是正処置の再発率（同じ是正処置が何度も繰り返されていないか）です。
不良率と流出率
不良率は出荷前の検査で発見された不適合品の割合を指し、流出率は検査をすり抜けて顧客に発見された不適合品の割合を指します。不良率が低く流出率が高い工場は、製造品質が向上したのではなく、検査の網羅性に欠けている状態です。流出率を低減するには検査の隙間を埋める必要があり、AIによる100%の検査網羅がその直接的な解決策となります。
どちらの指標も不適合のカテゴリ別に追跡する必要があります。パレート分析の優先順位が「シール完全性」で、是正処置（CAPA）の対象がシール温度であった場合、妥当な検証指標はCAPA完了後90日間のシール完全性不良率です。単なる廃棄率の低減を追跡するだけでは、特定の根本原因が解決されたかどうかを確認することはできません。
CAPAの有効性指標
製造における不適合分析の質を裏付けるCAPAの有効性指標には、以下の3つがあります。再発率（90日以内に同じカテゴリの不適合が再発した場合は根本原因の特定ミスを示唆）、CAPA完了までの期間（30日を超えて未完了のCAPAはリスクが未解決であることを示唆）、およびCAPA実施後の製造不良率の追跡（カテゴリ別の不良率低下は、対症療法ではなく根本原因に対する是正処置が機能したことを証明します）。
シール不適合対策チームの3サイクルにわたるCAPA履歴を確認していれば、2回目の再発時点で問題が浮き彫りになっていたはずです。再発追跡を含む製造廃棄分析のフレームワークがあれば、同じ是正処置を3回繰り返す前に、データソースの見直しを促すことができたでしょう。
Jidoka Technologiesと製造不適合分析
KOMPASSとNAGAREは、製造不適合分析ツールが誤った結果を導き出す原因となるデータの問題を解決します。手作業によるシフト終了時の記録を、100%の生産網羅率で構造化されたリアルタイムの分類済み検査記録へと置き換えます。
- KOMPASS： 構造化された不適合分類 を製造現場で実現。全ユニットの不適合タイプ、重大度、タイムスタンプ、ロット、ラインを記録します。オペレーターの記憶に頼るのではなく、AIが分類したデータでパレート分析を強化します。
- NAGARE： 工程逸脱の記録 をオペレーターの作業ステップごとに実施。工程イベントと製品の不適合を紐付け、サイクルごとに是正処置の遵守状況を検証します。
- 対応業界： 以下の業界で導入実績があります： 自動車、 日用消費財（FMCG）, 電子機器, 医薬品、および 一般製造。
KOMPASSがどのように製造上の欠陥を構造化データとして記録し、欠陥の根本原因分析に役立てているかについては、 jidoka-techをご覧ください。
結論
同じCAPA（是正処置・予防処置）を3回も繰り返した品質管理チームは、正しい分析手法を使っていながら、対象とするデータが間違っていました。是正処置の対象が、記録された症状（温度設定）に向けられており、検査画像にしか現れていなかった真の原因（コンベアの振動）を見逃していたのです。
KOMPASSで分類された検査記録があれば、特定のライン速度で変位に関連する欠陥が急増していることがデータ上で可視化され、手動のログでは見えなかった問題が明らかになっていたはずです。
KOMPASSがどのように製造上の欠陥を構造化データとして記録しているかについては、 jidoka-tech.aiをご覧ください。
よくある質問
1. 製造欠陥分析とは何ですか？
製造欠陥分析とは、製造工程で発生した不良品を特定、分類、調査し、その根本原因を突き止めて是正処置を講じる体系的なプロセスです。これにより、欠陥率の上昇によるライン停止や顧客への流出を未然に防ぎます。この分析は、優先すべき欠陥カテゴリーを特定する「パレート分析」、要因を整理する「特性要因図」、そして要因から修正可能な根本原因へと掘り下げる「なぜなぜ分析（5 Whys）」という3つの手法を順次用いて行われます。
2. 製造上の欠陥に対する最も一般的な根本原因分析手法は何ですか？
製造現場の欠陥分析で最も広く用いられている根本原因分析手法は、パレート分析、フィッシュボーン（特性要因）図、そして「なぜなぜ分析（5 Whys）」の3つです。パレート分析は調査すべき欠陥の種類を特定し、フィッシュボーン図は人、方法、機械、材料、測定、環境の観点から考えられるすべての要因を網羅します。そして「なぜなぜ分析」は、各要因を深掘りして修正可能な根本原因を突き止めます。これら3つの手法は、独立した代替案としてではなく、この順序で使用することで最大の効果を発揮します。
3. 欠陥分析における「不適合率（Reject Rate）」と「流出率（Escape Rate）」の違いとは？
不適合率は出荷前に製造ラインの検査で見つかった欠陥の割合を指し、流出率は検査をすり抜けて顧客に届いてから発見された欠陥の割合を指します。製造現場の欠陥率を完全に分析するには、両方の指標が不可欠です。不適合率が低く流出率が高い工場には、検査体制に欠陥があります。つまり、特定の種類の欠陥を検知できていないということです。流出率を低減するには、製造プロセスの改善だけでなく、検知範囲の拡大が求められます。
4. AIビジョンは製造現場の欠陥根本原因分析をどのように改善するか？
AIビジョンシステムは、全数検査によってリアルタイムで一貫性のある詳細な欠陥データを生成することで、根本原因分析を改善します。これは、遅延やばらつきがあり、不完全になりがちな手作業によるシフト終了時の記録に取って代わるものです。作業員の記憶ではなくAIの検査データに基づいてパレート図を作成することで、記憶に頼った情報ではなく、ラインで実際に何が起きたのかが反映されます。その正確性こそが、是正措置が正しい根本原因に向けられているかを左右するのです。
5. 製造現場のスクラップ率を低減するには？
スクラップ率の低減は、パレート分析で上位3つの欠陥カテゴリーを特定することから始まります。次に、フィッシュボーン図と「なぜなぜ分析」を用いてそれぞれの根本原因を調査し、検証済みの是正措置を実施します。そして、是正処置（CAPA）完了後90日間は再発状況を追跡します。特定の欠陥カテゴリーの削減と結びついていないスクラップ率低減目標は、実行可能なものとは言えません。まずは、スクラップの80%を引き起こしている20%の欠陥原因をターゲットにしましょう。
