オペレーターがデータを信頼しないとき:現場でIoTを定着させる方法
DBR77 Team · 公開日
オペレーターがIoTデータを信頼し始めるのは、データが設備の前で自分が見ている状況と一致し、自分の入力によって目に見えて何かが変わり、数字が自分たちを助けるために使われるときです。このうち一つでも欠けると、オペレーターは画面を無視し、停止理由に「その他」を選び、自分のノートをつけ続けます。
最初の数週間に不信感が出るのは普通のことで、しかも役に立ちます。たいていの場合、データそのもの、あるいはデータの使い方に本当の問題があることを示しているからです。この記事では、その問題を見つけて直す方法を紹介します。

オペレーターが設備の信号を信頼しない理由
一般的な既存設備のラインでは、不信感はいくつかの原因から生まれます。どれも原因を直すことができます。
| オペレーターの懸念 | 背景にあるもの | 対応 |
|---|---|---|
| 「画面では止まっていたことになっているが、実際は動いていた」 | 状態ロジックの誤り。たとえば休憩が停止として数えられている | 数字を公開する前に、オペレーターと一緒に状態を検証する |
| 「起きたことに合う理由が一つもない」 | 理由リストが事務所で作られた、またはERPからコピーされた | オペレーターと一緒に、彼らの言葉でリストを書き直す |
| 「どうせ私たちを監視するためだ」 | データが個人別に表示される、または懲戒の場で使われる | データの目的を文書で合意し、ラインとシフト単位で報告する |
| 「前にも言ったが、何も変わらない」 | 入力が消えたまま、誰もフィードバックしない | オペレーターの入力から生まれた改善を一つずつ示す |
IoTの導入は変革プロジェクトであり、成否を決めるのは現場です。Prosciの調査では、チェンジマネジメントが非常に優れたプロジェクトは、不十分なプロジェクトに比べて目標を達成する可能性が約7倍高いことが分かっています。


信頼を求める前にデータを直す
間違った数字は、後で必要になる信頼を使い果たしてしまうので、何かを公開する前に信号を直してください。
材料がないまま空転しているのに、モーター電流が閾値を超えているという理由で設備が「稼働」と数えられる。段取り替えが計画外停止として表示される。シグナルタワーしか読んでいないので、遅いサイクルが見えないままになる。
たとえば、システムがプレス機の停止を40分と表示しているのに、オペレーターの記憶では15分だったとします。差は、誰もシフトカレンダーに入力していなかった25分の休憩です(数字は説明用)。ボードにこうした誤った数字が一つ載るだけで、システム全体が信頼できないように見えてしまいます。
短い検証の手順でこれを防げます。
- 数字を公開せずに、1〜2週間システムを動かします。
- 毎シフト、オペレーターと班長が設備のタイムラインと実際の出来事を照らし合わせます。
- 食い違いはすべて修正につなげます。閾値、カレンダーの登録、欠けている信号などです。
- タイムラインが自分たちのシフトと一致しているとオペレーターが認めてから公開します。
どのようなコンテキストを加えるべきかは、記事コンテキストのない設備データはなぜ役に立たないのかで説明しています。
理由リストはオペレーターに書いてもらう
事務所で作った停止理由が現場に合うことはほとんどありません。するとオペレーターは「その他」や一番上の項目を選び、パレート図はノイズで埋まります。
設備の種類ごとに2〜3人のオペレーターと1時間座り、実際に何が設備を止めているのかを聞いてください。理由は彼らの言葉で10〜15個にとどめます。「社内物流の遅延」より「フォークリフト待ち」のほうがうまく機能します。
IoT以外にも、これを裏付ける事例があります。The Keil Centreが紹介したシフト引き継ぎのプロジェクトでは、新しい記録様式を使う人たち自身が設計に参加し、著者はその関与が制度の成功につながったとしています(Lardner, 1999)。
リストは毎月見直してください。「その他」が停止時間の約10%を超えているなら、理由が一つ欠けています。DBR77 IIoTのオペレーターアプリでは、ラインの責任者がIT部門への依頼なしにリストを変更できます。
オペレーター自身の入力から生まれた成果を見せる
オペレーターは、自分の入力が改善につながったのを見ると、ずっと早くシステムを信頼するようになります。逆に入力がどこかへ消えてしまうと、入力そのものをやめてしまいます。
よくある状況を考えてみましょう。包装ラインのオペレーターが、短い停止に「フィルム詰まり」と入力し続けます。3週間後、一回あたりの停止は2分未満なのに、合計時間ではこれがライン最大のロスであることがデータから分かります。Vorneは、こうした小さな停止をほとんどの企業が正確に追跡していないと指摘しています。保全部門がフィルムガイドを交換すると、停止は減ります(説明用の例)。
そして、それをシフトに伝えます。ラインのボードに掲示してください。「3週間で『フィルム詰まり』が140回入力されました。火曜日にガイドを交換しました。これがその後のグラフです」。オペレーターは、停止時の2秒に意味があったことを学びます。トヨタははっきりとこう述べています。異常が起きれば機械は止まるが、「改善ができるのは人だけ」です。
オペレーターによる上書きの見直し方
遅かれ早かれ、オペレーターはシステムを上書きします。後から理由を変更する、停止を計画停止にする、何もせずにアラートを確認済みにする。最初の反応は「ごまかしだ」というものですが、たいていそれは間違いです。
上書きは、実際の工程に合わないルールについての情報です。英国安全衛生庁(HSE)は、手順からの意図的な逸脱は作業の設計が不十分な場合に起きることが多いと指摘し、対策として作業や設備の再設計を推奨しています。
上書きは班長と毎週見直してください。
- ルールごとにまとめる。 一つのアラート閾値に対する10回の上書きは、一つの発見です。
- オペレーターに理由を聞く。 答えはたいてい単純です。計画清掃中にアラートが鳴る、よくあるケースが抜けている、などです。
- ルールを変えるか、説明する。 ルールが間違っていれば変更し、次のシフト開始時にそれを伝えます。
- 上書き率を追跡する。 時間とともに下がっていくはずです。
よくあるきっかけはノイズの多いアラートです。IIoTのアラートが現場で機能しない理由もご覧ください。
データは罰ではなく支援のために使う
現場の信頼を最も早く失う方法は、最初の1か月のデータを懲戒の場で使うことです。そうなると理由の入力はあいまいになり、上書きは増えます。
人は測定されていると分かると行動を変えます。Journal of Clinical Epidemiologyに掲載されたシステマティックレビューは、研究対象になること自体が研究対象の行動に影響すると結論づけています。監視されていると感じるオペレーターは、自分がこう見られたいという姿をデータに映すようになります。
稼働開始前に、いくつかのルールを文書にしてください。データはラインとシフト単位で見直し、個人の順位付けはしない。停止は工程についての問いにつなげる。オペレーターは管理者と同じ画面を見る。従業員代表が最初にルールを確認する。
よくある質問
オペレーターがIoTデータを信頼するまでにどれくらいかかりますか?
1ラインで4〜8週間を見込んでください。自分たちのシフトと一致するタイムラインと、自分たちの入力から生まれた目に見える改善が少なくとも一つあれば、信頼は後からついてきます。
オペレーターが後から停止理由を変更できるようにすべきですか?
はい。同じシフト内で、変更履歴を残す形で認めてください。修正を禁止すると「その他」が増えます。記録された変更は、理由リストや状態ロジックの弱点を示してくれます。
オペレーター別のOEEを表示すべきですか?
最初の数か月はおすすめしません。性能は本人だけでなく、材料、保全、計画にも左右されます。
あるシフトがシステムを拒み続ける場合はどうすればよいですか?
そのシフトと一緒に1シフト過ごしてください。たいていは、データの本当の欠陥を見つけているか、数字が自分たちに不利に使われたかのどちらかです。まずそれを直してください。
まとめ
1ラインのオペレーターが数字を信頼するまでには4〜8週間を見込んでください。その時間の大半は、タイムラインを正しくすることに使われます。まず1ラインを選び、何も公開せずに1〜2週間システムを動かします。各シフトの終わりにオペレーターと班長が設備のタイムラインと実際の出来事を照らし合わせ、最初の数字をボードに載せる前に、食い違いを一つずつ閾値、カレンダー、信号の修正につなげてください。
出典
- Prosci, The Correlation Between Change Management and Project Success, 2023
- The Keil Centre (R. Lardner), Safe Communication at Shift Handover: Setting and Implementing Standards, 1999
- Vorne, The Six Big Losses
- トヨタ自動車, Toyota Production System
- 英国安全衛生庁(HSE), Managing human failures, 2024
- McCambridge J., Witton J., Elbourne D., Systematic review of the Hawthorne effect, Journal of Clinical Epidemiology, 2014