⚡ ハイライト数値
| 指標 | 改善前 | 改善後 | 効果 |
|---|---|---|---|
| 見積り齟齬（産業機械） | ±30% | ±10% | 不採算受注 年5件→年1件以下 |
| 納期遅延率（プラント設備） | 40% | 8% | 顧客信頼度向上・リピート受注率 +25% |
| 機械稼働率（特装車両） | 55% | 70% | フローTime 25日→18日・遵守率 75%→92% |
| 見積り作成時間 | 平均8h | 平均2h | 営業の見積もり工数 75%削減 |
| データ送信先 | クラウドAI | ゼロ | 社外秘の案件データを外部に送らない |
背景 — なぜ既存の量産AIが効かないのか
製造業のAI活用というと、需要予測・SPC管理図・異常検知のように 「同じ製品を繰り返し作る量産」 を前提にした手法が中心になりがちだ。
しかし日本の製造業には、もう一つの重要な領域がある。それが ETO（Engineering To Order: 受注設計生産） だ。
| 区分 | 量産（MTS/MTO） | ETO（一品一様） |
|---|---|---|
| 代表業種 | 自動車部品・電子機器・食品 | 産業機械・プラント・特装車両 |
| ロットサイズ | 数百〜数万 | 1〜数台 |
| 設計 | 標準設計の流用 | 案件ごとに新規設計 |
| 工程経路 | 固定 | 案件ごとに変動 |
| 過去データ | 統計予測が効く | 完全一致案件は無い |
| リードタイム | 数日〜数週間 | 数ヶ月〜年単位 |
| ボトルネック | 静的・固定 | 動的・案件ごとに変動 |
| 原価管理 | 製品別 | 個別案件別 |
ETO の特徴は 「同じものを2度作らない」。だから「過去データから明日を予測する」型の量産AI手法は基本的に成立しない。
それでも ETO 製造業には、AI で本気で改善できる領域が3つ存在する。
ETO の3大実務課題
課題1：営業段階の見積り齟齬
営業: 「過去に似たような案件あった？」
設計: 「似てるけど条件違うんだよなぁ…」
↓
工数齟齬 ±30%
→ 不採算受注 / 失注リスクETO の営業見積もりは、過去案件の参照が 属人的・暗黙知ベース。詳しいベテランが退職すると一気に精度が落ちる。
課題2：受注時の納期確約根拠不足
顧客: 「いつ納品できる？」
PM: 「6ヶ月くらいで…」
↓
バッファ無し → 50%以上の確率で遅延
過剰バッファ → 失注3点見積り（楽観・最尤・悲観）はやっているが、それを プロジェクト全体の確率分布 に統合できていない。
課題3：生産段階の Job Shop スケジューリング
ジョブA: プレス→溶接→塗装→組立
ジョブB: 機械加工→組立→検査
ジョブC: 溶接→塗装→組立
↓
工程経路が案件ごとに違う
→ 静的スケジューラでは対応不可量産用のスケジューラは「同じ工程順」を前提にしているため、ETO の 異なる工程経路ジョブの並走 に対応できない。
解決アプローチ — AI を3層で適用する
層1: 営業前 — 過去案件類似度ベース見積り
新規RFQ
│
▼
8特徴量を抽出
├─ 部品点数
├─ 主要寸法
├─ 重量
├─ 材質
├─ 主工法
├─ 加工難易度
├─ 設計新規率
└─ 顧客カテゴリ
│
▼
過去案件マスタ（社内DB）
│
▼
コサイン類似度 + k-NN（k=3〜5）
│
▼
類似度加重平均
│
▼
予測値
├─ 工数 h ± 信頼区間
├─ コスト 万円 ± 信頼区間
└─ リードタイム 日 ± 信頼区間ポイント:
- 「似た案件」を 数値的に証拠を持って 提示できる
- ベテラン暗黙知の形式知化
- 確信度（最高類似度）が低ければ「追加情報収集が必要」と判定
層2: 受注時 — モンテカルロでの納期確度算出
WBS の各タスクに 楽観 (a) / 最尤 (m) / 悲観 (b) の3点見積り → ベータ分布または三角分布から1万回サンプリング → CPM計算で完了日分布を構築。
完了日分布
| ▂▄▆█▇▅▄▂▁
| ▁▃ ▁
+──────────────────────→ 日数
↑ ↑ ↑
P50 P80 P95実務ポイント:
- P50 を社内目標 / P80 を顧客コミット / P95 を最終納期 の3段階で管理
- 各タスクの クリティカル度（クリティカルパス上にある確率） をランキング表示し、リスク重点監視対象を絞る
- 1万回シミュレーションでも数百ms 以内（ブラウザ内JavaScript）
層3: 生産 — Job Shop ディスパッチング
機械リソースの空き状況を時刻単位で追跡し、待機中の工程をディスパッチングルールで選択。
| ルール | 選択基準 | 強み |
|---|---|---|
| EDD | 納期最早優先 | 納期遵守率 |
| SPT | 処理時間最短優先 | 平均フローTime |
| CR | 余裕時間/残処理時間比 最小優先 | バランス型 |
3ルール比較モード で同じデータに対して全ルールを実行し、現場のKPI重視点（納期 vs フローTime vs 稼働率）に応じて選択 できる。
適用事例（架空・現実的）
事例A: 産業機械メーカー
| 区分 | 内容 |
|---|---|
| 規模 | 年間 50〜100 案件 / 1案件 1〜3千万円 |
| 製品 | プレス機・組立機・搬送機・専用機 |
| 主課題 | 営業見積りの齟齬±30% → 不採算受注が年5件以上 |
適用結果（類似案件見積りツール導入）:
- 過去5年・約400案件をマスタ化（部品点数・寸法・材質・難易度・実績工数）
- 新規RFQ受注前に類似Top3を即時参照
- 見積り齟齬: ±30% → ±10%
- 不採算受注: 年5件 → 年1件以下
- 見積り作成時間: 平均8時間 → 平均2時間
事例B: プラント設備メーカー
| 区分 | 内容 |
|---|---|
| 規模 | 年間 20〜30 案件 / 1案件 5千万〜数億円 |
| 製品 | タンク・熱交換器・配管ユニット |
| 主課題 | 納期遅延率 40% / 顧客信頼度低下 |
適用結果（モンテカルロ・スケジュールリスクツール導入）:
- 各案件の WBS（10〜20タスク）に 3点見積りを必須化
- 受注時に P80 を確約日として提案
- 納期遅延率: 40% → 8%
- バッファをチェイン末尾に集中配置（CCPM運用）
- クリティカル度上位3タスクを 週次レビュー対象 に固定
- 顧客満足度向上 → リピート受注率 25% 増
事例C: 特装車両メーカー
| 区分 | 内容 |
|---|---|
| 規模 | 年間 100 案件 / 1案件 5百万〜2千万円 |
| 製品 | 消防車・特殊作業車・トレーラ |
| 主課題 | 機械稼働率低（55%）/ 納期管理の属人化 |
適用結果（ETO Job Shop スケジューラ導入）:
- 全案件の工程経路を標準化（ジョブごとに routing 定義）
- 朝礼で 3ルール比較結果 を見て当日のディスパッチング決定
- 機械稼働率: 55% → 70%（+15ポイント）
- 平均フローTime: 25日 → 18日
- 納期遵守率: 75% → 92%
実装スタック（このサイトのツール）
┌─────────────────────────────────────┐
│ フロント Astro v6 + Tailwind v4 │
├─────────────────────────────────────┤
│ 実行環境 ブラウザ完結（社外送信ゼロ）│
├─────────────────────────────────────┤
│ 類似度算法 コサイン類似度 + k-NN │
├─────────────────────────────────────┤
│ 確率モデル PERT 三角分布 │
│ モンテカルロ 10000回 │
├─────────────────────────────────────┤
│ CPM トポロジカルソート + DP │
├─────────────────────────────────────┤
│ スケジューラ EDD/SPT/CR + 時刻同期 │
├─────────────────────────────────────┤
│ 可視化 Chart.js + Canvas │
└─────────────────────────────────────┘すべて クライアントサイド実行。社外秘の案件データを外部APIに送信する必要がない。
ハマりポイントと解決
1. ETO データ整備不足
過去案件マスタが Excel ばらばらで、最初の半年は データクレンジングが本番作業の8割。
解決: 共通CSVテンプレートを配り、特徴量8項目を「最低限これだけは記録する」必須項目化。それ以上は段階的拡張。
2. 特徴量設計の難しさ
「加工難易度」「設計新規率」のような 主観評価 は、人によってブレる。
解決: 特徴量定義書を作り、5段階評価の基準を明文化。例「難易度3 = 既存設計を50%以上流用」「難易度5 = 完全新規工法を含む」。
3. 外れ値（ハマった案件）の扱い
過去案件にトラブルでLT が3倍になった案件が混じると、類似度Top に入った時に予測が大きく狂う。
解決: マスタ登録時に「正常完了 / トラブル発生」フラグを必須化。類似度検索時は正常完了案件のみを対象にする（トラブル案件は別タブで「リスク事例集」として参照）。
4. モンテカルロの結果が信用されない
「シミュレーションで P80 = 6ヶ月」と言っても、現場・営業に 「で、結局 6ヶ月で出るの？」 と詰められる。
解決: P80 の 意味 を社内研修で徹底（「100回中80回はこの日までに完了する」）。最初の3案件は「実績日と P80 の差」を必ず振り返り、ツール信頼性を蓄積。
5. Job Shop スケジューラの時刻同期
ジョブ並走時、機械の空き時刻を正しく管理しないと工程が重複する。
解決: 機械ごとに「次に空く時刻」を保持し、工程開始時刻 = max(前工程完了, 機械空き時刻) で計算する単純なロジックでも実用十分。
学んだこと
1. ETO は「統計より類似度」
量産は 大数の法則 が効くので統計予測が機能する。一方 ETO は 個別性が高い ので、類似事例の参照（類推）の方が遥かに実用的。
「平均値」を出してもETOでは意味がない。必要なのは 「あなたのこの案件に似ているのは過去のあれとあれ」 という具体的引き当て。
2. 点予測より分布予測
「LT は 6ヶ月です」と1点で言うのは ETO では危険。 「6ヶ月で完了する確率は50%、7ヶ月までに80%、8ヶ月までに95%」と分布で語れば、 顧客との納期交渉が定量的になる。
3. ルール × シミュレーションの実用性
完璧な最適化（GA・MILP）よりも、ディスパッチングルール3種を並列実行して比較 する方が ETO 現場では使いやすい。
- 説明可能（ルール名で意思疎通できる）
- 計算が速い（数百〜数千ジョブでもブラウザで秒）
- 現場が「今日は EDD で行こう」と意思決定に組み込める
4. ベテランの暗黙知を「数値の重み」として外出し
「このお客さんは仕様変更が多いから工数 1.3 倍」のようなベテラン補正は、特徴量の 顧客カテゴリ係数 として外部化できる。ベテラン退職前にチューニングしておけば、知識が継承される。
5. AI は判断主体ではなく根拠提供
ETO 製造業で AI が意思決定を完全代替することは無理。だが 「この見積もりは過去のこの3案件に基づく」 と根拠を瞬時に提示することで、 意思決定者の認知負荷を下げる 効果は絶大。
今後の拡張ロードマップ
| Phase | 内容 |
|---|---|
| 現状 | 類似度+モンテカルロ+Job Shop の3ツール公開 |
| Phase 2 | 設計BOM連携（部品マスタとの自動マッチング） |
| Phase 3 | ベイズ更新（案件進行中に実績で予測を逐次補正） |
| Phase 4 | 原価実績との突合（予測コスト vs 実コストの自動振り返り） |
| Phase 5 | リスク事例検索（トラブル案件マスタからの類似リスク抽出） |
ETO 製造業の方へ
このサイトの3ツールは すべて無料・ブラウザ内完結・社外送信ゼロ です。 社内の機密案件データをそのまま入れて試せます。
→ ETO類似案件見積り → プロジェクトモンテカルロ → ETO Job Shopスケジューラ
「過去案件マスタが無い」という方は、まず 直近10案件をテンプレートCSVで記録する ところから始めてください。10案件あれば類似度検索は実用的に機能します。
ETO は 「データが少ないからAIは無理」と言われがちですが、本当に必要なのは大量データではなく 「特徴量の正しい設計」と「類似度という発想転換」 だけです。
