--- title: "データカタログで社内のデータを見つけやすくする｜AI-Ready.jp" url: https://www.ai-ready.jp/guide/data-catalog-basics/ description: "データカタログは、社内のデータの名前・中身・場所・責任者・使ってよい範囲を一覧にした目録です。棚卸しの結果をもとに、項目を絞って小さく作り、更新の担当と時期を決めると、AIや分析でデータを探す手間を減らせます。" updated: 2026-11-12 publisher: "フロレンティナ株式会社" --- 定着させる[柱：データ](https://www.ai-ready.jp/about-ai-ready/data/) # データカタログで社内のデータを見つけやすくする 執筆：[石田誠](https://www.ai-ready.jp/about/authors/#ishida)更新 2026-11-12最終確認 2026-11-12出典 4件[図解 1点](https://www.ai-ready.jp/zukai/) この記事の結論 データカタログは、社内のデータの名前・中身・場所・責任者・使ってよい範囲を一覧にした目録です。棚卸しの結果をもとに、項目を絞って小さく作り、更新の担当と時期を決めると、AIや分析でデータを探す手間を減らせます。 自社の「データ」の準備度は？[10問・約3分で確かめる（無料・登録不要）](https://www.ai-ready.jp/diagnosis/quick/) AIの活用が部署をまたいで広がると、「必要なデータがどこにあるか分からない」「同じようなファイルが複数あり、どれが正しいか分からない」という声が増えてきます。この記事では、データカタログの考え方と、中小・中堅企業でも無理なく作って続けるための手順を整理します。 この記事でわかること - データカタログとメタデータの意味と、AI活用との関係 - カタログに載せる項目の決め方と、小さく作る手順 - 作った後に古くしないための運用の仕方 ## データカタログとは、何ですか？ データカタログは、社内にどんなデータがあり、それが何を表し、どこにあって、誰に聞けばよいかを、一覧で探せるようにした目録です。図書館の蔵書目録のように、データそのものではなく、データの説明を集めたものです。 この説明の情報を「メタデータ」と呼びます。デジタル庁の「メタデータ導入実践ガイドブック」は、メタデータを「データに関するデータ」と説明し、データに付けて整備され、データカタログで検索に使われるものとしています。対象の地域・期間や品質の情報などを含めることで、データをやり取りする場面で欠かせない情報になるとも述べています。 ### AIの活用と、どう関係しますか？ AIに社内のデータを使わせるときは、次のような点を人が判断する必要があります。 - そのデータは何を表しているか（項目の意味、単位、集計の基準） - いつ時点のものか、どのくらいの頻度で更新されるか - 個人情報や取引先の秘密を含むか、AIに読ませてよいか - 誰が中身に責任を持っているか カタログにこれらがまとまっていると、データを探す時間が減るだけでなく、使ってよいデータかどうかの確認も早くなります。AIセーフティ・インスティテュート（AISI）の「データ品質マネジメントガイドブック」も、データが誤っているとAIで正しい結果を得にくくなるとして、データの品質を信頼できるAIの土台に位置づけています。カタログは、その品質を確かめるための入口にもなります。 ## カタログには、どんな項目を載せればよいですか？ 項目の参考になるのが、データカタログの国際的な語彙であるW3Cの「DCAT」です。DCATは2024年8月にバージョン3が勧告となり、データカタログどうしをつなぎやすくすることを目的にしています。データの集まり（データセット）を記述する項目として、名称、説明、発行者、キーワード、テーマ（分類）、問い合わせ先、更新日、ライセンスなどが定められています。デジタル庁のガイドブックも、DCATをもとにメタデータの項目を整理しています。 社内向けのカタログでは、これを参考に、次のように絞ると始めやすくなります。 | 項目 | 書く内容の例 | 主な目的 | |---|---|---| | 名称 | 「受注明細（2020年以降）」 | 探す | | 説明 | 1行に1件の受注。金額は税抜き | 意味を取り違えない | | 置き場所 | システム名、フォルダ、表の名前 | たどり着く | | 責任者・問い合わせ先 | 営業管理課の担当者 | 疑問を解消する | | 更新の頻度・最終更新日 | 毎日夜間に更新 | 鮮度を確かめる | | 分類（機密の区分） | 社外秘・個人情報を含む | 使ってよい範囲を確かめる | | 主な項目と意味 | 「区分」の値の意味など | 正しく集計する | | 利用の条件 | AIへの入力は承認した環境のみ | 事故を防ぐ | 機密の区分は、社内のデータ分類ルールに合わせます（「[社内データの分類ルールの作り方](https://www.ai-ready.jp/guide/data-classification-policy/)」参照）。データが別のデータから作られている場合は、元のデータを書いておくと、数字が合わないときに原因をたどりやすくなります。この「どこから来たか」の情報はデータリネージと呼ばれます。 読みながら、自社の現在地を確かめませんか クイック診断は10問・約3分・登録不要です。7つの柱ごとの目安と、「データ」を含めて次に取り組むことがわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/)[結果の解説（30分・無料）](https://www.ai-ready.jp/consult/review/) ## どう作り始めればよいですか？ データカタログは、大きく作ろうとすると途中で止まりやすい取り組みです。次の順番で、小さく作って広げる進め方をおすすめします。 ① **対象を絞ります。** 全社のデータを一度に載せず、AIや分析で使う予定のある業務（たとえば受注と在庫）から始めます。 ② **棚卸しの結果を使います。** 社内データの棚卸しで作った一覧があれば、それを元にします（「[社内データの棚卸しの進め方](https://www.ai-ready.jp/guide/data-inventory/)」参照）。 ③ **項目を決めます。** 上の表から、最初は5〜8項目程度に絞ります。足りなければ後から足します。 ④ **責任者に説明を書いてもらいます。** 説明や項目の意味は、そのデータを日々使う業務部門が詳しいため、データの責任者（データオーナー）に書いてもらい、まとめ役が表記をそろえます。 ⑤ **置き場所を決めて公開します。** 最初は表計算ソフトや社内の共有ページでも十分です。利用者が検索できる場所に置き、入口を社内に知らせます。 ⑥ **使ってもらい、直します。** 「探しても見つからなかった言葉」や「分かりにくかった説明」を集めて、キーワードや説明を直します。 データカタログは、小さく作って使いながら直します **作る**：対象の業務を絞り、棚卸しの結果をもとに、項目を5〜8程度に決めて責任者に説明を書いてもらう **公開する**：利用者が検索できる場所に置き、入口を社内に知らせる **使って直す**：見つからなかった言葉や分かりにくい説明を集めて、キーワードと説明を直す 最初は表計算ソフトや社内の共有ページでも十分です。足りない項目は後から足します。 ## 作った後、古くしないためには？ カタログは、手を入れないと、実際のデータと少しずつずれていきます。続けるための工夫を整理します。 - **更新の担当と時期を決めます。** データの中身の責任者と、カタログの表記をそろえる担当（データスチュワード）を分け、四半期ごとなど見直しの時期を決めます。 - **新しいデータを作る手順に組み込みます。** 新しいシステムや表を作るときに、カタログへの登録を手順の一つにします。デジタル庁のガイドブックは、メタデータを納品物の一部として受け取る仕組みにする工夫を挙げています。外部に開発を頼む場合は、仕様書に入れておくと手間が減ります。 - **使われていないデータを外します。** 廃止したデータは「廃止」と明記するか、一覧から外します。古い情報が残ると、カタログ全体が信用されなくなります。 - **効果を伝えます。** デジタル庁のガイドブックは、メタデータを付けると、過去の情報を探しやすくなる、人事異動の引き継ぎが楽になる、問い合わせに早く答えられる、といった効果を挙げています。こうした効果を社内で共有すると、協力を得やすくなります。 ## 専用の仕組みは、いつ検討すればよいですか？ データの数が数十件程度で、利用者も限られているうちは、表計算ソフトや共有ページで十分なことが多いと考えられます。次のような状態になってきたら、専用の仕組み（データカタログの製品や、データ基盤に付いている目録の機能）を検討する目安になります。 - データの数が増え、一覧から探すのに時間がかかる - データベースの項目の情報を自動で取り込みたい - 部署ごとに見せてよい範囲を分けたい - データがどこから作られたか（データリネージ）を自動でたどりたい 製品を比べるときは、いま使っているデータの置き場所とつながるか、権限の設定がどこまでできるか、入力の手間がどのくらい減るかを確かめます。製品を入れても、説明を書く人と更新の時期が決まっていなければ、カタログは古くなります。仕組みより先に、担当と手順を決めておくことが大切です。 ## チェックリスト ## 関連するひな形・ガイド・用語 ひな形 - [社内データの棚卸し表](https://www.ai-ready.jp/templates/data-inventory-sheet/) ガイド - [社内データの棚卸しの進め方](https://www.ai-ready.jp/guide/data-inventory/) - [AIに使うデータの整え方：所在・置き場所・権限・品質・責任者](https://www.ai-ready.jp/guide/data-preparation-for-ai/) - [社内データの分類ルールの作り方](https://www.ai-ready.jp/guide/data-classification-policy/) - [マスタデータを整える進め方](https://www.ai-ready.jp/guide/master-data-management/) - [データの品質を高める手順](https://www.ai-ready.jp/guide/data-quality-improvement/) - [社内の資料をAIで探せるようにする（RAGの基本）](https://www.ai-ready.jp/guide/rag-basics/) 用語 - [データカタログ](https://www.ai-ready.jp/glossary/data-catalog/) - [メタデータ](https://www.ai-ready.jp/glossary/metadata/) - [データオーナー](https://www.ai-ready.jp/glossary/data-owner/) - [データスチュワード](https://www.ai-ready.jp/glossary/data-steward/) - [データリネージ](https://www.ai-ready.jp/glossary/data-lineage/) ## よくあるご質問 Qデータカタログを作るには、専用の製品が必要ですか？ A専用の製品がなくても始められます。まずは表計算ソフトや社内の共有ページに、データごとの名前・説明・場所・責任者などを一覧にするだけでも、探す手間は減ります。データの数や利用者が増え、検索や権限の管理が負担になってきた段階で、専用の仕組みを検討する順番が現実的です。 Qデータの棚卸しとデータカタログは、何が違いますか？ A棚卸しは、社内にどんなデータがあるかを一度洗い出す作業です。データカタログは、その結果を、利用者が探して使えるように説明を付けて公開し、更新し続ける目録です。棚卸しを入口にして、カタログで続けて管理する関係と考えると整理しやすくなります。 Qメタデータを付ける作業が現場の負担になりませんか？ A付ける作業は一度きりでも、データを探す機会は何度もあるため、全体では手間が減ると考えられます。デジタル庁のガイドブックも、メタデータを納品物の一部として受け取る仕組みにするなど、負担を減らす工夫を挙げています。項目を最小限から始めることも負担を抑える方法です。 ## この記事に出てくる用語 - [データカタログ](https://www.ai-ready.jp/glossary/data-catalog/) - [メタデータ](https://www.ai-ready.jp/glossary/metadata/) - [AIセーフティ・インスティテュート（AISI）](https://www.ai-ready.jp/glossary/aisi/) - [データ品質](https://www.ai-ready.jp/glossary/data-quality/) - [分類（機械学習）](https://www.ai-ready.jp/glossary/classification/) - [データ分類](https://www.ai-ready.jp/glossary/data-classification/) - [データリネージ](https://www.ai-ready.jp/glossary/data-lineage/) - [データオーナー](https://www.ai-ready.jp/glossary/data-owner/) - [データスチュワード](https://www.ai-ready.jp/glossary/data-steward/) - [データ基盤](https://www.ai-ready.jp/glossary/data-platform/) - [マスタデータ](https://www.ai-ready.jp/glossary/master-data/) ## 「データ」のほかの記事 [この柱の解説 →](https://www.ai-ready.jp/about-ai-ready/data/) [広げる／データAIに使うデータの整え方：所在・置き場所・権限・品質・責任者石田誠2026-10-26](https://www.ai-ready.jp/guide/data-preparation-for-ai/)[広げる／データBI・ダッシュボードの始め方石田誠2026-11-12](https://www.ai-ready.jp/guide/bi-dashboard-basics/)[はじめる／データExcelのデータを、AIで使える形に整える桐谷彰人2026-11-12](https://www.ai-ready.jp/guide/excel-data-cleanup/) ## 出典 1. [デジタル庁「メタデータ導入実践ガイドブック」（デジタル社会推進実践ガイドブック DS-469、2022年3月31日）](https://www.digital.go.jp/assets/contents/node/basic_page/field_ref_resources/890e5d96-d63c-4b77-bd3e-cc89487393e3/1ead1a75/data_strategy_gif_469_guidebook_metadata.docx) 2. [W3C「Data Catalog Vocabulary (DCAT) - Version 3」（W3C勧告、2024年8月22日）](https://www.w3.org/TR/vocab-dcat/) 3. [AIセーフティ・インスティテュート「データ品質マネジメントガイドブック」](https://aisi.go.jp/output/output_framework/data_quality_management_guidebook/) 4. [独立行政法人情報処理推進機構（IPA）「AIのためのデータ環境整備」](https://www.ipa.go.jp/digital/ai/data.html) 最終確認日：2026-11-12 ## 次の一歩 [測るAI-Ready診断（無料）いまの準備状況を、7つの柱で確かめられます。](https://www.ai-ready.jp/diagnosis/) [相談する結果の解説（30分・無料）診断の結果をもとに、オンラインでご説明します。](https://www.ai-ready.jp/consult/review/) [窓口ご相談のお申し込み経営・M&A・事業承継・上場・バリューアップはフロレンティナ、AIの導入・開発・データ・セキュリティ・研修はアメリア・テクノロジーがお受けします。](https://www.ai-ready.jp/consult/apply/) 目次 1. データカタログとは、何ですか？ 2. カタログには、どんな項目を載せればよいですか？ 3. どう作り始めればよいですか？ 4. 作った後、古くしないためには？ 5. 専用の仕組みは、いつ検討すればよいですか？ 6. チェックリスト 7. よくあるご質問 この記事が扱う柱 主に「データ」 [データの解説](https://www.ai-ready.jp/about-ai-ready/data/) 自社の準備度を確かめる 10問・約3分・登録不要。7つの柱ごとの目安がわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/) --- 出典：フロレンティナ株式会社「データカタログで社内のデータを見つけやすくする｜AI-Ready.jp」 https://www.ai-ready.jp/guide/data-catalog-basics/