QC7つ道具の使い方｜データ分析の基本ツールを図解で解説
品質管理の世界には「データで語る」という大原則があります。「なんとなく不良が多い気がする」「たぶんあの工程が怪しい」という感覚的な議論ではなく、客観的なデータをもとに問題を特定し、改善策を講じることが現場の品質向上につながります。
そのための基本的な道具立てが「QC7つ道具」です。1960年代に石川馨博士が体系化したこの手法群は、半世紀以上が経った今もなお、製造現場における品質改善活動の根幹を成しています。難しい統計知識がなくても扱えるシンプルさと、現場の問題を可視化する実践的な有効性が、長く支持される理由です。
本記事では、QC7つ道具の全体像から各ツールの具体的な使い方、そしてAIを活用したデジタル時代の応用まで、製造現場の品質管理担当者に向けて詳しく解説します。
QC7つ道具の全体像と使い分け
QC7つ道具とは、品質管理・品質改善の場面で活用される7種類の統計的手法の総称です。それぞれのツールが異なる目的を持ち、問題解決のフェーズに応じて使い分けることで、最大の効果を発揮します。
| ツール名 | 主な目的 | 使うタイミング |
|---|---|---|
| パレート図 | 問題の優先順位の特定 | 複数の問題・不良が混在し、何から手をつけるか決めるとき |
| 特性要因図（フィッシュボーン） | 原因の洗い出しと構造化 | 問題の根本原因を体系的に整理したいとき |
| 管理図 | 工程の安定性の監視 | 工程が統計的管理状態にあるかを継続的に確認したいとき |
| ヒストグラム | データのばらつきと分布の把握 | 測定値の分布形状や規格外れの傾向を確認したいとき |
| 散布図 | 2変数間の相関関係の確認 | 原因と結果の関係性（相関）を検証したいとき |
| チェックシート | データの収集と記録の標準化 | 現場でのデータ収集を効率化・標準化したいとき |
| 層別 | データのグループ分けと差異の把握 | 機械・作業者・時間帯など条件別にデータを比較したいとき |
これら7つは独立したツールであると同時に、組み合わせて使うことでさらに大きな効果が生まれます。たとえば「チェックシートでデータを集め → パレート図で優先課題を絞り → 特性要因図で原因を構造化する」という流れは、品質改善活動の標準的なアプローチです。
パレート図：問題の優先順位を可視化する
品質改善活動を始めるとき、多くの現場では「やるべきことが多すぎてどこから手をつけていいかわからない」という状況に直面します。そのような場面で力を発揮するのがパレート図です。
パレート図は、不良の件数や損失金額などを項目別に集計し、多い順に並べた棒グラフと、累積比率を示す折れ線グラフを組み合わせた図です。「全体の80%の問題は20%の原因から生じる」というパレートの法則（80:20の法則）を可視化するのが目的です。
作成手順
- 分析対象期間を決め、不良の種類と件数を集計する
- 件数の多い順に項目を並べ替える
- 各項目の棒グラフと累積比率の折れ線グラフを描く
- 累積比率80%のラインを引き、そこに含まれる項目を重点改善対象として特定する
実際の製造現場では、「外観不良・寸法不良・組付けミス・欠品」という4種類の不良が混在していても、パレート図を描くと上位2種類で全体の75%を占めることがよくあります。この段階で残りの2種類に同じエネルギーを注ぐのは非効率です。パレート図によって「今期は外観不良と寸法不良に集中する」という意思決定ができます。
また、改善前後のパレート図を並べることで、施策の効果を客観的に評価することも可能です。
特性要因図（フィッシュボーン）：原因の洗い出しと構造化
特性要因図は、問題（特性）の原因を系統的に整理するツールです。魚の骨のような形状から「フィッシュボーンダイアグラム」とも呼ばれます。考案者の名前から「石川ダイアグラム」という名称も国際的に使われています。
図の右端に問題（結果）を書き、そこに向かって大きな矢印（背骨）を引きます。その背骨から、原因のカテゴリを表す大骨を斜めに伸ばし、さらにその原因の原因（中骨・小骨）を追加していきます。製造業では一般的に「4M（Man・Machine・Material・Method）」または「5M1E（4Mに加えMeasurement・Environment）」をカテゴリとして使います。
効果的な特性要因図を作るためのポイント
- チームで作成する: 製造・品質・設備保全など複数の部門が参加することで、視点の偏りを防ぎます
- 「なぜ？」で深掘りする: 「作業者のミス」という大骨で止めず、「なぜそのミスが起きたか」を中骨・小骨として追加します
- 事実に基づいて記載する: 推測ではなく、チェックシートや測定データなど事実として確認できた内容を優先して記載します
- 完成後に絞り込む: すべての原因候補に印をつけるのではなく、「可能性が高い原因」を3〜5つに絞って検証対象を特定します
特性要因図の真価は、漏れのない原因の洗い出しにあります。「思いつかなかった原因」を発見し、根本原因の探索を体系的に行うための構造的な思考支援ツールです。なぜなぜ分析と組み合わせることで、特定した原因をさらに深く掘り下げることができます。
なぜなぜ分析をAIで体験してみよう
ここまでの解説を踏まえて、AIによるなぜなぜ分析を体験してみましょう。事象を入力するだけで、AIが自動的に原因を深掘りします。
管理図：工程の安定性を継続的に監視する
管理図は、工程が「統計的管理状態」にあるかどうかを継続的に監視するためのツールです。時系列でプロットされたデータ点と、中心線（CL）・管理上限線（UCL）・管理下限線（LCL）の3本のラインで構成されます。
管理限界線は、工程が安定しているときに生じる「偶然のばらつき」の範囲を表します。データ点がこの範囲内に収まっていれば工程は安定していると判断しますが、管理限界を外れた点が現れた場合は、何らかの「異常原因」が発生したサインです。
管理図で検出できる異常パターン
- 管理限界外れ: 1点でも管理限界線を超えた場合は即座に原因調査が必要です
- 連（Run）: 中心線の片側に9点以上連続して並ぶ場合は、工程に系統的な変化が起きているサインです
- 傾向: 連続して上昇または下降が7点以上続く場合は、設備の経年劣化や材料ロットの変化を疑います
- 周期性: 一定の間隔でパターンが繰り返す場合は、シフト交代や設備のメンテナンスサイクルとの関連を調べます
管理図の最大の価値は「問題が顕在化する前に異常を検知できる」点にあります。不良品が出てから対処するのではなく、工程の変化を早期に察知して先手を打つ「予防的品質管理」を実現します。特に量産ラインでの継続的な品質監視において、なくてはならないツールです。
ヒストグラム・散布図・チェックシート・層別の実践的な使い方
残りの4つのツールも、品質管理の現場で欠かせない役割を担っています。
ヒストグラム
測定値の度数分布を棒グラフで表したものです。データの「形」を把握することで、工程の特性を理解できます。正規分布に近い形であれば工程は安定していますが、左右どちらかに偏った分布（スキュー）、2つの山がある分布（二峰性）、断崖のような形（打ち切り分布）などが現れた場合は、工程やデータ収集方法に問題がある可能性があります。規格上限・下限の線を書き加えることで、不良の発生リスクを直感的に把握できます。
散布図
2つの変数の関係を座標上に点でプロットしたグラフです。横軸に原因（例：温度）、縦軸に結果（例：不良率）を取り、点の分布パターンから相関関係の有無と強さを判断します。右上がりの分布は正の相関、右下がりは負の相関を示します。特性要因図で「原因候補」として挙げた要因と特性の間に本当に相関があるかを検証する際に活躍します。
チェックシート
データ収集を標準化し、誰が記録しても同じ形式でデータが集まるように設計されたフォームです。記録項目・記録方法・記録タイミングをあらかじめ決めておくことで、後からデータを分析しやすい形式で蓄積できます。「検査チェックシート」（不良の種類と件数を記録）と「工程配置チェックシート」（どの工程・場所で不良が発生しているかを記録）が代表的な種類です。
層別
同一のデータを「機械別」「作業者別」「時間帯別」「材料ロット別」など、異なる条件でグループ分けして比較する手法です。「全体の不良率は2%だが、A機械は0.5%・B機械は4.5%」という差異が見えることで、原因の絞り込みが一気に進みます。層別は単独のツールというよりも、他の6つのツールと組み合わせて威力を発揮する思考の枠組みです。
デジタル時代のQC7つ道具：AIとの組み合わせで分析精度を向上
QC7つ道具はアナログの時代に生まれたツールですが、デジタル技術との組み合わせにより、その有効性はさらに高まっています。
従来は、チェックシートへの手書き記録 → Excelへの転記 → グラフの手作成というプロセスに多大な工数がかかっていました。IoTセンサーと製造実行システム（MES）の普及により、生産ラインのデータをリアルタイムで収集し、管理図やヒストグラムを自動生成できる環境が整いつつあります。データの収集・集計作業が自動化されることで、品質管理担当者はデータを「分析する」こと、つまり本来の業務に集中できるようになります。
AIとの組み合わせで特に変化が大きいのが、特性要因図を活用した根本原因分析のプロセスです。
特性要因図×AIの活用イメージ
- 過去の不良データと原因記録を学習したAIが、関連性の高い原因候補を自動で提示する
- 大量の工程データから、人間では気づきにくいパターンを抽出し、フィッシュボーンの「原因の骨」に追加する候補を示す
- 特定した根本原因から5Why分析（なぜなぜ分析）へ自動でツリーを展開し、対策立案をサポートする
WhyTrace Plus は、こうした「AI×特性要因図×なぜなぜ分析」を一体的に扱えるプラットフォームです。フィッシュボーンで洗い出した原因候補を、そのまま5Why分析のツリーに展開し、根本原因の特定から是正処置の立案・管理までをひとつの画面で完結できます。QC7つ道具の中核である特性要因図のデジタル化を検討されている方は、ぜひ参考にしてください。
まとめ
QC7つ道具は、製造現場の品質管理を「感覚」から「データ」に変えるための基本的な道具立てです。それぞれのツールには明確な役割があり、問題解決のフェーズに応じて使い分けることが重要です。
- 何が問題か優先順位をつけたい → パレート図
- なぜ問題が起きているか原因を整理したい → 特性要因図
- 工程の異常を早期に検知したい → 管理図
- データのばらつきの傾向を把握したい → ヒストグラム
- 原因と結果の関係を検証したい → 散布図
- データを効率的に収集したい → チェックシート
- 条件別の差異を浮き彫りにしたい → 層別
これらのツールを単独で使うのではなく、組み合わせることで品質問題の全体像が見えてきます。「チェックシートでデータを集め、パレート図で優先課題を特定し、特性要因図で原因を構造化し、管理図で改善後の工程を監視する」という一連のサイクルを回すことが、継続的な品質改善の基本です。
デジタル技術の進化により、QC7つ道具のデータ収集・集計・可視化の部分は自動化が進んでいます。今後は「データを集めて整理する」工数を削減し、「分析して対策を立案する」という本質的な業務にいかにリソースを集中できるかが、品質管理担当者の競争力を左右します。
関連サービス
原因分析・品質改善の知見を広げるために、姉妹サービスの関連記事もご活用ください。
- なぜなぜ分析の完全ガイド（GenbaCompass）
- QC7つ道具とナレッジ管理（know-howAI）
- なぜなぜ分析の知見をナレッジベースに蓄積（know-howAI）