船井総研 工場DX.com~ロボット化自動化、AI・デジタル・Iot、システム化~ - 工場・ロボットのDX(自動化・AI)で世界一の生産性に押し上げをサポート Produced by Funai Soken

RANKING

RANKINGランキング

テーマから探す

CONSULTING COLUMNコンサルティングコラム

製造業の社長が知るべきAI(ディープラーニング)画像検査のポイントとは?

2023.12.01

1.AI(ディープラーニング)画像検査のポイント 製造業の社長が知っておくべきAI(ディープラーニング)画像検査のポイントとは以下の事です。 サンプルデータの準備: AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。 ラベル付けとアノテーション: サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。 アルゴリズムとモデルの選択: 画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク(CNN)は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。 モデルの訓練と評価: データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。 リアルタイムの運用性: AI(ディープラーニング)画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。 継続的なモデルの改善と監視: AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。 これらのポイントを考慮し、製造業の社長がAI(ディープラーニング)画像検査の導入や開発を行うことが重要です。それにより、効率的な不良品検出や品質管理の向上を実現することができます。 上記の6つの列挙項目から分かる様に製造業の社長が知っておくべくAI(ディープラーニング)画像検査のポイントは主に6つの事象がある事が分かります。本コラムでは6つ事象の事例を交えて説明させて頂きます。 2.成功事例 製造業の社長が知っておくべきAI(ディープラーニング)画像検査のポイントを導入事例と共に解説します。 2.1 サンプルデータの準備 AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。 導入事例:樹脂成型品のAI検査 樹脂成型品の良品サンプルと不良品サンプルを各約100個、つまり合計 約200個をお客様にご用意頂きました。 次に1つのサンプル品につき、上下左右前後の6方向から撮影し、合計約1,200枚の画像を撮影しました。 次に約1,200枚の画像から不良個所のある画像が約300枚をAIに学習させる事が出来ました。また、残り約900枚は正常品画像としてAIに学習させる事が出来ました。 2.2 ラベル付けとアノテーション サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。 導入事例:ゼリー容器の側面フィルムのAI検査 側面フィルムの不良個所を指定して、AIに不良部を教える方法「教示有り」という設定で学習させました。 フィルムの皺やめくれ、破れ、位置ズレなどを不良個所として登録する事で、正しく良品と不良品を判別する事が出来ました。 2.3 アルゴリズムとモデルの選択 画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク(CNN)は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。 導入事例:刻印文字のAI検査 金属コネクタに刻印された製品名(型式)をAI画像検査で判定を行う。 プレス刻印機で刻印される為、刻印された文字にばらつきがありました。 同じ文字でもばらつきが発生するため、ディープラーニングの畳み込みを使用し、ばらつきがあっても判別できる様に学習させることで、文字を認識し、認識できない場合を不良と判定する。 2.4 モデルの訓練と評価 データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。 導入事例:冷却シートのAI検査 学習データを正常品画像と不良品画像を使って作成したのち、実際に製造ラインに導入する前に検査精度の評価を行いました。 異物や気泡、ズレなどの新たな不良品画像を数百枚用意し、漏れなく検出できるかを評価したうえで、実際の生産ラインへ導入しました。 2.5 リアルタイムの運用性 AI(ディープラーニング)画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。 導入事例:高速で巻き取る金属ワイヤのAI検査 高速で巻き取る金属ワイヤが正しく巻き取れない時を検出します。 例えば、ほつれ、浮き、ズレなどを素早く検出し、巻き取り装置を止めて、やり直しを行うためのAI検査装置です。 金属ワイヤが何重にも巻かれるため、一般的なルールベースの画像処理では困難でした。 また、検出速度も5msec以内に判定する為、不具合検出して直ぐに停止出来る為、まき直しが楽になりました。 2.6 継続的なモデルの改善と監視 AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。 導入事例:樹脂成型品のAI画像検査 成型後、一旦、K社製のルールベース画像検査(昔ながらの画像処理)を行い、NG判定した画像をAIで再検査しています。 導入当初の学習データではなかった不良が出だしたので、学習データを作り直し、以前からの不良に新しい不良を学習させたデータにする事にしました。 それにより以前からの不良と新しい不良も上手く検出出来る様になりました。 3.各項目の重要性 3.1 サンプルデータの準備 AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。 AIモデルとは簡単に言うとお手本という事です。 つまり、お手本となる良品と不良品を複数用意し、それらをAIに学習させる事が重要です。 例えば、目視検査員に良品サンプルだけ渡しても、目視検査員は不良品を判断する事は難しいのと同じです。不良品のサンプルも渡して、どういった不良が出やすい製品なのか? どの部分をどの様な不良が発生していて、目視検査員に不良を見つけて欲しいのか皆様は説明して、目視検査員に目視検査を行って頂いていると思います。 その目視検査員をAI画像検査に置き換えてみてください。そして、目視検査員と同じようにAI画像検査においても教えてあげるのです。 3.2 ラベル付けとアノテーション サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。 ラベル付けとは良品画像には良品であるというラベルをつけます。また、不良品画像には不良品であるというラベルをつけます。また、不良品画像を更に細かく分類したい場合は、それぞれの不良種別毎にラベルとつける事が出来ます。 アノテーションとはAIが学習するために、テキストや音声や画像などあらゆる形態のデータにタグを付けて、「意味」をもたせる作業のことです。 アノテーションを行う時に重要なのは、例えば、「傷」という不良に対し、傷が明らかに分かる不良品画像を用意する事、また傷の不良においても「大きさ」「方向性」「深さ」など不良と判別するための不良品画像を用意する必要があります。明らかな小さな傷で良品と判断して欲しい傷の画像を不良品画像に含めて学習させてしまうとAIはそれらを不良品と判断してしまいますが、それらを良品としてAIに学習させる事で意図した判定を行える学習データを作る事が出来ます。 3.3 アルゴリズムとモデルの選択 画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク(CNN)は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。 アルゴリズムとは「欠陥検出アルゴリズム(教示無し)」、「欠陥検出アルゴリズム(教示有り)」、「分類アルゴリズム」、「カウントアルゴリズム」、「文字認識アルゴリズム」などがあります。 主に製造業で使用するのは「欠陥検出アルゴリズム」です。これは良品と傷や汚れ、打痕などの不良を判別するのに使用されます。その中でも教示有り、無しというのは、意図して不良個所を指示して学習させるか、そうでないかの違いです。例えば、傷の箇所はココだと教えるか、教えずに学習させるかの違いです。例えば特に特定箇所に傷が出やすい場合や背景画像との違いが少なく分かりにくい場合に教示有り学習すると有効です。 「分類アルゴリズム」は例えば、不良の種別を分けて検出したい場合なので使用します。「傷」、「汚れ」、「打痕」、「凸」など分ける場合などです。また、複数の種類が写る画像からそれぞれの物を仕分ける場合にも有効です。「カウントアルゴリズム」はカウントするのに便利なアルゴリズムです。例えば、トレー中の沢山のボルトをカウントしたい場合に 全体が見えているボルトばかりでなく、一部だけ見えているボルトをカウントさせるなどに有効です。「文字認識アルゴリズム」は文字を読み取るのに有効なアルゴリズムです。文字のフォントが変わっていても、学習する事でフォント違いでも読み取る事が出来ます。 モデルとは、上記アルゴリズムを活用する為に必要なモデル、お手本となる画像の事です。正しいアルゴリズムと正しいモデルを用意する事が非常に大切になります。 3.4 モデルの訓練と評価 データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。 モデルの訓練とは、AIに1度の学習モデルを構築させただけで完璧に検査などが出来るという事はまずありません。よって、何度も繰り返し、やり直して、納得の行く検査が出来る学習データを作る事が必要です。そのためには、実際に作成した学習データ:AIモデルで実際に撮影した画像を判定させて、正しく判定出来ているか?欲しい精度が検出出来るか?意図する処理時間内で判定出来ているか?などテストしその結果を評価する事が必要です。 3.5 リアルタイムの運用性 AI(ディープラーニング)画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。 一般的なPCでもAI画像検査ソフトは動作します。しかし、AI画像検査における処理は、処理するPCに多大な負荷をかけます。よって、AI画像処理で良く用いられるのは、GPUボード(グラフィックボード)の高速CPUを用いる事です。特に良く使用されているのはNVIDIA製GPUがあります。 3.6 継続的なモデルの改善と監視 AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。 先ほど、導入事例においてもご説明した通り、AI画像検査は新たに発生した不良品などに対応させる必要に対応する事が導入後に発生するでしょう。よって、導入した後も絶えず、AI学習データ:モデルの改善が必要ではないか?を監視し続ける必要があります。 4.まとめ 今回のコラムでは、コラムでは、中堅・中小製造業の企業様にご活用頂きたい社長が知っておくべきAI(ディープラーニング)画像検査のポイントについて、分かりやすく説明をさせて頂きました。今回の紹介した内容をご検討頂き、自社での自動検品の導入検討や、過去に断念された自動検品の導入を再度進めていただければ幸いです。また、上記内容について、より具体的に詳細をお知りになりたい場合や導入支援が必要といった場合は、お気軽に弊社にご相談いただければ幸いです。   中堅・中小製造業 経営者向け AI外観検査の導入ポイント 解説レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 製造業では必ずと言っていいほど人手のかかる作業となっている外観検査。 本レポートではその外観検査の自動化について、自動化のメリットとAIを活用した外観検査の概要、導入におけるポイント、成功事例を解説しています。 https://www.funaisoken.co.jp/dl-contents/smart-factory__02131_S045   ■関連するセミナーのご案内 ■東京&大阪 2拠点にて開催!! 【目指すは投資回収3年!協働ロボット活用事例特集!社長セミナー】 ~中小製造業で40台以上の協働ロボットの稼働に成功した社長から学ぶ! セミナー詳細・申込はこちらから https://www.funaisoken.co.jp/seminar/107400 「成功事例ゲスト講座」中小製造業で40台以上の協働ロボットの稼働に成功した社長から学ぶ!社長特別講演! 低コストだから出来る!40台以上のロボットを導入して生産性を向上した事例を基に具体的な導入手法を解説! 低コストでロボットを導入するための具体的な手法! 経営者目線で語る協働ロボットのメリットと導入の手法! ■開催日程 以下の日程よりご都合の良い日程をお選び下さい ※内容は全て一緒です 東京会場 2024/01/23 (火) 13:00~16:00 大阪会場 2024/01/29 (月) 13:00~16:00 お申し込みはこちらから⇒ https://www.funaisoken.co.jp/seminar/107400 いつも当コラムをご愛読いただきありがとうございます。 1.AI(ディープラーニング)画像検査のポイント 製造業の社長が知っておくべきAI(ディープラーニング)画像検査のポイントとは以下の事です。 サンプルデータの準備: AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。 ラベル付けとアノテーション: サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。 アルゴリズムとモデルの選択: 画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク(CNN)は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。 モデルの訓練と評価: データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。 リアルタイムの運用性: AI(ディープラーニング)画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。 継続的なモデルの改善と監視: AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。 これらのポイントを考慮し、製造業の社長がAI(ディープラーニング)画像検査の導入や開発を行うことが重要です。それにより、効率的な不良品検出や品質管理の向上を実現することができます。 上記の6つの列挙項目から分かる様に製造業の社長が知っておくべくAI(ディープラーニング)画像検査のポイントは主に6つの事象がある事が分かります。本コラムでは6つ事象の事例を交えて説明させて頂きます。 2.成功事例 製造業の社長が知っておくべきAI(ディープラーニング)画像検査のポイントを導入事例と共に解説します。 2.1 サンプルデータの準備 AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。 導入事例:樹脂成型品のAI検査 樹脂成型品の良品サンプルと不良品サンプルを各約100個、つまり合計 約200個をお客様にご用意頂きました。 次に1つのサンプル品につき、上下左右前後の6方向から撮影し、合計約1,200枚の画像を撮影しました。 次に約1,200枚の画像から不良個所のある画像が約300枚をAIに学習させる事が出来ました。また、残り約900枚は正常品画像としてAIに学習させる事が出来ました。 2.2 ラベル付けとアノテーション サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。 導入事例:ゼリー容器の側面フィルムのAI検査 側面フィルムの不良個所を指定して、AIに不良部を教える方法「教示有り」という設定で学習させました。 フィルムの皺やめくれ、破れ、位置ズレなどを不良個所として登録する事で、正しく良品と不良品を判別する事が出来ました。 2.3 アルゴリズムとモデルの選択 画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク(CNN)は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。 導入事例:刻印文字のAI検査 金属コネクタに刻印された製品名(型式)をAI画像検査で判定を行う。 プレス刻印機で刻印される為、刻印された文字にばらつきがありました。 同じ文字でもばらつきが発生するため、ディープラーニングの畳み込みを使用し、ばらつきがあっても判別できる様に学習させることで、文字を認識し、認識できない場合を不良と判定する。 2.4 モデルの訓練と評価 データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。 導入事例:冷却シートのAI検査 学習データを正常品画像と不良品画像を使って作成したのち、実際に製造ラインに導入する前に検査精度の評価を行いました。 異物や気泡、ズレなどの新たな不良品画像を数百枚用意し、漏れなく検出できるかを評価したうえで、実際の生産ラインへ導入しました。 2.5 リアルタイムの運用性 AI(ディープラーニング)画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。 導入事例:高速で巻き取る金属ワイヤのAI検査 高速で巻き取る金属ワイヤが正しく巻き取れない時を検出します。 例えば、ほつれ、浮き、ズレなどを素早く検出し、巻き取り装置を止めて、やり直しを行うためのAI検査装置です。 金属ワイヤが何重にも巻かれるため、一般的なルールベースの画像処理では困難でした。 また、検出速度も5msec以内に判定する為、不具合検出して直ぐに停止出来る為、まき直しが楽になりました。 2.6 継続的なモデルの改善と監視 AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。 導入事例:樹脂成型品のAI画像検査 成型後、一旦、K社製のルールベース画像検査(昔ながらの画像処理)を行い、NG判定した画像をAIで再検査しています。 導入当初の学習データではなかった不良が出だしたので、学習データを作り直し、以前からの不良に新しい不良を学習させたデータにする事にしました。 それにより以前からの不良と新しい不良も上手く検出出来る様になりました。 3.各項目の重要性 3.1 サンプルデータの準備 AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。 AIモデルとは簡単に言うとお手本という事です。 つまり、お手本となる良品と不良品を複数用意し、それらをAIに学習させる事が重要です。 例えば、目視検査員に良品サンプルだけ渡しても、目視検査員は不良品を判断する事は難しいのと同じです。不良品のサンプルも渡して、どういった不良が出やすい製品なのか? どの部分をどの様な不良が発生していて、目視検査員に不良を見つけて欲しいのか皆様は説明して、目視検査員に目視検査を行って頂いていると思います。 その目視検査員をAI画像検査に置き換えてみてください。そして、目視検査員と同じようにAI画像検査においても教えてあげるのです。 3.2 ラベル付けとアノテーション サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。 ラベル付けとは良品画像には良品であるというラベルをつけます。また、不良品画像には不良品であるというラベルをつけます。また、不良品画像を更に細かく分類したい場合は、それぞれの不良種別毎にラベルとつける事が出来ます。 アノテーションとはAIが学習するために、テキストや音声や画像などあらゆる形態のデータにタグを付けて、「意味」をもたせる作業のことです。 アノテーションを行う時に重要なのは、例えば、「傷」という不良に対し、傷が明らかに分かる不良品画像を用意する事、また傷の不良においても「大きさ」「方向性」「深さ」など不良と判別するための不良品画像を用意する必要があります。明らかな小さな傷で良品と判断して欲しい傷の画像を不良品画像に含めて学習させてしまうとAIはそれらを不良品と判断してしまいますが、それらを良品としてAIに学習させる事で意図した判定を行える学習データを作る事が出来ます。 3.3 アルゴリズムとモデルの選択 画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク(CNN)は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。 アルゴリズムとは「欠陥検出アルゴリズム(教示無し)」、「欠陥検出アルゴリズム(教示有り)」、「分類アルゴリズム」、「カウントアルゴリズム」、「文字認識アルゴリズム」などがあります。 主に製造業で使用するのは「欠陥検出アルゴリズム」です。これは良品と傷や汚れ、打痕などの不良を判別するのに使用されます。その中でも教示有り、無しというのは、意図して不良個所を指示して学習させるか、そうでないかの違いです。例えば、傷の箇所はココだと教えるか、教えずに学習させるかの違いです。例えば特に特定箇所に傷が出やすい場合や背景画像との違いが少なく分かりにくい場合に教示有り学習すると有効です。 「分類アルゴリズム」は例えば、不良の種別を分けて検出したい場合なので使用します。「傷」、「汚れ」、「打痕」、「凸」など分ける場合などです。また、複数の種類が写る画像からそれぞれの物を仕分ける場合にも有効です。「カウントアルゴリズム」はカウントするのに便利なアルゴリズムです。例えば、トレー中の沢山のボルトをカウントしたい場合に 全体が見えているボルトばかりでなく、一部だけ見えているボルトをカウントさせるなどに有効です。「文字認識アルゴリズム」は文字を読み取るのに有効なアルゴリズムです。文字のフォントが変わっていても、学習する事でフォント違いでも読み取る事が出来ます。 モデルとは、上記アルゴリズムを活用する為に必要なモデル、お手本となる画像の事です。正しいアルゴリズムと正しいモデルを用意する事が非常に大切になります。 3.4 モデルの訓練と評価 データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。 モデルの訓練とは、AIに1度の学習モデルを構築させただけで完璧に検査などが出来るという事はまずありません。よって、何度も繰り返し、やり直して、納得の行く検査が出来る学習データを作る事が必要です。そのためには、実際に作成した学習データ:AIモデルで実際に撮影した画像を判定させて、正しく判定出来ているか?欲しい精度が検出出来るか?意図する処理時間内で判定出来ているか?などテストしその結果を評価する事が必要です。 3.5 リアルタイムの運用性 AI(ディープラーニング)画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。 一般的なPCでもAI画像検査ソフトは動作します。しかし、AI画像検査における処理は、処理するPCに多大な負荷をかけます。よって、AI画像処理で良く用いられるのは、GPUボード(グラフィックボード)の高速CPUを用いる事です。特に良く使用されているのはNVIDIA製GPUがあります。 3.6 継続的なモデルの改善と監視 AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。 先ほど、導入事例においてもご説明した通り、AI画像検査は新たに発生した不良品などに対応させる必要に対応する事が導入後に発生するでしょう。よって、導入した後も絶えず、AI学習データ:モデルの改善が必要ではないか?を監視し続ける必要があります。 4.まとめ 今回のコラムでは、コラムでは、中堅・中小製造業の企業様にご活用頂きたい社長が知っておくべきAI(ディープラーニング)画像検査のポイントについて、分かりやすく説明をさせて頂きました。今回の紹介した内容をご検討頂き、自社での自動検品の導入検討や、過去に断念された自動検品の導入を再度進めていただければ幸いです。また、上記内容について、より具体的に詳細をお知りになりたい場合や導入支援が必要といった場合は、お気軽に弊社にご相談いただければ幸いです。   中堅・中小製造業 経営者向け AI外観検査の導入ポイント 解説レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 製造業では必ずと言っていいほど人手のかかる作業となっている外観検査。 本レポートではその外観検査の自動化について、自動化のメリットとAIを活用した外観検査の概要、導入におけるポイント、成功事例を解説しています。 https://www.funaisoken.co.jp/dl-contents/smart-factory__02131_S045   ■関連するセミナーのご案内 ■東京&大阪 2拠点にて開催!! 【目指すは投資回収3年!協働ロボット活用事例特集!社長セミナー】 ~中小製造業で40台以上の協働ロボットの稼働に成功した社長から学ぶ! セミナー詳細・申込はこちらから https://www.funaisoken.co.jp/seminar/107400 「成功事例ゲスト講座」中小製造業で40台以上の協働ロボットの稼働に成功した社長から学ぶ!社長特別講演! 低コストだから出来る!40台以上のロボットを導入して生産性を向上した事例を基に具体的な導入手法を解説! 低コストでロボットを導入するための具体的な手法! 経営者目線で語る協働ロボットのメリットと導入の手法! ■開催日程 以下の日程よりご都合の良い日程をお選び下さい ※内容は全て一緒です 東京会場 2024/01/23 (火) 13:00~16:00 大阪会場 2024/01/29 (月) 13:00~16:00 お申し込みはこちらから⇒ https://www.funaisoken.co.jp/seminar/107400

年間1400万円のコストダウンに成功した基幹システム導入成功事例!

2023.12.01

いつも当コラムをご愛読いただきありがとうございます 1.成功事例の概要 本社:山梨県 従業員数規模:100名台 主な業種:ダイカスト製品の製造等 業務改革&基幹システム導入を通じて、生産性アップ&年間約1,400万円相当のコストダウンを実現 2.基幹システム導入のBefore/After 【Before(システム導入前の状態と主な課題)】 社内にムダな業務やアナログな工程が多く残っており、非効率な現場となっていた。 ExcelやAccessが散在しており、二重三重入力が常態化していた。 アナログ中心の生産管理体制であるがゆえに、業務自体が職人化・属人化していた。 IT担当者(DX人材)が不在で社内のDXが思うように進んでいなかった。 【After(システム導入後の主な効果)】 業務改革&基幹システム導入のコンサルティングを通じて、以下のような効果を出すことに成功した。 製造指示書の作成について、リードタイム等を「熟練担当者の勘と経験」に頼って手書きで作成していたが、システム導入によりほぼ自動で作成することができるようになった。加えて、属人化の排除に繋がった。 製造指示書を作成するのに、「1件あたり約1時間」かかっていたが、「1件あたり約10分」で作成できるようになった。結果として、作業時間・コストの大幅な削減に繋がった。 紙の手書き日報の内容を集めた後に、事務所にて逐一データ化していたが、直接現場でタブレット入力できるようになった。結果として、「二度手間・二重三重入力」の排除に繋がった。   鋳造・加工・営業部門にて、月次報告資料を都度Excel作成していたが、導入したシステムのExcel連携機能により、ボタン1つで資料作成ができるようになった。 元々は在庫を確認するのに1品目ごとしか確認できなかったが、システム導入後は「Excel連携機能」により、1品目ずつだけではなく、品目一覧をボタン1つで確認できるようになった。 全体を通じて、結果的に年間約1,400万円相当のコストダウンに成功した。 次に基幹システム導入成功のポイントを解説します。 3.基幹システム導入 成功のポイントとは? ポイント①:システムベンダーや社内担当者に丸投げせず、経営者自身がシステム導入を理解することに努めた。 ポイント②:自社全体を俯瞰し、自社の身の丈にあった計画を作った。 ポイント③:目的・目標・コンセプト・範囲を明確にし、PJメンバーとベクトルを合わせた。 ポイント④:既存業務をそのまますべてシステム化するのではなく、導入するシステムに合わせて既存業務のあり方を根本的に見直した。 ポイント⑤:システム導入をきっかけに、導入するシステムに合わせて、余計な工程や業務ルールを削減し、新しい業務フローを描いた。 ポイント⑥:パイロット運用(試験的な運用)ですぐに新業務のイメージを浸透させることに努めた。 ポイント⑦:現場担当者をプロジェクトの初期段階で巻き込み、現場担当者も納得するシステム導入の進め方を実践した。 以上、「業務改革&コストダウンの成功事例とは?」というテーマで お伝えさせていただきました。 「本コラムの内容について、個別に詳しく話を聞きたい」 「システム導入に関して、自社の現状を相談したい」 「属人的なアナログ業務を減らし、自社工場の自動化・効率化を更に進めていきたい」 「既存の社内システムの見直しや入れ替えを検討したい」 「自社の現状を診てもらった上で、自社の生産性向上に向けた提案をしてほしい」 という方は、以下のURLから是非お気軽にお問い合わせください。 ▼無料オンライン相談(お問い合わせはこちら) https://lp.funaisoken.co.jp/mt/form01/inquiry-S045.html?siteno=S045   ■関連するセミナーのご案内 「多品種少量生産製造業の為の原価改善!」 経営セミナー 紙運用の廃止!生産管理&原価管理を徹底見直し!DX経営による儲け改善! セミナー詳細・申込はこちらから https://www.funaisoken.co.jp/seminar/108045 ■開催日程 全てオンライン開催となります 以下の日程よりご都合の良い日程をお選び下さい ※内容は全て一緒です 2024/02/21 (水) 13:00~15:00 2024/02/27 (火) 13:00~15:00 2024/02/29 (木) 13:00~15:00 お申し込みはこちらから⇒ https://www.funaisoken.co.jp/seminar/108045   基幹システム導入+業務改革事例レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 「こうなりたい!」と思っている経営者様におすすめ 旧システムを刷新し、業務改革を実行したい経営者様 数々の業務効率化を図り、費用対効果の高いシステム導入を行いたい経営者様 紙だらけの業務をデジタル化したいと思っている経営者様 経験と勘に頼らないデータドリブン経営を実践したいと思っている経営者様 スモールスタートからDXを始めたいと思っている経営者様 https://www.funaisoken.co.jp/dl-contents/smart-factory_smart-factory_02221_S045 いつも当コラムをご愛読いただきありがとうございます 1.成功事例の概要 本社:山梨県 従業員数規模:100名台 主な業種:ダイカスト製品の製造等 業務改革&基幹システム導入を通じて、生産性アップ&年間約1,400万円相当のコストダウンを実現 2.基幹システム導入のBefore/After 【Before(システム導入前の状態と主な課題)】 社内にムダな業務やアナログな工程が多く残っており、非効率な現場となっていた。 ExcelやAccessが散在しており、二重三重入力が常態化していた。 アナログ中心の生産管理体制であるがゆえに、業務自体が職人化・属人化していた。 IT担当者(DX人材)が不在で社内のDXが思うように進んでいなかった。 【After(システム導入後の主な効果)】 業務改革&基幹システム導入のコンサルティングを通じて、以下のような効果を出すことに成功した。 製造指示書の作成について、リードタイム等を「熟練担当者の勘と経験」に頼って手書きで作成していたが、システム導入によりほぼ自動で作成することができるようになった。加えて、属人化の排除に繋がった。 製造指示書を作成するのに、「1件あたり約1時間」かかっていたが、「1件あたり約10分」で作成できるようになった。結果として、作業時間・コストの大幅な削減に繋がった。 紙の手書き日報の内容を集めた後に、事務所にて逐一データ化していたが、直接現場でタブレット入力できるようになった。結果として、「二度手間・二重三重入力」の排除に繋がった。   鋳造・加工・営業部門にて、月次報告資料を都度Excel作成していたが、導入したシステムのExcel連携機能により、ボタン1つで資料作成ができるようになった。 元々は在庫を確認するのに1品目ごとしか確認できなかったが、システム導入後は「Excel連携機能」により、1品目ずつだけではなく、品目一覧をボタン1つで確認できるようになった。 全体を通じて、結果的に年間約1,400万円相当のコストダウンに成功した。 次に基幹システム導入成功のポイントを解説します。 3.基幹システム導入 成功のポイントとは? ポイント①:システムベンダーや社内担当者に丸投げせず、経営者自身がシステム導入を理解することに努めた。 ポイント②:自社全体を俯瞰し、自社の身の丈にあった計画を作った。 ポイント③:目的・目標・コンセプト・範囲を明確にし、PJメンバーとベクトルを合わせた。 ポイント④:既存業務をそのまますべてシステム化するのではなく、導入するシステムに合わせて既存業務のあり方を根本的に見直した。 ポイント⑤:システム導入をきっかけに、導入するシステムに合わせて、余計な工程や業務ルールを削減し、新しい業務フローを描いた。 ポイント⑥:パイロット運用(試験的な運用)ですぐに新業務のイメージを浸透させることに努めた。 ポイント⑦:現場担当者をプロジェクトの初期段階で巻き込み、現場担当者も納得するシステム導入の進め方を実践した。 以上、「業務改革&コストダウンの成功事例とは?」というテーマで お伝えさせていただきました。 「本コラムの内容について、個別に詳しく話を聞きたい」 「システム導入に関して、自社の現状を相談したい」 「属人的なアナログ業務を減らし、自社工場の自動化・効率化を更に進めていきたい」 「既存の社内システムの見直しや入れ替えを検討したい」 「自社の現状を診てもらった上で、自社の生産性向上に向けた提案をしてほしい」 という方は、以下のURLから是非お気軽にお問い合わせください。 ▼無料オンライン相談(お問い合わせはこちら) https://lp.funaisoken.co.jp/mt/form01/inquiry-S045.html?siteno=S045   ■関連するセミナーのご案内 「多品種少量生産製造業の為の原価改善!」 経営セミナー 紙運用の廃止!生産管理&原価管理を徹底見直し!DX経営による儲け改善! セミナー詳細・申込はこちらから https://www.funaisoken.co.jp/seminar/108045 ■開催日程 全てオンライン開催となります 以下の日程よりご都合の良い日程をお選び下さい ※内容は全て一緒です 2024/02/21 (水) 13:00~15:00 2024/02/27 (火) 13:00~15:00 2024/02/29 (木) 13:00~15:00 お申し込みはこちらから⇒ https://www.funaisoken.co.jp/seminar/108045   基幹システム導入+業務改革事例レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 「こうなりたい!」と思っている経営者様におすすめ 旧システムを刷新し、業務改革を実行したい経営者様 数々の業務効率化を図り、費用対効果の高いシステム導入を行いたい経営者様 紙だらけの業務をデジタル化したいと思っている経営者様 経験と勘に頼らないデータドリブン経営を実践したいと思っている経営者様 スモールスタートからDXを始めたいと思っている経営者様 https://www.funaisoken.co.jp/dl-contents/smart-factory_smart-factory_02221_S045

納期回答とサプライヤー評価の重要性について

2023.11.30

このコラムでは、納期回答とサプライヤー評価の重要性について説明します。 製造業において、適時かつ正確な納期回答は信頼性と顧客満足度を高める要素です。 サプライヤー評価は、ビジネスパートナーの選択や継続的なパフォーマンス評価において欠かせないツールとして利用されています。 1.納期回答の重要性 納期回答の遅れや不確定な情報は、製造業において大きな問題を引き起こす可能性があります。 信頼性は顧客との関係を築く上で重要な要素であり、納期回答はそれを示す指標となります。 適切な納期回答は、顧客満足度を高め、会社への信頼性を向上させます。 まず、自社の生産管理や調達部門が各仕入先から納期回答をもらっているかどうかを調べることをするべきでしょう。 そもそも注文通りに部品や材料が入庫されているかどうかの管理を行えていない/属人化しているケースが往々にしてあると存じます。 納期回答のもらい方についても、メールや電話・FAX等バラバラになっていたり、担当者の中でとどめており、社内での情報共有がうまくいっていないケース等が考えられます。 このような状態であると、在庫量のUP DOWNが読めない為、不要な安全在庫を持つことになります。 また、在庫が無い場合には、自社が得意先に対し納期遅延や納品予定の変更が生じることがあるかもしれません。 不正確な情報は顧客にストレスを与え、信頼関係を揺らがせる可能性があります。 同様に得意先に対しても、適切な納期回答をすることで、顧客満足度を高めることができます。 正確な情報と適切なタイミングでの納期回答は、顧客に信頼感を与え、協力関係を強化する要素となります。 顧客は、予測可能なスケジュールを立てることや他のプロセスを円滑に進めることができるため、ビジネスパートナーとしての価値を感じるでしょう。 また、適切な納期回答はビジネスの信頼性を向上させます。 顧客から信頼されるビジネスは他の企業やパートナーからも信頼されやすくなります。 信頼性はビジネスパートナーや取引先を選ぶ際の重要な要素であり、信頼されるビジネスは市場での競争力を高めることができます。 特に、中堅・中小の製造業では特定の得意先に依存しているケースが多いかと存じます。 その得意先への関係性の強化は今後会社を継続的に運営していく中で重要になってくるはずです。 2.サプライヤー評価の意義 サプライヤー評価は、ビジネスパートナーの選択や継続的なパフォーマンス評価において重要な役割を果たしています。 ビジネスにとって信頼性の高いサプライヤーとの協力関係を築くことは、成功に欠かせない要素です。 以下に、サプライヤー評価の意義について詳しく説明します。 サプライヤーの信頼性を評価 サプライヤー評価は、ビジネスパートナーの信頼性を把握するための重要なツールです。 納期回答の正確性や納期通りの納品、品質管理の徹底度など、さまざまな評価基準を設けることができます。 これにより、サプライヤーの信頼性を客観的に評価し、信頼できるビジネスパートナーを特定することができます。 リスク管理と問題の早期発見 サプライヤー評価は、リスク管理の重要な手段となります。 リスクを適切に評価し、早期に発見することで、リスクに対する備えや対策を講じることができます。 例えば、サプライヤーの品質管理が不十分な場合、商品に欠陥があったり、顧客からの苦情が発生したりする可能性があります。 サプライヤー評価によって、問題の早期発見と解決に向けたアクションを取ることができます。 コスト削減と効率改善 優れたサプライヤー評価は、効率改善とコスト削減にも繋がります。 例えば、遅延や不正確な納期回答をするサプライヤーとの取引を避けることで、生産プロセスのスムーズさと適時性を確保することができます。 また、品質管理の徹底度が高いサプライヤーとの取引を積極的に行うことで、商品の品質を向上させることができます。 これにより、取引における不良品や返品のリスクを減らし、生産効率を向上させることができます。 長期的なパートナーシップの構築:サプライヤー評価は、長期的なパートナーシップの構築にも役立ちます。 信頼性の高いサプライヤーとの協力関係は、安定的な供給や効率的なプロセスを実現するために重要です。 サプライヤー評価によって、信頼できるパートナーを特定し、共通の目標達成に向けた持続的な協力を促進することができます。 以上のように、サプライヤー評価はビジネスにおいて重要な役割を果たしています。 信頼性の高いサプライヤーとの協力関係を築くためには、適切な評価基準を設け、評価を定期的に実施することが求められます。 サプライヤー評価はビジネスの成果を向上させ、競争力を高めるための有益なツールと言えます。 3.まとめ 納期回答とサプライヤー評価の改善に取り組むことは、製造業にとって不可欠です。 適時かつ正確な納期回答は信頼性と顧客満足度を高め、適切なサプライヤー評価はビジネスパートナーの選択とパフォーマンス評価に役立ちます。 ぜひ御社でも取り組んでみてはいかがでしょうか   基幹システム導入+業務改革事例レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 「こうなりたい!」と思っている経営者様におすすめ 旧システムを刷新し、業務改革を実行したい経営者様 数々の業務効率化を図り、費用対効果の高いシステム導入を行いたい経営者様 紙だらけの業務をデジタル化したいと思っている経営者様 経験と勘に頼らないデータドリブン経営を実践したいと思っている経営者様 スモールスタートからDXを始めたいと思っている経営者様 https://www.funaisoken.co.jp/dl-contents/smart-factory_smart-factory_02221_S045   製造業経営者向けIoTを活用した原価データ取得事例解説レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 「こうなりたい!」と思っている経営者様におすすめ IoTを活用して生産性を向上させたいと思っている経営者様 IoTを活用して原価の見える化をしたいと思っている経営者様 紙だらけの業務をデジタル化したいと思っている経営者様 経験と勘に頼らないデータドリブン経営を実践したいと思っている経営者様 スモールスタートからDXを始めたいと思っている経営者様 レポートの内容 中小製造業が実践すべき製造工程でのIoT活用 具体的な取り組み方 IoTを活用した 工数(労務原価)データ取得事例 https://www.funaisoken.co.jp/dl-contents/smart-factory_smart-factory_02162_S045 いつも当コラムをご愛読いただきありがとうございます。 このコラムでは、納期回答とサプライヤー評価の重要性について説明します。 製造業において、適時かつ正確な納期回答は信頼性と顧客満足度を高める要素です。 サプライヤー評価は、ビジネスパートナーの選択や継続的なパフォーマンス評価において欠かせないツールとして利用されています。 1.納期回答の重要性 納期回答の遅れや不確定な情報は、製造業において大きな問題を引き起こす可能性があります。 信頼性は顧客との関係を築く上で重要な要素であり、納期回答はそれを示す指標となります。 適切な納期回答は、顧客満足度を高め、会社への信頼性を向上させます。 まず、自社の生産管理や調達部門が各仕入先から納期回答をもらっているかどうかを調べることをするべきでしょう。 そもそも注文通りに部品や材料が入庫されているかどうかの管理を行えていない/属人化しているケースが往々にしてあると存じます。 納期回答のもらい方についても、メールや電話・FAX等バラバラになっていたり、担当者の中でとどめており、社内での情報共有がうまくいっていないケース等が考えられます。 このような状態であると、在庫量のUP DOWNが読めない為、不要な安全在庫を持つことになります。 また、在庫が無い場合には、自社が得意先に対し納期遅延や納品予定の変更が生じることがあるかもしれません。 不正確な情報は顧客にストレスを与え、信頼関係を揺らがせる可能性があります。 同様に得意先に対しても、適切な納期回答をすることで、顧客満足度を高めることができます。 正確な情報と適切なタイミングでの納期回答は、顧客に信頼感を与え、協力関係を強化する要素となります。 顧客は、予測可能なスケジュールを立てることや他のプロセスを円滑に進めることができるため、ビジネスパートナーとしての価値を感じるでしょう。 また、適切な納期回答はビジネスの信頼性を向上させます。 顧客から信頼されるビジネスは他の企業やパートナーからも信頼されやすくなります。 信頼性はビジネスパートナーや取引先を選ぶ際の重要な要素であり、信頼されるビジネスは市場での競争力を高めることができます。 特に、中堅・中小の製造業では特定の得意先に依存しているケースが多いかと存じます。 その得意先への関係性の強化は今後会社を継続的に運営していく中で重要になってくるはずです。 2.サプライヤー評価の意義 サプライヤー評価は、ビジネスパートナーの選択や継続的なパフォーマンス評価において重要な役割を果たしています。 ビジネスにとって信頼性の高いサプライヤーとの協力関係を築くことは、成功に欠かせない要素です。 以下に、サプライヤー評価の意義について詳しく説明します。 サプライヤーの信頼性を評価 サプライヤー評価は、ビジネスパートナーの信頼性を把握するための重要なツールです。 納期回答の正確性や納期通りの納品、品質管理の徹底度など、さまざまな評価基準を設けることができます。 これにより、サプライヤーの信頼性を客観的に評価し、信頼できるビジネスパートナーを特定することができます。 リスク管理と問題の早期発見 サプライヤー評価は、リスク管理の重要な手段となります。 リスクを適切に評価し、早期に発見することで、リスクに対する備えや対策を講じることができます。 例えば、サプライヤーの品質管理が不十分な場合、商品に欠陥があったり、顧客からの苦情が発生したりする可能性があります。 サプライヤー評価によって、問題の早期発見と解決に向けたアクションを取ることができます。 コスト削減と効率改善 優れたサプライヤー評価は、効率改善とコスト削減にも繋がります。 例えば、遅延や不正確な納期回答をするサプライヤーとの取引を避けることで、生産プロセスのスムーズさと適時性を確保することができます。 また、品質管理の徹底度が高いサプライヤーとの取引を積極的に行うことで、商品の品質を向上させることができます。 これにより、取引における不良品や返品のリスクを減らし、生産効率を向上させることができます。 長期的なパートナーシップの構築:サプライヤー評価は、長期的なパートナーシップの構築にも役立ちます。 信頼性の高いサプライヤーとの協力関係は、安定的な供給や効率的なプロセスを実現するために重要です。 サプライヤー評価によって、信頼できるパートナーを特定し、共通の目標達成に向けた持続的な協力を促進することができます。 以上のように、サプライヤー評価はビジネスにおいて重要な役割を果たしています。 信頼性の高いサプライヤーとの協力関係を築くためには、適切な評価基準を設け、評価を定期的に実施することが求められます。 サプライヤー評価はビジネスの成果を向上させ、競争力を高めるための有益なツールと言えます。 3.まとめ 納期回答とサプライヤー評価の改善に取り組むことは、製造業にとって不可欠です。 適時かつ正確な納期回答は信頼性と顧客満足度を高め、適切なサプライヤー評価はビジネスパートナーの選択とパフォーマンス評価に役立ちます。 ぜひ御社でも取り組んでみてはいかがでしょうか   基幹システム導入+業務改革事例レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 「こうなりたい!」と思っている経営者様におすすめ 旧システムを刷新し、業務改革を実行したい経営者様 数々の業務効率化を図り、費用対効果の高いシステム導入を行いたい経営者様 紙だらけの業務をデジタル化したいと思っている経営者様 経験と勘に頼らないデータドリブン経営を実践したいと思っている経営者様 スモールスタートからDXを始めたいと思っている経営者様 https://www.funaisoken.co.jp/dl-contents/smart-factory_smart-factory_02221_S045   製造業経営者向けIoTを活用した原価データ取得事例解説レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 「こうなりたい!」と思っている経営者様におすすめ IoTを活用して生産性を向上させたいと思っている経営者様 IoTを活用して原価の見える化をしたいと思っている経営者様 紙だらけの業務をデジタル化したいと思っている経営者様 経験と勘に頼らないデータドリブン経営を実践したいと思っている経営者様 スモールスタートからDXを始めたいと思っている経営者様 レポートの内容 中小製造業が実践すべき製造工程でのIoT活用 具体的な取り組み方 IoTを活用した 工数(労務原価)データ取得事例 https://www.funaisoken.co.jp/dl-contents/smart-factory_smart-factory_02162_S045

製造業のデータ活用における生産性向上と効率化の重要性

2023.11.21

いつも当コラムをご愛読いただきありがとうございます 製造業界における競争は激化しており、生産性の向上が企業の成功に不可欠です。 製造周りのシステムを導入し、業務においてシステムの存在が重要になっている現在において、多くの企業がそのシステムに蓄積されたデータの価値を理解し、その活用を模索しています。 しかし、多くの企業がデータ集計・分析に時間を費やす一方で、その後のデータ活用・現場改善が行われていない現状があります。こうした課題を解決するために、Power BIという集計・分析支援ソフトが登場し、分析に必要な時間を短縮し、生じた余剰時間をデータ活用に充てることが可能になりました。 今回はデータ分析の効率化、データ活用における生産性向上について説明していきます。 1.多くの企業が抱える課題 本項では、データ分析・活用を進める際に発生し得る状況について説明していきます。 製造業におけるデータ活用の課題は、データ集計・分析に時間を費やしすぎ、その後の実用化に取り組めていないことです。 また、データ集計・分析を効率化しようとExcelマクロを作成することもよく見受けられますが、それにより業務が属人化してしまうことも見受けられます。 一度Excelマクロを作成すると、どうしても様々な要望が社内で挙がってきます。 中には実現に時間がかかるものや、1から勉強しなければならないものも出てきますので、本来の自分の業務に加えてExcelマクロを修正する業務が追加として発生してしまいます。 Excelマクロを作ることができるデジタルスキルを持っている方への負荷が一方的に高まってしまうことは会社にとってとてももったいないことです。 上記のように、データ集計・分析に時間がかかりすぎるため、出てきた結果に対しての議論に時間をかけることができていないのが実態です。 2.データ集計・分析を効率化し、データ活用・現場改善へ時間を使う では、1項の課題はどのようにして解決することが出来るのか? データ集計・分析を効率化するためには、BIソフトなどのローコードソフトを活用することが鍵となります。 今回はPower BIというソフトを例として説明していきます。 Power BIは、生産管理システムなどのオンプレミスの既存システムと直接接続することができ、データをリアルタイムで抽出することができます。 さらに、取得したデータをクリック操作することによってプログラミングと同じ程度のデータ加工ができ、Excelと同じ感覚で可視化を行うことができます。 作成したレポートはクラウド上にアップロードすることでいつでもだれでもどこでも閲覧ができます。 このように、Power BIは、データ分析に必要な時間を大幅に削減し、その余剰時間をデータ活用に充てることができるツールです。このソフトウェアを使用することで、データの可視化や分析を迅速に行い、重要な洞察を得ることが可能です。 あくまでデータ分析、集計は生産性向上の手段であり、できるだけ効率化して早い結果を得られるような体制にすることが大切です。 3.まとめ いかがでしょうか?データ活用は製造業において極めて重要です。 Power BIのようなツールを利用することで、データから得られる価値を最大限に引き出し、生産性の向上や効率化を実現することが可能です。我々は、データ活用の重要性を認識し、製造業界全体の成長を支援するために積極的な取り組みを行っています。データ活用を通じて、製造業の未来を共に切り拓いていくことが重要です。 また、船井総研では、製造業におけるデータ活用を支援するため、Power BI等のソフトを用いたデータの可視化支援やデータ活用のサポートを提供しています。また、データが不足している場合には、その取得に向けたサポートも行っています。 データ活用がなかなか進まない、そもそもどのようにデータを使うのか等、お気軽にお問合せいただけますと幸いです。   ■関連するセミナーのご案内 「多品種少量生産製造業の為の原価改善!」 経営セミナー 紙運用の廃止!生産管理&原価管理を徹底見直し!DX経営による儲け改善! セミナー詳細・申込はこちらから https://www.funaisoken.co.jp/seminar/108045 ■開催日程 全てオンライン開催となります 以下の日程よりご都合の良い日程をお選び下さい ※内容は全て一緒です 2024/02/21 (水) 13:00~15:00 2024/02/27 (火) 13:00~15:00 2024/02/29 (木) 13:00~15:00 お申し込みはこちらから⇒ https://www.funaisoken.co.jp/seminar/108045   製造業経営者向け“基幹システム再構築戦略”解説レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 多くの製造業は、全体としての原価・利益は見えているが、個別の実際原価は、属人化している業務で運用されている事で見えにくくなっています。製品別個別、取引先個別、工程別個別の実際原価を把握することで実際の利益が見えてきます。 見える化、DX化により、適切なアクションを取ることが重要です。 本レポートでは見える化とDX化のポイントを解説します! https://www.funaisoken.co.jp/dl-contents/smart-factory__02003_S045 いつも当コラムをご愛読いただきありがとうございます 製造業界における競争は激化しており、生産性の向上が企業の成功に不可欠です。 製造周りのシステムを導入し、業務においてシステムの存在が重要になっている現在において、多くの企業がそのシステムに蓄積されたデータの価値を理解し、その活用を模索しています。 しかし、多くの企業がデータ集計・分析に時間を費やす一方で、その後のデータ活用・現場改善が行われていない現状があります。こうした課題を解決するために、Power BIという集計・分析支援ソフトが登場し、分析に必要な時間を短縮し、生じた余剰時間をデータ活用に充てることが可能になりました。 今回はデータ分析の効率化、データ活用における生産性向上について説明していきます。 1.多くの企業が抱える課題 本項では、データ分析・活用を進める際に発生し得る状況について説明していきます。 製造業におけるデータ活用の課題は、データ集計・分析に時間を費やしすぎ、その後の実用化に取り組めていないことです。 また、データ集計・分析を効率化しようとExcelマクロを作成することもよく見受けられますが、それにより業務が属人化してしまうことも見受けられます。 一度Excelマクロを作成すると、どうしても様々な要望が社内で挙がってきます。 中には実現に時間がかかるものや、1から勉強しなければならないものも出てきますので、本来の自分の業務に加えてExcelマクロを修正する業務が追加として発生してしまいます。 Excelマクロを作ることができるデジタルスキルを持っている方への負荷が一方的に高まってしまうことは会社にとってとてももったいないことです。 上記のように、データ集計・分析に時間がかかりすぎるため、出てきた結果に対しての議論に時間をかけることができていないのが実態です。 2.データ集計・分析を効率化し、データ活用・現場改善へ時間を使う では、1項の課題はどのようにして解決することが出来るのか? データ集計・分析を効率化するためには、BIソフトなどのローコードソフトを活用することが鍵となります。 今回はPower BIというソフトを例として説明していきます。 Power BIは、生産管理システムなどのオンプレミスの既存システムと直接接続することができ、データをリアルタイムで抽出することができます。 さらに、取得したデータをクリック操作することによってプログラミングと同じ程度のデータ加工ができ、Excelと同じ感覚で可視化を行うことができます。 作成したレポートはクラウド上にアップロードすることでいつでもだれでもどこでも閲覧ができます。 このように、Power BIは、データ分析に必要な時間を大幅に削減し、その余剰時間をデータ活用に充てることができるツールです。このソフトウェアを使用することで、データの可視化や分析を迅速に行い、重要な洞察を得ることが可能です。 あくまでデータ分析、集計は生産性向上の手段であり、できるだけ効率化して早い結果を得られるような体制にすることが大切です。 3.まとめ いかがでしょうか?データ活用は製造業において極めて重要です。 Power BIのようなツールを利用することで、データから得られる価値を最大限に引き出し、生産性の向上や効率化を実現することが可能です。我々は、データ活用の重要性を認識し、製造業界全体の成長を支援するために積極的な取り組みを行っています。データ活用を通じて、製造業の未来を共に切り拓いていくことが重要です。 また、船井総研では、製造業におけるデータ活用を支援するため、Power BI等のソフトを用いたデータの可視化支援やデータ活用のサポートを提供しています。また、データが不足している場合には、その取得に向けたサポートも行っています。 データ活用がなかなか進まない、そもそもどのようにデータを使うのか等、お気軽にお問合せいただけますと幸いです。   ■関連するセミナーのご案内 「多品種少量生産製造業の為の原価改善!」 経営セミナー 紙運用の廃止!生産管理&原価管理を徹底見直し!DX経営による儲け改善! セミナー詳細・申込はこちらから https://www.funaisoken.co.jp/seminar/108045 ■開催日程 全てオンライン開催となります 以下の日程よりご都合の良い日程をお選び下さい ※内容は全て一緒です 2024/02/21 (水) 13:00~15:00 2024/02/27 (火) 13:00~15:00 2024/02/29 (木) 13:00~15:00 お申し込みはこちらから⇒ https://www.funaisoken.co.jp/seminar/108045   製造業経営者向け“基幹システム再構築戦略”解説レポート ▼事例レポート無料ダウンロードお申し込みはこちら▼ 多くの製造業は、全体としての原価・利益は見えているが、個別の実際原価は、属人化している業務で運用されている事で見えにくくなっています。製品別個別、取引先個別、工程別個別の実際原価を把握することで実際の利益が見えてきます。 見える化、DX化により、適切なアクションを取ることが重要です。 本レポートでは見える化とDX化のポイントを解説します! https://www.funaisoken.co.jp/dl-contents/smart-factory__02003_S045
コンサルティングコラム一覧

SEMINARセミナー・研究会情報

セミナー・研究会情報一覧