--- title: "データの品質を高める手順｜AI-Ready.jp" url: https://www.ai-ready.jp/guide/data-quality-improvement/ description: "データの品質は、使う目的に照らして必要な水準を決め、計画・管理・評価・改善を繰り返すと高めやすくなります。正確性・完全性・一貫性・最新性などの観点と、測り方、直し方、入力の段階で防ぐ工夫をまとめました。" updated: 2026-11-12 publisher: "フロレンティナ株式会社" --- 広げる[柱：データ](https://www.ai-ready.jp/about-ai-ready/data/) # データの品質を高める手順 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 2点](https://www.ai-ready.jp/zukai/) この記事の結論 データの品質は、使う目的に照らして必要な水準を決め、「計画する・管理する・測って確かめる・原因から改善する」を繰り返すと高めやすくなります。直すだけでなく、入力の段階で誤りを防ぐ工夫を合わせることが長持ちのこつです。 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を試したら答えが古かった、部署によって数字が違った、という経験は珍しくありません。原因の多くはAIではなくデータの側にあります。この記事では、AISI（AIセーフティ・インスティテュート）とIPA（情報処理推進機構）が共同で作成したデータ品質マネジメントガイドブックの考え方をもとに、データの品質を高める手順を整理します。 この記事でわかること - データの品質を見るときの主な観点 - 品質を高める手順と、どこまで高めればよいかの考え方 - よくある品質の問題と直し方、役割の分け方 ## データの品質とは、何を見ることですか？ データの品質とは、データが使う目的に合った状態にあるかどうかのことです。AISIのガイドブックは、国際規格ISO/IEC 25012とISO/IEC 5259-2をもとに、24のデータ品質の特性を整理しています。社内で最初に見るとよい観点は、次の表のものです。 | 観点 | 確かめること | よくある問題の例 | |---|---|---| | 正確性 | データが現実の値を正しく表しているか | 取引先の住所が移転前のまま | | 完全性 | 必要な項目が欠けていないか | 担当者や金額の欄が空のまま | | 一貫性 | 形式・単位・値がそろっているか | 「(株)」と「株式会社」が混ざる、金額が円と千円で混ざる | | 最新性 | 十分に新しいか | 価格表の改定が反映されていない | | 精度 | 細かさ（粒度）が足りているか | 日付が月までしかなく、日ごとの分析ができない | | 追跡可能性 | どこから来て、いつ変わったかを追えるか | 誰が数字を直したか分からない | ガイドブックは、正確性と精度を別の考え方として区別しています。値が正しくても、細かさが足りなければ目的に合わないことがあります。 ## どこまで高めればよいですか？ 品質は高いほどよいとは限りません。AISIのガイドブックは原則として、目的への適合を確保すること（求める水準は用途とリスクに応じて調整する）、品質と費用の釣り合いを考えること、エラーは起きるものと受け止めて完全性を追い求めすぎないことを挙げています。 たとえば、社内の資料をAIで探せるようにする場合は「最新の版だけが入っているか」が大切で、請求の金額を扱う場合は「1円の誤りもないか」が大切になります。**目的ごとに、誤りがあると困る項目を決め、その項目から基準を置く**と、手間をかける場所が絞れます。 ## どんな手順で進めればよいですか？ AISIのガイドブックは、データ品質の計画・管理・保証・改善を、PDCAサイクルに沿って繰り返す形で示しています。社内で進める手順に置き換えると、次のようになります。 ① **目的と対象を決めます（計画）。** AIで使う業務と、その業務で使うデータを決めます。対象のデータは「[社内データの棚卸しの進め方](https://www.ai-ready.jp/guide/data-inventory/)」の一覧から選びます。 ② **品質の基準を決めます（計画）。** 項目ごとに「空欄は認めない」「日付は西暦で書く」「取引先名は正式な名称」など、守ることを文章にします。 ③ **入力と更新の決まりを整えます（管理）。** 入力の画面に選択肢を用意する、決まった形式でしか入力できないようにする、更新の担当を決める、といった工夫をします。 ④ **測ります（保証）。** 空欄の件数、重複の件数、決まりと違う形式の件数などを数え、基準と比べます。どの値を超えたら対応するか（しきい値）も決めておきます。 ⑤ **原因を探して直します（改善）。** 誤りを直す作業（データクレンジング）に加えて、なぜ誤りが入ったのかを確かめ、入力の手順や画面を見直します。 ⑥ **繰り返します。** 測る時期を決め、結果を関係者に共有します。 データの品質を高める繰り返し（AISIのガイドブックの計画・管理・保証・改善） **計画**：目的と対象を決め、項目ごとの品質の基準を文章にする **管理**：入力と更新の決まりを整える（選択肢・形式・更新の担当） **保証**：空欄・重複・形式の違いを数え、基準やしきい値と比べる **改善**：誤りを直し、**入り込んだ原因から入力の手順や画面を見直す** 測る時期を決めて繰り返し、結果を関係者に共有します。誤りを直すだけでは、同じ誤りがまた入ってきます。 **誤りを直すだけでは、同じ誤りがまた入ってきます。** ガイドブックも、改善の段階で根本の原因を分析し、決まりが守られない状態を防ぐ手順の改善を行うことを挙げています。 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/) ## よくある品質の問題は、どう直せばよいですか？ | 問題 | 直し方の例 | 入力の段階で防ぐ工夫 | |---|---|---| | 表記のゆれ | 表記の対応表を作り、正しい表記に置き換える | 選択肢から選ぶ形にする | | 欠け | 元の書類や担当者に確かめて埋める | 必須の欄を決める | | 重複 | 同じ相手・同じ品目を1件にまとめる（名寄せ） | 登録の前に既存の登録を検索する | | 古いデータ | 更新の日付を確かめ、最新の版を正にする | 更新の担当と時期を決める | | 単位や形式の混在 | 単位をそろえ、列の名前に単位を書く | 列ごとに形式を決める | | 1つの欄に複数の内容 | 欄を分ける | 1つの欄には1つの内容だけを入れる | 最後の2つは、統計の表を機械で読める形にするための決まりでも挙げられています。e-Statの「結果表における機械判読可能なデータ作成に関する表記方法」は、1セル1データとすること、数値の欄に文字列を入れないこと、データの単位を記載することなどを確かめる項目にしています。社内のExcelを整える具体的な手順は「[Excelのデータを、AIで使える形に整える](https://www.ai-ready.jp/guide/excel-data-cleanup/)」で整理しています。 取引先や商品など、多くの業務で共通に使う基本のデータ（マスタデータ）の重複やゆれは、影響が広がりやすい問題です。「[マスタデータを整える進め方](https://www.ai-ready.jp/guide/master-data-management/)」もあわせてご覧ください。 ## 個人データの品質で、気をつけることは何ですか？ 個人情報保護法第22条は、個人情報を取り扱う事業者に、利用目的の達成に必要な範囲で個人データを正確かつ最新の内容に保つよう努めることを求めています。個人情報保護委員会のガイドライン（通則編）は、そのための手段として、入力時の照合・確認の手続き、誤りを見つけたときの訂正の手続き、記録事項の更新、保存期間の設定などを挙げています。 あわせて、すべての個人データを一律に、または常に最新にする必要はなく、利用目的に応じて必要な範囲で確保すれば足りるとしています。利用する必要がなくなった個人データは、遅滞なく消去するよう努めることも求められています（法令で保存期間が定められている場合を除きます）。詳しくは専門家にご確認ください。 ## 誰が担えばよいですか？ AISIのガイドブックは、対象の読者として、経営層、データ管理・データガバナンスの担当、データ・AIのエンジニア、事業企画の担当などを挙げています。中小・中堅企業では専任のチームを置くことは難しいため、次のように分けると進めやすくなります。 - **経営層**：品質に取り組む方針を示し、必要な時間を確保します。 - **データの中身の責任者（業務部門）**：基準を決め、誤りの原因を確かめ、入力の手順を直します。 - **仕組みの担当（情報システム部門など）**：測る仕組み、入力の画面、権限を整えます。 - **AIを使う担当**：AIの出力の誤りから、データの問題に気づいて知らせます。 データの品質の役割の分け方（中小・中堅企業の例） - **経営層**：品質に取り組む方針を示し、必要な時間を確保する - **データの中身の責任者（業務部門）**：基準を決め、誤りの原因を確かめ、入力の手順を直す - **仕組みの担当（情報システム部門など）**：測る仕組み、入力の画面、権限を整える - **AIを使う担当**：AIの出力の誤りから、データの問題に気づいて知らせる ## 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/) - [マスタデータを整える進め方](https://www.ai-ready.jp/guide/master-data-management/) - [Excelのデータを、AIで使える形に整える](https://www.ai-ready.jp/guide/excel-data-cleanup/) - [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/) 用語 - [データ品質](https://www.ai-ready.jp/glossary/data-quality/) - [データクレンジング](https://www.ai-ready.jp/glossary/data-cleansing/) - [名寄せ](https://www.ai-ready.jp/glossary/data-matching/) - [データスチュワード](https://www.ai-ready.jp/glossary/data-steward/) - [データガバナンス](https://www.ai-ready.jp/glossary/data-governance/) - [データリネージ](https://www.ai-ready.jp/glossary/data-lineage/) ## よくあるご質問 Qデータの品質は、どこまで高めればよいですか？ A使う目的によって必要な水準は変わります。AISIのデータ品質マネジメントガイドブックは、目的への適合を確保すること、品質と費用の釣り合いを考えること、完全性を追い求めすぎないことを原則に挙げています。誤りがあると困る項目から基準を決めます。 Q古いデータの誤りを直すのと、新しく入る誤りを防ぐのと、どちらを先にすべきですか？ A両方が必要ですが、入力の段階で防ぐ工夫がないと、直しても誤りがまた入ってきます。AIに使う範囲の古いデータを直す作業と並行して、入力のルールや選択肢を整えると、直した状態が長持ちします。 Qデータの品質を測るには、専用のツールが必要ですか？ A最初はExcelの集計や絞り込みでも、欠けている件数、重複している件数、決まりと違う形式の件数を数えられます。測る対象と頻度が増えてきたら、ツールの利用を検討すると無理がありません。 Q個人情報を含むデータの品質で、法律上の決まりはありますか？ A個人情報保護法第22条は、利用目的の達成に必要な範囲で、個人データを正確かつ最新の内容に保つよう努めることを求めています。個人情報保護委員会のガイドラインは、入力時の照合や確認、誤りの訂正の手続きなどを手段の例に挙げています。詳しくは専門家にご確認ください。 ## この記事に出てくる用語 - [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/) - [データクレンジング](https://www.ai-ready.jp/glossary/data-cleansing/) - [名寄せ](https://www.ai-ready.jp/glossary/data-matching/) - [マスタデータ](https://www.ai-ready.jp/glossary/master-data/) - [個人情報保護法](https://www.ai-ready.jp/glossary/personal-information-protection-act/) - [個人データ](https://www.ai-ready.jp/glossary/personal-data/) - [個人情報保護委員会](https://www.ai-ready.jp/glossary/personal-information-protection-commission/) - [データガバナンス](https://www.ai-ready.jp/glossary/data-governance/) - [分類（機械学習）](https://www.ai-ready.jp/glossary/classification/) - [データリネージ](https://www.ai-ready.jp/glossary/data-lineage/) - [データスチュワード](https://www.ai-ready.jp/glossary/data-steward/) ## 「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. [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」第1.02版（2026年5月14日）](https://aisi.go.jp/assets/pdf/260514_Data_quality_management_guidebook_jp.pdf) 2. [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) 3. [個人情報保護委員会「個人情報の保護に関する法律についてのガイドライン（通則編）」](https://www.ppc.go.jp/personalinfo/legal/guidelines_tsusoku/) 4. [e-Stat「結果表における機械判読可能なデータ作成に関する表記方法」](https://www.e-stat.go.jp/estat/html/machine-readable-stats-format.pdf) 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. データの品質とは、何を見ることですか？ 2. どこまで高めればよいですか？ 3. どんな手順で進めればよいですか？ 4. よくある品質の問題は、どう直せばよいですか？ 5. 個人データの品質で、気をつけることは何ですか？ 6. 誰が担えばよいですか？ 7. チェックリスト 8. 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「データの品質を高める手順｜AI-Ready.jp」 https://www.ai-ready.jp/guide/data-quality-improvement/