PERSPECTIVES読了目安 9分
データの品質は、所有者を決めない限り上がらない
データ品質の問題は、ツールや人材の不足として語られることが多いが、根本は責任の配分にある。所有者を「名前」ではなく権限と負担を伴う役割として設計し、データが生まれる業務に置き直すことで、品質を継続的に保つ仕組みを示す。
AT A GLANCE概略
- データの利活用は約6割の企業に広がったが全社展開は2割にとどまり、整備の課題は人材に加え標準化や管理の仕組みに及ぶ。
- 品質が上がらない原因の多くは、誤りを生む業務と、誤りの費用を負う部門が別であることにある。所有者は名前ではなく、権限と負担を伴う役割として設計する。
- 所有者・管理の実務・システムの3役を分け、所有者をデータが生まれる業務に置き、業務の境界で品質を測る。AIの活用は、この設計を先送りできなくする。
データの品質を上げようとするとき、多くの企業はまず道具と人に目を向けます。データ基盤を新しくする、クレンジングのツールを入れる、データに詳しい人材を採用する。いずれも必要な投資です。しかし、それだけで品質が継続的に保たれるようになった企業は多くありません。整備したはずのマスタは半年で揺らぎ、ダッシュボードの数字は部門ごとに食い違い、分析の前処理にかかる手間は減らないままです。
公的な調査も、この停滞を示しています。IPA『DX動向2026』(国内企業1,799社の経営層またはICT関連部門が回答、2026年4月中旬〜6月中旬に実施)によれば、データを「全社で利活用している」「事業部門・部署ごとに利活用している」と答えた企業は2025年度で合計59.9%に達しましたが、過去の調査から大きな変化は見られません。[1] そのうち「全社で利活用している」は20.0%で、2024年度の24.2%から減少しています。[1] 部門ごとの利活用は広がっても、全社で同じデータを信頼して使える状態には届いていない、というのが多くの企業の現在地です。
本稿の主張は次のとおりです。データの品質は、技術の問題である前に、責任の配分の問題です。データの所有者を、名前だけの担当ではなく、権限と負担を伴う役割として設計しない限り、どれほど基盤に投資しても品質は上がりません。
品質の課題は、仕組みと責任の側にある
データ整備の課題を問われたとき、企業が最初に挙げるのは人材です。同じIPAの調査で、データ整備・管理・流通の課題として最も多いのは「人材の確保が難しい」の51.2%でした。[1] しかし、それに続くのは「データの標準化が難しい」の36.8%、「管理システムが整備されていない」の32.6%です。[1] 調査自体も、人材不足とともに仕組みの面が重要な課題になっていると整理しています。[1]
標準化が難しいのは、標準を決める技術がないからではありません。コードの体系や項目の定義を決めること自体は、難しい作業ではない。難しいのは、決めた定義を誰が守り、例外が出たときに誰が判断し、変更するときに誰の合意を取るのかが決まっていないことです。標準化の難しさは、多くの場合、責任の所在の曖昧さが形を変えて表れたものです。
AIセーフティ・インスティテュート(AISI)がIPAのデータ専門家チームと共同で作成した『データ品質マネジメントガイドブック』は、低品質データの一般的な原因として、ヒューマンエラーや標準化の不足と並んで、「不十分なデータガバナンス」「ドキュメント不足」「限定的な品質管理」、そして「不十分なインセンティブ設計」を挙げています。[2] 最後の項目は、エンドユーザーやデータ入力者にとって、高品質なデータを提供する動機づけが不足している状態を指します。[2] 品質の問題が、技術ではなく組織の設計に根を持つことを、公的なガイドも認めているのです。
誤りを生む部門と、費用を負う部門が違う
品質が上がらない構造を一言で言えば、データの誤りを生む業務と、その誤りの費用を負う部門が別になっていることです。
たとえば、受注の入力で取引先コードが少しずつ違う形で登録されるとします。入力する営業部門にとって、それは業務を止める問題ではありません。受注は通り、出荷もされます。費用を負うのは、月末に売上を集計する経理部門であり、取引先別の分析をする経営企画部門であり、後から需要予測のモデルを作るデータ部門です。誤りを生む側には直す動機がなく、費用を負う側には直す権限がない。この非対称が放置されている限り、品質は下流で繰り返し修正されるだけで、上流では改善されません。
多くの企業は、この問題を「データの所有者を決める」ことで解こうとします。しかし実際には、所有者の欄にIT部門やデータ部門の名前を書いて終わることが少なくありません。データを集約して管理しているのはシステムの担当部門なので、所有者もそこに置くのが自然に見えるからです。ところが、IT部門は誤りが生まれる業務を変える権限を持っていません。結果として、所有者は名前だけの存在になり、下流での修正という構造は何も変わりません。
デジタル庁『データマネジメント実践ガイドブック(導入編)』は、府省庁のシステムを対象に令和2年度に実施したデータマネジメントレベル調査をもとに、行政のデータマネジメントで「よくある課題」を整理しています。[3] データの品質確保の分類では、運用面で事業者任せになっている部分があること、運用後の品質向上への意識が不十分であることが挙げられています。[3] 管理の実務を外に任せ、品質に責任を持つ主体が組織の内側にいない。行政に限らず、多くの企業に共通する構図です。
3つの役割を分け、所有者を業務の側に置く
所有者を実効的な役割にするには、まず、混同されがちな3つの役割を分けることから始めます。
- データの所有者(オーナー):そのデータの定義、品質の水準、利用の可否について最終的に判断し、説明する責任を持つ。品質が満たされないときに、業務の進め方を変えさせる権限を持つ。
- 管理の実務を担う役割(スチュワード):定義の文書化、品質の監視、例外の記録など、日々の管理を担う。所有者の判断に必要な情報を集め、問題を所有者に上げる。
- システムの管理者:データを保管し、連携し、アクセスを制御する技術的な仕組みを運用する。データの中身の正しさには責任を持たない。
AISIのガイドブックも、データ品質ガバナンスに必要な取り組みとして、データスチュワードやデータ品質アナリストといった役割と責任を定義すること、データ品質の問題に対する明確なレポーティングラインとアカウンタビリティを整備すること、部門横断的な協働の枠組みを構築することを挙げています。[2] デジタル庁のガイドブックも、データマネジメントの推進にあたっては役割・責任を明確化し、要員を確保することが重要だとしたうえで、必要な役割と責任を定義し、役割名称を決め、担当する役職を決める手順を示しています。[3]
3つの役割を分けると、所有者に求められるものがはっきりします。所有者はデータの細部を自分で管理する必要はありません。求められるのは、品質の水準を決めること、その水準を守るために業務を変える判断をすること、そしてその結果を説明することです。だからこそ、所有者はシステムの担当ではなく、業務に権限を持つ人でなければなりません。
では、所有者を誰にするか。原則は一つです。所有者は、そのデータが生まれる業務の責任者に置きます。 取引先のマスタであれば取引を始める業務、品目のマスタであれば品目を設ける業務、受注のデータであれば受注の業務です。
この原則には、2つの理由があります。
- 誤りを止められるのは上流だけ:下流での修正は、どれほど自動化しても、同じ誤りが生まれ続ける限り終わりません。入力の項目、選択肢、確認の手順を変えられるのは、データが生まれる業務の責任者だけです。
- 費用と権限を同じ場所に置ける:品質の低さが下流に与えている費用を所有者に見えるようにすれば、誤りを生む側に直す動機が生まれます。費用を負う部門と権限を持つ部門を一致させることが、インセンティブ設計の要点です。
ただし、所有者を業務側に置くと、業務部門の負担が増えるという反発が必ず出ます。この反発には正面から応える必要があります。所有者の負担を減らす手段は、管理の実務をスチュワードに任せること、そして品質の確認をできる限り仕組みに組み込むことです。所有者の仕事を「判断」に絞り込めるかどうかが、この役割が定着するかを左右します。
品質は、業務の境界で測って約束にする
所有者を決めても、品質の水準が言葉で語られているだけでは、守られているかどうかが分かりません。品質を所有者の約束にするには、それを測る場所と方法を決める必要があります。
AISIのガイドブックは、データ品質を維持するには、プロセスの境界やトランザクションの節目で確認する必要があるとし、現場の負荷を増やさないため、品質確認は可能な限り自動化すべきだとしています。[2] この考え方は、所有者の設計とよくかみ合います。データが一つの業務から次の業務へ渡る境界で、受け渡しの条件を決めておくのです。
- 何を渡すか:項目、定義、コードの体系、必須の項目。
- どの水準で渡すか:欠損や重複、更新の遅れをどこまで許容するか。
- 満たさないときにどうするか:受け取りを止めるのか、警告にとどめるのか、誰に知らせるのか。
境界での確認が自動化されていれば、所有者は全件を点検する必要がありません。条件を満たさなかった件数と傾向を定期的に見て、業務の手順や入力の画面を変えるかどうかを判断するだけで済みます。品質の指標は、所有者の判断のための材料として設計します。
AIの活用が、所有者の設計を先送りできなくする
これまでデータの所有者の問題は、重要ではあるが急ぎではない課題として扱われがちでした。AIの業務への組み込みが進むにつれ、その前提が変わりつつあります。人が見れば気づく不整合も、AIは気づかずにそのまま使い、誤った出力として業務に戻します。データの誤りが表に出るまでの距離が、短くなっているのです。
| 観点 | 回答の比率 |
|---|---|
| データを全社または部門ごとに利活用している企業(2025年度) | 59.9% |
| そのうち「全社で利活用している」企業(2025年度) | 20.0% |
| データ整備の課題:データの標準化が難しい | 36.8% |
| データ整備の課題:管理システムが整備されていない | 32.6% |
| AIの学習データを整備しAIに活用している | 7.0% |
| AIの学習データを整備しているが十分ではない | 28.4% |
| AIの学習データの必要性は認識しているができていない | 27.6% |
出典:IPA『DX動向2026』(調査期間2026年4月中旬〜6月中旬)をもとにDeer作成。データ整備の課題は、データ利活用に取り組んでいる、または検討している企業への設問 [1]
同じ調査で、AI利活用に向けた学習データを「整備しておりAIに活用している」企業は7.0%にとどまります。[1] 学習データを整備し活用している企業のほとんどは、期待と同等かそれ以上のAIの効果を得ているとも報告されています。[1] AIの効果を左右するデータの整備が、まだ多くの企業で手つかずにある。その整備を進めるうえで最初に問われるのが、誰がそのデータの品質に責任を持つのかという問いです。
一方で、前向きな変化もあります。データ利活用のための体制として「経営層の関与」を挙げた企業は2025年度で44.2%となり、2024年度から16ポイント程度増えました。[1] 経営がデータに関与し始めた今こそ、その関与を「データは重要だ」という表明から、所有者の任命と権限の付与という具体的な判断に変えるときです。
次の一手:取り組みの段階に応じて
データの所有者の設計は、取り組みの段階によって重点が変わります。
- これからデータの整備に着手する企業:全社のデータを一度に対象にせず、価値の大きい業務で使う主要なマスタと取引データに絞って、所有者・スチュワード・システム管理者の3つの役割を決めます。所有者は、そのデータが生まれる業務の責任者から任命し、品質の水準を決める権限と、業務の手順を変える権限を明文化します。
- 部門ごとの利活用が進んでいる企業:部門ごとに異なる定義で使われているデータを洗い出し、所有者が決まっていないもの、名前だけになっているものを特定します。業務の境界での受け渡しの条件を定め、確認を自動化し、条件を満たさなかった件数を所有者に定期的に返す仕組みをつくります。下流で修正している工数を見えるようにし、所有者の判断の材料にします。
- 全社での活用やAIの組み込みを進める企業:所有者の役割を、データの品質を扱う会議体と経営への報告の流れに組み込みます。AIに使うデータについては、所有者がその利用の可否と品質の水準を承認する手順を設けます。所有者の評価に、担当するデータの品質の指標を含めることも検討します。
データの品質を上げるのは、新しい基盤でも、優秀な専門人材でもありません。誤りを生む業務の責任者が、その誤りを止める権限と動機を持つことです。所有者を名前ではなく役割として設計できたとき、品質は下流での修正の対象から、上流で保たれるものに変わります。
Deerは、データの所有者と管理の役割の設計から、業務の境界での品質の確認、データガバナンスの会議体の立ち上げまでを一貫して支援しています。データの品質を継続的に保つ仕組みをどうつくるか、論点の整理からご相談ください。
SOURCES出典
- [1]独立行政法人情報処理推進機構(IPA)『DX動向2026 広がるAI導入、DXは変われるか』(2026年7月30日)
https://www.ipa.go.jp/digital/chousa/dx-trend/dx-trend-2026.html(2026年11月19日閲覧) - [2]AIセーフティ・インスティテュート(AISI)『データ品質マネジメントガイドブック データとAIの価値を最大化する(第1.02版、日本語参考訳)』(2026年5月14日)
https://aisi.go.jp/assets/pdf/260514_Data_quality_management_guidebook_jp.pdf(2026年11月19日閲覧) - [3]デジタル庁『データマネジメント実践ガイドブック(導入編)DS-465-1』(2022年3月31日)
https://www.digital.go.jp/assets/contents/node/basic_page/field_ref_resources/890e5d96-d63c-4b77-bd3e-cc89487393e3/246b0262/data_strategy_gif_465-1_guidebook_datamanagement_intro.docx(2026年11月19日閲覧)
Related Insights
関連するインサイト
- PERSPECTIVES2026年11月18日配車の最適化は、アルゴリズムより「制約」で決まる輸送力不足を前に配車・庫内計画へのAI導入が語られるが、非効率の多くは計画の外にある制約から生まれている。予測・計画・調整の3層で最適化とAIの役割を分け、荷主と一体で制約を設計し直す道筋を示す。
- PERSPECTIVES2026年11月16日AI投資はROIではなく「オプション価値」で判断する生成AIへの投資は増えているが、投資対効果を確認できている企業は少ない。最初に精緻なROIを求める判断は、AI投資の性格に合っていない。投資を「選択肢を買う投資」として設計し、段階ごとに拡大・縮小・撤退を決める判断の枠組みを示す。
- PERSPECTIVES2026年11月12日AIの定着は、研修ではなく業務の変更で決まる生成AIの研修を重ねても、業務の進め方は変わらない。個人利用が広がる一方で業務プロセスへの組み込みが進まない理由を、業務・現場の指導役・評価・仕組みの4つのレバーから整理し、チェンジマネジメントとして経営が打つべき手を示す。