2025年3月14日に開催された「データマネジメント2025」（主催：日本データマネジメント・コンソーシアム〈JDMC〉、インプレス）において、アイ・ティ・イノベーションのシニアコンサルタントの井﨑学氏とコンサルタントの伊藤成顕氏が登壇。データ品質管理の重要性と未来予測を取り入れた意思決定プロセスについて解説した。
提供：株式会社アイ・ティ・イノベーション
データ利活用の成否を分けるのはデータの「質」
ITコンサルティング企業であるアイ・ティ・イノベーションは、IT構想企画策定支援、ITアーキテクチャデザイン変革支援、データ利活用支援、プロジェクトマネジメント、研修・人材育成支援の5つをビジネスの柱としている。同社の東日本コンサルティンググループに所属する井﨑学氏は、レガシーシステムの改善やデータ利活用の最適化など、アーキテクチャデザインの視点からクライアント企業を支援している。
井﨑氏は、「データ利活用を推進するにはさまざまな要素が必要だが、特にデータ品質管理の重要性が高まっている」と語る。その背景にあるのはAIだ。今後、AIの活用は競争力の向上に不可欠であり、その効果を最大限に引き出すには、AIの教材となるデータの質が鍵を握るからだ（図1）。
図1：AIの質は学習させるデータの質で決まる拡大画像表示
AIにとってデータは基盤であり、正しいデータを学習・処理することで正確な結果を導き出せる。しかし、データの質が低ければ適切な判断ができず、プロセス全体の信頼性が損なわれる。データ品質の確保こそが、AIの精度と信頼性を向上させる鍵となる。IPAのデータ品質管理ガイドブックを参照しながら、井﨑氏は説明した。
写真1：株式会社アイ・ティ・イノベーション 東日本コンサルティング2G シニアコンサルタントの井﨑学氏また、データ品質をどこで確保すべきかという問題について、井﨑氏は「製造業において、品質は上流工程で作り込むのが基本。データもプロダクトとして扱うなら、同様に上流で管理すべき。しかし実際は蓄積後の下流で管理しているパターンも多い」と語る。
上流工程でデータ品質が保てないと、さらなる問題が発生する。データサイエンティストの業務の8割がデータの準備作業に費やされ、実際の分析は2割にも満たないのが現実だという。準備作業とはコード変換やフォーマットや単位の変換、不要なデータの除外などだ。データサイエンティストは、より高付加価値な業務に時間を割くべきだ。データ品質は事業全体の効率を左右する問題なのだ。
企業内のデータ連携のあるべき姿とは
データの品質はマスターデータの品質で決まる。マスターデータとトランザクションのデータがきちんと紐づいている状態が理想だ。きれいなマスターデータを使ってトランザクションを生成することで、データの相互運用性は向上する（図2）。
図2：企業内のデータ連携のあるべき姿拡大画像表示
井﨑氏は企業内のデータ連携のための2つのポイントを挙げた。1つ目はデータ品質の確保。単なるコントロール（品質管理）ではなく、アシュアランス（品質保証）の考え方をデータにも適用し、企業全体でデータ品質を担保する仕組みを整えるべきだとした。
2つ目は変化に柔軟に対応できるシステムアーキテクチャだ。SaaSをはじめとする多様なデータソースが存在する中で、1つのパッケージシステムですべてを賄うことは難しい。システム環境が多様化する中で、企業ごとにデータ品質を保証するモデルを設計し、連携を最適化することが求められる。異なるデータフォーマットが共存する環境においては、データの標準化と適切な管理が品質維持の鍵となる。
VUCA時代に求められる「未来志向型意思決定」
続いて同社の伊藤成顕氏が登壇し、データ利活用にフォーカスした講演を行った。前職で生産系やAIを活用したシステムに携わった経歴を持つ伊藤氏は、データ利活用とAIを活用したコンサルティングを手がけている。
写真2：株式会社アイ・ティ・イノベーション 東日本コンサルティング2G 第2担当 コンサルタントの伊藤成顕氏伊藤氏は「今の日本の環境は変化が激しく、先行き不透明なVUCA（Volatility／変動性、Uncertainty／不確実性、Complexity／複雑性、Ambiguity／曖昧性）時代。企業が生き残るためには、未来志向型の意思決定を行い、企業競争力を高める必要があります」と強調する。
未来志向型の意思決定とは、「定量的、迅速、高精度に未来予測をした上で意思決定すること」と伊藤氏は定義する。これは、「客観的なデータに基づいて判断し、自動化を進め、属人性を排除しながら継続的に精度を向上させること」を意味する。自社のデータを利活用し、データに基づいた意思決定を行うことは、未来志向型の意思決定の第一歩なのだ。
未来志向型の意思決定が実現するとどのようなサイクルが生まれるのか。このプロセスは5つのステップで構成される。1つ目が異常検出やデジタルツインによる「気づき」、2つ目がクラスタリングや要因分析による「意思決定の範囲の分析」、3つ目が時系列予測による「現象の未来予測」、4つ目が条件設定の最適化による「最善のアクション特定」、5つ目が精度評価やKPI管理を行う「結果の分析」だ（図3）。
図3：データを利活用した場合の未来志向型意思決定プロセスこれら5つのステップを高速に回すためには、AIによるデータの分析や予測の自動化が欠かせない。
過去のデータから予測値を導き出す分析・予測AIとは
分析・予測AIには対象の分類を予測する「分類問題」と、連続的な数値を予測する「回帰問題」の2つのタイプがある。分類問題の例としては、財務諸表や企業属性情報、市場環境情報などをAIに学習させ、倒産の可能性を予測し、与信判断に活用するケースがあげられる。一方、回帰問題の例としては、過去の売上高や気象などのオープンデータから将来の売上高を予測したり、CO2排出量や電力消費量を予測したりすることがあげられる。
分析・予測AIは、入力データ、AIモデル、出力結果の3要素で構成される。AIモデルについて、アイ・ティ・イノベーションでは専門知識がなくてもノーコードで利用できるAutoML（自動機械学習）プラットフォームを提供している（図4）。
図4：多数のAIモデルとデータ処理を保有する拡大画像表示
「AutoMLプラットフォームは、言ってみればデータサイエンティストの作業を自動化できるツール」と伊藤氏は説明する。予測やAIのモデル管理、最適化など機能を備える。
活用事例としては、半導体業界において各種パラメータの調整をAIで自動化し、仕様変更時の調整時間をおよそ800時間から600時間へと、200時間も削減した事例や、化学業界において、1サンプルあたり平均24時間の作業時間が必要だった触媒反応シミュレーションにおいて、分析・予測AIを活用することで、反応生成物の歩留まりを予測し、作業時間を50%短縮した事例などがあるという。
最後に伊藤氏は、「未来志向型の意思決定は問題解決力とデータの力とAIの力をかけ合わせることで成立します。どれかが不足していては成功しません。お困りのことがございましたら、お気軽にご相談ください」と締めくくった。
●お問い合わせ先
株式会社アイ・ティ・イノベーション
URL：https://www.it-innovation.co.jp/
