吉野：はい。社内ではまったく通じませんでした。聞かされたほうもポカンとするばかり。しかし、品質管理部に異動して数年後、今日のデータサイエンスの到来を予兆させるような動きが世界的な規模で起こります。

そういう潮流に合わせるように『パターン認識と機械学習』（クリストファー・ビショップ）という本が話題になりました。全国の多くの企業がこの本を教材とする勉強会を相次いで立ち上げたほどです。デンソーでも品管にいた私が呼びかけて始めました。

若手が10人ほど集まり、定時後に隔週で催したのですが、参加者が面白がって、当初計画の半年を超え、結局1年間続きました。現在では年度計画に「データサイエンスの推進」が明記されるまでに浸透しています。

吉野：私の座右の銘でもあるのですが「個を測って系を知る」ということです。1個1個データを見ることで工程全体の問題の抽出とか改善とかにつなげることができるからです。例えば、製造ラインのどこかで不良品が見つかったとします。しかし、その不良品をどれだけ解析しても根本的な原因は分からない。そのデータが生まれた背景が分からないからです。

ところが、製品1個1個の動きに関連するその他の因子のデータの変化を見ると不良の原因がなんとなく分かってくる。不良品を見ることは誰でもできます。しかし、肝心なのは不良品を見るのではなく、良品を含めたデータから工程の様子を知ることです。ですから、品質管理に携わる人は1個だけ検査するのではなく、20個とか30個とかを抜き取るのです。

吉野：大学時代の講義を思い出しても、とにかく役に立つから学んでおけという感じでした。実際、品質管理では「何個か抜き取った結果、これくらいの幅がありました」という人と「何個か抜き取ったのに、なんでこういう変化が出るのだろう」と捉える人がいます。

私は後者の立場です。そうすると、不良品の発生原因が設備の異常によるのではないかという仮説を立てることもできる。これこそが「個を測って系を知る」面白さです。

吉野：DN7は工程データを可視化するソフトで、Digital Native Quality Control 7 Toolsという単語の頭文字をつなげたものです。

何もないところから不意に生まれたのではなく、データ解析課のメンバーが業務で毎日試行錯誤していた可視化作業がベースになっています。課員はいずれもプログラム言語が扱えるので、それを使ってさまざまなグラフを来る日も来る日も作っていました。

そんなある日、当時の副社長だった若林宏之さんの部屋に呼ばれました。用件は「次の日本品質管理学会の会長を受けることになったけれども、何か“手土産”になるような知恵はないか」という相談でした。

トヨタ自動車にはトヨタ生産システムがある。デンソーにはQRコードがあるけれども品質管理には直接関係がありません。そこで、課内でほそぼそと続けていたDN7の構想を話しました。

吉野：非常に興味をもってくれました。若林さんはもともと、新たな時代の到来に応じて従来の「QC七つ道具」を変革する構想をもたれていたようでした。それなら、私たちの温めているDN7が使えるのではないかということで腹を割った意見交換をしたのです。

DN7の意義は従来の品質管理を学び、QC七つ道具が分かっている人たちがDX時代に進むときに足りないと思うものを整えることにあります。しかし、いきなり新しい概念を訴えても受け入れられにくい。そこで、従来のQC七つ道具を踏まえたビッグデータ時代のQC七つ道具というコンセプトで臨みました。

一方、課内では、社内で膨大なデータを集めながら、それらがまったく活用されていないことに対するフラストレーションのような戸惑いもありました。宝の持ち腐れだからです。そこで、DN7をQC七つ道具のビッグデータ版として位置づけました。

吉野：それこそがデータ駆動型の品質管理、つまりデータドリブン（Data Driven）の手法なのです。私たちがDN7で目指したのは、そういう仕事の進め方を実現することでした。若林さんとは共通認識を得られていたので、課員も交えて熱心に磨き上げていきました。

吉野：基本的な役割は従来のQC七つ道具と同じです。ただし、それをビッグデータ時代にフィットするように足したり引いたり、統合したりしたわけです。

もともとは、これまでのQC七つ道具で仕事をしてきた人がビッグデータ時代になっても違和感なく使えることに重点を置いています。DN7が目指すグラフは10個でも20個でも提示することができます。しかし、それは利用者をいたずらに混乱させるだけ。そこで、なじみのある「7」になるようにやり繰りして、製造現場におけるDX化の促進を目指しました。

吉野：DX版の七つ道具として無償公開しているので、誰でもダウンロードすることができますます。グラフは「全数プロット」「リッジラインプロット」「カレンダーヒートマップ」「散布図」「パラレルコーディネートプロット」「サンキ―ダイアグラム」「共起グラフ」の7種。

このうち、全数プロットは旧手法の「管理図」に相当します。同様に、リッジラインプロットは「ヒストグラム」、カレンダーヒートマップは「チェックシート」、サンキーダイアグラムは「特性要因図」、共起グラフは「パレート図」にあたります。

吉野：SQC時代のデータリテラシーはデータの取り方やまとめ方を指していました。サンプリングの世界ですから。これに対して、現在のデータリテラシーはデータの読み解き方であると思います。

データの読み説きを惑わせるのはSNSの世界でもしばしば問題になるフェイクやステマ（ステルスマーケティング）です。ビッグデータを見るうえで最も注意しなければならないのは、データにかかるバイアスです。その意味で、データを見抜く力が問われているともいえるのです。

吉野：そうですね。この現象では、データのグループを分割して分析すると、全体の傾向とは逆の結論が導き出されます。例えば、ある治療法は男女別々で見ると効いているのに、全体を統合すると効かないという結論になるといったことが起こります。

ですから、データの読み解き方が問われるのです。データに振り回されるのか、データを主体的に使うのかということが問題になると思います。ここでは、データが生まれた背景（データフレーム）に着目し、女性に新療法が多いというバイアスに気付くことがポイントだと思います。

吉野：大きな項目では、データサイエンスの基礎的な要素である「カーネルトリック」｢正則化法｣「ベイズ統計学」を手ほどきします。社内では朝から晩まで丸2日をかけてじっくり教えます。

その成果を披露する場として毎年、事例発表会を開きます。少し前まではSQCの手法に関するものがほとんどでしたが、最近ではデータサイエンスを使ったビッグデータの解析が主流になっています。

それは取りも直さず、現場の問題解決がデータサイエンスの目線で行われていることの証しだと思っています。

吉野：国内よりも海外のほうが関心が高いという印象です。普及率を具体的な数字では表しにくいのですが、特別な宣伝をしているわけでもないのにダウンロード数ではブラジルや東欧の伸びが大きいようです。

ソフトウエアは世界の主要言語に対応していて、画面上で選択できるようになっています。ソースコードを保存したzipファイルをGitHubから落として解凍するだけで利用できるので、海外の技術者が興味を示してくれているようです。

吉野：ビッグデータには落とし穴が2つあります。1つはバイアスの存在。もう1つは既存データの周辺にはデータがないことです。計画的集めたデータと違って、日常的なランダムデータは集まるところにしか集まらない。ですから、その外側のモデルがまったく作れないのです。

また、製造業のDXでは、有事ではなく平時のデータの読み説きが重要です。そのためには鋭い観察眼をもつこと。平時のデータ観察は異常検知や予兆検知につながるからです。そういう仕事の仕方が問われると思っています。