実績紹介
Achievements
大手自動車部品メーカ(T1)
（2018～2022）
デザインレビュー、実験計画指導、データ解析指導
大手計 測機器メーカ
（2016~現在）
品質改善、実験計画の指導,市場不良データ解析、不良予測
大手日系企業海外工場の品質指導
（2016～2019）
材料加工企業の品質改善
（2020~2021）
電気機器メーカの品質改善
(2019~2020）
金属部品メーカ品質リスク低減
（2022~現在）
大手産業機械メーカ 品質改善指導
（2024～2025）
クレームデータ分析による根本問題抽出、外注不具合の改善、工程内不良分析と条件出し、
デザインレビューの方法、実験計画法とデータ解析法などの指導
大手材料系メーカの品質改善指導
（2024～現在）
クレームデータ分析による根本問題抽出、改善指導
お客様の声
量産工程で生じるばらつきに対する保証の考え方や検証方法について、われわれに全くなかった知見を提供いただけて、現場で経験を積んでこられた専門家ならではの助言の的確さを実感しました。
Ｈ氏の親しみやすい人柄もあって、双方はすぐに打ち解けてプロジェクトが本格始動しました。
最初に現場を見てもらった時に自分たちが全く気付かなかった問題点を指摘され、さすがにプロだと感心しました。
故障モデルに基づく市場クレームの返品数予測はリコール実施の判断の重要な材料になりました。
主要講演実績1
■「技術ロードマップ作成と戦略的活用の実際」（企業研究会 2008）
■「山武における研究成果の事業化推進」（大阪商工会議所 2010）
■「設計・開発・製造における問題解決の手法とその実践」（日本テクノセンター 2013~5）
■「ロバスト設計と最適化手法による製品設計・生産性改善」（日本テクノセンター 2016～7）
主要講演実績2
（SAS社 Discovery Summit Japanでの講演）
■作業ミスを誘発する組織要因を可視化し改善の仕組みの提案(2018)
•作業ミスを誘発する組織要因を可視化し改善の仕組みの提案(2018)
•作業標準の遵守・維持・教育に関するアンケート調査で組織課題を可視化する
■JMPによる品質問題の解決～不良解析と信頼性予測～(2019)
•故障モデルを予測して故障率と将来の返品数（損出金額）を予測する
■JMPによる実験と解析の効率化(2020)
•L18実験の問題点と決定的スクリーニング計画(DSD)の活用
■品質問題をテキストマイニングで究明する方法(2021)
•生産データやドキュメントのテキストマイニングで品質や生産性の問題を発見する
■JMPによる品質問題の発見と解決(2022)
•生産実績の平均分析による問題発見と層別と可視化によるヒューマンエラー削減
主要講演実績3
■SAS社 での講演 2021（5回シリーズ）
第1回 クレーム対応の根拠となる信頼性予測
•市場クレームが発生すると、不良が将来さらに増えるのか、損出額はどのくらいかを正確に予測することが求められる
•信頼性予測手法で生産月毎の生産数と不良数から故障モデルと故障率を予測できる
•故障モデルはWeibull、正規、指数、Fréchetなどがあり、
そのなかで最も適合する故障モデルと適合性指標が示される
•累積故障率グラフは5年後の累積故障率を予測します。ハザードグラフは故障カーブ(初期、偶発、摩耗)と故障確率を示す
•ハザードグラフから故障カーブ(初期、偶発、摩耗)が判定できるので原因究明のヒントになる
•現実の故障は部分故障モデルが多く、これを通常の故障モデルにあてはめると将来の返品数損出を過大に見積ることになる
第2回 JMPによる原因究明のノウハウ
•デートコードは月・曜日・時刻などを抽出して分析することで季節変動や経時変化を発見できることがあります
•シリアル番号を入れて分析するとこれが寄与率の高い要因になります
•分布の偏りがある場合は適切な変換で重回帰分析のあてはまりが良くなることがあります
•相関が強い変量をそのまま重回帰分析するとあてはまりの悪さが有意になることがある。多変量の相関によるスクリーニングを行います
•パティション分析で交互作用が明らかになった場合は交互作用をモデルに加えて重回帰分析します
•多変量解析の前に2変量の関係を確認しますが、2変量でも多変量解析で有意でないことは良くあります。逆もまた起こります
•重回帰分析やパティション分析の結果はローカルデータフィルタを使って可視化する方法もおすすめです
第3回 実験計画の問題解決
JMPを使わずに計画・実施された「独自」実験は交絡があるため効果の推定が正しくできないことがあります。
決定的スクリーニング計画(DSD) を使えば何十回もの独自実験がわずか20回で済みます。
実務的な問題に直面することがあります。たとえば計画通りの水準のサンプルがどうしても手に入らないことがあります。そういう場合は「計画の診断」を行い、当初計画と修正計画で交絡状態や検出力の差異を確認し判断します。
実験で欠測値が生じたときは、そのまま解析する方法や全平均値を入れる方法などがあります。また欠測値処理方法による予測値の違いを確かめます。欠測値が生じた実験を拡張計画でリカバーする方法もあります。
Discovery Summit 2020で説明しきれなかった、DSDから拡張計画を実施する手順、DSDあてはめのステージでのp値調整法も紹介します。
第4回 JMPによるマネジメント変革・組織改革
テキストマイニングで年間の不具合調査報告書を分析すると、頻出語と関連語を可視化することができます。たとえば「不注意」や「確認不足」という言葉が多く使われ、それと短絡して「教育」や「注意喚起」という言葉が頻出する実態が明らかになります。作業手順や発生プロセスを示す言葉が出現しないことから、RCA分析(根本原因分析)が実施されていないことや問題の原因が言及されていないことが明らかになります。
製造現場では作業中の製品の異常を発見したときのアクションを教育していますが、その教育の浸透度を調べるアンケート調査で質問をして、正しいと考えるアクションを書いてもらいます。それを集計して分析することで、全体的に正解が多い項目と不正解が多い項目や正解が多い組織や経験年数などが明らかになりました。
こうしたアンケート調査による診断は、職場風土調査、イレギュラー状況下での作業者の行動調査、360度評価結果、などの分析にも応用できます。
第5回 JMPによる業務改革の進め方
設計・技術の審査部門の責任者がJMPによる開発業務の改革を推進しているケースがあります。企業内で組織横断的な指導をしているデータサイエンティストもおられます。特に前者は組織的展開が非常にうまく行っているケースだと思います。
データサイエンス教育については統計数理研究所所長椿先生の仰る「手法の階層性を意識した教育」が重要だと感じています。余計なことは教えない方が良いとすら感じています。差異の有無や変化の有無の判定、交互作用、2変量と多変量の解析結果の違い、層別で変化する結果などを事例で教えることが重要だと感じています。
データサイエンス教育で大切なことは誰もが陥る思考の罠に気づかせることです。ひとつは2変量病、米国ではOFAT syndrome、万国共通の罠だと気づきます。合否基準を実験目的に明記せずに、単に異常なしとする問題も良く見かけます。