ChatGPTソラ先生と学ぶ!中級者のためのAI実践講座【第33回】ChatGPTで不良率と工程能力を分析する方法|品質データから製造工程の安定性を評価する実践講座
こんにちは、ソラ先生です。
前回は、ChatGPTを使って実験データを分析し、平均値や標準偏差、測定誤差、統計的な違いを理解する方法を学びました。
今回は、さらに実際の製造現場へ目を向けてみましょう。
テーマは「不良率と工程能力の分析」です。
皆さんは、こんな経験はありませんか?
「先月より不良品が減ったのに、品質が改善した実感がない」
「検査した製品はすべて合格したけれど、このまま安心して製作できるのだろうか」
「図面公差には入っているのに、寸法が少しずつ片側へ寄っている」
「同じ設備で加工しているのに、日によって寸法のばらつきが違う」
「CpやCpkという言葉を聞いたことはあるけれど、何を表しているのか分からない」
製造現場では、不良品を減らすことが重要です。
しかし、不良品の数だけでは、製造工程の状態を十分に理解できない場合があります。
例えば、100個製作して不良品が1個だった場合と、10,000個製作して不良品が10個だった場合では、不良品の数だけで評価することはできません。
また、今回製作した製品がすべて合格していても、寸法が公差の上限付近へ偏っている場合があります。
そのような工程では、少し条件が変化するだけで、不良品が発生する可能性も考えられます。
ChatGPTは、不良率の計算、品質データの集計、寸法分布の分析、Cp・Cpkなどの工程能力指標の理解を支援できます。
今回は、**「不良率を把握する → 寸法のばらつきを調べる → 工程の安定性を確認する → 工程能力を評価する → 改善方法を考える → 継続して監視する」**という流れを学びましょう。
1.不良品の数だけで品質を判断できる?
例えば、ある工場で次のような製造実績があったとします。
| 月 | 製造数量 | 不良品数 |
|---|---|---|
| 4月 | 1,000個 | 20個 |
| 5月 | 2,000個 | 25個 |
| 6月 | 5,000個 | 30個 |
不良品の数だけを見ると、4月から6月にかけて増えています。
しかし、製造数量も増えています。
そこで、不良率を計算してみましょう。
不良率は、一般的に次の式で求めます。
不良率(%)=不良品数÷製造数量×100
4月は、
20÷1,000×100=2.0%。
5月は、
25÷2,000×100=1.25%。
6月は、
30÷5,000×100=0.6%。
となります。
| 月 | 不良品数 | 不良率 |
|---|---|---|
| 4月 | 20個 | 2.0% |
| 5月 | 25個 | 1.25% |
| 6月 | 30個 | 0.6% |
不良品の数は増えていますが、不良率は低下しています。
このように、件数だけでは見えなかった傾向が分かります。
ただし、不良率が下がった理由までは、この数字だけでは分かりません。
製品構成が変わったのかもしれません。
検査方法が変わった可能性もあります。
実際に加工条件が改善されたのかもしれません。
ChatGPTには次のように質問できます。
実践プロンプト①
「月別の製造数量と不良品数から、不良率を計算してください。不良品の件数と不良率の違いを説明し、不良率が変化した理由を調べるために必要な情報を整理してください」
2.不良率を比較するときの注意点
例えば、二つの加工工程を比較するとします。
A工程の不良率は1%。
B工程の不良率は3%。
この場合、A工程の方が品質管理に優れていると判断できるでしょうか。
必ずしもそうではありません。
例えば、A工程では単純な穴加工を行っているとします。
一方、B工程では厳しい寸法公差が必要な薄肉部品を加工しているかもしれません。
この場合、単純な不良率だけで工程の優劣を比較することは適切ではありません。
また、不良として判断する基準が違う場合もあります。
そのため、不良率を比較するときは、次のような条件を確認します。
製品の種類。
要求される品質。
検査方法。
製造数量。
加工条件。
不良品の分類方法。
このように、比較する条件を整理することが重要です。
実践プロンプト②
「二つの加工工程の不良率を比較したいです。製品の難易度、図面公差、検査方法、製造数量、製品構成など、単純な不良率比較では見落としやすい条件を整理してください」
3.不良品数と不良件数は同じではない
ここで、もう一つ知っておきたいことがあります。
「不良品数」と「不良件数」は、同じ意味とは限りません。
例えば、100個の製品を検査したとします。
そのうち3個に不良が見つかりました。
しかし、その3個の中には、一つの製品に複数の不良が発生しているものもありました。
例えば、
製品Aには寸法不良と傷がある。
製品Bには寸法不良がある。
製品Cには外観不良がある。
この場合、不良品数は3個です。
一方、不良の発生件数は4件です。
つまり、不良品数と不良の発生件数は一致しません。
製造現場では、何を数えているのか明確にする必要があります。
また、工程内不良、最終検査不良、出荷後の不具合など、どの段階のデータを集計しているかも重要です。
ChatGPTには次のように相談できます。
実践プロンプト③
「品質データについて、不良品数、不良発生件数、工程内不良、最終検査不良を区別して管理したいです。それぞれの定義と、重複集計を防ぐための管理方法を整理してください」
4.実践例|寸法が公差内でも、工程は安定している?
ここからは、具体的な寸法データを使って考えてみましょう。
ある工場では、直径20mmの樹脂部品を製作しています。
図面で指定されている寸法は、
20.00±0.10mm
です。
つまり、許容される寸法範囲は、
下限19.90mm。
上限20.10mm。
となります。
ここで、二つの加工条件を比較します。
A条件は、従来の加工方法。
B条件は、新しく検討している加工方法です。
仮に、次のような測定結果の特徴が得られたとします。
| 項目 | A条件 | B条件 |
|---|---|---|
| 平均寸法 | 20.00mm | 20.06mm |
| 標準偏差 | 0.025mm | 0.025mm |
| 規格下限 | 19.90mm | 19.90mm |
| 規格上限 | 20.10mm | 20.10mm |
※説明用の架空の条件です。標準偏差は、工程内変動を適切に推定した値であると仮定します。
二つの条件では、標準偏差が同じです。
つまり、ばらつきの大きさは同程度と考えられます。
しかし、平均値の位置が違っています。
A条件は20.00mm。
B条件は20.06mm。
B条件では、平均寸法が上限の20.10mmへ近づいています。
この違いが、工程能力を考えるうえで重要になります。
5.工程能力とは何でしょうか?
工程能力とは、製造工程が要求された規格を満たす製品を、どの程度安定して作れるかを統計的に評価する考え方です。
例えば、同じ設備で同じ製品を繰り返し加工していても、寸法が完全に一致するとは限りません。
材料の状態。
工具の摩耗。
設備の温度変化。
固定方法。
測定のばらつき。
こうした要因が、製品の寸法へ影響する場合があります。
そのため、工程で発生するばらつきが、図面公差に対してどの程度の大きさなのかを考えます。
また、寸法の平均値が規格の中央からどの程度ずれているかも重要です。
工程能力を評価する指標として、CpやCpkなどがあります。
ただし、これらの指標を正しく使うためには、工程が統計的に安定していることや、データの分布、測定方法などの確認が必要です。
6.Cpとは、どのような指標?
Cpは、工程のばらつきの大きさと、規格幅を比較する指標です。
代表的な計算式は、次のとおりです。
Cp=(規格上限-規格下限)÷(6×工程内標準偏差)
ここで、
規格上限をUSL。
規格下限をLSL。
工程内標準偏差をσと表します。
例えば、今回の部品では、
規格上限=20.10mm。
規格下限=19.90mm。
工程内標準偏差=0.025mm。
です。
これを式へ代入します。
Cp=(20.10-19.90)÷(6×0.025)
Cp=0.20÷0.15
したがって、
Cp≒1.33
となります。
この数字は、規格幅に対して、推定された工程内のばらつきがどの程度かを示しています。
ただし、Cpには重要な特徴があります。
Cpだけでは、寸法の平均値が規格の中央にあるかどうかは分かりません。
そのため、Cpが同じ二つの工程でも、規格外品が発生するリスクが同じとは限りません。
7.Cpkとは、どのような指標?
Cpkは、工程のばらつきに加えて、寸法の平均値が規格のどちら側へ寄っているかを考慮する指標です。
代表的な計算式は、次のとおりです。
Cpk=次の二つの値のうち、小さい方
上側の能力指数:
(規格上限-平均値)÷(3×工程内標準偏差)
下側の能力指数:
(平均値-規格下限)÷(3×工程内標準偏差)
この二つを計算することで、平均値が上限と下限のどちらへ近いかを考慮できます。
例えば、A条件について計算してみましょう。
平均値は20.00mmです。
上側の値は、
(20.10-20.00)÷(3×0.025)
=0.10÷0.075
≒1.33。
下側の値も同じく約1.33です。
したがって、
A条件のCpk≒1.33
となります。
8.平均値がずれると、Cpkはどう変わる?
次に、B条件を考えましょう。
B条件の平均値は20.06mmです。
標準偏差はA条件と同じ0.025mmです。
上側の値は、
(20.10-20.06)÷(3×0.025)
=0.04÷0.075
≒0.53。
下側の値は、
(20.06-19.90)÷(3×0.025)
=0.16÷0.075
≒2.13。
この二つのうち小さい方を使用します。
したがって、
B条件のCpk≒0.53
となります。
結果を比較してみましょう。
| 項目 | A条件 | B条件 |
|---|---|---|
| 平均値 | 20.00mm | 20.06mm |
| 標準偏差 | 0.025mm | 0.025mm |
| Cp | 1.33 | 1.33 |
| Cpk | 1.33 | 0.53 |
二つの条件では、Cpが同じです。
しかし、Cpkには大きな差があります。
その理由は、B条件の平均寸法が規格上限へ近づいているからです。
<Chart content={{"chartType":"bar","meta":{"title":"加工条件別の工程能力指数(架空データ)","description":"同じばらつきでも、平均値が偏るとCpkが低下する"},"xKey":"condition","series":[{"dataKey":"cp","label":"Cp"},{"dataKey":"cpk","label":"Cpk"}],"yAxisMin":0,"data":[{"condition":"A条件","cp":1.33,"cpk":1.33},{"condition":"B条件","cp":1.33,"cpk":0.53}]}}/>
このことから、工程能力を評価するときには、ばらつきだけでなく、平均値の位置も確認する必要があると分かります。
9.CpとCpkの違いを整理する
ここまでの内容を、簡単に整理してみましょう。
Cp
工程のばらつきが、規格幅に対してどの程度かを示す。
Cpk
工程のばらつきに加え、平均値が規格の上限または下限にどの程度近いかを考慮する。
例えば、加工寸法のばらつきが小さくても、平均値が規格上限へ寄っていれば、不良品が発生しやすくなる可能性があります。
一方、平均値が規格の中央にあっても、ばらつきが大きければ、規格を外れる製品が発生する可能性があります。
そのため、CpとCpkを組み合わせて評価することが役立ちます。
ChatGPTには次のように質問してみましょう。
実践プロンプト④
「CpとCpkの違いを、寸法20.00±0.10mmの加工部品を例に説明してください。ばらつきが同じでも、平均値が上限へ近づくとCpkが低下する理由を分かりやすく説明してください」
10.Cpkが1.33なら、必ず安心?
工程能力について調べると、Cpkが1.33以上などの基準を見かけることがあります。
しかし、1.33という数値を、すべての仕事に共通する絶対的な合格基準と考えることはできません。
必要な工程能力は、製品の用途や顧客要求、適用規格などによって異なります。
また、計算したCpk自体にも推定誤差があります。
例えば、少数の測定データから計算したCpkと、長期間にわたって収集したデータから評価した工程能力では、信頼性が異なる場合があります。
さらに、工程が安定していなければ、現在の数値から将来の品質を予測することは難しくなります。
そこで、Cpkの数字だけではなく、どのようなデータから算出したのか確認する必要があります。
実践プロンプト⑤
「Cpkが1.33と計算されました。この数値を評価するために、顧客要求、工程の安定性、データ数、測定方法、分布の形、工程内標準偏差の算出方法について、確認すべき項目を整理してください」
工程能力の数字は判断材料であって、それだけで製品品質を保証するものではありません。
11.工程が安定しているとは、どういうこと?
ここで重要になるのが「工程の安定性」です。
例えば、ある加工工程で寸法を測定したとします。
最初は20.00mm付近で安定していました。
しかし、加工を続けるうちに、20.02mm、20.04mm、20.06mmと、徐々に寸法が変化していきました。
このような変化が見られた場合、工具摩耗や設備温度などの影響を調べる必要があるかもしれません。
一方、寸法が上下に変動していても、工程の通常のばらつきの範囲で変化している場合もあります。
こうした違いを確認するために、時系列でデータを記録する方法があります。
例えば、測定値を加工順に並べてグラフにします。
そうすると、平均値の変化や、特定の時間帯に発生する異常などが見つかる場合があります。
ただし、単にグラフが平らに見えることと、統計的に管理状態にあることは同じではありません。
その判断には、適切な管理図や判定ルールが必要です。
12.管理図を使って工程の変化を調べる
製造工程の状態を監視する方法の一つに、管理図があります。
管理図は、測定値を時系列で並べ、工程の変化を確認するための統計的な道具です。
一般的には、中心線と管理限界などを設定して使用します。
例えば、部品の直径寸法を定期的に測定するとします。
その結果を時系列で記録すれば、寸法が徐々に変化しているのか、急に変化したのかを確認できます。
ただし、管理限界と図面公差は異なります。
図面公差は、製品として許容される範囲です。
一方、管理限界は、工程の統計的な変動を評価するための基準です。
この二つを混同してはいけません。
例えば、測定値が図面公差内でも、管理図では工程の異常な変化が疑われる場合があります。
逆に、管理図で安定していても、工程の平均値やばらつきが適切でなければ、規格外品が発生する可能性があります。
ChatGPTには次のように質問できます。
実践プロンプト⑥
「加工寸法を時系列で記録し、管理図を使って工程の安定性を確認したいです。図面公差と管理限界の違いを説明し、管理図の種類を選ぶために必要な測定条件とデータ構造を整理してください」
13.Cp・CpkとPp・Ppkの違い
工程能力を調べると、Cp・Cpk以外にもPp・Ppkという指標が出てきます。
何が違うのでしょうか。
代表的な違いは、ばらつきの推定方法です。
CpとCpkでは、通常、合理的な群分けなどに基づいて推定した工程内のばらつきを使用します。
一方、PpとPpkでは、収集したデータ全体のばらつきを使用します。
例えば、同じ設備で加工していても、日によって寸法の平均値が変化している場合があります。
このような長期間の変化は、データ全体のばらつきに含まれます。
ただし、実際の計算方法や解釈は、データの取り方や採用する手法によって異なります。
特に注意したいのは、Excelの STDEV.S で全測定値の標準偏差を計算し、それをCp・Cpkの式に代入すれば、常に正しい工程能力評価になるわけではないことです。
工程内のばらつきと、全体のばらつきを区別する必要があります。
ChatGPTには次のように質問できます。
実践プロンプト⑦
「Cp・CpkとPp・Ppkの違いを説明してください。工程内のばらつきと、長期間の全体的なばらつきを区別する理由を、製造工程の寸法測定を例に整理してください」
14.正規分布を前提にしてよい?
CpやCpkを使うときには、データの分布にも注意する必要があります。
例えば、寸法測定データが平均値の周囲に集まり、左右に近い形で広がっている場合があります。
一方、データが片側に偏っていたり、複数の山を持っていたりする場合もあります。
そのような場合、一般的な正規分布を前提とした工程能力分析が適切とは限りません。
例えば、複数の設備や材料ロットの測定値をまとめている場合です。
設備ごとの平均寸法が異なれば、全体の分布が複雑になる可能性があります。
また、測定対象によっては、そもそも正規分布を想定しにくい場合もあります。
そこで、ヒストグラムや時系列グラフなどを確認し、データの特徴を理解する必要があります。
実践プロンプト⑧
「工程能力を分析する前に、寸法測定データが正規分布を前提とする方法に適しているか確認したいです。ヒストグラム、時系列変化、設備差、材料ロット差などの観点から、確認するべき項目を整理してください」
15.品質改善では、何を優先すべき?
工程能力を計算した結果、Cpkが低いことが分かったとします。
その場合、何を改善すればよいのでしょうか。
例えば、次の二つの問題が考えられます。
問題A:平均値が規格の片側へ偏っている
この場合、加工条件や工具補正などを確認し、平均値がずれる理由を調べる必要があります。
問題B:寸法のばらつきが大きい
この場合、材料、固定方法、工具、設備、測定方法など、ばらつきに影響する条件を調べる必要があります。
もちろん、両方の問題が同時に発生している場合もあります。
そのため、CpとCpkだけでなく、実際の寸法分布や時系列データを確認することが重要です。
ChatGPTには次のように依頼できます。
実践プロンプト⑨
「工程能力を分析した結果、Cpは比較的高いもののCpkが低い状況です。平均値の偏りが考えられるため、原因を確認する項目を整理してください。また、CpとCpkの両方が低い場合に検討すべきことも説明してください」
改善方法を決める前に、何が問題になっているのか理解する必要があります。
16.不良率がゼロでも、工程能力は十分とは限らない
例えば、20個の部品を製作し、すべて図面公差内だったとします。
不良率は0%です。
では、この工程は十分に安定しているのでしょうか。
まだ分かりません。
今回の20個が、たまたま規格内に入っていた可能性もあります。
また、寸法が公差上限の近くに集中していた場合、加工条件のわずかな変化で不良が発生する可能性があります。
そのため、不良率だけでなく、寸法の平均値、ばらつき、時系列変化などを確認することが役立ちます。
ここで重要なのは、今回の検査結果と、今後の製造工程の能力を区別することです。
今回すべて合格したことと、将来も安定して合格品を製作できることは同じではありません。
17.不良率の改善を、数字だけで終わらせない
例えば、ある工程で不良率が2%から1%へ低下したとします。
これは、測定した期間における不良率が改善したことを示しています。
しかし、その理由を確認しなければ、同じ状態を維持できるかどうか分かりません。
例えば、工具交換の基準を見直した結果かもしれません。
固定方法を改善した効果かもしれません。
材料のロットが変わったことが影響している可能性もあります。
また、検査の方法や製品構成が変わっている場合も考えられます。
そこで、改善前後の条件を整理します。
変更した加工方法。
使用工具。
設備の状態。
材料。
測定方法。
製造数量。
不良の種類。
こうした情報を組み合わせて分析します。
ChatGPTには次のように相談できます。
実践プロンプト⑩
「不良率が2%から1%へ低下しました。改善の効果を検証するために、変更した加工条件、材料、設備、検査方法、製品構成などの情報を整理してください。単純な前後比較だけで原因を断定しないでください」
18.品質データを継続的に管理する
品質を安定させるためには、一度だけ分析して終わるのではなく、継続して確認することも重要です。
例えば、毎日の加工寸法をExcelで記録するとします。
記録する項目としては、次のようなものが考えられます。
| 項目 | 記録内容 |
|---|---|
| 製造日 | 加工した日付 |
| 製品番号 | 対象製品の識別 |
| 設備 | 使用した加工機 |
| 材料ロット | 材料の識別情報 |
| 加工条件 | 工具や設定条件 |
| 測定値 | 実際の寸法 |
| 規格上限・下限 | 図面上の許容範囲 |
| 判定 | 合格・不合格 |
| 特記事項 | 工具交換、条件変更など |
こうしたデータを蓄積すれば、単に不良が発生したときだけでなく、寸法の変化を早めに見つけられる可能性があります。
ただし、データを大量に集めるだけでは改善につながりません。
何を判断するために記録するのか、目的を明確にすることが大切です。
実践プロンプト⑪
「製造現場の品質データをExcelで継続管理したいです。寸法測定値、不良判定、設備、材料ロット、工具交換履歴などを記録し、工程の変化を分析できる管理表を考えてください」
19.今日の実践課題|工程能力を計算してみよう
今回は、ChatGPTを使って、架空の加工寸法データから工程能力を考える練習です。
ステップ① 規格を設定する
次の条件をChatGPTへ伝えます。
「加工部品の寸法は20.00±0.10mmです。規格上限と規格下限を整理してください」
ステップ② 平均値とばらつきを設定する
「A条件は平均20.00mm、B条件は平均20.06mmです。両方の工程内標準偏差は0.025mmと仮定します」
ステップ③ Cpを計算する
「規格幅0.20mm、工程内標準偏差0.025mmとして、Cpを計算してください」
ステップ④ Cpkを計算する
「A条件とB条件について、上側と下側の能力指数を計算し、それぞれのCpkを求めてください」
ステップ⑤ 結果を比較する
「Cpが同じでもCpkが異なる理由を、平均値の位置と関連づけて説明してください」
ステップ⑥ 工程の安定性を考える
「実際にCp・Cpkを評価する前に、管理図や時系列データで何を確認するべきか整理してください」
ステップ⑦ 改善方法を考える
「B条件の平均寸法が上限へ寄っている原因として、どのような可能性があるか考え、確認項目を整理してください」
ステップ⑧ 不良率と比較する
「今回の検査では不良品がなかった場合でも、工程能力を評価する理由を説明してください」
ステップ⑨ 品質分析報告書へまとめる
「今回の分析結果を、規格、平均値、標準偏差、Cp、Cpk、工程安定性、未確認事項、改善案に分けて報告書として整理してください」
この練習では、CpやCpkの数字を覚えることだけが目的ではありません。
その数字が何を表し、どのような判断に使えるのか理解することが重要です。
20.ChatGPTを品質分析に使うときの注意点
ChatGPTは、不良率の計算、寸法データの分析、グラフ作成、工程能力指標の理解などを支援できます。
しかし、AIが計算した数字が、必ず実際の工程を正しく評価しているとは限りません。
例えば、工程内標準偏差をどのように推定したのかによって、CpやCpkの値が変わる場合があります。
また、工程が安定していない場合や、測定データの取り方に偏りがある場合、計算した数字から将来の品質を判断することは難しくなります。
さらに、特定の製品には、顧客が指定した品質評価方法や工程能力基準がある場合もあります。
そのため、重要な品質判断では、実際の仕様書や測定記録、適用される評価方法を確認する必要があります。
AIは分析を支援できますが、製品の合否や工程の正式な承認を自動的に決めるものではありません。
21.工程能力を知ることは、何につながる?
最後に、工程能力を分析する意味について考えてみましょう。
品質管理というと、不良品を見つけて取り除くことを思い浮かべるかもしれません。
もちろん、検査によって不良品を見つけることは重要です。
しかし、それだけでは、次の製作でも不良が発生する可能性があります。
そこで、製造工程そのものの状態を理解することが大切になります。
例えば、加工寸法がどの程度ばらついているのか。
平均値が図面公差のどこに位置しているのか。
時間とともに寸法が変化していないか。
特定の設備や材料ロットで違いが生じていないか。
こうしたことを確認できれば、不良品が発生する前に、異常の兆候を見つけられる場合があります。
また、改善した後も同じ方法でデータを測定することで、改善の効果が続いているか確認できます。
品質を安定させるためには、実際にどのような変化が起きているのか知ることが重要です。
まとめ|不良品を数えることから、工程を理解することへ
今回は、ChatGPTを使って不良率と工程能力を分析する方法を学びました。
重要なポイントは、次のとおりです。
- 不良品の数だけでなく、製造数量に対する不良率を確認する。
- 不良品数と不良発生件数を区別する。
- 製品の種類や検査条件が異なる場合は、単純比較を避ける。
- 寸法の平均値とばらつきの両方を確認する。
- Cpは規格幅と工程内のばらつきを比較する指標である。
- Cpkは平均値の偏りも考慮する指標である。
- 工程能力を評価する前に、工程の安定性を確認する。
- 管理図の管理限界と図面公差を混同しない。
- 工程内のばらつきと、全体的なばらつきを区別する。
- 不良率や工程能力の変化を、実際の改善へつなげる。
製造現場では、製品を検査して合否を判断することが必要です。
しかし、品質を安定させるには、それだけでは十分ではありません。
どのような条件で良品を製作できているのか。
寸法は、どの程度ばらついているのか。
時間の経過によって、何か変化していないか。
そして、今後も同じ品質を維持できる可能性があるのか。
こうしたことを分析することで、工程の状態をより深く理解できます。
ChatGPTは、不良率の集計や工程能力の計算、データ分析を支援できます。
しかし、実際の現場で何が起きているのかを確認し、必要な改善を実施するのは人間です。
品質改善で大切なのは、不良品が発生した後に原因を調べることだけではありません。工程の状態を継続して理解し、不良が発生しにくい製造方法へ改善していくことです。
AIと一緒に数字を整理し、工程の変化を調べ、必要な条件を確認する。
そして、結果から学び、次の仕事へ活かしていく。
その積み重ねが、中級編で身につけていきたい実践的なAI活用です。
次回【中級編・第34回】
「ChatGPTで品質不良の発生傾向を分析する方法|パレート図・層別・重点改善テーマの見つけ方」
次回は、不良の種類や発生工程、設備、材料ロットなどの情報を整理し、どの問題から改善するべきか考えます。
パレート図や層別分析を使って、不良の発生傾向を理解し、限られた時間や人員の中で、効果的な改善テーマを選ぶ方法をChatGPTと一緒に学んでいきましょう。