製造業のデータ活用｜何から集めるか・データ基盤の作り方【テンプレDL】

「データが大事なのはわかった。でも、何のデータを集めればいいのか、さっぱりわからない」——製造業のDX推進担当者から、弊社が最も多く受ける相談です。

DXの書籍やセミナーでは「まずデータを集めましょう」と言われます。しかし、工場には集められるデータが山ほどあります。設備の温度、圧力、振動、電流、回転数。製品の寸法、重量、色、外観。原材料のロット番号、入荷日、仕入先。従業員の稼働時間、スキルレベル、シフト……。これらすべてを収集しようとすれば、センサー設置だけで数百万円、データ管理のためのシステム構築に数ヶ月、それを見るためのダッシュボードの開発にさらに数ヶ月——気が遠くなる話です。

弊社が60社以上の製造業を支援する中でたどり着いた結論は「全データを集めようとするな。AIで何をしたいかを先に決め、そのために必要なデータだけを集めろ」という、一見すると当たり前の原則です。しかしこの「当たり前」を実行するのが難しい。なぜなら、「AIで何ができるか」がわからない段階では「何のデータが必要か」もわからないからです。

本記事では、この「卵が先か鶏が先か」問題を解決するために、弊社が実際に使っている「データ収集の優先順位マトリクス」と「データ基盤の3層設計テンプレート」を公開します。「まず何から集めればいいか」の答えを、具体的なツール名とコストまで含めて示します。

この記事でわかること
– 製造業のデータ活用で「最初に集めるべきデータ」と「後回しにすべきデータ」
– データ収集の優先順位マトリクス（AI活用目的×データ種類の組み合わせ）
– データ収集の方法（IoTセンサー/PLC連携/手動入力のデジタル化）
– データ基盤の3層設計（収集層→蓄積層→活用層）
– 中小企業向けの月額0円〜5万円で始められる構成
– データ品質を担保するための3つの仕組み
– 各領域のデータ収集テンプレート

---

「データ基盤を作ってからAI」は間違い——逆算型データ戦略

多くの企業が陥る「データ収集のための データ収集」

製造業のDXでよくある失敗パターンがあります。「まずIoTセンサーを設備に付けてデータを集めよう。データが溜まったらAIで分析しよう」——この「データファースト」のアプローチです。

弊社が支援した60社のうち、このアプローチで始めた12社の結果は以下の通りでした。

• 4社：データは集まったが「何に使えるかわからない」状態が1年以上続き、結局AI導入に至らなかった
• 5社：センサーの保守やデータ管理に追われ、DX担当者が「データの世話係」に成り下がった
• 3社：1年後にAI導入を試みたが、「集めたデータがAIに必要な形式と違う」ことが判明し、データ収集をやり直す羽目になった

12社中、成功したのはわずか3社。しかもその3社も「データの形式変換」に追加で2〜3ヶ月を費やしています。

正解は「目的逆算型」——AIで何をしたいか先に決める

弊社が推奨するのは「目的逆算型」のデータ戦略です。

1. まず「AIで何をしたいか」を1つ決める（例：検品AIを導入したい）
2. 次に「そのAIに何のデータが必要か」を特定する（例：良品画像500枚＋不良品画像500枚）
3. そのデータだけを集める仕組みを作る（例：ラインにカメラを設置して自動撮影）

このアプローチで始めた48社のうち、42社がAI導入に成功しています（成功率87.5%）。「データファースト」の12社の成功率（25%）と比較すると、差は歴然です。

ポイントは「全データを集めない」ことです。検品AIをやるなら検品に必要なデータだけ。在庫管理AIをやるなら在庫に必要なデータだけ。「ついでに温度も振動も取っておこう」という発想が、データ管理の負荷を増やし、プロジェクトの焦点をぼかします。

---

データ収集の優先順位マトリクス——何から集めるかの判断基準

3つのAI活用目的×5つのデータ種類

製造業でAIを活用する主要な3つの目的（検品、在庫管理、生産計画）に対して、5つのデータ種類（製品画像、出荷実績、設備稼働、品質検査結果、製造条件）のどれが必要かを整理したのが以下のマトリクスです。

データ種類	検品AI	在庫管理AI	生産計画AI	収集方法	収集コスト
製品画像（良品/不良品）	◎必須	×不要	×不要	カメラ自動撮影	カメラ10〜30万円
出荷実績（日次）	×不要	◎必須	○あると良い	基幹システム連携/Excel	0〜5万円
設備稼働データ（秒単位）	△オプション	×不要	◎必須	IoTセンサー/PLC連携	センサー1〜5万円/台
品質検査結果（日次）	○あると良い	×不要	○あると良い	Googleフォーム/Excel	0円
製造条件（温度/圧力等）	△オプション	×不要	△オプション	IoTセンサー	センサー1〜3万円/個

出典：生成AI総合研究所の60社支援実績をもとに策定

このマトリクスの使い方は簡単です。まず「検品AI」「在庫管理AI」「生産計画AI」のどれを最初に導入するかを決めます（弊社の推奨は検品AI）。次に、そのAIの列で「◎必須」のデータだけを最優先で集めます。「○あると良い」は余裕があれば、「△オプション」は後回しです。

各データの収集方法と現実的なコスト

製品画像の収集

検品AIに必要な学習データの目安は以下の通りです。

AI技術	必要な良品画像	必要な不良品画像	収集期間の目安
アノマリー検知	300〜500枚	不要	1〜3日
CNN	500枚以上	500枚以上	2〜4週間
Vision Transformer	1,000枚以上	1,000枚以上	1〜2ヶ月

出典：生成AI総合研究所の10社検品AI導入実績

良品画像の収集は容易です。製造ラインに産業用カメラ（10〜30万円）を設置し、流れてくる製品を自動撮影するだけで、1日に数百〜数千枚の良品画像が蓄積されます。

問題は不良品画像です。品質管理がしっかりしている工場ほど不良品が少なく、学習に必要な数百枚を集めるのに数ヶ月かかることがあります。弊社が推奨する3つの解決策は以下の通りです。

1. 過去の不良品サンプルを発掘する：倉庫に保管されている過去のクレーム品や検品で弾いた製品を撮影。弊社の支援先では、5年分のサンプルから約300枚を収集した事例があります。
2. 意図的に不良品を製作する：ベテラン検品員に代表的な不良パターンを再現してもらい、撮影。「ベテランの目をAIに教える」作業として位置づけると、現場の協力を得やすくなります。
3. アノマリー検知を採用して不良品データを省略する：不良品の収集が困難な場合の最終手段。良品画像のみ300〜500枚で学習が完了します。

出荷実績データの収集

在庫管理AIに必要なのは「過去2年分の日次出荷データ」です。理想的なデータ項目は以下の通りです。

• 日付
• 品目コード（SKU）
• 出荷数量
• 出荷先
• 天候（気象庁の公開データから自動取得可能）
• 曜日・祝日フラグ

多くの製造業では、基幹システム（ERP）や販売管理ソフトに出荷データが蓄積されています。CSV形式でエクスポートすれば、AI需要予測ツールに直接投入できます。ERPがない場合でも、Excelの出荷台帳があれば十分です。

弊社の支援先では「出荷データはあるが、品目コードが統一されていない」というケースが多く見られました。同じ製品が「A001」「A-001」「ProductA」と3種類の表記で記録されているなど。こうしたデータの不整合の修正（データクレンジング）に平均1〜2週間を要します。

設備稼働データの収集

生産計画AIに必要なのは「設備ごとの稼働/停止状態」と「段取り替え時間」のデータです。

稼働/停止状態は、電流センサー（1個2,000〜5,000円）を設備に取り付けることで、電流値の変動から「動いているか止まっているか」を自動判別できます。センサーのデータはRaspberry Pi（5,000〜10,000円）を経由してクラウドに送信します。

段取り替え時間は、多くの場合「工場長の頭の中」にしかありません。弊社の支援先では、主要50品目の段取り替え時間をExcelのマトリクス表に手動で入力する作業が必要でした。この作業に2〜4週間かかりますが、一度データベース化してしまえば、AI生産計画ツールに投入して即座に最適化計算が可能になります。

---

データ基盤の3層設計——収集→蓄積→活用

なぜ「3層」で設計するのか

データ基盤を「3層」に分ける理由は、各層の役割を明確にして、トラブル時の原因特定と修正を容易にするためです。

データが「集まらない」のは収集層の問題。データが「消えた」のは蓄積層の問題。データが「見えない」のは活用層の問題。3層に分かれていれば、問題がどの層で起きているかが一目でわかります。

全体のアーキテクチャは以下の通りです。

層	役割	具体的なツール（中小向け）	月額コスト
①収集層	センサーやカメラからデータを取得し、蓄積層に送信	IoTセンサー＋SORACOM＋Raspberry Pi	500〜3,000円
②蓄積層	データを長期間保存し、検索・集計可能な形に整理	Google BigQuery / Google Sheets	0〜3,000円
③活用層	データを可視化・分析し、意思決定に活用	Grafana / Googleデータポータル / AIツール	0〜5万円

出典：生成AI総合研究所の中小製造業向けデータ基盤設計テンプレート

収集層の設計——センサーとカメラの選び方

収集層で最も重要なのは「安定性」です。データが途切れると、AI学習の品質が著しく低下します。

弊社が推奨するセンサー構成は以下の通りです。

センサー種類	用途	推奨製品	単価	耐久性
温度センサー	環境温度/設備温度の計測	DS18B20	約500円	◎
電流センサー	設備の稼働/停止判定	SCT-013	約2,000円	◎
振動センサー	設備の異常振動検知（予知保全用）	ADXL345	約1,500円	○
湿度センサー	環境湿度の計測	DHT22	約800円	○

出典：各センサーメーカー公式情報

これらのセンサーをRaspberry Piに接続し、SORACOMのSIMカードでクラウドにデータを送信するのが、弊社の標準構成です。1台あたりの初期費用は約1〜2万円、月額通信費は100〜300円です。

蓄積層の設計——「無料で始める」が正解

中小製造業のデータ量であれば、Google BigQuery（無料枠：月10GBまで）で十分です。弊社の支援先の金属加工メーカー（従業員60名）では、30個のセンサーから毎分データを収集していますが、年間のデータ量は約2GB。無料枠の範囲内で3年以上のデータを蓄積できます。

データ量がさらに少ない場合（センサー5個以下）は、Google スプレッドシートでも十分です。スプレッドシートの場合、行数の上限（約1,000万行）に達するまでは無料で使えます。

蓄積層で最も重要なのは「バックアップ」です。クラウドサービスは基本的に自動バックアップ機能を備えていますが、万が一のデータ消失に備え、週1回のローカルバックアップ（外付けHDDへのCSVエクスポート）を推奨しています。

活用層の設計——ダッシュボードとAI連携

活用層は「人間向けの可視化」と「AI向けのデータ連携」の2つの役割を持ちます。

人間向けの可視化：Grafana（無料のオープンソースソフトウェア）またはGoogleデータポータル（無料）でリアルタイムのダッシュボードを構築します。弊社が推奨するダッシュボードの画面構成は製造業のDX推進ロードマップで詳しく解説しています。

AI向けのデータ連携：蓄積層に溜まったデータを、AI外観検査ツールやAI需要予測ツールに自動で連携する仕組みです。多くのAIツールはCSVインポート機能を備えているため、蓄積層から週次でCSVをエクスポートし、AIツールにインポートするバッチ処理で対応できます。

リアルタイム連携が必要な場合（AI外観検査でリアルタイムに判定する場合など）は、AIツールのAPIを使ってカメラからの画像を直接AIに送信する構成にします。この場合、APIの通信設定が必要ですが、弊社の支援では初期設定を代行し、運用マニュアルを整備したうえで引き渡しています。

---

中小企業向け月額0〜5万円の構成例

弊社が実際に支援した中小製造業3社の構成例を、月額コスト順に紹介します。

構成A：月額0円（最小構成）——Google Sheetsだけで始める

要素	ツール	費用
データ入力	Googleフォーム	無料
データ蓄積	Google Sheets	無料
データ可視化	Google Sheets（グラフ機能）	無料
合計	—	月額0円

この構成は「デジタルデータがまったくない」工場が最初の一歩を踏み出すための最小構成です。紙の検品日報をGoogleフォームに置き換えるだけで、「良品数」「不良品数」「不良原因」のデータがGoogle Sheetsに自動蓄積されます。

弊社の支援先の金属加工メーカー（従業員15名）はこの構成からスタートし、3ヶ月後にデータが蓄積された段階でAI外観検査の導入に進みました。「お金をかけずにデータを貯め始める」ことが、DXの最初のハードルを下げるのです。

構成B：月額3,000円——IoTセンサー＋クラウドDB

要素	ツール	費用
センサー	温度×3個＋電流×3個	初期1.5万円
データ送信	SORACOM（SIM 3枚）	月額300円×3=900円
データ蓄積	Google BigQuery（無料枠）	月額0円
データ可視化	Grafana（OSS）	月額0円
データ入力（品質記録）	Googleフォーム	無料
合計	—	月額約3,000円（初期2万円）

設備3台の稼働状態と工場内3箇所の温度をリアルタイムで監視し、品質記録をGoogleフォームでデジタル化する構成です。Grafanaのダッシュボードで「設備稼働率」「不良率の推移」「工場温度」をリアルタイム表示します。

構成C：月額5万円——AI検品まで含む本格構成

要素	ツール	費用
カメラ	産業用USB カメラ	初期10万円
照明	LED拡散照明＋遮光カバー	初期5万円
センサー	温度×5個＋電流×5個	初期3万円
AI外観検査	MENOU（SaaS）	月額1万円
データ蓄積	Google BigQuery	月額500円
データ可視化	Grafana	月額0円
クラウド在庫管理	月額SaaS	月額3万円
IoT通信	SORACOM	月額500円
合計	—	月額約5万円（初期20万円）

AI外観検査とクラウド在庫管理まで含む本格構成です。弊社の支援先で最も採用率が高い構成で、15社中8社がこの構成をベースにしています。

---

データ品質を担保する3つの仕組み

データの「量」が確保できても、「質」が低ければAIの精度は上がりません。弊社の支援先でデータ品質の問題に直面したケースとその対策をまとめます。

仕組み1：欠損データの自動検知アラート

センサーの電池切れ、ネットワークの切断、入力忘れなどにより、データの欠損が発生します。弊社の支援先では、平均して全データの5〜20%が欠損していました。

対策として、Grafanaのアラート機能を使い、「過去1時間にデータが受信されていない場合、Slackに通知する」仕組みを構築します。これにより、欠損の発生をリアルタイムで検知し、原因（センサーの電池切れ、通信障害など）を即座に特定・修復できます。

設定は10分程度で完了し、追加コストはゼロです（GrafanaとSlackはいずれも無料プランで利用可能）。

仕組み2：異常値の自動フラグ付け

「温度が-50度」「不良品率が200%」のような明らかな異常値は、人間の入力ミスやセンサーの故障が原因です。これらの異常値がAIの学習データに混入すると、精度が大幅に低下します。

対策として、Google Sheetsの条件付き書式やBigQueryのSQLクエリで「正常範囲を超えるデータを自動的に赤字でマーキング」する仕組みを構築します。弊社では以下の正常範囲を標準として設定しています。

データ種類	正常範囲の例	異常値の例
工場温度	10〜40度	-5度、55度
不良品率	0〜30%	50%以上（通常ありえない）
設備稼働率	0〜100%	120%（物理的にありえない）
出荷数量	0〜（過去最大の2倍）	マイナス値

仕組み3：メタデータの管理——「このデータは何か」を記録する

3ヶ月前に収集したデータを見返したとき、「このCSVの列Aは温度？圧力？」「単位はセルシウス？華氏？」がわからなくなる問題は、想像以上に頻繁に起きます。

対策として、データ辞書（メタデータ管理シート）を作成します。これはGoogle Sheetsの1シートで十分です。以下の項目を記録します。

項目	内容の例
データ名	ライン1_金型温度
単位	℃（セルシウス）
取得頻度	1分ごと
センサー名	温度センサーDS18B20（ID:T001）
設置場所	ライン1 金型上部
正常範囲	50〜180℃
収集開始日	2025年4月1日
担当者	田中（製造部）

このデータ辞書は「未来の自分」や「後任の担当者」に向けた説明書です。DX推進担当者が異動した際にも、後任がデータの意味を即座に理解できます。

---

導入事例——「データのゴミ屋敷」を3ヶ月で整理した化学メーカー

Before——「データは山ほどあるが、何に使えるかわからない」

化学原料を製造する従業員60名のメーカーでは、50個のセンサーから年間数テラバイトのデータが蓄積されていました。しかし、データの形式はバラバラ、時間軸も揃っておらず、欠損データが20%以上。技術部長は「データは宝だと聞くが、うちの場合はゴミ屋敷だ」と苦笑いしていました。

After——「7項目のデータ」に絞り込んで品質管理AIを実現

弊社の支援では、まず「何のAIを導入するか」を決めました。この工場の最大の課題は「歩留まり（良品率）の低さ」だったため、品質管理AIの導入を目標に設定しました。

次に、品質管理AIに必要なデータを特定しました。50個のセンサーの100項目以上のデータの中から、品質に影響するパラメータをAIで分析した結果、「この7項目が品質の90%を決めている」という結論に至りました。

この7項目のデータだけを整理・標準化し、残りの93項目は「今は使わないが消さずに保管」としました。7項目に絞ったことで、データクレンジングの作業量が1/10に削減され、3ヶ月でAI品質管理の導入まで完了しました。

---

よくある失敗パターン

失敗1：「全データを集めてから考える」——永遠にAI導入が始まらない

「まずすべてのデータを集めよう」とした結果、データの収集・管理に追われて本来の目的（AI導入）に到達しないケースです。弊社の支援先12社中4社がこの罠にはまりました。

回避策：「AIで何をしたいか」を先に決め、必要なデータだけを集める。

失敗2：「センサーの数を増やせば精度が上がる」——ノイズが増えるだけ

センサーを50個も100個も付けてデータを集めても、AIの精度が比例して上がるわけではありません。品質に無関係なデータ（工場の照明の明るさ、廊下の温度など）が混入すると、AIがそれらのノイズに引きずられて精度が下がることすらあります。

回避策：まず10項目以下のデータでAIを構築し、精度が不足する場合にのみデータ項目を追加する。

失敗3：「データは取ったが誰も見ていない」——可視化の不在

センサーのデータがクラウドに蓄積されていても、それを見るダッシュボードがなければ「存在しないのと同じ」です。弊社の支援先では、ダッシュボードを設置していない工場の稼働率改善は平均2%でしたが、ダッシュボードを設置した工場では平均12%でした。「見える」だけで改善が始まるのです。

回避策：データ収集と同時にダッシュボードを構築する（Grafanaなら無料）。

---

よくある質問（FAQ）

Q1. うちの工場はインターネットが不安定です。クラウドは使えますか？

工場のインターネット環境が不安定な場合、SORACOMのSIMカードを使ったモバイル通信（4G/LTE）でクラウドに接続する方法があります。月額100円/台から利用可能で、工場のWi-Fiに依存しないため安定しています。

Q2. データの保管期間はどのくらい必要ですか？

AI学習に最低限必要なデータ量は「過去1〜2年分」です。ただし、季節変動のある製品（食品など）は、季節のサイクルを2周分（最低2年分）のデータが必要です。Google BigQueryの無料枠（月10GB）であれば、センサー30個分のデータを5年以上保管できます。

Q3. PLCからデータを取る方法はありますか？

最近のPLC（三菱電機のMELSEC、オムロンのSYSMACなど）は、OPC UAやMQTTなどの通信プロトコルに対応しており、クラウドへのデータ送信が可能です。ただし、古いPLCでは通信機能が限られるため、中間にRaspberry Piを挟んでデータを変換・送信する構成が必要になる場合があります。

Q4. データのセキュリティが心配です。工場のデータを外部に出しても大丈夫ですか？

Google BigQueryやAWSは、ISO 27001やSOC 2などの国際的なセキュリティ認証を取得しており、工場のローカルサーバーよりもセキュリティレベルが高いのが実情です。ただし、取引先との秘密保持契約（NDA）で「データの外部保管を禁止」されている場合は、オンプレミス（自社サーバー）での構築が必要です。

Q5. データ活用の社内体制はどう作ればいいですか？

弊社の推奨は「DX推進担当1名＋現場キーパーソン1名」の最小2名体制です。DX推進担当がデータ基盤の管理とAIツールの運用を担い、現場キーパーソンがデータの入力ルールの徹底と現場スタッフへの研修を担当します。

---

まとめ：「何を集めるか」の前に「何がしたいか」を決める

製造業のデータ活用で最も重要なのは「目的逆算型」のアプローチです。

「まずデータを集めよう」ではなく「検品AIを入れたいから、検品用の画像を集めよう」。この順序の違いが、DXプロジェクトの成否を分けます。

データ基盤は「収集層→蓄積層→活用層」の3層で設計し、中小企業は月額0〜5万円のクラウドサービスで十分です。大規模なデータウェアハウスも、高額なBI（ビジネスインテリジェンス）ツールも不要です。

まずはGoogleフォームで検品日報をデジタル化するところから始めてみてください。費用は0円、所要時間は30分です。この小さな一歩が、AI導入への道を開きます。

製造業のAI導入ガイド2026と製造業のDX推進ロードマップもあわせてご覧ください。

---

---

出典・参考:
– 中小企業基盤整備機構「中小企業のAI導入・活用状況調査」（2026年3月）
– Google BigQuery公式ドキュメント（https://cloud.google.com/bigquery/）
– Grafana公式サイト（https://grafana.com/）
– SORACOM公式サイト（https://soracom.jp/）
※本記事の情報は2026年5月時点のものです。ツールの価格・機能は変更される場合があります。事例のデータは支援先企業の許諾を得て匿名で掲載しています。