工程管理の基本と工程能力指数Cp/Cpkの読み解き方

この記事を読むとわかること

工程管理は生産工程を計画通り進める業務の総称ですが、本質は「異常を早期発見し影響を最小化する」ことにあります。工程能力指数Cp/Cpkはばらつきと中心ずれの両方を見るための指標で、Cpが高くてもCpkが低い場合があるため正しい解釈が必要です。見える化は日次→時間別→分単位と段階的に進めるのが現実解です。読み終える頃には、自社の工程管理を評価する軸と、AI/IoT活用の優先順位が判断できるようになります。

工程管理の4機能とQCDへの貢献

工程管理とは、製造工程を計画通りに進めるための監視・調整業務全般を指します。具体的には作業指示の徹底、進捗の追跡、品質状態の監視、異常時の即時対応といった業務を含み、4つの機能で構成されます。

工程管理

QCDを安定化させる現場運用

タイプ 1

指示機能

• 作業指示書発行
• 段取り指示

タイプ 2

監視機能

• 進捗追跡
• 品質モニタリング

タイプ 3

調整機能

• 異常時の振替
• 優先度変更

タイプ 4

改善機能

• 原因分析
• 工程改善活動

工程管理が機能すれば、品質・コスト・納期（QCD）が安定します。逆に工程管理が弱いと、計画は立てたが現場で崩れる、不良が出てから気づく、納期遅れが顧客クレームで判明する、といった状態に陥ります。経済産業省「2025年版ものづくり白書」でも、製造業の競争力強化において工程管理のデジタル化が重視されています。

工程能力指数Cp/Cpkを正しく解釈する

工程管理の中核となる定量指標が工程能力指数です。Cpはばらつきが規格幅に収まるかを示し、Cpkはばらつきに加えて中心ずれも考慮した指標で、どちらも1.33以上が目安とされています。

多くの現場で混乱しているのが「Cpが高くてもCpkが低い」現象です。これはばらつきは小さいが、中心が規格中心からズレている状態を示しています。逆に「ばらつきが大きいが、運良く中心に収まっている」というケースもあり、CpとCpkの両方を見ないと工程の実態が読み取れません。

実務的な解釈をまとめると、CpもCpkも1.33以上なら工程は十分管理されている、Cpが1.33以上でCpkが1.33未満なら中心のずれを直すだけで改善できる、Cpが1.33未満ならばらつきそのものを減らす必要がある、という3段階で判断できます。この区別ができると、改善の打ち手が「中心調整」か「ばらつき削減」かの方向性が明確になり、無駄な対策を避けられます。

見える化は日次→時間別→分単位で段階的に進める

「工程を見える化したい」と思っても、いきなり分単位で全データを取るのは現実的ではありません。当社が推奨しているのは3段階で進めるアプローチです。

1

Step 1

日次見える化

翌朝の朝礼で前日実績が分かる状態

2

Step 2

時間別見える化

リアルタイムに近い時間別の状態把握

3

Step 3

分単位見える化

IoTセンサーで連続データ取得

1

Step 1

日次見える化

翌朝の朝礼で前日実績が分かる状態

2

Step 2

時間別見える化

リアルタイムに近い時間別の状態把握

3

Step 3

分単位見える化

IoTセンサーで連続データ取得

中小製造業はStep 1から始めるのが現実解です。いきなりStep 3に飛ぶと、現場の入力負担が爆発して定着しません。Step 1で「翌朝に前日が見える」状態を作るだけでも、改善活動の質は大きく変わります。Step 2、Step 3への移行は、Step 1で見えてきたボトルネック工程に限定して投資するのが、無駄のない設計になります。

工程管理の本質は計画通りより異常の早期発見にある

教科書的には「工程を計画通り進める」と書かれていますが、当社の現場経験では工程管理の本質は「異常を早期発見し、影響を最小化する」ことにあります。

その理由は、製造現場は完全に計画通りには進まないからです。受注変更、設備の調子、材料の品質、人員の体調、これらの要因で計画はずれます。重要なのは「ずれが起きた時に何分以内に気づくか」であり、早く気づけば対応の選択肢が増え、遅れると致命傷になります。

気づくまでの時間を業務単位でKPI化すると、工程管理の改善優先順位が明確になります。設備停止は5分以内、品質不良の急増は30分以内、進捗遅延は1時間以内、在庫枯渇予兆は半日以内、といった具体的な目標を持つと、IoT・AI投資の判断軸が見えてきます。「異常検知時間」をKPIに据える視点こそが、AI時代の工程管理を計画する出発点です。

工程管理にAIが効く場面と中小製造業の罠

AIが効果的な領域は4つに整理できます。設備データの平常状態からの逸脱を捉える異常検知、不良発生予測や設備故障予測に効く予測、外観検査や作業の標準性チェックに使える画像認識、作業日報やトラブル報告書の自動分類に役立つ自然言語処理、これらが工程管理にAIを使う典型場面です。日本機械学会論文集には製造現場でのAI活用事例が多数蓄積されています。

一方で、IPA「中小製造業DX推進ガイド」が指摘する典型的なDX阻害要因と重なる罠が3つあります。第一に、データを取るだけで活用しないことです。見える化したものの分析されないまま放置されるパターンが多発します。第二に、指標が多すぎることです。KPIが30個もあると現場が追えなくなります。第三に、改善PDCAが回らないことです。データを見て終わりで、改善行動につながらないと、投資が回収できません。

対策は「KPIを3〜5個に絞る」「週次レビューを習慣化する」「異常時の対応フローを明文化する」の3点に集約されます。

よくある質問

Q1. 工程能力指数を計算するのに必要なデータ数は

最低30個、できれば100個以上のサンプルが必要です。少なすぎると統計的に意味のある結果が得られません。

Q2. 工程管理と生産管理の違いは何か

生産管理は「QCD全体の管理」、工程管理はその中の「工程実行の管理」と整理できます。生産管理が工程管理を包含する関係です。詳細は生産管理とはを参照してください。

Q3. 紙の工程管理表からデジタルに移行する順序は

日報のExcel化、現場帳票SaaSによる帳票デジタル化、IoTでセンサーデータ自動取得、AIで異常検知・予測、という順序を推奨しています。一気に進めず段階的に進めることが定着の鍵です。

---

主な引用元

日本品質管理学会（JSQC）、日本機械学会論文集A編（J-STAGE）、IPA 製造分野DX度チェック。

---

Delight Flowでは、工程管理のデジタル化伴走・KPI設計・AI活用提案を行っています。無料診断実施中です。お気軽にご相談ください。

最後までお読みいただきありがとうございました。