特性要因図とは？書き方と事例をわかりやすく解説

製造現場で不良品が発生したとき、「なぜこの不良が起きたのか？」を正確に突き止めることは容易ではありません。

目に見える直接的な原因の裏には、作業者のスキル、設備の老朽化、材料ロットのばらつき、作業手順の曖昧さなど、複数の要因が複雑に絡み合っています。

このような因果関係の全体像を「見える化」し、チーム全員で共有するために開発されたのが特性要因図です。
魚の骨に似た独特の形状から「フィッシュボーン図」とも呼ばれ、QC7つ道具の一つとして70年以上にわたり世界中で活用されています。

しかし、書き方の手順やカテゴリ分類（4M・5M+1E・6M）の使い分けを正しく理解しなければ、表面的な図で終わってしまい、真の原因にはたどり着けません。

本記事では、特性要因図の定義・構造・書き方5ステップ・統計手法との連携・製造現場での活用事例・他手法との比較・テンプレート活用のコツについて徹底解説します。

1. 特性要因図とは？定義と目的
2. フィッシュボーン図の構造と読み方
3. 4M分類の基本と拡張（5M+1E・6M）
4. 特性要因図の書き方｜5つのステップ
5. 統計手法との連携｜データで要因を検証する
6. 製造現場での活用事例｜不良率改善
7. 特性要因図とFTA・なぜなぜ分析の比較
8. テンプレート活用と実務のコツ
まとめ

1. 特性要因図とは？定義と目的

特性要因図とは、ある結果（特性）に影響を与えている要因を体系的に整理し、魚の骨のような図で可視化する品質管理手法です。
英語では「Cause and Effect Diagram」と呼ばれ、原因と結果の関係を図で示すという目的がそのまま名前に表れています。

1956年に東京大学の石川馨（いしかわかおる）教授が考案しました。
石川教授は日本の品質管理の父と呼ばれる人物で、QCサークル活動の提唱者としても広く知られています。

この功績から、海外では「Ishikawa Diagram（石川ダイアグラム）」と呼ぶことも一般的です。
国際的に通用する数少ない日本発の品質管理手法として、ISOやASQの文献にも頻繁に登場します。

特性要因図の基本的な考え方

「特性」とは、分析したい結果のことです。
たとえば「不良率が高い」「寸法がばらつく」「納期が遅れる」といった問題が特性にあたります。

一方の「要因」とは、その結果を引き起こしている原因のことです。
特性要因図では、この要因を大分類・中分類・小分類の3段階の階層構造で整理していきます。

日常の問題解決では「原因はこれだ」と直感的に決めつけてしまいがちです。
しかし、製造現場の問題は複数の要因が絡み合っていることがほとんどです。

特性要因図を使うことで、思い込みや経験則に頼らず、要因を漏れなく体系的に洗い出すことができます。
この「網羅的な要因の可視化」こそが、特性要因図の最大の価値です。

なぜ特性要因図が必要なのか

製造現場の品質問題は、単一の原因だけで発生することはほとんどありません。
複数の要因が複雑に絡み合い、相互に影響し合っています。

たとえば、ある製品の寸法不良が増加した場合を考えてみましょう。
直接的には「切削工具の摩耗」が原因かもしれません。

しかし、その背景には「工具交換基準が不明確」「作業員の教育不足」「材料ロットの変更」「工場内温度の変動」など、さまざまな要因が潜んでいます。
これらを一つずつ個別に調べるのは非効率で、漏れも生じやすくなります。

特性要因図は、こうした複雑に絡み合った要因を1枚の図に整理できるため、次の3つの効果を得ることができます。

第1に、カテゴリ分類を用いることで、特定の視点に偏ることなく多角的に要因を探索できます。
これにより、見落としがちな要因も漏れなく洗い出すことが可能です。

第2に、チーム全員が同じ図を見ながら議論できるため、認識のずれがなくなります。
品質会議やQCサークル活動における共通言語として、極めて有効に機能します。

第3に、要因の階層構造が明確になるため、どこを深掘りすべきか判断しやすくなります。
大骨→中骨→小骨と分岐を辿ることで、表面的な原因から真因へと効率的にたどり着くことができます。

QC7つ道具における位置づけ

特性要因図は、QC7つ道具の一つに分類されています。
QC7つ道具とは、品質管理で用いられる基本的な分析手法の総称です。

具体的には、パレート図、ヒストグラム、散布図、管理図、チェックシート、層別、そして特性要因図の7つで構成されています。
いずれも統計的な考え方に基づいた手法であり、製造業の品質改善活動において不可欠なツール群です。

品質改善の一般的な流れでは、まずパレート図で問題の優先順位を決めます。
次に特性要因図で原因を深掘りし、散布図でデータの相関を確認します。
そして管理図で工程を継続的に監視するという順序が基本です。

特性要因図はこの改善サイクルの中核に位置するツールであり、「なぜ起きたのか？」を構造的に解き明かす役割を担っています。

品質管理の国際規格ISO 9001でも、不適合の原因分析には体系的な手法を用いることが推奨されています。
特性要因図はその代表的な手法として、製造業だけでなくサービス業やIT分野にも広がりを見せています。

instant.engineer

2. フィッシュボーン図の構造と読み方

特性要因図は、その形状が魚の骨格に似ていることから「フィッシュボーン図（Fishbone Diagram）」という別名を持っています。
魚の頭が右端の「特性（結果）」に対応し、背骨から大骨・中骨・小骨が分岐していく構造は、魚の骨そのものを彷彿とさせます。

この直感的でわかりやすい形状が、特性要因図が70年以上にわたって世界中の製造現場で使い続けられている理由の一つです。
ここでは、フィッシュボーン図を構成する4つの要素について、それぞれの役割と描き方のポイントを解説します。

頭（特性）

図の右端に配置される四角い枠が「頭」です。
ここには分析対象となる結果、すなわち「特性」を記入します。

特性は具体的かつ測定可能な表現にすることが最も重要です。
たとえば「品質が悪い」ではなく「外径寸法の不良率が3%を超えている」のように、数値で定量化します。

定量化が重要な理由は、改善後の効果測定を可能にするためです。
「品質が良くなった」では改善の度合いがわかりませんが、「不良率が3.5%から1.2%に低下した」と言えば、誰もが改善効果を客観的に評価できます。

不良率は次の式で算出します。

$p = \dfrac{d}{n} \times 100 \quad \text{（\%）}$

ここで、 $d$ は不良品数、 $n$ は検査総数です。
たとえば検査数1,000個のうち不良品が35個であれば、不良率は次のとおりです。

$p = \dfrac{35}{1000} \times 100 = 3.5 \quad \text{（\%）}$

このように、特性を数値で明確に定義しておくことで、後工程の分析や改善効果の検証がスムーズに進みます。

背骨（主軸）

頭から左方向に伸びる水平線が「背骨」です。
特性に至るまでの因果関係の主軸を表しており、すべての要因は最終的にこの背骨を通じて特性（結果）へとつながります。

背骨は太い実線で描くのが一般的です。
線の太さは大骨や中骨よりも太くし、階層構造が一目でわかるように視覚的な差を付けることがポイントです。

背骨の長さは、大骨の本数と配置バランスを考慮して決めます。
通常はA3用紙の横幅いっぱいに引くのが見やすく、十分な書き込みスペースを確保できます。

背骨を最初に描くことで、図全体のスケール感が決まります。
背骨が短すぎると大骨・中骨・小骨を展開するスペースが不足し、結果として要因の書き漏れにつながることがあります。

大骨（主要因カテゴリ）

背骨に対して斜めに接続される太い線が「大骨」です。
要因の大分類を表しており、4M（人・機械・材料・方法）などのカテゴリが一般的に使われます。

大骨の数は通常4〜6本です。
多すぎると図が複雑になって視認性が悪化し、少なすぎると要因の漏れが生じます。

大骨は背骨の上下に交互に配置するのが標準的なスタイルです。
上に3本、下に3本のように均等に振り分けると、バランスの良い見やすい図になります。

各大骨の先端には、カテゴリ名を記入した枠を配置します。
大骨の角度は背骨に対して約60度が推奨されており、この角度が中骨・小骨を書き込む際のスペース確保と視認性のバランスに最適です。

どのカテゴリを使うかは工程や分析目的によって異なりますが、この選択が分析の質を左右する重要な判断ポイントになります。

中骨・小骨（中要因・小要因）

大骨からさらに分岐する線が「中骨」と「小骨」です。
大骨で示した大分類を、より具体的な要因へと分解していきます。

たとえば、大骨「人（Man）」の中骨として「スキル不足」があり、その小骨として「研修未受講」「経験年数1年未満」「手順書の理解不足」といった具体的な要因を記入します。

中骨は大骨よりも細い線で描き、小骨はさらに細い線で描きます。
この線の太さの段階的な差によって、要因の階層レベルが直感的に理解できるようになります。

この階層的な分解こそが、特性要因図の最大の強みです。
「なぜ？」を繰り返しながら小骨を増やしていくことで、表面的な原因ではなく真因にたどり着くことができます。

一般的な目安として、大骨1本あたり中骨が2〜4本、中骨1本あたり小骨が1〜3本程度が適切な分量です。
合計で30〜50個の要因が洗い出せれば、十分に網羅的な分析と言えます。

ただし、この数は目安であり、工程の複雑さによって変動します。
重要なのは数ではなく、分析の対象となる特性に対して意味のある要因が漏れなく挙がっているかどうかです。

3. 4M分類の基本と拡張（5M+1E・6M）

特性要因図の大骨に使うカテゴリとして、最も広く知られているのが「4M」です。
しかし実務では、4Mだけでは分類しきれない要因も少なくありません。

ここでは4M・5M+1E・6Mの3つの分類体系を比較し、それぞれの特徴と使い分けの指針を解説します。

4Mの基本

4Mとは、製造業における要因分類の基本フレームワークです。
4つの頭文字がすべて「M」で始まることから、この名称が付けられています。

Man（人）は、作業者のスキル、経験年数、注意力、疲労度、モチベーションなどを扱います。
人に起因する要因は、教育訓練の実施や作業手順の標準化によって対策できるケースが多くあります。

Machine（機械）は、設備の精度、メンテナンス状態、経年劣化、治工具の摩耗状況などを扱います。
設備に起因する要因は、予防保全の計画策定や設備の定期点検・更新で対策を講じます。

Material（材料）は、原材料の品質、ロット間のばらつき、保管環境、受入検査の判定基準などを扱います。
材料の要因は、サプライヤー管理の強化や受入検査基準の明確化が主な対策です。

Method（方法）は、作業手順、標準書の整備状況、工程設計の妥当性、段取り替えの手順などを扱います。
方法の要因は、標準作業手順書（SOP）の整備や工程設計の見直しで対策を講じます。

4Mは製造業の要因分析で最も基本的かつ汎用的なフレームワークです。
初めて特性要因図を作成する場合や、シンプルな工程の分析では4Mから始めるのが適切です。

5M+1Eへの拡張

4Mに「Measurement（測定）」と「Environment（環境）」を加えたものが5M+1Eです。
製造現場の高度化に伴い、4Mだけでは捉えきれない要因を補完するために開発されました。

測定が独立したカテゴリとして必要な理由は明確です。
測定器の校正不良、測定方法のばらつき、測定環境の不安定さは、取得するデータそのものの信頼性に直結します。

たとえば、不良率が高いように見えても、実際には測定器の誤差が原因で「良品を不良品と誤判定していた」というケースは珍しくありません。
このような測定系の問題は、4Mのどのカテゴリにも明確には分類しにくいため、独立したカテゴリとして扱うことが重要です。

環境要因としては、温度・湿度・振動・照明・クリーンルームの清浄度などが挙げられます。
精密加工や電子部品の実装、塗装工程など、環境の影響を受けやすい工程では5M+1Eの採用が効果的です。

特に半導体や医薬品の製造現場では、温湿度が±0.5℃以内で管理されるケースもあり、環境を独立カテゴリとして分析する意義は非常に大きくなります。

6Mへの拡張

4Mに「Measurement（測定）」と「Management（マネジメント）」を加えたものが6Mです。
5M+1Eとの違いは、環境の代わりにマネジメントを入れている点にあります。

マネジメント要因には、生産計画の立て方、指示系統の不備、教育体制の不足、情報伝達の遅れ、管理者の判断ミスなどが含まれます。
組織的・管理的な問題が疑われるケースでは、6Mの方が適しています。

たとえば「なぜ新人作業者がミスをするのか？」を掘り下げたとき、最終的に「教育プログラムが体系化されていない」「管理者がOJTの進捗を確認していない」といったマネジメントの問題に行き着くことがあります。
このような場合、4Mの「人」カテゴリだけでは本質的な原因を捉えきれません。

6Mは特に、多品種少量生産や新製品立上げなど、管理体制の構築途上にある工程で有効です。

3分類の使い分け

分類	大骨の数	適した場面	代表的な適用工程
4M	4本	シンプルな工程の分析、初回の要因洗い出し	組立、目視検査
5M+1E	6本	精密加工・環境影響が大きい工程	精密切削、塗装、電子実装
6M	6本	組織的・管理的な問題が疑われる場合	多品種少量生産、新規立上げ

迷った場合は5M+1Eを選ぶのが実務上のベストプラクティスです。
測定と環境はどの製造工程にも存在する要因であり、漏れなく洗い出せる確率が高まります。

一方で、品質問題の背景に管理体制の不備があると感じた場合は、6Mが有力な選択肢です。
「人」のカテゴリに詰め込みがちな組織的要因を、マネジメントとして分離することで、より精度の高い分析が可能になります。

ただし、分類はあくまでも思考を整理するための枠組みに過ぎません。
「どのカテゴリに入れるか」で議論が長引くようでは本末転倒です。
迷った要因は暫定的にいずれかのカテゴリに入れておき、分析を先に進めることが大切です。

4. 特性要因図の書き方｜5つのステップ

特性要因図の効果は、書き方の手順を正しく踏むかどうかで大きく変わります。
手順を飛ばしたり、順序を入れ替えたりすると、要因の漏れや分析の方向性のずれが生じます。

ここでは、初めて特性要因図を作成する方でもすぐに実践できるよう、5つのステップを順番に解説します。

ステップ1: 特性（結果）を定義する

最初に行うのは、分析対象となる「特性」を明確に定義することです。
用紙の右端に四角い枠を描き、その中に特性を記入します。

ここで最も重要なのは、特性を定量的に表現することです。
この定量化の精度が、後続のすべてのステップの品質を決定します。

良い例としては「プレス工程の外径寸法不良率が月間3.5%」が挙げられます。
悪い例としては「品質が悪い」「不良が多い」のように、曖昧な表現が該当します。

定量化されていない特性では、パレート図による優先順位付けも、改善後の効果測定もできません。
工程・製品・期間を限定して、分析の対象範囲を絞ることもポイントです。

「工場全体の不良率」ではなく「A棟プレス工程の外径寸法不良率」のように範囲を限定します。
範囲が広すぎると、要因が膨大になりすぎて分析が収束しません。

ステップ2: 背骨と大骨を描く

特性の枠から左方向に太い水平線（背骨）を引きます。
次に、背骨に対して斜めに大骨を4〜6本配置します。

大骨は背骨の上下に交互に配置するのが一般的です。
たとえば5M+1Eの6カテゴリであれば、上に3本、下に3本のように均等に振り分けると、見やすい図に仕上がります。

大骨の角度は、背骨に対して約60度が推奨されています。
角度が小さすぎると中骨・小骨を書き込むスペースが不足し、大きすぎると図全体が横に広がりすぎます。

紙のサイズはA3横を推奨します。
A4では書き込みスペースが不足し、要因を十分に展開できないことが多くあります。
ホワイトボードを使う場合は、2m×1m程度の大きさがあると参加者全員が書き込みやすくなります。

ステップ3: 大骨にカテゴリを記入する

各大骨の先端に、要因のカテゴリ名を記入します。
前述の4M、5M+1E、6Mのいずれかを使うのが一般的です。

カテゴリの選択は、分析対象の工程に応じて判断します。
たとえば精密加工の不良分析であれば、環境と測定を含む5M+1Eが適しています。

製造業以外の分野では、独自のカテゴリを設定することもあります。
サービス業では「人・プロセス・設備・情報・環境」、ソフトウェア開発では「人・プロセス・ツール・要件・テスト」といった分類が使われることがあります。

重要なのは、カテゴリが「漏れなく・重複なく（MECE）」要因をカバーしていることです。
既存のフレームワークをベースにしつつ、工程の特性に合わせてカスタマイズするのが理想的です。

ステップ4: 中骨・小骨で要因を深掘りする

ここが特性要因図の核心部分です。
各大骨から中骨を分岐させ、さらに中骨から小骨を分岐させて、要因を階層的に掘り下げていきます。

この作業はブレインストーミング形式で行うのが最も効果的です。
製造・品質・設計・保全など、異なる部門のメンバーを集めて議論することで、多角的な視点から要因を洗い出せます。

深掘りの際には「なぜ？」を最低3回繰り返すことを意識します。
この「なぜ？」の連鎖によって、表面的な原因から真の根本原因へと迫ることができます。

具体例を示します。
寸法不良が多いという特性に対して、次のように深掘りしていきます。

「なぜ寸法不良が多いのか？」→ 切削工具の摩耗が進んでいる（中骨）
「なぜ摩耗が進んでいるのか？」→ 工具交換の基準が不明確（小骨）
「なぜ基準が不明確なのか？」→ 標準書に交換頻度が記載されていない（小骨の枝）

このように3段階掘り下げることで、「切削工具の摩耗」という表面的な原因から、「標準書の不備」という根本原因にたどり着くことができます。
対策は「標準書に工具交換頻度を明記する」という具体的なアクションになります。

1回の深掘りで満足してしまうと、「工具を交換する」という応急処置的な対策にとどまります。
応急処置は一時的な効果しかなく、同じ問題が再発する可能性が高くなります。

ステップ5: 重要要因に印を付ける

すべての要因を書き出したら、その中から特に影響が大きいと考えられる要因を選び、赤丸や二重丸で印を付けます。
この絞り込みが、限られたリソースで最大の改善効果を得るための鍵です。

重要要因の選定基準としては、次の3つの観点が有効です。

第1の観点は「発生頻度」です。
日常的に繰り返し発生しているものほど、改善によって得られる効果が大きくなります。

第2の観点は「特性への影響度」です。
データで因果関係が確認できるものを優先的に選定します。

第3の観点は「対策の実行可能性」です。
費用・期間・技術的な制約を考慮し、現実的に対策を打てるものを選びます。

重要要因の選定は、参加メンバー全員の合意に基づいて行うのが理想的です。
ただし、主観的な判断だけに頼るのは危険です。
この絞り込みの精度を高めるために、パレート図やデータ分析との連携が重要になります。

instant.engineer

5. 統計手法との連携｜データで要因を検証する

特性要因図だけでは、洗い出した要因のうち「どれが本当に特性に効いているのか」を客観的に判断することができません。
ブレインストーミングで挙がった30〜50個の要因すべてに対策を打つことは、時間的にもコスト的にも現実的ではないためです。

そこで重要になるのが、統計手法との連携です。
データに基づいた検証を行うことで、特性要因図の分析精度は飛躍的に高まります。

パレート図との連携｜重点要因の特定

特性要因図で洗い出した要因ごとに不良件数を集計し、パレート図を作成します。
パレート図は、要因を件数の多い順に並べた棒グラフと、累積比率の折れ線グラフを組み合わせた図です。

累積比率 $C_k$ は次の式で算出します。

$C_k = \dfrac{\displaystyle\sum_{i=1}^{k} f_i}{\displaystyle\sum_{i=1}^{n} f_i} \times 100 \quad \text{（\%）}$

ここで、 $f_i$ は第 $i$ 要因の不良件数、 $n$ は要因の総数です。

パレートの法則（80:20の法則）に従えば、上位20%の要因が全体の80%の不良を占めているケースが多くあります。
この上位要因に対策を集中させることで、限られたリソースで最大の改善効果を得ることができます。

たとえば、10個の要因を洗い出した場合を考えてみましょう。
上位2〜3個の要因に対策を集中させるだけで、全体の不良の70〜80%を削減できる可能性があります。

残りの7〜8個の要因は、次の改善サイクルで段階的に取り組むという優先順位付けが可能になります。
パレート図との連携は、特性要因図から具体的なアクションへ移行するための最も重要な橋渡しです。

散布図との連携｜要因と特性の相関を確認する

ある要因が特性に本当に影響しているかどうかを定量的に確認するには、散布図が有効です。
横軸に要因（説明変数）、縦軸に特性（目的変数）をプロットし、データの分布パターンを観察します。

たとえば「切削速度」と「表面粗さ」の関係を調べる場合、切削速度を横軸、表面粗さを縦軸にプロットします。
プロットが右上がりの直線的な分布を示せば、「切削速度が上がると表面粗さが悪化する」という正の相関があると判断できます。

相関の強さは、相関係数 $r$ で定量的に評価します。

$r = \dfrac{\displaystyle\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\displaystyle\sum_{i=1}^{n}(x_i - \bar{x})^2 \cdot \displaystyle\sum_{i=1}^{n}(y_i - \bar{y})^2}}$

$r$ の値が +1 に近いほど強い正の相関、-1 に近いほど強い負の相関があることを意味します。
0 に近い場合は、その要因と特性の間に線形的な関連性は弱いと判断できます。

一般的な判断基準は次のとおりです。

相関係数の絶対値	相関の強さ	実務での判断
0.7以上	強い相関	この要因は重要です。優先的に対策を検討します
0.4〜0.7	中程度の相関	他の要因との交互作用も含めて検討します
0.2〜0.4	弱い相関	単独での影響は小さい可能性が高いです
0.2未満	ほとんど相関なし	この要因は優先度を下げます

ただし、相関係数はあくまで線形的な関係の強さを示す指標です。
非線形の関係や、第三の要因（交絡因子）が介在するケースでは、散布図の視覚的な確認と合わせて総合的に判断する必要があります。

工程能力指数との連携｜改善効果を数値化する

特性要因図で特定した重要要因に対策を打った後、その効果を定量的に評価するには工程能力指数が最も適しています。
改善前後の工程能力指数を比較することで、対策の効果を客観的な数値として示すことができます。

工程能力指数 $C_p$ は、工程のばらつきが規格幅に対してどの程度余裕があるかを示す指標です。

$C_p = \dfrac{USL - LSL}{6\sigma}$

ここで、 $USL$ は規格上限、 $LSL$ は規格下限、 $\sigma$ は工程の標準偏差です。

標準偏差 $\sigma$ は工程のばらつきの大きさを定量化する指標であり、次の式で計算します。

$\sigma = \sqrt{\dfrac{1}{n}\displaystyle\sum_{i=1}^{n}(x_i - \bar{x})^2}$

ここで、平均値 $\bar{x}$ は次のとおりです。

$\bar{x} = \dfrac{1}{n}\displaystyle\sum_{i=1}^{n} x_i$

$C_p$ は工程の中心と規格の中心が一致していることを前提とした指標です。
しかし実際の工程では、平均値が規格の中心からずれていることが多くあります。

そこで、工程の偏りを考慮した指標として $C_{pk}$ を使います。

$C_{pk} = \min\left(\dfrac{USL - \bar{x}}{3\sigma}, \quad \dfrac{\bar{x} - LSL}{3\sigma}\right)$

$C_{pk}$ の判断基準は次のとおりです。

$C_{pk} \geq 1.67$ の場合は、工程能力が十分すぎるほどあり、現在の管理水準を維持します。
$1.33 \leq C_{pk} \lt 1.67$ の場合は、工程能力は十分であり、通常の品質管理で問題ありません。

$1.00 \leq C_{pk} \lt 1.33$ の場合は、工程能力がやや不足しており、改善の検討が必要です。
$C_{pk} \lt 1.00$ の場合は、工程能力が明らかに不足しており、緊急の改善が求められます。

改善前後の $C_{pk}$ を比較することで、特性要因図に基づく対策がどの程度効果的だったかを数値として明示できます。

instant.engineer

管理図との連携｜改善効果を継続監視する

対策の効果は一時的なものではなく、継続的に維持されなければ意味がありません。
管理図を使えば、工程が統計的管理状態にあるかどうかをリアルタイムで監視できます。

管理図の管理限界線は次の式で設定します。

$UCL = \bar{x} + 3\sigma$

$LCL = \bar{x} - 3\sigma$

UCLは管理上限線（Upper Control Limit）、LCLは管理下限線（Lower Control Limit）です。
データが管理限界線を超えた場合、工程に異常が発生している可能性があります。

管理図で異常パターンが検出された際の対応は、次のサイクルで行います。
まず異常を検出し、特性要因図で原因を分析します。
次に重要要因に対策を実行し、工程能力指数で効果を確認します。
最後に管理図で工程を継続的に監視し、再発がないかを確認します。

このサイクルを繰り返すことで、工程の品質は継続的に改善されていきます。
これはPDCAサイクルそのものであり、特性要因図は「Check（検証）」と「Act（改善）」の橋渡し役を担っています。

6. 製造現場での活用事例｜不良率改善

ここでは、特性要因図を用いて製造現場の不良率を大幅に改善した具体的な事例を紹介します。
5つのステップと統計手法の連携が、実務でどのように機能するかを確認しましょう。

事例の背景

ある金属部品メーカーのプレス加工工程において、月間不良件数が100件に達し、不良率が10%を超える状況が続いていました。

不良の内訳は次のとおりです。
寸法不良が35件/月で最多、次いで外観不良が25件/月、バリ残りが20件/月、組立不良が12件/月、その他が8件/月です。

この工場では過去に応急処置的な対策を繰り返していましたが、根本的な改善には至っていませんでした。
「工具を交換する」「作業者に注意する」といった場当たり的な対応では、同じ不良が何度も再発する状況が続いていたのです。

そこで品質管理チームが、特性要因図を活用した体系的な要因分析に着手しました。

ステップ1〜3: 特性の定義と大骨の配置

まず、特性を「プレス加工工程の月間不良率10%（100件/月）」と定量的に定義しました。
目標は「不良率5%以下（50件/月以下）への半減」と設定しました。

大骨には5M+1Eの6カテゴリを採用しました。
プレス加工は金型の精度だけでなく、材料の板厚ばらつきや環境温度の影響も受けやすい工程です。
4Mでは測定や環境の要因に漏れが生じる懸念があったため、5M+1Eを選択しました。

ステップ4: ブレインストーミングによる深掘り

製造・品質・設計・保全の4部門から各2名、計8名でブレインストーミングを実施しました。
1回90分のセッションを2回行い、合計42個の要因が洗い出されました。

洗い出された主な要因を、6カテゴリごとに示します。

「人」のカテゴリでは、新人オペレーターの金型セット手順の理解不足や、夜勤帯の疲労によるヒューマンエラーが挙がりました。

「機械」のカテゴリでは、プレス機のスライド平行度が規格外（0.05mm超過）であることや、油圧ユニットの圧力低下が指摘されました。

「材料」のカテゴリでは、特定のサプライヤーA社ロットの板厚ばらつきが大きい（標準偏差0.03mm）ことや、受入検査が全数ではなく抜取りであることが問題視されました。

「方法」のカテゴリでは、金型交換後の初品検査が標準化されていないことや、段取り替えのチェックリストが未整備であることが挙げられました。

「測定」のカテゴリでは、ノギスの校正期限が3か月超過していることや、測定箇所が作業者によって異なることが発覚しました。

「環境」のカテゴリでは、夏場の工場内温度が35℃を超えて材料が熱膨張すること、冬場の低温で潤滑油の粘度が変化することが報告されました。

ステップ5: 重要要因の特定と対策

42個の要因に対してデータを収集し、パレート分析を行いました。
その結果、上位3つの不良モード（寸法不良・外観不良・バリ残り）が全体の80%を占めていることが判明しました。

累積比率を計算すると、次のようになります。

$C_3 = \dfrac{35 + 25 + 20}{100} \times 100 = 80 \quad \text{（\%）}$

上位3つの不良モードだけで全体の80%を占めています。
これはパレートの法則に合致する典型的なパターンです。

さらに、散布図と相関分析を用いて、各要因と不良率の因果関係を検証しました。
その結果、「プレス機のスライド平行度」と「寸法不良件数」の相関係数が $r = 0.82$ と強い正の相関を示しました。

この結果を受けて、次の5項目の対策を実施しました。
プレス機のスライド平行度を0.02mm以内に再調整すること、金型交換後の初品検査チェックリストを作成・導入すること、A社ロットの受入検査基準を厳格化すること、新人オペレーター向け研修プログラムを整備すること、ノギスの校正管理をシステム化して期限超過を自動通知にすることです。

改善結果の定量評価

対策実施から3か月後、月間不良件数は100件から45件に減少しました。
改善率は次の式で計算できます。

$\eta = \dfrac{p_{\text{before}} - p_{\text{after}}}{p_{\text{before}}} \times 100 = \dfrac{100 - 45}{100} \times 100 = 55 \quad \text{（\%）}$

55%の不良削減を達成し、当初の目標（不良率5%以下）を上回る結果となりました。
月間の廃棄コストも約120万円から54万円に低減し、年間で約792万円のコスト削減効果が得られました。

さらに、改善後の寸法精度について工程能力指数を算出したところ、次の結果が得られました。

改善前: $C_{pk} = 0.83$ （工程能力不足）
改善後: $C_{pk} = 1.45$ （工程能力十分）

$C_{pk}$ が0.83から1.45に改善されたことで、工程は「能力不足」から「十分な能力あり」の状態に移行しました。
この数値の変化は、特性要因図による体系的な要因分析と、データに基づく重点対策が有効に機能したことを客観的に証明しています。

対策実施後は管理図による継続監視も開始し、異常パターンが検出された際には再度特性要因図に立ち返る運用フローを確立しました。
このPDCAサイクルの定着により、対策から6か月経過後も不良率は4.5%以下を安定的に維持しています。

instant.engineer

7. 特性要因図とFTA・なぜなぜ分析の比較

要因分析の手法は特性要因図だけではありません。
代表的な手法として、FTA（故障の木解析）となぜなぜ分析があります。

これら3つの手法は競合するものではなく、それぞれに得意分野が異なります。
適切に使い分け、必要に応じて併用することが効果的な品質改善につながります。

3手法の特徴比較

比較項目	特性要因図	FTA	なぜなぜ分析
分析の方向	ボトムアップ（要因→結果）	トップダウン（結果→要因）	直列的（1つの事象を深掘り）
得意な場面	要因の網羅的な洗い出し	安全性・信頼性の定量解析	単一事象の真因追究
参加人数	5〜10人（チーム向き）	2〜3人（専門家向き）	1〜5人（少人数向き）
論理構造	階層的（大骨→中骨→小骨）	論理ゲート（AND/OR）	直列的（なぜ？の連鎖）
定量評価	パレート図等と併用で可能	発生確率を直接計算可能	定性分析が中心
難易度	低〜中	高	低
所要時間	2〜4時間	数日〜数週間	1〜2時間

特性要因図とFTAの違い

特性要因図は「どんな要因がありうるか？」を網羅的に洗い出すボトムアップ型の手法です。
一方、FTAは「この故障はなぜ起きるか？」を論理ゲート（ANDゲート・ORゲート）で構造化するトップダウン型の手法です。

FTAの最大の特徴は、発生確率を定量的に計算できる点にあります。
各末端事象（基本事象）の発生確率がわかれば、頂上事象の発生確率を論理的に算出できます。

このため、航空機や原子力発電所など、高い安全性が求められるシステムの信頼性解析ではFTAが不可欠です。
自動車業界でもISO 26262（機能安全）の準拠においてFTAが広く採用されています。

しかし、FTAは専門知識が必要であり作成に数日から数週間かかるという欠点があります。
日常的な品質改善活動においては、特性要因図の方がはるかに手軽で実用的です。

実務では、まず特性要因図で要因を広く洗い出し、安全性に関わる重大な要因についてはFTAで詳細に解析するという段階的な使い分けが効果的です。

instant.engineer

特性要因図となぜなぜ分析の違い

なぜなぜ分析は、1つの事象に対して「なぜ？」を5回繰り返し、真因を追究する手法です。
特性要因図が「広く浅く」要因を洗い出すのに対し、なぜなぜ分析は「狭く深く」掘り下げるのが特徴です。

特性要因図は一度に30〜50個の要因を洗い出しますが、各要因の深掘りは中骨・小骨の2〜3段階にとどまることが多くあります。
一方、なぜなぜ分析は1つの事象に対して5段階以上の深掘りを行いますが、視野が狭くなりがちです。

この両者の特性を活かした最も効果的な併用パターンは、次の3段階のアプローチです。

第1段階では、特性要因図を使って要因を網羅的に洗い出します（広く浅く）。
第2段階では、パレート分析で重要要因を3〜5個に絞り込みます。
第3段階では、絞り込んだ重要要因ごとに、なぜなぜ分析で真因を深掘りします（狭く深く）。

この3段階のアプローチにより、「漏れなく洗い出し、重要なものを選び、真因までたどり着く」という理想的な要因分析を実現できます。

3手法の使い分け指針

どの手法を使うか迷った場合は、分析の目的に立ち返ることが重要です。

要因の全体像を把握したい場合は、特性要因図が最適です。
チーム全員で共有しながら多角的に要因を洗い出す場面で最も力を発揮します。

安全性・信頼性を定量的に評価したい場合は、FTAを選択します。
論理ゲートによる厳密な構造化が求められるケースに向いています。

特定の事象の真因を突き止めたい場合は、なぜなぜ分析が効率的です。
少人数で短時間のうちに、深い分析を行うことができます。

そして、網羅性と深掘りの両方が求められる場面では、特性要因図となぜなぜ分析の併用が最も効果的です。
問題の性質に合わせて最適な手法を選択し、必要に応じて組み合わせることが、品質改善の成功率を高めます。

8. テンプレート活用と実務のコツ

特性要因図の理論は理解できても、実務で効果的に使いこなすにはいくつかのコツがあります。
ここでは、テンプレートの活用方法と、現場で陥りがちな失敗の回避策を解説します。

テンプレートの構成

特性要因図のテンプレートは、次の3つの要素で構成するのが効果的です。

第1の要素は、A3用紙またはホワイトボード1面分のフィッシュボーン図の骨格です。
背骨・大骨のレイアウトをあらかじめ印刷しておくと、作成時間を大幅に短縮できます。

第2の要素は、右端の特性記入欄と、各大骨先端のカテゴリ記入欄です。
4M・5M+1E・6Mに対応した3種類のテンプレートを用意しておくと、工程に応じて使い分けることができます。

第3の要素は、図の下部に設ける「作成日」「作成チーム」「対象工程」「次のアクション」の記入欄です。
これらのメタ情報があることで、後から見直した際に分析の文脈を正確に把握できます。

ExcelやPowerPointでテンプレートを作成する方法もあります。
デジタルツールを使えば、作成後の共有や保管が容易になるというメリットがあります。

ただし、初回のブレインストーミングでは紙やホワイトボードの方が自由度が高く、参加者の自由な発言を促しやすいです。
デジタル化は、ブレインストーミング後の清書や記録保管の段階で行うのが効率的です。

実務で役立つ4つのコツ

コツ1: 特性は1つに絞る

1枚の特性要因図で扱う特性は1つだけにします。
「不良率」と「生産性」のように複数の特性を1枚にまとめると、要因の因果関係が混乱してしまいます。

複数の問題がある場合は、それぞれ別の特性要因図を作成します。
その上で、共通する要因がないかを比較検討すると、より深い洞察が得られることがあります。

コツ2: ブレインストーミングのルールを守る

特性要因図の作成をブレインストーミング形式で行う際は、4つの基本ルールを守ることが重要です。

「批判禁止」は最も大切なルールです。
出された意見を否定した瞬間に、参加者は発言をためらうようになります。

「自由奔放」は、突飛なアイデアも歓迎するという姿勢です。
一見関係なさそうな要因が、実は真因につながることは珍しくありません。

「量を重視」は、まず数を出すことを優先するルールです。
質の評価は後から行えばよいので、最初の段階では数を追求します。

「結合改善」は、他人のアイデアに便乗して発展させるルールです。
「それに関連して…」という展開が、要因の深掘りにつながります。

コツ3: 要因は「名詞＋動詞」で書く

要因は「金型の摩耗」「温度の上昇」「基準の不備」のように、具体的な名詞と動詞の組み合わせで記述します。
「管理が悪い」「注意が足りない」のような抽象的な表現では、具体的な対策に結びつきません。

良い例としては「工具交換の基準が未設定」が挙げられます。
この場合、対策は「交換基準を設定し標準書に明記する」という明確なアクションになります。

悪い例としては「管理不足」が挙げられます。
この場合、対策は「管理を徹底する」という曖昧な表現にとどまり、実行しても改善効果が見込めません。

コツ4: 定期的に見直す

一度作成した特性要因図は、固定して終わりにするものではありません。
工程の変更、新しい設備の導入、作業員の交代、材料の変更など、条件が変わるたびに見直しが必要です。

改善のPDCAサイクルを回す中で、管理図に異常パターンが現れた際に特性要因図を更新するのが理想的な運用です。
過去の特性要因図をアーカイブしておけば、類似問題が発生した際に参照できるナレッジベースとしても活用できます。

よくある失敗パターンと対策

特性要因図を使いこなせていない現場では、次のような失敗がよく見られます。
事前にこれらのパターンを知っておくことで、同じ轍を踏むことを避けられます。

失敗パターン	原因	対策
要因が少なすぎる（10個未満）	単独作業、または特定部門のみで作成	多部門参加のブレインストーミングを実施します
要因が抽象的すぎる	「管理不足」「注意力不足」のような表現	「名詞＋動詞」の具体表現に書き換えます
大骨のカテゴリが不適切	工程に合わない分類を使用	4M/5M+1E/6Mから適切な分類を選択します
作って終わり	対策の実行やフォローアップがない	QCストーリーに組み込みPDCAを回します
データの裏付けがない	主観的な判断だけで重要要因を決定	パレート図や散布図でデータに基づき検証します

これらの失敗を避けるためにも、特性要因図はチーム活動の中で活用し、統計手法と連携させながら継続的に改善していくことが重要です。
1人で完結させるのではなく、多部門のメンバーを巻き込んで議論することが、質の高い分析につながります。

まとめ

本記事では、特性要因図の定義・構造・書き方5ステップ・統計手法との連携・製造現場での活用事例・他手法との比較・テンプレート活用のコツについて解説しました。

特性要因図は、品質問題の原因を「見える化」し、チーム全員で共有するための強力なツールです。
魚の骨の構造に沿って要因を階層的に分解することで、表面的な原因にとどまらず、真因にたどり着くことができます。

実務で特性要因図を最大限に活用するためのポイントを振り返ります。

特性は「外径寸法の不良率が3.5%」のように定量的に定義することが出発点です。
大骨のカテゴリは4M・5M+1E・6Mの中から工程に合ったものを選択します。

ブレインストーミング形式で多部門のメンバーと要因を洗い出し、「なぜ？」を3回以上繰り返して深掘りします。
洗い出した要因はパレート図で優先順位を付け、散布図や相関係数で因果関係を検証します。

対策後は工程能力指数 $C_{pk}$ で改善効果を定量評価し、管理図で工程を継続的に監視します。
必要に応じてFTAやなぜなぜ分析と併用することで、分析の網羅性と深度の両方を確保できます。

特性要因図は、作ること自体が目的ではありません。
作成した図を起点として、データに基づいた対策を立案・実行し、効果を検証するという一連のPDCAサイクルを回すことが、品質改善の本質です。

特性要因図を正しく活用し、統計手法と連携させることで、製造現場の品質は確実に向上していきます。
まずは身近な品質問題を1つ選び、チームで特性要因図を作成するところから始めてみましょう。