# データ品質とは何か

> データ品質の意味、測定方法、そしてレポート、自動化、AI施策の成功を左右する理由を学びましょう。

Source: https://dataqualitysense.com/ja/resources/data-quality/what-is-data-quality/
Last updated: 2026-07-15

---

## データ品質の定義

データ品質とは、データが本来の目的にどの程度適しているかを測る指標です。絶対的な意味で「正しい」かどうかではありません。意思決定、業務、分析の用途において、データが使用に適しているかどうかです。

顧客の住所は、顧客に届けば品質が高いと言えます。製品コードは、システムが認識できれば品質が高いと言えます。品質はコンテキストに依存します。

ほとんどのデータは、ごくゆるい基準さえ満たしていません。[Harvard Business Reviewによる Nagle、Redman、Sammon による調査（2017年）](https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards)は、75のデータ品質評価に基づいており、新たに作成されたレコードの47%が少なくとも1つの重大エラーを含んでいることが分かりました。そして、データセットの3%だけが最も緩い基準でも「許容可能」と評価されました。だからこそ、データ品質は測定されなければならず、想定されてはいけません。

### 「目的適合性」の原則

データ品質は文脈依存的です。配送先住所は番地レベルの精度が必要です。マーケティングの地域区分は国や州だけで十分です。両者とも、異なる精度レベルで「高品質」と言えます。

データ品質を評価する際は、こう問いましょう。「このデータは何をする必要があるのか。」そして、それを実現できているかを測定しましょう。

## 5つの次元のフレームワーク

データ品質は5つの主要な次元で測定されます。このフレームワークは業界全体で採用されており、ISO 8000やDAMAの基準の基礎となっています。

| 次元 | 測定内容 | 例 |
|-----------|------------------|---------|
| **完全性** | 必要なデータが存在する | すべての必須フィールドが入力されている |
| **妥当性** | データがフォーマットに準拠する | メールアドレスのフォーマットが正しい |
| **一意性** | 重複レコードがない | 顧客ごとに1件のレコード |
| **適時性** | データが最新である | 連絡先情報が90日以内に更新されている |
| **一貫性** | データが統一されている | 「USA」が一貫して使われ、「US」や「United States」が混在しない |

各次元はデータに関する特定の問いに答えます。これらを合わせることで、データ健全性の全体像が見えてきます。

各次元の詳細なガイダンスは次を参照してください。
- [完全性](/ja/resources/data-quality/completeness/)
- [妥当性](/ja/resources/data-quality/validity/)
- [一意性](/ja/resources/data-quality/uniqueness/)
- [適時性](/ja/resources/data-quality/timeliness/)
- [一貫性](/ja/resources/data-quality/consistency/)

## 業界標準とフレームワーク

### ISO 8000

ISO 8000規格は、マスターデータ交換に関するデータ品質要件を定義しています。組織間のデータの正確性、完全性、一貫性の原則を確立しています。

### DAMA-DMBOK

Data Management AssociationのBody of Knowledge（DAMA-DMBOK）では、データ品質をデータ管理における11の知識領域の1つと位置づけています。測定、監視、改善プロセスに関するガイダンスを提供します。

### 1-10-100の法則

この原則は、データ品質の低さが引き起こすコストの段階的な増加を示しています。

| 段階 | コスト | 例 |
|-------|------|---------|
| **予防** | 1ドル | 入力時の検証 |
| **修正** | 10ドル | 入力後のデータクレンジング |
| **失敗** | 100ドル | 質の低いデータによるビジネス影響 |

データ品質に源流で投資することで、下流工程のコストを大幅に削減できます。

## データ品質と関連概念の違い

### データ品質とデータ管理

データ管理は、データの収集、保管、維持を含む広範な実践です。データ品質はデータ管理の一構成要素で、特に使用への適合性に焦点を当てます。

| 概念 | 範囲 | 焦点 |
|---------|-------|-------|
| データ管理 | データに関するすべての実践 | 保管、アクセス、セキュリティ、ライフサイクル |
| データ品質 | 目的適合性 | 完全性、妥当性、一意性、適時性、一貫性 |
| データガバナンス | ポリシーと所有権 | 誰がデータを所有し、変更できるか、どのルールが適用されるか |

### データ品質とデータ精度

精度は「この値は現実を反映しているか」を問います。品質は「このデータは目的のために機能するか」を問います。

メールアドレスは妥当（フォーマットが正しい）でありながら、不正確（本人がもう使っていない）であることがあります。DQSは品質を測定します。フォーマットと完全性は自動化できるからです。精度は通常、外部での検証が必要です。

## データ品質の測定方法

### 定量的な指標

データ品質は測定可能な指標で表現されます。

| 指標タイプ | 例 | 計算方法 |
|-------------|---------|-------------|
| **パーセンテージ** | 入力率 | （入力済みレコード / 全レコード） × 100 |
| **件数** | 重複件数 | 値が一致するレコードの数 |
| **スコア** | 妥当性スコア | 検証ルールをまたいだ加重平均 |
| **比率** | 準拠率 | 準拠値 / 全値 |

### しきい値と目標

組織はビジネス要件に基づいてしきい値を設定します。

| レベル | しきい値 | 用途 |
|-------|-----------|----------|
| 重要 | 99%以上 | 規制報告用フィールド |
| 高 | 95%以上 | 顧客接点データ |
| 標準 | 85%以上 | 業務データ |
| 低 | 70%以上 | 履歴・アーカイブデータ |

### 継続測定と時点測定

時点測定はスナップショットを提供します。継続測定はトレンドを追跡し、劣化を早期に捉えます。

DQSは両方のアプローチをサポートします。
- 即時評価のためのアドホックスキャンを実行
- 継続モニタリングのための定期スキャンをスケジュール設定

## 組織がつまずく理由

### 1. データサイロ

データが連携していないシステムに分散していると、不整合は自然に発生します。営業は顧客レコードの1バージョンを持ち、サポートは別のバージョンを持ちます。どちらが正しいのかは誰もわかりません。

### 2. 手動入力のエラー

人によるデータ入力は、タイプミス、不統一なフォーマット、情報の欠落が生じやすいものです。入力規則がないと、これらのエラーは時間とともに積み重なります。

### 3. 所有権が不明確

データ品質に責任を持つ人がいないと、それは全員の問題となり、誰の優先事項でもなくなります。データスチュワードシップには明確な割り当てが必要です。

### 4. 測定の欠如

測定していないものは改善できません。多くの組織は、ベースラインの確立や指標の追跡を行わずに、自社のデータは十分に良いと思い込んでいます。

### 5. 一度きりのクレンジングプロジェクト

データ品質をプロセスではなくプロジェクトとして扱うと、一時的な改善が時間とともに劣化していきます。

## ビジネスへの影響

質の低いデータはあらゆる機能に影響します。

| 機能 | 影響 |
|----------|--------|
| マーケティング | 誤った宛先に送られるキャンペーン、無駄な支出 |
| 営業 | 重複Leadに費やされる時間、失われるコンテキスト |
| 財務 | 不正確なレポート、コンプライアンスリスク |
| 業務 | 欠陥のあるデータに基づく意思決定 |
| AI/ML | 質の低いデータで学習したモデルが質の低い出力を返す |

### コストの定量化

MIT Sloanや業界調査の研究によると次のことが示されています。

- 組織はデータ品質の低さにより年間収益の15〜25%を失っている
- 25%以上の組織がデータ問題により年間500万ドル以上を失っている（IBM 2025年）
- 従業員は業務時間の最大27%を質の低いデータの修正に費やしている

## AI対応との関係

従来のデータ品質（5つの次元）は、レポートや自動化のためにデータを準備します。Agentforceなどの AIアプリケーションは、同じ基盤に依存します。完全なレコード、妥当なフォーマット、一貫した値、最新のデータ、そして重複のないことです。

これらの5次元に加えて、AIの導入は1つの追加的な懸念事項をもたらします。機密データの露出です。AIエージェントをSalesforceデータに接続する前に、マスキングや除外ができるようPIIの所在を把握しておく必要があります。

DQSは、従来のデータ品質とAI対応の両方を1つのプラットフォームで測定します。

- **5つのデータ品質次元**：完全性、妥当性、一意性、適時性、一貫性
- **PII Detection**：AIへの公開前に、テキストフィールドから機密データ（SSN、クレジットカード、個人情報）をスキャン

## データ品質の取り組みを構築する

効果的なデータ品質には3つの要素が必要です。

### 1. 測定

改善の前にベースラインを確立します。各次元とフィールドで自社がどこに立っているのかを把握しましょう。

### 2. プロセス

継続的なデータメンテナンスのワークフローを定義します。
- 入力時の検証ルール
- 定期的なクレンジングのスケジュール
- 問題のエスカレーション手順
- 変更管理のプロトコル

### 3. 文化

組織全体のコミットメントを築きましょう。
- ドメインごとにデータスチュワードを割り当てる
- データ品質を業績指標に含める
- 改善を称え、成功事例を共有する
- ダッシュボードで品質を可視化する

## DQSの始め方

DQSはデータ品質の取り組みに測定の基盤を提供します。

1. **Capabilityを選ぶ**：測定する次元を選択する
2. **範囲を定義する**：分析するオブジェクトとフィールドを選ぶ
3. **しきい値を設定する**：品質基準を定める
4. **スキャンを実行する**：データにわたって分析を実行する
5. **結果を確認する**：問題を特定し、修正の優先順位をつける

最初のステップは現状を把握することです。[AI対応度診断](/ja/ai-readiness/)を3分で受けて、データ品質の成熟度をベンチマークしましょう。

## 次のステップ

- 最初の次元である[完全性](/ja/resources/data-quality/completeness/)をさらに深く学ぶ
- 全体像を把握するために[5つの次元](/ja/resources/data-quality/five-dimensions/)を読む
- AI固有の要件については[Agentforce準備](/ja/resources/ai-readiness/agentforce-preparation/)を学ぶ
- [AI対応度診断](/ja/ai-readiness/)を受けて現在のスコアを確認する