製造業×IoTで生産ライン改革を実現！Y社のシステム開発ユースケース

背景と課題認識

製造業のY社は、従来の経験則や紙ベースのチェックリストに頼った生産ライン運用を続けてきました。しかし、急激な受注増加に伴い、不良品率やライン停止時間が顕著に増加。納期遅延が常態化し、事業責任者は「システムを活用して生産プロセスを可視化したい」と考え始めます。ERPやMES（製造実行システム）との連携を検討する中で、既存のソリューションはカスタマイズ費用が高く、開発会社選びや予算の相場もわからず、進め方が定まらない状況でした。

そんな折、社内の情報システム部長が展示会でIoTプラットフォームを目にし、センサーを使ったリアルタイムデータ収集を軸にした開発を発案。具体的には、以下のような業務課題を解決したいと要望をまとめました。

• ライン停止時の原因特定に平均3時間を要していた

• 設備ごとの稼働率が月次しか把握できない

• 品質検査のデータ記録に転記ミスが発生しやすい

• 設備メンテナンスのタイミングが経験則任せでコスト高

まずは社内にてKPIを定義し、稼働率80％、ダウンタイム10％削減を目標に設定。これに基づき、予算は保守費用含めて500万円程度を上限としつつ、費用の内訳を概算しておく必要性が高まりました。

開発会社の選定と比較ポイント

Y社は初めて発注するシステム案件のため、Webサイトや知人紹介で複数の開発会社に相談。比較検討の軸を明確化し、次のチェックリストを作成しました。

1. IoTセンサーやPLC連携の経験有無

2. 導入事例と成果（稼働率改善、コスト削減効果）

3. アジャイル開発対応の柔軟性

4. 保守・運用フェーズまでの対応範囲

5. 見積もりの内訳と費用透明性

各社へRFP（提案依頼書）を送付し、概算見積もりを取得。相場感としてはセンサー30台＋クラウド基盤＋ダッシュボード開発で約400〜600万円との回答が多数を占めました。Y社では提示された見積もりを以下の視点で評価しました。

• 人月単価の水準（エンジニア1人あたり費用）

• 要件変更時の追加工数見積もりルール

• ライセンス費用やサーバー初期費用の含有比率

• プロジェクト中のミーティング頻度とドキュメント品質

結果、IoT基盤構築に強みを持つB社を選定。B社は製造業向けの相場情報を豊富に持ち、同社導入事例で稼働率15％向上、ダウンタイム30％削減を実現した実績があります。また、アジャイル開発を採用し、最初の2週間でPoC（概念実証）を納品可能とするスケジュール提案が決め手になりました。

予算策定と費用交渉のツボ

B社に要件定義フェーズを依頼するにあたり、Y社では予備予算として開発費の15％を上乗せして計上。具体的には以下の項目を想定し、概算を固めました。

• センサー調達費用および取付工事費

• クラウド利用料（初期構築＋運用1年分）

• アプリケーション開発（フロント＋バックエンド）

• テスト・検証作業、トレーニングコスト

• プロジェクト管理費（PMO、会議費用）

B社の見積もりは550万円。Y社ではこのうちセンサー調達費を自社調達と切り分け、開発費用を約480万円に抑えつつ、取付工事は工数ベースで再見積もりを実施。さらに、最初のPoC機能以外はスコープを次フェーズに分割することで、当初のフェーズ1を300万円以下に調整しました。これにより、最小限の費用でPoC成果を創出し、社内承認を得やすい構造にしています。

交渉ポイントとしては、

• 要件変更時の単価ルール（追加工数1人日あたり単価）

• 保守フェーズの月額費用設定

• データ保全とバックアップ方式のライセンス含有か否か

を中心にすり合わせ、プロジェクトキックオフ時には「開発会社と発注側のリスク配分」を文書化。これにより、後日の追加開発や緊急対応での費用トラブルを未然に防ぎました。

要件定義からPoC開発まで

プロジェクトメンバーはY社の生産技術部門とB社のエンジニア計6名で編成。最初のスプリントでは以下の内容を集中的に実施しました。

• 生産ラインの主要設備に振動・温度センサーを20台設置

• MQTTブローカーをクラウド上に構築し、データ収集基盤を構成

• Grafanaを利用したダッシュボードで稼働率・アラート可視化

• 軽微な異常検知ロジックをLambda関数で実装

要件定義はワイヤーフレームとフローチャートを用いて合意形成。PoC納品から2週間以内に実稼働ラインで試験運用を開始し、ライン停止時の原因分析にかかる時間を平均3時間→30分へ短縮。これら一連のフェーズで得られた学びは、次フェーズの正式機能開発に活かすため、すべてドキュメント化し、運用ガイドと並行してB社へ引き継ぎました。

成果とKPI達成状況

PoC導入後の3か月間で、Y社は以下の定量的な成果を確認しました。

• ライン停止時間：平均3時間→45分に短縮

• 設備稼働率：月間75％→85％に向上

• 品質検査データの転記ミス：月10件→1件に減少

• 月次レポート作成工数：20時間→5時間に削減

これらの数値から、初期目標だった稼働率80％・ダウンタイム10％削減を大きく上回る成果を実現。特に、リアルタイムで異常を検知してアラートを発する仕組みが、保全チームの迅速な対応を促し、ダウンタイム短縮に直結しました。ダッシュボードの定着率も高く、現場のオペレーターからは「今まで見えなかったボトルネックが一目でわかる」と評価を得ています。

定量的な効果を踏まえ、Y社ではPoC段階で得られたログやアラート発生頻度を分析し、本番移行に向けた要件を再整理。費用対効果（ROI）は半年以内で投資回収可能と試算し、経営層の承認を獲得しました。

本番環境移行と運用フェーズ

本番移行にあたり、以下のポイントを重点的に検討しました。

1. センサーの耐環境性（高温・粉じん環境への耐久試験）

2. クラウド基盤の冗長化設計（AZ分散、バックアップポリシー）

3. 運用マニュアルと障害対応フローの整備

4. 現場教育プログラムの作成

特にクラウド利用料や保守契約といった費用項目は、本番稼働規模に合わせて見直し。B社との保守契約では、月額10万円で24時間365日のアラート監視と一次切り分けを含むプランを新設し、安定運用を担保しました。運用開始後もデータ蓄積量が当初予想を下回ったため、ストレージコストを一部圧縮し、年間予算を5％削減することに成功しています。

保守・サポート体制と費用管理

本番稼働後は、以下のような体制で保守・運用を行っています。

• B社：月次レポート提出、障害対応、バージョンアップ対応

• Y社運用チーム：現場一次対応、社内トレーニング実施、KPIモニタリング

保守費は当初予定の15％→12％に抑制。これは、B社と費用単価を交渉し、「障害対応は固定月額＋追加人日単価」で調整した成果です。また、定期的なコストレビューをY社の情報システム部門が主導し、不要なリソースを洗い出すことで、無駄な予算消化を排除しています。

拡張機能開発とスコープ管理

稼働率向上とダウンタイム削減の次フェーズとして、以下の機能開発を計画中です。

1. AI異常検知ロジックの導入（機械学習モデル活用）

2. モバイルアラート通知機能（スマホでリアルタイム監視）

3. 他拠点展開による標準化テンプレート化

要件追加に伴う費用スコープは、PoCでのコスト単価をもとに概算。B社と「スプリントごとに優先度で対応機能を選定し、毎月支払い」を合意しているため、開発会社への発注タイミングを柔軟にずらしつつ、ROIの高い機能から着手できる体制が整っています。

今回のユースケースから得られた教訓

1. PoC段階で小さく始めることで、開発会社のスキルやコミュニケーションフローを早期に検証できる

2. KPIを明確化し、定量的成果を提示することで経営層の理解と追加予算が得やすい

3. 要件のスコープ分割を計画的に行い、初期費用を抑えつつ段階的に機能拡大する

4. 契約フェーズでリスク分配を文書化し、変更時の費用トラブルを防止

5. 保守契約の見直しで運用費用を最適化し、長期コストを抑制

これらの学びは、今後のシステム開発や他拠点展開においても再利用可能なベストプラクティスとして、Y社のナレッジベースに蓄積されています。

次のステップとロードマップ

1. 3か月以内にAI異常検知PoCを実施

2. 半年以内にモバイル通知機能をリリース

3. 1年以内に他2拠点へ同一プラットフォームを展開

4. 長期的にはERP連携やグローバル支店への横展開

ロードマップには、各フェーズの予算消化スケジュールとKPI目標を明記し、四半期ごとに経営レビューを実施予定です。これにより、開発会社との協業フローを継続的に改善し、費用対効果を最大化します。