おはようございます！マネジメントオフィスいまむらの今村敦剛です。
客観的事実やデータに基づいて意思決定をすることはとても大切です。しかしデータの分析って結構難しいですし、時間と労力もかかります。そうしたデータ分析をAIにサポートしてもらえないかということを試してみたいと思います。
動画でも解説しています（無料・登録不要）
前回までの記事はこちら
データ分析に着手させるプロンプト
ではようやく本題の分析をしてもらいたいと思いますが、このようなプロンプト(指示)を出します。
このExcelファイル（不良データ）を分析し、以下の3つの目的を達成するためのインフォグラフィックを作成してください。
# 目的
1. 【全体像の把握】 最も不良が多い「発生工程」「不良の原因」「不良の事象」は何か？
2. 【傾向の特定】 不良の発生に時間的な傾向や、特定の工程と原因の組み合わせといったパターンはあるか？
3. 【対策の示唆】 分析結果から、どのような対策が有効と考えられるか？# アウトプット形式
１ページに収まるインフォグラフィックつきレポート(HTML形式)
– タイトル・発行日・目次
– 概要（目的／データ説明）
– 分析結果（要約＋図表）
– 考察（傾向の解釈）
– 提言（優先度付き対策案）
このレポートをHTML形式で作れという指示を出したのには理由があります。ChatGPTはPDFを作るのがちょっと苦手なんですよね。しかしHTML形式での出力を指定すると、文字のレポートもグラフなども綺麗に収まって表示をしてくれるので、HTML形式で指示を出しています。
するとインフォグラフィックスレポートを生成されたので、HTMLファイルとして保存（ダウンロード）します。
分析結果のレビュー
どういうレポートが出たか、内容を見ていきましょう。全体としては、１．概要、２．分析結果、３．考察、４．提言の4点から不良データを分析し、改善の方向性を示してくれました。
重要なのは２．分析結果ですので、これを見ていきます。
まず、発生工程別の不良件数をグラフで出してくれています。どこの工程で不良が出たのかというのをグラフにするとわかりやすいですね。
そして、不良の原因（上位10位）の分析です。ラベルがちょっと見切れてます。
不良の事象 (上位10件)のグラフです。
そして、日別の不良発生件数です。
そして、工程不良、原因発生マトリックスというのがありますね。ちょっと見慣れない表じゃないかと思うんですが、それぞれの工程でどんな原因の不良が起きたのかというのをこうやって色で示して、分布を見える化していると言うんですかね。色が明るくなればなるほど件数が多いということなので、この旋盤という工程ではこの原因が多いポイントだというのが、工程別、原因別でクロス分析できるというようなものですかね。ヒートマップと呼んだりすることもあります。
そして考察です。このデータから何が言えるかというのを示してくれています。
考察
- 発生工程: マシニング工程が最も多く、全体の46%を占めた。次いで旋盤工程。
- 原因: 「切削条件の不適合」「工具摩耗」「工具長補正ミス」が上位を占め、いずれも加工条件・工具管理に起因。
- 事象: 面粗度不良・穴径寸法不良など、加工精度に関連する不良が大半。
- 時間傾向: 月末（6/27～6/29）に不良が集中。ライン稼働率増加・納期逼迫が影響か。
- 組み合わせ: マシニング×「工具摩耗」、旋盤×「切削条件不適合」で高頻度。
そしてこの分析結果を受けた提言です。
- 工具管理強化（高） — 工具寿命の予兆保全と定期交換サイクルの見直し。
- 切削条件の最適化（高） — 標準条件の再設定と作業者教育を実施。
- NCプログラム版数管理（中） — サーバー集中管理とリリースフローの可視化。
- 月末の負荷平準化（中） — 生産計画を前倒しし、残業集中を回避。
- 検査工程フィードバック（低） — 検査発見の不良を即日共有し、当日中に是正。
グラフが見切れているところは残念ですね。そして分析内容についても、ある程度の分析をしてくれていますが、正直なところ物足りないなというのが。実感です。というのも、この分析元のExcelデータを作る時に、ぼくが意図的に設定したことがあるのですが。そこにChatGPTはまったく気づいてイないようです。
ということですので、次回はこの分析結果を踏まえて、さらによい分析にするために人間が介入したいと思います。