Instant Engineering

エンジニアの仕事効率を上げる知識をシェアするWeb記事／機械設計／TPS／QC品質管理

トップ > 生産工学 > QC7つ道具とは？覚え方と使い方を一覧で解説

QC7つ道具とは？覚え方と使い方を一覧で解説

生産工学 生産工学-品質管理

製造現場で「不良率を下げたい」「工程のばらつきを減らしたい」と考えたとき、まず何から手をつければよいでしょうか。

実は、品質管理の世界には半世紀以上にわたって現場で使い倒されてきた、たった7つの分析ツールが存在します。

それがQC7つ道具です。

数値データを「見える化」するこの7つの手法を正しく使い分けるだけで、問題の所在を素早く突き止め、的確な改善策を打ち出すことができます。

QC検定の出題範囲でもあるため、試験対策としても押さえておきたい知識です。

本記事では、QC7つ道具の全体像から各道具の特徴と使い方、覚え方のコツ、さらに新QC7つ道具との違いまでを体系的に解説します。

 

1. QC7つ道具とは

QC7つ道具とは、品質管理（Quality Control）の現場で使われる7種類の統計的手法の総称です。

日本の品質管理の父とも呼ばれる石川馨博士が、「現場の品質問題の95%はこの7つの手法で解決できる」と提唱したことで広まりました。

 

7つの道具は以下のとおりです。

  • パレート図：不良項目を件数の多い順に並べ、重点課題を特定する
  • 特性要因図：結果（特性）と原因（要因）の関係を魚の骨の形で整理する
  • ヒストグラム：データの分布状態を柱状グラフで可視化する
  • 管理図：工程の時間的変化を折れ線グラフで監視する
  • 散布図：2つの変数の相関関係を点の分布で把握する
  • チェックシート：データを効率よく収集・整理するための記録用紙
  • 層別：データをグループに分けて傾向の違いを明らかにする

 

これらに共通する最大の特徴は、すべて数値データを扱うという点です。

感覚や経験に頼るのではなく、事実に基づいて判断するためのツール群として位置づけられています。

 

品質管理の国際規格ISO 9001やIATF 16949の運用においても、QC7つ道具はデータ分析の基本手法として活用されています。

QC検定の試験範囲にも含まれており、品質管理に携わるエンジニアにとって必須の知識です。

 

QC7つ道具が誕生した背景には、戦後日本の品質管理運動があります。

1950年代にデミング博士やジュラン博士が来日し、統計的品質管理の考え方を伝えたことがきっかけです。

しかし当時の統計的手法は高度な数学知識を必要とするものが多く、現場の作業者が使いこなすのは困難でした。

 

そこで石川馨博士は、現場で誰でも使える簡易な統計手法を7つに厳選し、体系化しました。

この「難しい統計学を現場の武器に変えた」という功績が、QC7つ道具の本質的な価値です。

 

QC7つ道具は、QCストーリーと呼ばれる問題解決の手順と組み合わせて使うことで、その真価を発揮します。

現状把握にはパレート図やヒストグラム、要因解析には特性要因図、効果確認には管理図というように、各ステップに対応する道具が存在します。

 

関連記事

instant.engineer

 

2. パレート図：重点課題を見つける

パレート図は、不良項目や故障原因を発生件数の多い順に棒グラフで並べ、さらに累積比率を折れ線グラフで重ねた図です。

イタリアの経済学者ヴィルフレド・パレートが発見した「80対20の法則」に基づいています。

 

パレートの法則とは、「全体の結果の80%は、全体の20%の原因から生じている」という経験則です。

品質管理に当てはめると、「全体の不良の80%は、上位20%の不良項目で占められている」ということになります。

 

つまり、すべての問題に均等に対策を打つのではなく、影響の大きい少数の項目に集中して対策するのが効率的だという考え方です。

限られたリソースを最大限に活用するための優先順位づけの道具が、パレート図です。

 

パレート図の作り方

パレート図の作成手順は、以下の4ステップです。

  • 不良項目ごとにデータを集計する
  • 件数の多い順に並べ替える
  • 各項目の累積比率を計算する
  • 棒グラフ（件数）と折れ線グラフ（累積比率）を重ねて描く

 

累積比率の計算はシンプルです。

各項目の件数を全体の合計で割り、上位から順に足し合わせていきます。

 

\text{累積比率} = \dfrac{\text{上位からの累積件数}}{\text{総件数}} \times 100 \quad \lbrack\%\rbrack

 

パレート図の計算例

具体的な数値で確認しましょう。

ある工程で1か月間に発生した不良を項目別に集計した結果、次のデータが得られたとします。

 

不良項目 件数 構成比 累積比率
キズ 45件 45% 45%
変形 28件 28% 73%
汚れ 15件 15% 88%
寸法不良 8件 8% 96%
色ムラ 3件 3% 99%
その他 1件 1% 100%

 

キズの累積比率は以下のように求められます。

 

\text{キズの累積比率} = \dfrac{45}{100} \times 100 = 45\%

 

変形までの累積比率は次のとおりです。

 

\text{変形までの累積比率} = \dfrac{45 + 28}{100} \times 100 = 73\%

 

汚れまで含めると累積比率は88%に達します。

 

\text{汚れまでの累積比率} = \dfrac{45 + 28 + 15}{100} \times 100 = 88\%

 

この結果から、キズと変形の2項目だけで全体の73%を占めていることが一目でわかります。

まずはこの2項目に対策を集中させるべきだという判断が、数値に基づいて下せるわけです。

 

パレート図の活用場面

パレート図は、QCストーリーの「現状把握」ステップで最も頻繁に使われます。

不良項目の優先順位づけだけでなく、設備故障の原因分析やクレーム内容の分類にも応用できます。

 

改善活動の前後でパレート図を比較すれば、対策の効果を視覚的に確認することも可能です。

「改善前はキズが最多だったが、改善後は変形が最多になった」という変化が一目で読み取れます。

このように改善前後のパレート図を並べて見せることは、経営層への報告でも非常に説得力があります。

 

注意点として、パレート図は件数だけでなく金額ベースで作成することも検討してみてください。

件数では少ない不良でも、1件あたりの損失金額が大きければ優先的に対策すべき場合があります。

 

パレート図とABC分析

パレート図を応用した手法として、ABC分析があります。

累積比率に基づいて項目をA・B・Cの3ランクに分類する方法です。

 

ランク 累積比率 対応方針
Aランク 0〜70% 最優先で重点対策を実施
Bランク 70〜90% Aランクの次に対策を検討
Cランク 90〜100% 経過観察（対策の優先度は低い）

 

先ほどの計算例に当てはめると、キズと変形がAランク（累積73%）、汚れがBランク（累積88%）、寸法不良・色ムラ・その他がCランク（累積100%）に分類されます。

このように定量的な基準で優先順位を決めることで、「どこまで対策するか」の判断が属人的にならずに済みます。

 

パレート図は「作って終わり」ではなく、改善のPDCAサイクルの中で繰り返し更新していくことが重要です。

Aランクの不良を撲滅すると、次はBランクがAランクに繰り上がります。

このサイクルを回し続けることで、全体の品質水準を継続的に向上させることができます。

 

3. 特性要因図：原因を体系的に洗い出す

特性要因図は、ある結果（特性）に対して、考えられるすべての原因（要因）を魚の骨の形に整理した図です。

フィッシュボーン図、または石川馨博士の名前から石川ダイアグラムとも呼ばれます。

 

特性要因図の最大の強みは、要因の漏れを防げることです。

頭の中だけで原因を考えると、思いつきやすいものばかりに偏りがちです。

図に書き出すことで体系的な整理が可能になり、見落としていた要因に気づくことができます。

 

4Mによる要因分類

特性要因図では、大骨（主要因カテゴリ）を4Mで分類するのが基本です。

  • Man（人）：作業者のスキル、経験年数、疲労度、注意力
  • Machine（機械）：設備の精度、摩耗度合い、メンテナンス状態、稼働年数
  • Material（材料）：材質のばらつき、ロット間差、入荷元の違い、保管条件
  • Method（方法）：作業手順、加工条件の設定値、測定方法、段取り替え手順

 

製造業の現場ではこの4Mに「Measurement（測定）」と「Environment（環境）」を加えた6Mを使うことも一般的です。

測定器の校正状態や測定条件が品質に影響する工程では、Measurementの大骨が欠かせません。

温度や湿度といった環境要因が品質に大きく影響する工程では、Environmentの大骨を追加することで、より網羅的な分析が可能になります。

 

特性要因図の書き方

特性要因図の作成手順は以下のとおりです。

  • 右端に「結果（特性）」を書き、左から右への矢印（背骨）を引く
  • 背骨から斜めに大骨を引き、4Mや6Mの分類名を書く
  • 大骨から中骨を伸ばし、具体的な要因を書く
  • 中骨からさらに小骨を伸ばし、要因をより詳細に分解する
  • ブレーンストーミングでメンバー全員の意見を反映させる

 

作成する際は、3〜5人程度のチームで取り組むのが効果的です。

1人で作成すると知識や経験の偏りが出やすいため、現場作業者・技術者・品質管理担当者など異なる立場のメンバーを集めると、多角的な視点が得られます。

 

重要なのは、特性要因図を作ること自体が目的ではなく、真因の候補を絞り込むことが目的だという点です。

図が完成したら、影響が大きいと思われる要因に印をつけ、データで検証していきます。

この検証ステップを省略して「図を描いて満足する」のは、現場でよく見られる失敗パターンです。

 

特性要因図の実務上の注意点

特性要因図を作る際に陥りやすい落とし穴がいくつかあります。

 

まず、「対策」を要因として書いてしまうケースです。

たとえば「教育が不十分」は対策案（教育を充実させる）に引きずられた表現であり、本来は「作業者の手順理解度にばらつきがある」と書くべきです。

 

次に、大骨の数を多くしすぎて収拾がつかなくなるケースです。

4Mまたは6Mの枠組みを基本とし、最初から8本も10本も大骨を引かないようにしましょう。

 

もう一つ、すべての小骨を同じ深さまで掘り下げようとするのも効率が悪い進め方です。

影響が大きそうな枝だけを重点的に深掘りするのが実務的なアプローチです。

 

特性要因図の活用例

具体例として、「旋盤加工品の寸法不良が多発している」という問題を考えてみましょう。

 

Manの大骨からは「新人作業者の段取り精度」「夜勤帯の集中力低下」などの中骨が伸びます。

Machineからは「主軸のベアリング摩耗」「チャックの把握力低下」「切削油の温度上昇」が挙がります。

Materialからは「素材硬度のロット間ばらつき」「材料の熱膨張係数の違い」が出てくるでしょう。

Methodからは「切削速度の設定が不適切」「中間測定の頻度が不足」などが考えられます。

 

こうして洗い出した要因の中から、データに基づいて真因を絞り込んでいきます。

たとえば「切削油温度と寸法誤差の関係」を散布図で検証すれば、温度上昇が寸法不良の原因かどうかを定量的に判断できます。

特性要因図は、このように他のQC7つ道具と組み合わせることで初めて真価を発揮するのです。

 

4. ヒストグラム：データの分布を可視化する

ヒストグラムは、測定データを一定の区間（階級）に分け、各区間に入るデータの個数（度数）を柱状グラフで表した図です。

棒グラフと見た目が似ていますが、横軸が連続した数値データで、棒と棒の間に隙間がない点が異なります。

 

ヒストグラムを見ることで、データの中心位置、ばらつきの大きさ、分布の形状を一目で把握できます。

平均値や標準偏差だけを見ていても気づけない分布の偏りやゆがみが、ヒストグラムでは視覚的に明らかになります。

 

ヒストグラムの作成手順

ヒストグラムの作成には、以下の計算が必要です。

 

まず、データの範囲（レンジ）を求めます。

 

R = x_{\max} - x_{\min}

 

次に、階級の数を決めます。

スタージェスの公式を使うと、データ数nから適切な階級数kを算出できます。

 

k = 1 + 3.322 \log_{10} n

 

たとえばデータ数が100個の場合は以下のようになります。

 

k = 1 + 3.322 \times \log_{10} 100 = 1 + 3.322 \times 2 = 7.644 \approx 8

 

階級数が8であれば、8本の柱でヒストグラムを構成します。

 

階級の幅hは、レンジを階級数で割って求めます。

 

h = \dfrac{R}{k}

 

実務では、階級の幅を測定の最小単位の整数倍に丸めると読みやすいヒストグラムになります。

たとえば測定の最小単位が0.01mmなら、階級の幅は0.05mmや0.10mmといった切りのよい値に設定します。

 

ヒストグラムの計算例

ある部品の外径をマイクロメータで50個測定し、最大値が10.08mm、最小値が9.92mmだったとします。

 

レンジを求めます。

 

R = 10.08 - 9.92 = 0.16 \text{　} \lbrack\text{mm}\rbrack

 

スタージェスの公式で階級数を求めます。

 

k = 1 + 3.322 \times \log_{10} 50 = 1 + 3.322 \times 1.699 = 6.64 \approx 7

 

階級の幅を計算します。

 

h = \dfrac{0.16}{7} = 0.0229 \approx 0.025 \text{　} \lbrack\text{mm}\rbrack

 

測定の最小単位が0.01mmなので、0.025mmは0.01の2.5倍です。

ここでは切りのよい0.02mmまたは0.03mmに丸めるのが実務的な判断になります。

階級の幅を決めたら、最小値を含む区間から順に境界値を設定し、各区間のデータ個数を数えてヒストグラムを描きます。

 

ヒストグラムの6つの型

ヒストグラムの形状は、工程の状態を反映しています。

代表的な6つの型を覚えておくと、分布の形を見ただけで工程の問題を推測できるようになります。

  • 一般型（ベル型）：左右対称の山型。工程が安定している状態
  • くし歯型：柱の高さが交互に高低する。測定精度や階級幅の設定に問題がある可能性
  • 右すそ引き型：分布が右側に長く伸びている。下限規格に寄せた加工をしている可能性
  • 左すそ引き型：分布が左側に長く伸びている。上限規格に寄せた加工をしている可能性
  • 二山型（ふたこぶ型）：山が2つに分かれている。異なる条件のデータが混在している可能性
  • 絶壁型：片側が急峻に切れ落ちている。規格外品を選別・除去した後のデータの可能性

 

特に注意が必要なのは二山型です。

二山型が現れた場合は、2つの異なる母集団が混ざっている可能性が高いです。

「層別」の手法を使って、機械別や材料ロット別にデータを分けてみると原因が明らかになることがあります。

 

ヒストグラムと工程能力

ヒストグラムの上に規格の上限値（USL）と下限値（LSL）を重ねて描くと、工程能力の概略を視覚的に判断できます。

分布が規格の範囲内に十分収まっていれば工程能力は高く、分布の裾が規格線にかかっていれば不良が発生するリスクがあります。

 

より定量的な評価には、工程能力指数Cpを用います。

 

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

 

この値が1.33以上なら工程能力は十分と判断されるのが一般的です。

1.00未満の場合は不良が多発するリスクがあるため、工程の改善が必要です。

 

また、分布の中心が規格の中央からずれている場合は、Cpではなくcpkで評価します。

 

C_{pk} = \min\left(\dfrac{USL - \overline{X}}{3\sigma},\ \dfrac{\overline{X} - LSL}{3\sigma}\right)

 

CpkはCp以下の値になるため、工程のばらつきだけでなく中心のずれも含めた総合的な工程能力を示します。

 

関連記事

instant.engineer

 

5. 管理図：工程の安定性を監視する

管理図は、工程から得られるデータを時系列でプロットし、中心線（CL）と上下の管理限界線（UCL・LCL）を引いた図です。

データが管理限界線の内側にランダムに分布していれば工程は安定（管理状態）と判断します。

限界線を超えたり特定のパターンが現れたりすれば、工程に異常が発生していると判断します。

 

管理限界線は、一般的に中心線から±3σの位置に設定されます。

 

UCL = \overline{X} + 3\sigma

 

LCL = \overline{X} - 3\sigma

 

±3σの範囲には、正規分布に従うデータの99.73%が含まれます。

したがって、管理限界線を超える確率は約0.27%しかなく、超えた場合は偶然ではなく工程に何らかの異常が起きていると判断するのが合理的です。

 

ここで重要な注意点があります。

管理限界線は規格限界とは全く別物です。

規格限界は「製品が合格かどうかの基準」であり、顧客や設計部門が決めるものです。

一方、管理限界線は「工程が安定しているかどうかの基準」であり、工程のデータから統計的に計算されるものです。

管理限界線の内側にあっても規格外の製品は不良ですし、管理限界線を超えていても規格内であれば製品としては合格です。

ただし、管理限界線を超えた場合は工程に異常変動が起きているため、このまま放置すると近い将来に規格外品が発生する可能性が高いと判断します。

 

管理図の種類

管理図にはデータの性質に応じた複数の種類があります。

 

データの種類 管理図の種類 用途
計量値（長さ、重さなど） X-bar-R管理図 サンプルの平均値と範囲を管理
計量値 X-bar-s管理図 サンプルの平均値と標準偏差を管理
計量値（個別値） X-Rs管理図 個別測定値と移動範囲を管理
計数値（不良率） p管理図 不良率の推移を管理
計数値（不良数） np管理図 不良個数の推移を管理
計数値（欠点数） c管理図 一定単位あたりの欠点数を管理
計数値（単位欠点数） u管理図 単位量あたりの欠点数を管理

 

最も一般的なのはX-bar-R管理図です。

製造ラインで定期的にサンプルを抜き取り、その平均値と範囲をプロットして工程の安定性を継続的に監視します。

 

管理図の異常判定ルール

管理図では、管理限界線を超えた点だけが異常ではありません。

データの並び方にも注目する必要があります。

 

代表的な異常判定ルール（JIS Z 9021に基づく）は以下のとおりです。

  • 1点が管理限界線を超えた場合
  • 中心線の片側に連続して9点以上並んだ場合（連の異常）
  • 6点以上が連続して増加または減少した場合（傾向の異常）
  • 14点以上が交互に増減した場合（周期性の異常）

 

これらのパターンが現れたら、工程に何らかの変化が起きている可能性が高いです。

原因を調査し、必要に応じて是正処置を講じます。

 

管理図の導入と運用のポイント

管理図を初めて導入する際は、まず工程が安定した状態のデータを25組以上収集して管理限界線を計算します。

この初期データに異常値が含まれていると、管理限界線が広くなりすぎて異常を検出できなくなるため、明らかな異常データは除外して再計算することが重要です。

 

管理図の更新頻度も重要な検討事項です。

工程に大きな変更（設備の入れ替え、材料の変更、作業手順の改定など）があった場合は、管理限界線を再計算する必要があります。

逆に、工程が安定して推移しているのに頻繁に管理限界線を更新すると、微小な変動を見逃してしまう恐れがあります。

 

管理図を長期間運用していると、管理限界線内に収まっていても、データの平均値が徐々にずれていく「トレンド」が現れることがあります。

このような緩やかな変化は、工具の摩耗や設備の経年劣化によって生じることが多いです。

定期的にデータの中心線の位置を確認し、規格の中央値からのずれが大きくなっていないかをチェックする習慣をつけましょう。

 

関連記事

instant.engineer

 

6. 散布図・チェックシート・層別

残りの3つの道具について、それぞれの特徴と使い方を解説します。

 

散布図

散布図は、2つの変数のデータを横軸と縦軸にとり、各データを点で表した図です。

点の散らばり方から、2つの変数の間に相関関係があるかどうかを視覚的に判断できます。

 

点が右上がりに並んでいれば正の相関（一方が増えると他方も増える）、右下がりなら負の相関（一方が増えると他方が減る）、ばらばらに散らばっていれば無相関と判断します。

 

相関の強さを定量的に評価するには、相関係数rを計算します。

 

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

 

rの値の目安は以下のとおりです。

相関係数rの範囲 相関の強さ
0.7 ≦ |r| ≦ 1.0 強い相関
0.4 ≦ |r| < 0.7 中程度の相関
0.2 ≦ |r| < 0.4 弱い相関
|r| < 0.2 ほぼ無相関

 

散布図を使う際の重要な注意点があります。

それは、相関関係と因果関係は別物だということです。

散布図で相関が見られても、第三の要因が両方の変数に影響を与えている「疑似相関」の可能性を常に考慮する必要があります。

 

たとえば、「アイスクリームの売上」と「溺死者数」には正の相関が見られますが、これは両者に因果関係があるわけではありません。

「気温」という第三の要因が両方に影響しているだけです。

散布図から読み取れるのはあくまで相関であり、因果関係の判断にはドメイン知識と追加の検証が必要です。

 

散布図の応用として、外れ値の検出にも使えます。

大多数の点は一定の範囲に集まっているのに、1点だけ離れた位置にプロットされている場合、その点は測定ミスや異常な条件下で得られたデータである可能性があります。

外れ値の原因を調査することで、工程に潜む未知の問題を発見できることもあります。

 

さらに、散布図上にデータの傾向を示す回帰直線を引けば、一方の変数から他方を予測することもできます。

たとえば「焼入れ温度と硬度の関係」の回帰直線を求めれば、目標硬度を得るために必要な焼入れ温度を推定できます。

 

チェックシート

チェックシートは、データを簡単かつ正確に記録するために設計された用紙またはフォーマットです。

一見すると単純な道具に思えますが、データ収集の品質を左右する重要な役割を担っています。

 

チェックシートには大きく分けて2種類あります。

  • 記録用チェックシート：不良項目や発生場所を記号で記録する（例：正の字でカウント）
  • 点検用チェックシート：作業項目の完了確認をチェックマークで記録する

 

効果的なチェックシートを設計するためには、「何を」「いつ」「誰が」「どの単位で」記録するかを事前に明確にしておく必要があります。

現場で実際に使う作業者にヒアリングしながら設計すると、使い勝手の良いチェックシートができあがります。

 

記録しやすさと集計しやすさの両立が、良いチェックシートの条件です。

記録の手間が大きいと、忙しい現場ではデータが正確に記録されなくなるリスクがあります。

「正の字」や「レ点」のように、一瞬で記入できる方式を採用しましょう。

 

近年では紙のチェックシートに代わり、タブレット端末やバーコードリーダーを活用したデジタルチェックシートも普及しています。

デジタル化すると集計が自動化され、リアルタイムでパレート図やヒストグラムに反映できるというメリットがあります。

ただし、導入コストや現場の習熟度を考慮する必要があるため、まずは紙のチェックシートで運用を定着させてからデジタル化を検討するのが現実的です。

 

層別

層別は、収集したデータを共通の特徴を持つグループに分けて分析する手法です。

「道具」というよりも「考え方」に近い存在で、他の6つの道具すべてと組み合わせて使います。

 

たとえば、ヒストグラムを「ラインA」と「ラインB」で層別して描くとします。

全体で見ると正規分布に見えていたデータが、実はラインごとに異なる中心値を持つ2つの分布の重ね合わせだったことが判明する場合があります。

 

パレート図も、ロットや時間帯で層別すると、特定の条件下でのみ発生する不良が浮き彫りになります。

管理図も層別が有効で、作業者ごとに管理図を作成すると、特定の作業者のときだけばらつきが大きいといった発見につながります。

 

代表的な層別の切り口は以下のとおりです。

  • 機械別（ラインA、ラインB、設備号機ごと）
  • 作業者別（ベテラン、中堅、新人）
  • 時間帯別（午前、午後、夜勤）
  • 材料ロット別（入荷日、仕入先ごと）
  • 測定器別（ノギスA、ノギスBなど）
  • 金型別（号数ごと、メンテナンス時期ごと）

 

層別は地味ですが、問題の真因に迫るうえで極めて強力な手法です。

データ分析で行き詰まったら、まず層別の切り口を変えてみることをおすすめします。

「同じデータでも、層別の切り口を変えるだけで見える景色が変わる」というのが、層別の本質的な価値です。

 

層別の実践テクニック

層別を効果的に行うためには、データ収集の段階で層別に必要な情報を記録しておくことが不可欠です。

たとえば、測定データだけを記録して機械番号や作業者名を記録していなければ、後から層別しようとしても不可能です。

 

チェックシートを設計する段階で、将来どのような切り口で層別したいかを事前に検討しておきましょう。

日付、時間帯、作業者、機械番号、材料ロット番号、金型番号など、層別に使えそうな属性は可能な限り記録項目に含めておくことをおすすめします。

 

また、層別する際はデータ数にも注意が必要です。

あまりに細かく層別しすぎると、1つのグループあたりのデータ数が少なくなり、統計的に信頼できる結論が得られなくなります。

目安として、1つのグループに最低でも20〜30個のデータが含まれるように層別の粒度を調整するのが実務的です。

 

7. QC7つ道具の覚え方と使い分け

QC7つ道具を覚えるための語呂合わせがいくつか知られています。

代表的なものを紹介します。

 

もっとも有名なのは、各道具の頭文字を並べた覚え方です。

  • パ＝パレート図
  • ト＝特性要因図
  • ヒ＝ヒストグラム
  • カ＝管理図
  • サ＝散布図
  • チ＝チェックシート
  • ソ＝層別

 

これを「パトヒカ散チソ」と唱えて覚える方法があります。

語呂としてはやや覚えにくいですが、頭文字から道具名を思い出す練習には有効です。

 

QC検定を受験する方にとっては、7つを正確に暗記しておくことが求められます。

語呂合わせに頼るだけでなく、各道具の特徴と使い方をセットで理解しておくと、応用問題にも対応しやすくなります。

 

もう一つの覚え方として、道具を「データの扱い方」で3つのグループに分類する方法があります。

  • データを集める道具：チェックシート、層別
  • データの全体像をつかむ道具：パレート図、ヒストグラム
  • データの関係性・変化を見る道具：特性要因図、散布図、管理図

 

このグループ分けで覚えると、「まずデータを集める → 全体像を把握する → 関係性や変化を分析する」という品質管理の流れに沿って自然に道具を思い出すことができます。

 

QCストーリーでの道具の使い分け

覚えること以上に大切なのは、どの場面でどの道具を使うかを理解しておくことです。

QCストーリーの各ステップとQC7つ道具の対応関係を表にまとめます。

 

QCストーリーのステップ 主に使う道具 使用目的
テーマの選定 パレート図 重点テーマの特定
現状把握 パレート図、ヒストグラム、チェックシート、層別 現状の数値化と可視化
目標設定 パレート図、ヒストグラム 改善目標値の根拠づけ
要因解析 特性要因図、散布図、層別 原因の特定と検証
対策立案・実施 （道具の出番は少ない） 対策の実行
効果確認 パレート図、ヒストグラム、管理図 改善効果の定量的確認
標準化・管理の定着 管理図、チェックシート 改善状態の維持管理

 

このように、7つの道具はQCストーリーの各ステップと対応しています。

問題解決の流れに沿って自然に道具を選べるようになれば、語呂合わせを忘れても困ることはありません。

 

8. 新QC7つ道具との違い

QC7つ道具が数値データを扱うのに対して、新QC7つ道具は言語データ（意見、アイデア、課題など）を整理するための手法です。

1977年に納谷嘉信氏を中心とするグループが提唱しました。

 

新QC7つ道具は以下の7つです。

  • 親和図法（KJ法）：混沌とした言語データをグルーピングして整理する。多くの意見やアイデアを分類・構造化するときに使う
  • 連関図法：原因と結果が複雑に絡み合う問題の構造を矢印で整理する。特性要因図では表現しきれない複雑な因果関係に有効
  • 系統図法：目的を達成するための手段を階層的に展開する。目的→手段→さらに細かい手段と段階的にブレークダウンする
  • マトリックス図法：複数の要素の関連性を行列（マトリックス）で整理する。要求品質と品質特性の対応づけなどに使用
  • マトリックスデータ解析法：マトリックス図のデータを多変量解析（主成分分析など）で定量的に分析する。新QC7つ道具の中で唯一の数値データ手法
  • アローダイアグラム（PERT図）：作業の順序と所要時間をネットワーク図で管理する。プロジェクトのクリティカルパスを特定するのに有効
  • PDPC法：Process Decision Program Chart。不測の事態を想定して代替案を事前に計画する手法

 

QC7つ道具と新QC7つ道具の違いを表にまとめます。

 

比較項目 QC7つ道具 新QC7つ道具
扱うデータ 数値データ 言語データ（定性情報）
主な用途 工程の現状分析、改善効果の確認 企画段階の問題整理、計画立案
適用場面 製造現場の日常管理 新製品開発、業務プロセス改善
使用者層 現場作業者から管理者まで幅広い 管理者・スタッフ向けが中心
必要なスキル 基本的な統計知識 論理的思考力、ファシリテーション力

 

実務では、新QC7つ道具で課題を整理し、QC7つ道具でデータに基づく検証を行うという組み合わせが効果的です。

たとえば、親和図法で洗い出した課題をパレート図で優先順位づけし、特性要因図で要因を分析するといった流れが考えられます。

 

また、連関図法は特性要因図の発展形として位置づけることもできます。

特性要因図は1つの結果に対する要因を整理する一方向のツールですが、連関図法は複数の結果と複数の原因が互いに影響し合う複雑な構造を表現できます。

 

どちらを先に学ぶべきか

品質管理を学び始めた方には、まずQC7つ道具をしっかり習得することをおすすめします。

QC7つ道具は数値データを基にした客観的な分析手法であり、製造現場の日常管理に直結します。

 

新QC7つ道具は、QC7つ道具を使いこなしたうえで、さらに企画段階や管理者レベルの問題解決に取り組む際に学ぶと効果的です。

QC検定では、3級まではQC7つ道具が中心で、2級以上で新QC7つ道具が出題範囲に含まれます。

この出題範囲の違いからも、学習の順序がわかります。

 

9. QC7つ道具を実務で使いこなすポイント

QC7つ道具を実務で効果的に活用するために、押さえておくべきポイントを整理します。

 

目的に応じた道具の選択

まず大切なのは、分析の目的を明確にしてから道具を選ぶことです。

「とりあえずヒストグラムを描いてみよう」ではなく、「工程のばらつきを確認したいからヒストグラムを使う」という順序で考えます。

 

道具の選択基準を目的別に整理すると以下のようになります。

  • 重点課題を特定したい → パレート図
  • 原因を体系的に洗い出したい → 特性要因図
  • データの分布を知りたい → ヒストグラム
  • 工程の安定性を監視したい → 管理図
  • 2つの変数の関係を知りたい → 散布図
  • データを正確に収集したい → チェックシート
  • データを細分化して分析したい → 層別

 

複数の道具を組み合わせる

1つの道具だけでは十分な分析ができないことがほとんどです。

品質問題の分析では、複数の道具を組み合わせた多段階の分析が有効です。

 

典型的な組み合わせパターンを紹介します。

  • パレート図 → 特性要因図 → 散布図：重点項目を特定し、原因を洗い出し、データで検証する
  • チェックシート → ヒストグラム → 層別：データを収集し、分布を確認し、グループ別に分析する
  • 特性要因図 → 散布図 → 管理図：要因を絞り込み、相関を確認し、改善後の工程を監視する

 

データの品質を確保する

どんなに優れた道具を使っても、元のデータが不正確なら正しい結論は得られません。

チェックシートの設計、測定器の校正、データ入力のダブルチェックなど、データ収集段階の品質確保が最も重要です。

 

測定システムの信頼性を定量的に評価するには、MSA（測定システム解析）を実施します。

MSAでは、測定器の繰り返し性（同じ人が同じものを測ったときのばらつき）と再現性（異なる人が同じものを測ったときのばらつき）を評価します。

 

データの品質に関して、もう一つ重要なのがサンプルサイズです。

統計的に意味のある結論を得るためには、十分な量のデータが必要です。

ヒストグラムであれば最低50個以上、管理図であれば25組以上のサブグループデータを集めることが推奨されています。

データが少なすぎると、偶然の変動を見誤って間違った結論に至る危険があります。

 

結果を「見せる」技術

QC7つ道具で分析した結果は、チームや経営層に共有して初めて改善活動に結びつきます。

データ分析のスキルだけでなく、結果をわかりやすく伝えるプレゼンテーション能力も品質管理には欠かせません。

 

QCサークル活動の発表会では、パレート図とヒストグラムの改善前後の比較を並べて見せることで、取り組みの成果を説得力をもって伝えることができます。

グラフのタイトルや軸ラベルは誰が見ても理解できるように記載し、必要に応じて注釈を添えましょう。

 

デジタルツールを活用すれば、ExcelやGoogleスプレッドシートで簡単にQC7つ道具の図を作成できます。

Excelにはパレート図やヒストグラムのテンプレートが標準搭載されているため、関数や書式設定の知識があればスムーズに作成可能です。

 

改善サイクルに組み込む

QC7つ道具は単発で使うよりも、PDCAサイクルに組み込んで継続的に使うことで真価を発揮します。

Plan（パレート図で計画）→ Do（チェックシートで実行・記録）→ Check（ヒストグラムや管理図で効果確認）→ Act（標準化して管理図で維持）という流れを定着させることが、品質改善活動の成功につながります。

 

よくある失敗パターン

QC7つ道具の活用でよく見られる失敗パターンを挙げておきます。

 

最も多いのは、「道具を使うことが目的化する」パターンです。

パレート図を描くことそのものが業務になってしまい、分析結果に基づく改善アクションにつながらないケースが少なくありません。

道具はあくまで手段であり、最終的なゴールは品質の改善であることを常に意識しましょう。

 

次に多いのは、「データが不十分なまま結論を出す」パターンです。

たとえば10個しかデータがないのにヒストグラムを描いて「正規分布だ」と結論づけるのは危険です。

統計的に意味のある分析を行うには、十分なサンプルサイズが必要だという意識を持ちましょう。

 

もう一つは、「1つの道具だけで完結させようとする」パターンです。

パレート図で重点項目を特定しただけで満足し、原因の深掘り（特性要因図）や改善後の効果確認（管理図）を行わないケースです。

QC7つ道具の真の力は、複数の道具を組み合わせた多段階分析にあります。

 

関連記事

instant.engineer

 

まとめ

本記事では、QC7つ道具の全体像と各道具の特徴、使い方を解説しました。

 

QC7つ道具は、パレート図・特性要因図・ヒストグラム・管理図・散布図・チェックシート・層別の7つです。

すべて数値データを扱い、品質問題の「見える化」を実現するためのツール群として位置づけられています。

 

各道具の役割をもう一度整理します。

パレート図で重点課題を見つけ、特性要因図で原因を体系的に洗い出し、ヒストグラムで分布を確認し、管理図で工程を監視し、散布図で変数間の関係を検証し、チェックシートで正確にデータを集め、層別でデータを切り分けて分析を深めます。

 

重要なのは、個々の道具の使い方を覚えることだけではありません。

QCストーリーの流れに沿って目的に応じた道具を選択し、複数の道具を組み合わせて分析を深掘りすることが、品質改善活動を成功に導く鍵です。

 

新QC7つ道具との違いも理解しておくと、数値データだけでなく言語データの分析にも対応でき、より幅広い品質活動を推進できるようになります。

 

QC7つ道具は「特別な統計ソフトがないと使えない」というものではありません。

紙と鉛筆でも十分に作成でき、Excelを使えばさらに効率的に運用できます。

まずは身近な品質課題に対してパレート図を1枚描いてみるところから始めてみてはいかがでしょうか。

データに基づく改善の第一歩が、きっと見えてくるはずです。