品質管理2026/3/3110分で読めます

パレート分析の活用法｜80:20の法則で品質問題を優先順位付け

パレート分析パレート図80:20の法則品質管理ABC分析QC7つ道具不良品分析重点管理

発生している品質問題に一つひとつ均等に取り組もうとすると、時間も人員も足りなくなります。10種類の不良があったとして、すべてに同じ工数をかけても、全体の不良件数はほとんど減らないことがあります。なぜなら、不良の大半は少数の原因から生まれているからです。「どこに集中するか」を決めるための道具がパレート分析です。本記事では、パレート図の作り方から活用事例、ABCランク分析、デジタルツールとの連携まで、品質管理の現場で今日から使える内容を解説します。

1. パレートの法則とは――80:20の原則と品質管理への適用

パレートの法則（80:20の法則）は、19世紀のイタリア経済学者ヴィルフレド・パレートが「全体の所得の80%は上位20%の人々が占める」という観察から提唱した経験則です。品質管理の世界では、この法則が驚くほどよく当てはまります。

品質管理における典型的なパターン

全不良件数の約80%は、上位2〜3種類の不良原因から発生している
クレームの約80%は、顧客全体の約20%から来ている
工程での手直し工数の約80%は、全工程の約20%の工程で発生している

もちろん「きっかり80:20」になるわけではありません。70:30や90:10になることもあります。重要なのは「少数の要因が全体の大部分を占める」という構造が存在するという事実であり、その構造を見える化するのがパレート図の役割です。

QC7つ道具のひとつに数えられるパレート図は、品質管理の基礎でありながら、正しく使いこなせていない現場もまだ多いのが実態です。「なんとなく棒グラフにしているだけ」で終わらせず、「どのデータを、どんな切り口で集計し、何を意思決定するか」まで設計することが、パレート分析を真に機能させる鍵です。

パレート分析を使うタイミングは主に以下の3つです。

問題解決の着手前: 数ある問題のなかでどれから取り組むかを決める段階
改善効果の確認: 対策実施の前後でパレート図を比較し、改善効果を数値で示す段階
定期的なモニタリング: 月次・週次で不良傾向を把握し、変化を早期に検知する段階

なぜなぜ分析や特性要因図と組み合わせると、「何に取り組むか（パレート分析）」→「なぜ起きているか（なぜなぜ分析・特性要因図）」という論理的な問題解決の流れが完成します。

2. パレート図の作り方――データ収集から図の完成まで

パレート図の作成は、大きく5つのステップで進めます。

ステップ1: 目的とデータの収集範囲を決める

最初に「何の問題を分析するか」と「どの期間のデータを使うか」を明確にします。分析目的が曖昧なまま作業を始めると、後から「この切り口では意思決定できない」という事態になりがちです。

例えば「製品Aの外観不良を削減したい」という目的なら、「外観不良の種別ごとの件数」を集計します。「顧客クレームを減らしたい」なら「クレームの内容種別ごとの件数」を収集します。集計期間は、不良の発生状況に応じて1週間〜1か月程度が一般的です。発生頻度が低い場合は3か月分など期間を広げて統計的に安定させます。

ステップ2: データを分類・集計する

収集したデータを項目別に集計し、以下の4列の表を作成します。

不良種別	件数	構成比（%）	累積構成比（%）
キズ	48	40.0	40.0
寸法外れ	36	30.0	70.0
汚れ	18	15.0	85.0
バリ	12	10.0	95.0
その他	6	5.0	100.0

件数の多い順（降順）に並べることが基本です。「その他」は件数にかかわらず最後に置きます。

ステップ3: 棒グラフと累積折れ線を描く

左縦軸に件数（棒グラフ用）、右縦軸に累積構成比（0〜100%）を設定します。棒グラフは件数の多い順に左から並べ、各棒の右肩の位置に累積構成比の点を打ち、折れ線でつなぎます。

ステップ4: 80%ラインを引く

累積構成比の80%に水平線を引き、その線が折れ線グラフと交わる点の「左側に含まれる項目」が優先的に取り組むべきAランク問題です。

ステップ5: 図を読んで意思決定する

図が完成したら「上位何種類の不良が全体の何%を占めるか」を読み取り、対策のリソース配分を決めます。数字を出すだけで終わらせず、必ず「次にどうするか」という行動につなげることが重要です。

3. 活用事例――不良品の種別分析で重点課題を特定した例

ある自動車部品メーカーの品質管理課では、月平均120件の外観不良が発生しており、検査工数の増加が問題になっていました。担当の中村課長は、不良件数を種別に集計してパレート図を作成することにしました。

集計結果（直近3か月間・月平均）

不良種別	月平均件数	累積構成比
表面キズ	51件	42.5%
塗装ムラ	33件	70.0%
打痕	18件	85.0%
寸法外れ	9件	92.5%
その他	9件	100.0%

パレート図を作成すると、「表面キズ」と「塗装ムラ」の2種類だけで全不良の70%を占めることが一目で分かりました。それまで現場では5種類の不良すべてに対して同等の改善活動を行っていましたが、リソースが分散して十分な成果が出ていませんでした。

意思決定と対策

パレート分析の結果を受けて、中村課長はまず「表面キズ」に集中することを決定しました。製造ラインの班長である佐藤さんと協力し、キズが発生する工程をなぜなぜ分析で深堀りしたところ、「搬送コンテナのクッション材の劣化」と「工程間の置き場所不足による重ね置き」という2つの根本原因にたどり着きました。

コンテナのクッション材を交換し、中間置き場を設置した結果、翌月の表面キズ件数は51件から14件に減少し、不良全体も120件から76件へと約37%改善しました。改善後に再度パレート図を作成すると、今度は「塗装ムラ」が最上位に浮かび上がったため、次の改善テーマとして着手する流れが自然に生まれました。

このケースのポイントは、「感覚で重要そうな問題を選ぶ」のではなく「データで重要度を定量化し、集中する先を論理的に決めた」ことです。パレート分析は問題の見え方を変え、改善活動の優先順位付けを客観的なものにします。

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。

なぜなぜ分析 AI体験ツール

事象を入力するだけで、AIが原因を自動分析

業界別のサンプル事象を選ぶか、自由に入力してください。

または

4. ABCランク分析――パレート分析の結果を3段階で管理する

パレート分析の結果を活用してさらに管理を体系化する手法がABCランク分析です。累積構成比に基づいて問題や原因を3つのランクに分類します。

ランク	累積構成比の目安	管理方針
Aランク	0〜80%	最優先で改善・重点的に管理する
Bランク	81〜95%	継続的にモニタリングし、必要に応じて対策する
Cランク	96〜100%	定期確認で十分・過剰な工数はかけない

ABCランク分析の実践的な使い方

Aランク項目は「根本原因追及」まで行う: 件数が多く、改善インパクトも大きいため、なぜなぜ分析や特性要因図を使って根本原因を特定し、再発防止の仕組みを作ることに注力します。

Bランク項目は「標準化・手順整備」で維持管理: 頻繁ではないが無視もできない問題です。作業手順書や検査基準の見直しなど、管理の仕組みを整備してコントロールします。

Cランク項目は「記録・観察」にとどめる: 件数が極めて少ないため、過剰な工数をかけることはコストに見合いません。ただし「急に増え始めた」「新しい原因の予兆ではないか」という視点で変化に注意します。

ランクは定期的に見直す

ABCランクは固定ではありません。Aランクの問題に対策を打てば、その件数は減り、代わりにBランクだった問題がAランクへ浮上します。月次や四半期ごとにパレート図を更新し、ランクを見直すサイクルを作ることで、品質改善の取り組みが継続的に前進します。

改善サイクルのイメージとしては、「パレート分析でAランクを特定」→「なぜなぜ分析で根本原因を追及」→「対策実施」→「次月のパレート分析で効果確認」という流れになります。この循環を回すほど、不良全体の分布が変化し、改善活動が本当に有効に機能しているかが定量的に確認できます。

5. デジタルツールでのパレート分析――自動集計とリアルタイム更新

Excelでパレート図を作成することは可能ですが、製造現場での運用には課題もあります。毎月データを手入力して集計し直す手間、グラフを再作成するたびの工数、部署間でファイルが分散して最新版の管理が煩雑になる問題などが典型的です。

デジタルツール活用で変わること

品質管理システムや不良管理ツールにデータが蓄積されていれば、パレート図を自動で生成・更新することができます。具体的には以下のメリットがあります。

リアルタイムでの傾向把握: 週次や日次で集計を更新することで、「先週から急にキズが増えている」という変化を即座に検知できます。月末集計では対応が遅れる異常を早期にキャッチできます。

条件を変えた多角的な分析: ライン別・シフト別・作業者別・材料ロット別など、切り口を変えてパレート図を瞬時に切り替えられます。Excelでは複数の集計表を作り直す手間がかかりますが、デジタルツールならフィルターを変えるだけです。

記録と分析の一体化: 不良を記録した瞬間にデータが蓄積され、そのまま分析・レポート化できるため、「記録する人」と「分析する人」の分断がなくなります。

WhyTrace PlusのAI根本原因分析との連携

WhyTrace Plus は、製造・品質管理の現場向けに設計されたAI根本原因分析プラットフォームです。パレート分析で「どの問題に取り組むか」を特定したあとの根本原因追及フェーズを、AIが支援します。

WhyTrace Plusでは、問題を入力するとAIが5Why（なぜなぜ分析）の質問を生成し、回答をツリー構造で可視化します。分析結果はデータとして蓄積されるため、「過去に同じような問題でどんな根本原因が見つかったか」を参照しながら分析を深めることができます。パレート分析で重点課題を絞り込み、WhyTrace PlusのAI分析で根本原因まで掘り下げるという組み合わせは、品質改善サイクルを大幅に効率化します。

まとめ

パレート分析の本質は「すべての問題を平等に扱わない」という視点にあります。限られた人員・時間・予算を最も効果的に使うためには、全体の大部分を占める少数の問題を特定し、そこに集中することが不可欠です。

今回解説した内容を整理すると以下のとおりです。

パレートの法則: 不良の約80%は上位20%の原因から発生するという経験則
パレート図の作り方: 目的設定→データ収集→降順集計→棒グラフ＋累積折れ線の5ステップ
活用事例: 種別分析でAランク問題に集中し、不良件数を37%削減
ABCランク分析: 累積構成比80%・95%を境界に3段階で管理方針を分ける
デジタル活用: 自動集計とリアルタイム更新で変化の早期検知と多角的分析が可能

パレート分析は単独で完結する手法ではなく、なぜなぜ分析・特性要因図・FMEAといった他のQC手法と組み合わせることで真価を発揮します。「どこに取り組むか」をパレート分析で決め、「なぜ起きているか」をAIが支援するWhyTrace Plusで掘り下げる流れを構築することで、品質改善活動をデータドリブンで継続的に回すことができます。

品質管理の現場でパレート分析をより効果的に活用したい方は、ぜひ WhyTrace Plus もご確認ください。