パレート図は、複数ある問題や原因を件数・金額・時間などの大きさ順に並べ、どこから優先して改善すべきかを考える方法です。生成AIを使うと、表記ゆれの整理、分類候補の作成、集計表の整形、構成比・累積比率の計算、上位項目の深掘り候補の洗い出しを効率化できます。
ただし、AIは元データが正しいか、分類ルールが妥当か、件数・金額・時間のどの尺度で優先順位を決めるべきかを自動では判断できません。もっともらしい分類を作ったり、誤った集計結果をそのまま整形したり、累積80%を機械的な判断基準にしてしまうこともあります。
そのため、生成AIはパレート図の「整理・計算・候補出し」を補助する役として使い、元データの確認、分類ルール、評価尺度、重大度、最終的な改善優先順位は人が判断する必要があります。
この記事では、生成AIでパレート図を使う具体的な手順を、プロンプト例、出力の使い方、人が確認すべきポイント、ありがちな誤りまで含めて解説します。基本的な意味から確認したい場合は、パレート図とは?意味・使い方・具体例を参照してください。
生成AIに任せやすいこと・人が判断すべきこと
生成AIに任せやすいのは、データや分類を整理する作業です。
たとえば、次の作業はAIに補助させやすい領域です。
- 「配送遅れ」「納品遅延」「配達遅延」など表記ゆれの候補を見つける
- 分類案を複数出す
- 同じ意味の項目をまとめる候補を出す
- 集計表の形を整える
- 構成比・累積比率を計算する
- 上位項目の再分類案を出す
- 件数・金額・時間の違いで優先順位がどう変わるか整理する
- 対策後の再集計で比較すべき項目を洗い出す
一方、人が判断すべきことは次です。
- 元データが正しいか
- 集計対象期間・範囲がそろっているか
- 分類ルールが業務実態に合っているか
- 同義語を本当に統合してよいか
- 件数・金額・時間のどれを評価尺度にするか
- 累積80%をどの程度参考にするか
- 安全・法令・顧客影響などをどう加味するか
- 最終的にどの項目を優先するか
AIは計算や整理を速くできますが、「何を優先すべきか」という経営・業務判断を代替するものではありません。
生成AIでパレート図を使う基本手順
1. 分析テーマと評価尺度は人が決める
最初に、「何を優先したいか」を具体的にします。
悪い入力例:
「クレームを分析して」
良い入力例:
「直近3か月の顧客クレーム100件を原因別に集計し、件数の多い項目から改善優先度を判断したい」
ここで、対象期間、対象データ、評価尺度、目的を明確にします。
同じデータでも、件数を減らしたいのか、損失金額を減らしたいのか、対応時間を減らしたいのかで結果は変わります。
パレート図を使って改善優先度を整理したいです。
分析テーマ:
直近3か月の顧客クレームを原因別に集計し、件数の多い項目から改善優先度を判断する
対象期間:
直近3か月
評価尺度:
件数
元データ:
- 配送遅れ 14
- 納品遅延 11
- 配達遅延 7
- 商品破損 24
- 説明不足 18
- 請求誤り 12
- 返信遅延 8
- その他 6
2. 表記ゆれ・同義語の候補をAIに探させる
パレート図では、同じ意味の項目が分かれていると順位が歪みます。
以下の項目について、
- 同じ意味と考えられる候補
- 統合候補
- 統合前に人が確認すべき点
を整理してください。
入力にない意味を勝手に追加しないでください。
たとえば、
- 配送遅れ
- 納品遅延
- 配達遅延
は「配送遅延」に統合する候補です。
ただし、社内では「納品遅延」が法人向け、「配達遅延」が個人向けを意味している可能性もあります。最終的な統合は人が決めます。
3. 分類粒度をAIにチェックさせる
AIには、分類項目の粒度がそろっているかも確認させられます。
次の分類項目について、粒度がそろっているか確認してください。
- 配送遅延
- 商品破損
- 倉庫担当者Aの入力ミス
- 請求
- 返信遅延
異なる粒度の項目があれば、理由と修正案を出してください。
「倉庫担当者Aの入力ミス」は具体原因、「請求」は大分類なので、他項目と比較しにくいと分かります。
4. 集計表を整形させる
分類ルールが決まったら、AIに大きい順で整理させます。
以下の確定済み集計結果を、大きい順に並べてください。
- 配送遅延 32
- 商品破損 24
- 説明不足 18
- 請求誤り 12
- 返信遅延 8
- その他 6
全体件数も計算し、元データとの合計一致を確認してください。
出力は、
- 配送遅延:32件
- 商品破損:24件
- 説明不足:18件
- 請求誤り:12件
- 返信遅延:8件
- その他:6件
となり、合計100件です。
5. 構成比・累積比率を計算させる
計算自体はAIに任せやすい作業です。
全体100件に対して、各項目の構成比と累積比率を計算してください。
計算式も示してください。
最終の累積比率が100%になることを確認してください。
出力例:
- 配送遅延:32% / 累積32%
- 商品破損:24% / 累積56%
- 説明不足:18% / 累積74%
- 請求誤り:12% / 累積86%
- 返信遅延:8% / 累積94%
- その他:6% / 累積100%
計算結果は、元データや表計算ソフトでも確認します。
6. 「80%まで」を自動判断させない
AIに「80%までを優先して」と依頼すると、機械的な判断になりやすくなります。
代わりに、判断材料を整理させます。
上位項目を優先候補として整理してください。
ただし、累積80%を絶対基準にせず、
- 件数
- 損失金額
- 顧客影響
- 安全・法令リスク
- 改善可能性
の観点で、人が追加確認すべき点を示してください。
たとえば、配送遅延32件が最多でも、商品破損24件の返金・再送コストが大きいなら、両方を優先候補にできます。
7. 上位項目の深掘り候補を出させる
パレート図で分かるのは「多い項目」です。原因そのものではありません。
AIには、上位項目をさらに分解する候補を出させます。
上位項目「配送遅延」32件を、次の分析へ進めるために再分類したいです。
候補となる切り口を5つ出してください。
各切り口について、確認に必要なデータも示してください。
候補として、
- 倉庫出荷遅れ
- 運送会社遅延
- 住所不備
- 在庫引当遅れ
- 承認待ち
などが考えられます。
ただし、実際の内訳は元記録で確認します。
8. 件数・金額・時間で順位がどう変わるか比較させる
生成AIは、尺度を変えた比較にも使えます。
同じ不良データについて、
1. 件数
2. 損失金額
の2つの尺度で順位を整理し、違いを説明してください。
最終優先順位は決めず、判断材料だけを示してください。
たとえば、件数では外観キズ45件が1位でも、損失金額では動作不良48万円が1位になることがあります。
9. 対策後の再集計比較を補助させる
対策前後の比較もAIに整理させられます。
対策前:
- 配送遅延 32
- 商品破損 24
- 説明不足 18
対策後:
- 配送遅延 19
- 商品破損 22
- 説明不足 17
同じ分類・同じ期間長・同じ尺度で比較している前提で、
- 件数変化
- 構成比変化
- 次に注目すべき項目
を整理してください。
ただし、対策前後で対象件数そのものが大きく変わっている場合は、単純な件数比較だけでなく率も確認します。
そのまま使えるパレート図用プロンプト
次のプロンプトは、テーマを入れ替えて使えます。
あなたはパレート図分析の整理補助役です。
元データにない情報を勝手に補わず、最終判断を代替しないでください。
【分析テーマ】
【対象期間】
【対象範囲】
【評価尺度】
件数 / 金額 / 時間 / その他
【元データ】
【依頼】
1. 表記ゆれ・同義語の候補を出す
2. 分類粒度のずれを指摘する
3. 統合候補を示す
4. 確定済み分類を大きい順に並べる
5. 構成比・累積比率を計算する
6. 合計値と累積100%を確認する
7. 累積80%を絶対基準にせず、追加判断材料を示す
8. 上位項目の再分類・深掘り候補を出す
9. 対策後に比較すべき指標を示す
【条件】
- 元データにない事実を追加しない
- 同義語の統合は候補として示す
- 最終的な分類ルールは人が決める
- 最終的な改善優先順位は人が決める
- 安全・法令・顧客影響は別途確認が必要と明記する
記入用の型が必要な場合は、パレート図テンプレートも併用できます。
通し例|顧客クレーム100件を生成AIと一緒に整理する
人が分析目的を決める
「直近3か月の顧客クレームについて、件数の多い原因から改善優先度を判断する」
とします。
AIに表記ゆれ候補を出させる
入力に、
- 配送遅れ 14
- 納品遅延 11
- 配達遅延 7
- 商品破損 24
- 説明不足 18
- 請求誤り 12
- 返信遅延 8
- その他 6
があるとします。
AIは、「配送遅れ」「納品遅延」「配達遅延」は同義候補だと指摘できます。
人が分類ルールを確認する
社内ルールを確認し、3項目を「配送遅延」に統合してよいと判断します。
AIに再集計させる
- 配送遅延:32件
- 商品破損:24件
- 説明不足:18件
- 請求誤り:12件
- 返信遅延:8件
- その他:6件
となります。
AIに構成比・累積比率を計算させる
- 配送遅延:32% / 累積32%
- 商品破損:24% / 累積56%
- 説明不足:18% / 累積74%
- 請求誤り:12% / 累積86%
- 返信遅延:8% / 累積94%
- その他:6% / 累積100%
です。
人が追加指標を確認する
件数だけなら配送遅延が1位です。
一方、商品破損は返金・再送コストが大きいことが分かりました。
そこで、配送遅延と商品破損を優先候補にします。
AIに配送遅延の再分類案を出させる
AIから、倉庫、運送会社、住所不備、在庫、承認などの切り口候補を出させます。
人が実際の32件を確認すると、
- 倉庫出荷遅れ:18件
- 運送会社遅延:8件
- 住所不備:4件
- その他:2件
でした。
人が改善対象を決める
最多の「倉庫出荷遅れ」をさらに確認し、出荷締切前まで未処理注文が見えにくいことを特定しました。
対策
- 未処理注文一覧の自動表示
- 締切2時間前の滞留通知
- 承認待ち注文の別表示
を実施します。
AIに対策後の比較を整理させる
次の3か月で、配送遅延が32件から19件、倉庫出荷遅れが18件から8件になった場合、AIに差分と構成比変化を整理させます。
ただし、対策効果の最終判断は人が行います。
具体的な作り方は、パレート図のやり方で確認できます。別の適用ケースを見たい場合は、パレート図の具体例も参考になります。
人が必ず確認したい6つのポイント
1. 元データが正しいか
AIは渡された数字を前提に計算します。重複や漏れがあれば、きれいに間違った結果を返す可能性があります。
2. 分類ルールが妥当か
似た言葉でも業務上は別意味の場合があります。同義語統合は必ず確認します。
3. 評価尺度が目的に合っているか
件数、金額、時間のどれで並べるかによって、優先順位は変わります。
4. 累積80%を絶対視していないか
安全、法令、顧客影響が大きい項目は少数でも優先する場合があります。
5. 上位項目を根本原因とみなしていないか
「配送遅延が1位」は、配送遅延が根本原因という意味ではありません。さらに深掘りします。
6. 対策後も同じ条件で比較しているか
分類ルール、評価尺度、期間の長さが変わると、対策前後を単純比較できません。
悪い使い方と改善例
悪い例1:「このデータでパレート図を作って」とだけ依頼する
分析目的や尺度が不明なため、件数で並べるべきか、金額で並べるべきか判断できません。
改善
分析目的、対象期間、評価尺度を先に渡します。
悪い例2:AIが同義語だと判断した項目を自動統合する
業務上の意味が違う可能性があります。
改善
統合候補として出させ、人が定義を確認します。
悪い例3:「累積80%までを優先」と自動判断させる
安全・法令・重大顧客への影響を無視する可能性があります。
改善
80%は目安として扱い、追加判断材料をAIに整理させます。
悪い例4:上位項目をそのまま原因とする
パレート図は優先対象を見つけるもので、原因分析そのものではありません。
改善
上位項目の再分類候補をAIに出させ、実データでさらに深掘りします。
よくある失敗は、パレート図で失敗しやすいポイントでも詳しく解説しています。
MECEやロジックツリーと組み合わせる
パレート図は、複数ある問題から「どれを優先するか」を決めるのに向いています。
一方、分類の抜け・重複を整理したい場合はMECE、原因や打ち手を階層的に分解したい場合はロジックツリーが向いています。
違いを整理したい場合は、MECEとパレート図の違い、ロジックツリーとパレート図の違い、MECE・ロジックツリー・パレート図の使い分けを参考にしてください。
情報管理にも注意する
生成AIへ入力するデータには、顧客情報、不良情報、クレーム内容、売上損失、社内KPIなどが含まれる場合があります。
利用前に、所属組織の生成AI利用ルールを確認してください。
特に、
- 顧客名・個人名
- 契約条件
- 未公開の品質事故
- 製品不良の詳細
- 売上・損失情報
- 社内システム情報
などは、そのまま入力してよいか慎重に判断します。
必要に応じて匿名化し、分析に必要な最小限の情報だけを渡します。
まとめ|AIには整理・計算を任せ、分類ルールと優先順位は人が決める
生成AIを使うと、パレート図の表記ゆれ整理、分類候補、集計表整形、構成比・累積比率の計算、上位項目の深掘り候補を短時間で整理できます。
一方で、元データの正確性、分類ルール、評価尺度、重大度、最終的な改善優先順位は人が判断する必要があります。
実務では、「AIにパレート図の結論を決めてもらう」のではなく、「AIで整理と計算を速め、人が業務目的と実データを見て優先対象を決め、上位項目をさらに深掘りする」という使い方が適しています。