層別とは？品質管理（QC7つ道具）における考え方と使い方を解説

品質データの分析に悩んでいませんか？QC7つ道具の「層別」でデータを正しく分ければ、問題の真因が明確になり、具体的な改善策が見つかります。

層別は、漠然としたデータの塊にメスを入れ、問題の核心がどこにあるのかを特定するための、いわばデータ分析における「虫眼鏡」や「フィルター」のような役割を果たすのです。日常生活においても、私たちは無意識に層別を行っています。例えば、全国の平均気温というデータだけでは服装は決められませんが、「地域別」「季節別」「時間帯別」といった層別された情報を元に行動を決定します。品質管理における層別も、これと全く同じ考え方に基づいています。

【QC7つ道具】

1. パレート図：問題や不良項目を大きい順に並べ、影響の大きい項目を特定する。
2. 特性要因図（フィッシュボーンチャート）：特定の結果（特性）とそれに影響を及ぼす要因との関係を整理する。
3. ヒストグラム：データのばらつきの状態（分布）を視覚的に把握する。
4. 散布図：2つの特性の関係（相関）の有無を見る。
5. 管理図：工程が安定した状態にあるかどうかを時系列で監視する。
6. チェックシート：データを収集・記録し、整理しやすくするための表や図。
7. グラフ：棒グラフ、折れ線グラフなど、データを視覚的に分かりやすく表現する。

ここで重要なのは、「層別」の位置づけです。多くの文献で層別はQC7つ道具の一つとして挙げられていますが、その性質は他の6つとは少し異なります。他の道具がデータを可視化・分析するための具体的な「ツール（道具）」であるのに対し、層別は、それらのツールを使う上での前提となる「考え方（アプローチ）」としての側面が非常に強いのです。

• 層別されていないパレート図：どの不良項目が多いかは分かるが、それが「いつ」「どこで」「誰が」起こしているのかは分からない。
• 層別されていないヒストグラム：データの分布が二つの山に分かれている（二峰性）ことは分かるが、なぜ二つのグループが存在するのかは分からない。

したがって、層別は単なる7つ道具の一つというよりも、QC7つ道具全体を貫く、最も基本的かつ重要な思考法であると理解することが、品質管理を成功させるための鍵となります。

なぜ品質管理に層別が必要なのか？その目的を解説

• 問い合わせ内容で層別：「製品の操作方法」に関する問い合わせの満足度は「4.5」と非常に高いが、「契約・料金プラン」に関する問い合わせの満足度は「2.1」と極端に低い。
• オペレーターの経験年数で層別：経験5年以上のベテランオペレーターの対応満足度は「4.2」だが、経験1年未満の新人オペレーターの対応満足度は「2.8」である。
• 時間帯で層別：比較的空いている平日の日中の満足度は高いが、問い合わせが集中する平日の夕方や週末の満足度が著しく低い。

これらの層別分析によって、「新人オペレーターが、特に夕方以降に集中する契約・料金プランに関する複雑な問い合わせに十分対応できていない」という、問題の真因が具体的に見えてきます。ここまで原因が絞り込めれば、「新人向けの研修内容を見直す」「複雑な料金プランの問い合わせはベテランにエスカレーションするルールを徹底する」「夕方以降のシフトにベテランを手厚く配置する」といった、的確な対策を立てることが可能になります。

このように、層別は、全体の平均値や合計値といった「森」に隠されて見えなくなっている、個々の問題＝「木」を発見するための強力な手法です。データに隠された問題の真因を発見し、効果的な対策へと繋げるために、層別は不可欠なプロセスなのです。

1. 偶然原因によるばらつき：管理された安定状態の工程でも避けられない、わずかな材料の不均一性や、機械の微細な振動、温湿度のわずかな変化など、多数の要因が積み重なって生じる、本質的で予測不可能なばらつき。
2. 異常原因によるばらつき：通常とは異なる特定の原因（機械の突発的な故障、未熟練の作業者、仕様外の材料の使用など）によって生じる、大きく予測不可能なばらつき。

• 加工機別で層別：A号機で加工した部品と、B号機で加工した部品に分けて比較する。すると、A号機のデータのばらつきは小さいのに対し、B号機のデータのばらつきが非常に大きいことが判明した。
• 作業者別で層別：ベテランの田中さんが作業した時と、新人の鈴木さんが作業した時で比較する。すると、両者に大きな差は見られなかった。
• 材料ロット別で層別：X社の材料ロットとY社の材料ロットで比較する。ここでも大きな差は見られなかった。

この層別分析から、ばらつきの主な原因は「B号機」にある可能性が非常に高いと推測できます。作業者や材料ではなく、B号機のメンテナンス状況、刃物の摩耗、設定のズレなどを重点的に調査すれば、ばらつきを小さくする根本対策に繋がるでしょう。

もし層別をしなければ、「作業者全員のスキルアップ研修をしよう」「材料の受け入れ基準を厳しくしよう」といった、見当違いの対策に時間と労力を費やしていたかもしれません。層別は、データ全体のばらつきという漠然とした現象を、その発生源ごとに分解し、どこに異常原因が潜んでいるのかを特定するための羅針盤となるのです。

• PCユーザー：改善前 CVR 2.5% → 改善後 CVR 3.5% （大幅に改善）
• スマートフォンユーザー：改善前 CVR 1.5% → 改善後 CVR 0.9% （大幅に悪化）

全体で見るとわずかな改善に見えましたが、層別してみると「PCユーザーには非常に効果的だったが、スマートフォンユーザーにとっては逆に使いにくいデザインになってしまった」という真実が明らかになりました。B案のボタンは、スマートフォンの小さな画面ではタップしにくかったのかもしれません。

このように、層別は改善策の効果を多角的に、そして正確に評価するために不可欠な手法です。ある特定の層には絶大な効果があっても、別の層には逆効果である、といった事態は頻繁に起こり得ます。改善活動の成果を正しく評価し、PDCAサイクルをより効果的に、そして速く回していくために、層別の視点は常に持っておく必要があるのです。

層別の代表的な切り口（5M+1E）

層別の重要性を理解したところで、次に問題となるのが「具体的にどのような切り口でデータを分ければ良いのか？」という点です。やみくもにデータを分けても、意味のある示唆は得られません。品質管理の分野では、問題の原因を探るためのフレームワークとして「5M+1E」が広く知られており、これは層別の切り口を考える上でも非常に有効なガイドとなります。

【人（Man）に関する層別の具体例】

• 作業者別：Aさん、Bさん、Cさんなど、個人単位で比較する。特定の人の時にだけ不良率が高い、あるいは生産性が低いといった傾向がないかを確認します。
• 班・チーム別：第1班、第2班など、チーム単位で比較する。チーム内の連携やコミュニケーション、リーダーシップが品質に影響している可能性を探ります。
• 経験年数別：新人（1年未満）、中堅（1〜5年）、ベテラン（5年以上）のようにグループ分けする。経験の浅い作業者でミスが多発していないか、あるいはベテランの思い込みによるミスはないかなどを分析します。
• スキル・資格別：特定の資格（例：溶接技能者資格）の保有者と非保有者で比較する。専門的なスキルが品質に直結する工程で有効です。
• 勤務シフト別：日勤、夜勤、交替勤務のシフトごとに比較する。夜勤帯での集中力低下や、人員体制の違いが影響していないかを確認します。
• 性別・年齢層別：体力や集中力、視力などが影響する作業の場合、これらの切り口が有効な場合があります。ただし、差別的な意図ではなく、あくまで作業適性や人間工学的な観点から分析することが重要です。

【分析のポイント】 人による層別で差が見つかった場合、その原因は個人の能力や意欲だけの問題だと結論づけるのは早計です。「なぜその人で問題が起きるのか？」をさらに深掘りする必要があります。例えば、新人作業員のミスが多いのであれば、その原因は「教育・訓練方法（Method）」や「作業マニュアルの分かりにくさ（Method）」にあるのかもしれません。層別は犯人探しではなく、問題の構造を明らかにするための手段であることを忘れないようにしましょう。

【機械（Machine）に関する層別の具体例】

• 機械の号機別：同じ仕様の機械が複数台ある場合に、1号機、2号機、3号機…と個体ごとに比較します。特定の機械だけ精度が悪い、故障が多いといった問題を発見できます。
• 製造ライン別：Aライン、Bラインなど、生産ライン全体で比較します。ラインごとの設備の組み合わせやレイアウト、人員配置の違いが影響している可能性を探ります。
• 新旧設備別：新型の設備と旧型の設備で品質や生産性を比較します。設備の老朽化や性能差が問題の原因でないかを確認します。
• 金型・治工具別：プレス加工の金型や、部品を固定する治工具など、製品ごとに交換する付属品で層別します。特定の金型の摩耗や、治工具の精度の問題などを特定できます。
• メンテナンス前後：定期メンテナンスや修理の前後でデータを比較します。メンテナンスの効果があったか、あるいはメンテナンス自体が新たな問題を引き起こしていないかを確認できます。

【分析のポイント】 機械による差が明らかになった場合、その原因は多岐にわたります。機械そのものの老朽化や故障だけでなく、日々の運用方法（Method）や、オペレーターの操作スキル（Man）との組み合わせで問題が発生していることも少なくありません。例えば、「旧型の2号機を、新人のAさんが操作した時」に特に不良が多い、といった複合的な分析が有効な場合もあります。

【材料（Material）に関する層別の具体例】

• 供給元（サプライヤー）別：同じ部品や材料を複数の会社から購入している場合に、A社、B社、C社と供給元ごとに比較します。特定のサプライヤーの品質に問題がないかを確認します。
• ロット別：材料は通常、同じ条件で製造された「ロット」という単位で管理されています。このロット番号ごとにデータを層別することで、特定のロットの材料にだけ問題があった、という原因を特定できます。
• 製造年月日・購入時期別：材料の鮮度や保管期間が品質に影響する場合に有効です。古い材料を使った時に問題が発生していないかなどを分析します。
• 成分・規格別：同じ材料でも、成分の含有率や物性値が規格内でわずかに異なる場合があります。その微妙な違いで層別することで、品質との相関が見えることがあります。
• 保管場所・保管条件別：材料が保管されている倉庫の場所（A倉庫/B倉庫）や、保管条件（温度、湿度）によって品質が変化する可能性がないかを探ります。

【分析のポイント】 材料ロットによる層別は非常に強力ですが、そのためにはどの製品にどのロットの材料が使われたかを正確に追跡できる仕組み（トレーサビリティ）が整備されていることが大前提となります。日々の生産記録を正確に残しておくことが、いざという時の原因究明に繋がります。

【方法（Method）に関する層別の具体例】

• 作業手順・マニュアル別：作業マニュアルが複数バージョン存在する場合（改訂前/改訂後）や、人によって手順の解釈が異なる場合に比較します。
• 作業条件別：機械の稼働速度、加工時の温度、圧力、時間など、パラメータとして設定できる作業条件ごとにデータを層別します。最適な条件を見つけ出すためにも利用されます。
• 段取り替えの前後：異なる製品を作るために機械の設定を変更する「段取り替え」の直後に作られた製品と、安定生産中の製品とで品質を比較します。段取り替えの作業に問題がないかを確認します。
• 自動・手動別：同じ工程に自動化された部分と手作業の部分がある場合に、それぞれの品質を比較します。
• 検査方法別：複数の検査方法（例：目視検査、機械による自動検査）がある場合に、その方法ごとに不良の検出率などを比較します。

【分析のポイント】 方法に関する問題は、しばしば「暗黙知」や「個人のカン・コツ」として現場に根付いていることがあります。層別によって特定の方法に優位性が見られた場合、その方法を標準化し、全員が実践できるように形式知化（マニュアル化など）することが、組織全体の品質向上に繋がります。

【測定（Measurement）に関する層別の具体例】

• 測定機器別：同じ項目を測定できる機器が複数ある場合に、A測定器、B測定器と個体ごとに比較します。測定器間の誤差（器差）や、特定の測定器の故障や校正ズレを発見できます。
• 測定者別：測定が人の手作業（例：ノギスでの読み取り、目視での判定）に依存する場合に、測定者Aさん、Bさんで比較します。測定者の習熟度や、読み取りのクセによるばらつきがないかを確認します。
• 測定方法・手順別：測定対象の固定方法や、測定する箇所、サンプリングの方法などが複数ある場合に比較します。
• 測定場所・環境別：測定を行う場所の温度、湿度、明るさ、振動などが測定値に影響を与える場合に、場所や環境条件で層別します。

【分析のポイント】 測定データにばらつきが見られた場合、それが本当に「製品の品質」がばらついているのか、それとも「測定方法」がばらついているだけなのかを区別することが非常に重要です。後者の場合、改善すべきは製造工程ではなく測定工程です。この切り分けを誤ると、的外れな改善活動に陥ってしまいます。

【環境（Environment）に関する層別の具体例】

• 季節・月別：夏と冬、あるいは月ごとにデータを比較します。気温や湿度の季節変動が品質に影響していないかを確認します。
• 天候別：晴れの日、雨の日、雪の日などで比較します。湿度や気圧の変化が影響する工程で有効です。
• 時間帯別：朝、昼、夕方、夜間で比較します。外気温の変化や、工場の稼働状況（他の機械の稼働による電圧変動など）が影響していないかを探ります。
• 場所・エリア別：工場内の北側と南側、窓際と壁際など、場所によって温湿度や日照条件が異なる場合に比較します。

【分析のポイント】 環境要因は、他の要因（例：機械の不調）と複雑に絡み合って影響を及ぼすことがあります。例えば、「夏場になると、旧型のA機械の不良率が特に上がる」といったように、他の5M要因と組み合わせて層別することで、より本質的な原因が見えてくることがあります。環境の変化に対応できる、ロバスト（頑健）な工程設計を目指す上で重要な視点です。

他のQC7つ道具と組み合わせた層別の使い方

【層別なしの場合（Before）】 ある電子部品工場で、1ヶ月の不良項目データを集計し、パレート図を作成しました。その結果、以下のような状況が分かりました。

• 不良項目A（はんだ付け不良）：100件 (累積比率 67%)
• 不良項目B（部品の欠品）： 20件 (累積比率 80%)
• 不良項目C（基板の傷）： 15件 (累積比率 90%)
• その他： 15件 (累積比率 100%)

このパレート図から、「最優先で取り組むべきは『はんだ付け不良』である」という方針は立てられます。しかし、「はんだ付け不良」がなぜこれほど多いのか、その原因は全く分かりません。対策を立てようにも、「はんだ付け工程全体を改善しよう」という漠然とした目標しか設定できず、効果的なアクションに繋げることが困難です。

【層別ありの場合（After）】 次に、最も件数の多い「はんだ付け不良」について、「製造ライン別」という切り口で層別し、ラインごとに再度パレート図（この場合は棒グラフで比較するのが分かりやすい）を作成してみます。

この層別分析によって、「はんだ付け不良の実に85%が、特定のBラインに集中して発生している」という衝撃的な事実が判明しました。 さらに、Bラインで発生したはんだ付け不良を「作業者別」で層別してみると、特定の新人作業員に不良が集中しているかもしれません。あるいは、「はんだごての種類別」で層別すると、Bラインで使われている旧型のはんだごてに問題がある可能性が見えてきます。

このように、パレート図で特定した重点項目を、さらに5M+1Eの視点で層別して深掘りしていくことで、問題の所在がどんどんクリアになっていきます。「はんだ付け工程全体」という大きな問題が、「Bラインで使われている旧型のはんだごて」という、具体的で対処可能なレベルの課題にまで絞り込まれるのです。これを「層別パレート図」と呼ぶこともあり、問題解決の初期段階で非常に強力な武器となります。

【層別なしの場合（Before）】 ある食品工場で、袋詰めされた製品の重量を測定し、ヒストグラムを作成しました。すると、下の図のように、山の頂上が2つある「二峰性（にほうせい）分布」という奇妙な形になりました。

【層別ありの場合（After）】 ここで、この重量データを「充填機別」という切り口で層別し、1号機と2号機、それぞれのヒストグラムを個別に作成してみます。

• 1号機のヒストグラム：目標重量よりもやや軽めの位置に、ばらつきの小さいきれいな正規分布の山を形成している。
• 2号機のヒストグラム：目標重量よりもやや重めの位置に、ばらつきの大きいなだらかな正規分布の山を形成している。

この2つのヒストグラムを重ね合わせると、元の二峰性分布が完璧に再現されます。この層別分析によって、謎だった二峰性分布の原因が明確になりました。「1号機は設定が軽めにズレており、2号機は設定が重めにズレている上に、動作が不安定でばらつきが大きい」という、それぞれの機械が抱える問題が明らかになったのです。

このように、ヒストグラムで「離れ小島」「歯抜け」「絶壁」といった異常な分布形状が見られた場合、データを層別して比較することで、その形状を生み出している原因を特定できるケースが非常に多くあります。層別は、ヒストグラムが発する異常のサインを解読するための重要な鍵となります。

【層別なしの場合（Before）】 ある化学プラントで、製品の品質特性Yと、製造条件の一つである圧力Xの関係を調べるために、データを集めて散布図を作成しました。しかし、出来上がった散布図は、点がランダムに散らばっているだけで、圧力Xと品質Yの間には何の相関も見られませんでした（いわゆる「無相関」の状態）。

【層別ありの場合（After）】 ここで、プラントの運転を担当するオペレーターから「使っている触媒の種類によって、最適な圧力が違う気がする」という情報を得ました。そこで、データを「触媒の種類別（A触媒／B触媒）」で層別し、同じ散布図上でプロットの色を変えて表示してみます。

• A触媒のデータ（●でプロット）：圧力を高くするほど品質Yが向上する、きれいな「正の相関」を示した。
• B触媒のデータ（▲でプロット）：圧力を高くするほど品質Yが低下する、きれいな「負の相関」を示した。

驚くべきことに、層別して色分けした途端、それまで見えなかった2つの全く逆の相関関係がはっきりと浮かび上がってきました。A触媒とB触媒では、圧力に対する挙動が正反対だったため、両者を混ぜてプロットすると互いの相関が打ち消し合い、全体としては無相関に見えてしまっていたのです。これを「疑似相関」あるいは「交絡」と呼びます。

この層別散布図から、「品質を向上させるためには、A触媒を使う場合は圧力を上げ、B触媒を使う場合は圧力を下げるべきである」という、極めて重要な知見が得られました。

このように、散布図で相関が見られない場合でも、第三の因子（この場合は触媒の種類）で層別することで、隠れていた真の相関関係を発見できることがあります。層別は、データ間の複雑な関係性を解き明かすための強力な分析手法です。

【層別なしの場合（Before）】 ある部品の寸法データを時系列でプロットしたXbar-R管理図を見ていたところ、ある日のデータが突然、上方管理限界線（UCL）を大きく超えているのを発見しました。これは明らかに工程に何らかの異常が発生したことを示しています。しかし、管理図を眺めているだけでは、その日に「何が」起こったのかは分かりません。生産日報を遡って確認するにも、どこから手をつければ良いか分からず、原因究明に時間がかかってしまいます。

【層別ありの場合（After）】 ここで重要になるのが、管理図上に、品質に影響を与えそうなイベント情報を層別情報として追記しておくことです。

• 作業者の交代（例：「田中→鈴木」）
• 材料ロットの変更（例：「Lot.123→Lot.124」）
• 機械のメンテナンス（例：「刃物交換」）
• 作業方法の変更（例：「マニュアル改訂」）

このように層別情報を追記した管理図を改めて見てみると、管理限界線を外れた異常点が発生したタイミングが、「材料ロットがLot.123からLot.124に切り替わった直後」と完全に一致していることが分かりました。

もしこのような情報の追記がなければ、作業者のミスや機械の故障など、様々な可能性をしらみつぶしに調査することになり、原因特定が大幅に遅れていたでしょう。管理図における層別とは、異常の発生という「結果」と、工程で起きたイベントという「原因」を結びつけるための、強力な情報整理術なのです。日頃から工程の変化点を正確に記録し、管理図と紐づけておく習慣が、迅速な異常処置を実現します。

層別を効果的に行うための3つのポイント

層別を始める前に、まず立ち止まって考えるべき最も重要なことがあります。それは「何のために、このデータを分析するのか？」という目的を明確にすることです。目的が曖昧なまま分析を始めると、無数の切り口でデータを分割するだけの「層別ごっこ」に陥ってしまい、結局何が言いたいのか分からない分析結果の山を築くだけになってしまいます。

【目的が曖昧な例】 「製品Aの品質を改善したい」 → この目的では、あまりにも漠然としすぎています。5M+1Eのどの切り口で層別すれば良いのか、当たりをつけることができません。

【目的が明確な例】 「先月から急増している製品Aの『塗装ムラ』という不良の原因を特定し、不良率を半減させたい。特に、新人作業員が配属された第2製造ラインが怪しいと考えている」 → このように目的が具体的であれば、取るべきアプローチも自ずと見えてきます。

1. まず、不良項目を層別し、「塗装ムラ」のデータだけを抽出する。
2. 次に、「製造ライン別」で層別し、本当に第2製造ラインの不良率が高いのかをデータで確認する。
3. もし第2ラインの不良率が高ければ、さらに「作業者別（新人／ベテラン）」で層別し、仮説を検証する。
4. もし作業者による差がなければ、「使用しているスプレーガンの種類別」や「塗料のロット別」など、別の切り口を試す。

このように、分析の目的を具体的かつ仮説ベースで設定することで、層別の切り口に優先順位をつけ、効率的かつ論理的に分析を進めることができます。

目的を明確にすることは重要ですが、一方で、最初の仮説や思い込みに固執しすぎない柔軟性もまた、効果的な層別には不可欠です。多くの場合、問題の真因は、当初予想もしなかった意外なところに隠れているものです。一つの切り口で層別して明確な差が見られなかったからといって、そこで分析を諦めてはいけません。

【試行錯誤の重要性】 先ほどの塗装ムラの例で考えてみましょう。 当初の仮説は「新人作業員（Man）が原因ではないか？」でした。しかし、作業者別で層別してみたところ、新人でもベテランでも不良率に大差はありませんでした。

• 方法（Method）の視点：マニュアル通りに作業しているか？ スプレーガンと製品の距離や、塗装のスピードは適切か？
• 機械（Machine）の視点：第2ラインで使っているスプレーガンのノズルが摩耗しているのではないか？ コンプレッサーの圧力が不安定なのではないか？
• 材料（Material）の視点：第2ラインだけ、違うメーカーの塗料や、古いロットのシンナーを使っていないか？
• 環境（Environment）の視点：第2ラインは換気が悪く、塗装ブース内の温度や湿度が不安定なのではないか？

このように、5M+1Eのフレームワークを念頭に置きながら、考えられる切り口を粘り強く、多角的に試していくことが、真因発見への道を切り拓きます。最初の仮説が外れることは恥ずかしいことではありません。むしろ、仮説が外れたという事実そのものが、「その要因は原因ではない」ということを教えてくれる貴重な情報なのです。

層別分析の質は、元となるデータの質に完全に依存します。これは「Garbage In, Garbage Out（ゴミを入れれば、ゴミしか出てこない）」というデータ分析の鉄則として知られています。どれほど高度な分析手法を用いても、入力するデータが不正確であったり、必要な情報が欠落していたりすれば、得られる結論もまた信頼性のないものになってしまいます。

【必要な情報が記録されていない例】 不良品が発生した際に、「不良発生日」と「不良内容」しか記録していなかったとします。これでは、「月別」や「不良項目別」といった大まかな層別しかできません。「どの機械で？」「誰が作業した時に？」「どの材料ロットで？」といった、原因究明に不可欠な5M+1Eの情報がなければ、それらの切り口で層別すること自体が不可能です。

【効果的なデータ収集・記録のポイント】

• 5M+1Eを意識した記録：製品やデータが生まれた時の付帯情報（誰が、いつ、どこで、どの機械・材料・方法で…）を、可能な限り紐づけて記録する習慣をつける。チェックシートなどを活用し、記録項目を標準化することが有効です。
• トレーサビリティの確保：製品とその製品に使われた材料ロット、加工した機械、作業者などを後から追跡できる仕組みを構築する。バーコードやRFIDなどの技術を活用することも考えられます。
• 記録の正確性と一貫性：データの入力ミスや表記の揺れ（例：「Aライン」「A-Line」「line A」などが混在）は、正確な集計や層別を妨げます。入力ルールを定め、徹底することが重要です。
• 事実を客観的に記録：「たぶん〇〇が原因」といった推測や意見ではなく、「何が起きたか」という客観的な事実を記録することに徹します。

優れた層別分析は、分析の段階で始まるのではなく、その前段階であるデータ収集の設計と実践から始まっています。日々の地道なデータ記録が、いざ問題が発生した時に、迅速かつ的確な原因究明を可能にするための土台となるのです。この土台がなければ、どんなに優れた分析者でもその能力を発揮することはできません。

まとめ

• 層別とは、集めたデータを共通の特徴を持ついくつかのグループ（層）に分け、全体のデータからは見えなかった問題点や傾向を明らかにする、品質管理における最も基本的かつ重要な「考え方」です。
• 層別が必要な目的は、主に3つあります。
  1. 全体の平均値に隠された問題の真因を発見するため。
  2. 製品やサービスの品質のばらつきの原因を特定するため。
  3. PDCAサイクルにおける改善策の効果を正しく評価するため。
• 代表的な層別の切り口として、品質に影響を与える要因を網羅したフレームワーク「5M+1E」が非常に有効です。
  • 人（Man）：作業者、経験、スキル
  • 機械（Machine）：設備、ライン、金型
  • 材料（Material）：供給元、ロット
  • 方法（Method）：作業手順、条件
  • 測定（Measurement）：測定器、測定者
  • 環境（Environment）：温度、湿度、時間帯
  1. 「何のために分析するのか」という目的を明確にすること。
  2. 思い込みを捨て、さまざまな切り口で試してみる柔軟性を持つこと。
  3. 分析の土台となるデータを日頃から正確に収集・記録すること。

  もし今、あなたが解決の糸口が見えない問題に直面しているのであれば、まずは手元にあるデータを眺め、「このデータは、何か別の切り口で見ることができないだろうか？」と自問自答することから始めてみてください。その一歩が、データに基づいた科学的な品質管理、そして継続的な品質改善への確かな道筋となるはずです。層別を制する者は、品質管理を制すると言っても過言ではないでしょう。