工場デジタル化Ver08. 「Pareto Chart × 不良対策」— “選択と集中”で改善効果を最大化する方法

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　2026/04/07

皆さんこんにちは。

今回は、製造現場で最も基本的でありながら、 最も誤解されやすいテーマである Pareto Chart（パレート図）と不良対策 についてお話しします。

多くの工場では、 「不良率を下げたい」「AI で不良原因を特定したい」 という声が上がりますが、 実際には データの使い方を間違えると改善が進まない という現実があると思います。

🟦 1. 製品別に「生産ボリューム × 不良率」を可視化する

最初に行うべきは、製品別に：

• 生産ボリューム

• 不良率

を表計算にまとめることです。

これにより”不良品ボリューム”=生産ボリューム×不良率が製品別に計算できます：

次に上記右側表計算を以下Pareto Chartに展開します：

これにより、

• 生産量が大きい

• 不良率も高い

という “会社に最も損失を与えている製品” が一目でわかります。

** Pareto Chart の本質は「どこに集中すべきか」を見つけることです。

🟦 2. 上位製品をさらに深掘りし、不良内容で分類する

次に、上位に来た製品について 不良内容を分解します。

ここで重要なのは、不良を 2つのタイプに分けることです。

🔵　タイプA：生産プロセスの修正で改善できる不良

例：

• 条件設定（温度・圧力・速度等）

• 設備状態

• 作業手順

• 時間帯・シフト差

AI が最も効果を発揮する領域です。

🔵 タイプB：金型設計・製品設計に起因する不良

例：

• 金型設計

• ゲート位置

• 中子設計

• 製品形状の制約

** AI では改善できない領域。設計変更が必要です。

🟦 3. AI が効くのは「タイプA」のみ

AI が改善できるのは 生産プロセス起因の不良（タイプA）だけです。

しかし、ここが重要です。

✔ タイプAの不良率を 40% 改善できれば

会社にとっては 非常に大きな原価改善になります。

• スクラップ削減

• 手直し工数削減

• 材料費削減

• 生産能力の向上

• 納期遵守率の改善

AI 投資の回収は十分に可能です。

🟦 4. “全部の不良を対策する”のは非効率

多くの工場がやりがちな失敗は：

「不良率が高いものを全部対策しようとする」

しかし、これはリソースが分散し、 改善効果が薄まる典型例です。

一方で、

改善すれば効果の大きい製品に集中特化するほうが、AI投資に見合う効果が期待できる。

これはまさに 選択と集中 の考え方です。

🟦 5. 結論：Pareto Chart は“入口”であり、 “出口”ではない

Pareto Chart は不良対策のスタート地点です。

• どの製品に集中すべきか

• どの不良が改善可能か

• どこに重点を当ててAIを運用すべきか

これらを判断するための 意思決定ツールです。

そして、改善効果を最大化するには：

• 生産ボリューム × 不良率で優先順位を決める

• 不良内容をタイプA/Bに分類する

• タイプAに AI を集中投入する

• タイプBは設計部門と連携する

この流れが最も合理的かと思われます。

AI導入の最終目的は利益の向上にあるのですから。

🟦 お問い合わせはこちら

製造デジタル化、品質データ活用、 AI を用いた不良率改善などについてのご相談は、 こちらからお気軽にお問い合わせください: info@metricjapan.com

🟦 TAGS

#製造デジタル

#品質改善

#不良対策

#ParetoChart

#AI活用

#製造業

#原価改善

#データ分析

#選択と集中

#MetricJapan