IoTデータはある。原価には使えていない
長野・諏訪・岡谷の製造現場では、ここ数年でIoTセンサーの導入が進んでいます。設備の稼働状態をモニタリングする仕組み、温度や振動を記録するセンサー、品質検査の計測データ──機械は動いていて、データは溜まっています。
問題は、そのデータが「原価管理」と切り離されていることです。
稼働ログは設備保全の担当者が見ています。原価の集計は経理や管理部門が行っています。データはそれぞれの場所に存在しますが、「この設備の稼働率が下がったとき、原価にどう影響するか」を把握している人は、多くの現場でいません。
工場IoTデータと原価管理をAIでつなぐと、この「見えていない部分」が数字になります。
つなぐと何が見えるか
IoTデータと原価データを接続したとき、新しく見えてくる情報は主に3種類です。
設備の稼働コストの実態
稼働ログ（いつ、どの設備が、何時間動いたか）を設備の固定費・消耗品費・電力費と組み合わせると、「この設備の1時間あたりのコスト」が計算できます。稼働率が高い設備にコストが集中していることが分かると同時に、稼働率が低いにもかかわらずコストがかかっている設備も浮かび上がります。
品種・ロットごとの実際の加工コスト
「この品番の加工に、どの設備をどれくらい使っているか」をIoTデータと照合すると、品種別の実際のコストが見えます。見積もり段階で想定していた加工時間と実績の乖離が、数字として出てきます。「利益が出ているはずの受注が、実は加工コストで圧迫されていた」という構造を可視化できます。
不良・手直しコストの定量化
品質検査データと修正・手直しの記録をつなぐと、不良1件あたりの損失コストを算出できます。「不良率が下がれば原価がどれだけ改善するか」を見積もれるようになり、品質改善への投資の優先度を経営的に判断しやすくなります。
3つの連携の切り口
どのデータとどのデータをつなぐか、現場で取り組みやすい順に整理します。
切り口① 稼働ログ × 設備コスト
最初に手をつけやすいのはこの組み合わせです。設備の稼働ログ（PLCや稼働管理システムに存在することが多い）と、設備に紐づく固定費・電力費・保全費を月次で照合します。
稼働時間帯のコスト分析、機種別・工程別の稼働コスト比較──これらを月次で把握するだけで、「どの設備のコストが重いか」「どの時間帯の稼働がコスト効率の悪い状態になっているか」が見えてきます。多くの現場では稼働ログがすでに取れているため、追加の仕組みを作らずにデータ連携から始められます。
切り口② 工数記録 × 品種別原価
日報や工程記録のデータと品種・品番を照合します。「この品番の加工に、実際にどれだけの人・設備が使われているか」を品種単位で集計します。
見積もり原価と実績原価の差異を品種ごとに出せると、次の見積もり精度が上がります。「この品番は受注しても採算が合わない」という判断を、感覚ではなく数字で行えるようになります。受発注の意思決定に直接つながる切り口です。
切り口③ 品質データ × 不良コスト
検査データと手直し・廃棄の記録を連携します。不良1件あたりの工数損失、廃棄材料コスト、手直し時間を定量化します。
「不良率1%を半分にすると、月にどれだけのコスト改善になるか」を計算できれば、品質改善への投資判断の軸になります。品質改善を「現場の努力」から「数字に基づく経営判断」に引き上げる切り口です。
AIが担う役割
これらのデータ連携において、AIが担うのは主に2つの役割です。
データの接合と集計の自動化
異なるシステムや帳票に分散しているデータを、日付・品番・設備番号で紐付けて集計する作業は、手作業では大きな負担です。毎月の集計作業をAIが処理することで、担当者は集計ではなく「分析」に時間を使えます。
傾向の抽出と注目点の絞り込み
大量のデータの中から「先月より設備コストが増えている品種」「稼働率が落ちているにもかかわらず電力消費が増えている設備」といった傾向をAIが見つけます。人が全件を確認しなくても、調べるべき変化がピックアップされます。
コストの原因を「確定する」のは、現場知識を持つ人です。AIは「どこを調べるか」を絞り込む役割を担います。この分業が、原価管理の精度を上げながら担当者の作業量を減らします。
どのデータが「つながる状態」にあるか
取り組みを始める前に、現場のデータが「接続できる形になっているか」を確認します。チェックする観点は3点です。
形式がデジタルになっているか
稼働ログや品質データが紙帳票にしか残っていない場合、まずデジタル化のステップが必要です。一方、PLCのログやExcelの日報など、すでにデジタルで存在するデータは、多くの場合すぐに使えます。
品番・日付のキーが揃っているか
複数のデータを照合するには、「品番」「設備番号」「日付」といった共通のキーが必要です。各データで同じコードを使っているかを確認します。システムごとに品番のコード体系が異なることがあり、この整理が連携の最初の作業になるケースが多いです。
どの期間のデータが使えるか
傾向分析には、最低でも3か月分のデータがあると機能します。過去データの範囲を確認し、どこまで遡れるかを把握します。
始め方：1つの連携から試す
最初から3つすべての連携を作る必要はありません。現場にあるデータと課題に合わせて、1つから始めます。
「設備コストの内訳が見えていない」→ 切り口①（稼働ログ × 設備コスト）から。 「受注の採算が分からない」→ 切り口②（工数記録 × 品種別原価）から。 「不良によるロスが大きい」→ 切り口③（品質データ × 不良コスト）から。
いずれの場合も、最初のステップは「今あるデータを1か所に集めて、接続を試みる」ことです。IoTシステムを一から作り直す必要はなく、今の仕組みからエクスポートできるデータで始められます。
まず「どのデータが使えるか」を整理する
私たちは、現場にどんなIoTデータが存在するか、原価管理のどのデータと接続できるかを整理するところから始めます。「データはあるが、どうつなげばいいか分からない」という状況が、最も多いケースです。
長野・岡谷の製造現場 AI 原価管理の文脈で、何をつなぐとどんな情報が得られるかを具体的に示します。効果が見込めない場合──データの形式が合わない、接続コストが高すぎる──には、その旨をはっきりお伝えします。どの切り口から手をつければ現実的に進められるかを、現場の状況に合わせて整理します。