コラム ｜ 物流データ活用 第4回 ｜ 2026年9月17日

「何が起きたか」から「なぜ起きたか」へ
——異常を見つけるだけでは改善にならない

前回までで、KPIを分子と分母に割り、工程別・時間帯別に切って、差が出ている場所を見つけるところまで来ました。たとえば「夕方の梱包工程で人時が3割増えている」。

ここまでが「何が起きたか」です。そして多くの現場では、ここで分析が終わります。

第2回の冒頭に出した会話と、構造がまったく同じです。分解して、切って、場所を特定したのに、最後の一歩で同じ場所に戻ってしまう。異常を見つけることは、成果ではなくスタート地点だからです。

「なぜ」は、6つの問いに分けて埋めていく

「なぜ落ちたのか」を一気に考えようとすると、経験のある人の推測が最初に出てきて、そのまま結論になりがちです。推測が当たっていることも多いのですが、外れていたときに気づけません。

そこで、問いを分けます。埋められるものから順に埋めていくと、推測の余地が少しずつ狭まっていきます。

この6つを埋めていくと、「夕方の梱包が落ちた」は、たとえば「先週から、締め前1時間に大型品の梱包が集中するようになった」という形に変わります。まだ原因の断定ではありませんが、確かめるべき仮説の形になりました。

比較の相手を選ぶ——前日比・前週比・計画比

「何が違ったか」を見るには、比較の相手が必要です。実務でよく使うのは3つですが、それぞれ答えてくれる問いが違います。

3つのうちどれか一つが正解ということはありません。ただ、順番としては前週同曜日比で「いつもと違うのか」を確かめ、計画比で「狙いからどれだけずれたか」を見るのが、物流現場では読み間違いが少ないと思います。前日比は速報性が高い一方で、曜日性の強い現場では警報が鳴りすぎます。

いちばん難しいのは、条件を揃えること

「良かった日と悪かった日を比べる」——言葉にすると簡単ですが、ここが原因分析の山場です。物流現場の一日は、二度と同じ条件になりません。

完璧に条件を揃えることはできません。できるのは、揃っていない条件を把握したうえで比べることです。「この2日は物量がほぼ同じで、オーダー構成も近い。違うのは応援の入り方だけ」——ここまで言えれば、その差はかなり信頼できます。逆に、条件を確認せずに前後を比べた数字は、いくら精緻に計算しても解釈が揺れます。

そして、この「条件を揃える難しさ」は、第8回の効果測定でもう一度、より厳しい形で戻ってきます。原因を探るときも、改善の効果を測るときも、問われるのは同じことです。

異常なのは現場か、それともデータか

もう一つ、原因分析の入口で確認しておくべきことがあります。その異常は、本当に現場で起きたのか。

生産性が半分になった、ある工程の実績がゼロになった、深夜に不自然な作業時間が記録されている——こうした極端な数字は、現場の異常ではなくデータ側の事情で生まれることがあります。実績の登録漏れ、端末の未同期、システム間の時刻ずれ、二重計上。

判別のコツは、その数字が物理的にありうるかを考えることです。1人で1時間に1,000個を梱包したことになっていれば、それは現場の記録ではなくデータの問題です。逆に、ありうる範囲で落ちているなら、現場を見に行く価値があります。

データで絞る、現場で確かめる

最後に、この回のいちばん大事な線引きです。データ分析でできるのは、原因の候補を絞ることまでです。

「先週から、締め前1時間に大型品の梱包が集中している」——ここまではデータが教えてくれます。では、なぜ集中するようになったのか。出荷先の締め時刻が変わったのか、前工程の着手順が変わったのか、資材の置き場が遠くなったのか。これを確かめるのは、現場を見ることと、現場に聞くことです。

データ分析は、現場を見る場所と時間帯を指定してくれます。逆に言えば、データなしで現場を見に行くと、どこを見ればいいのか分からないまま一日が終わります。どちらか一方では原因に届かない——分析と現場観察は、対立するものではなく順番の問題です。

まとめ

第2回でKPIを割り、第3回で切り口を変え、今回で「なぜ」の手前まで来ました。ここまでが活用6段階のLevel 2「分かる」——起きていることを説明し、次に何を確かめるべきかが分かる状態です。

ただし、ここまではすべて過去に起きたことの話です。原因が分かっても、それは終わった一日についての理解にとどまります。次に必要になるのは、まだ終わっていない今日への手当てです。