データ品質を向上させたい。多くの組織がそう考えます。しかし、「何をもって品質が良い状態か」が定義されていなければ、改善の方向性も、達成度の評価もできません。品質基準の設定は、データ品質管理の出発点です。本記事では、データ品質を測る5つの次元と、現実的な品質基準の設定方法を解説します。

品質基準がなければ品質は上がらない

「データの品質を良くしよう」という掛け声だけでは、品質は上がりません。なぜなら、「良い品質」が何を指すのかが曖昧だからです。基準がなければ、現状がどれだけ良いのか悪いのかも測れず、改善の効果も確認できません。

品質基準を設定することは、ゴールを定めることです。ゴールが明確になってはじめて、そこに向けた改善が可能になります。データ品質管理は、まず「何を目指すか」を定めることから始まります。

データ品質を測る5つの次元

データ品質は、次の5つの次元で評価するのが一般的です。これらの観点で見ることで、漠然とした「品質」を具体的に捉えられます。

  • 正確性：データが実態を正しく反映しているか。
  • 完全性：必要な項目が欠損なく揃っているか。
  • 一貫性：同じデータが複数の場所で矛盾なく存在しているか。
  • 適時性：データが必要なタイミングで更新されているか。
  • 一意性：同一データが重複して存在していないか。

自社のデータがこの5次元でどう評価できるかを点検すると、どこに問題があるかが見えてきます。

5つの次元を実務でどう使うか

5つの次元は、それぞれ具体的な問題と結びついています。たとえば、完全性の問題は「顧客の連絡先が空欄」、一貫性の問題は「同じ顧客が部署ごとに別の名前で登録されている」、一意性の問題は「同じ取引先が重複登録されている」といった形で現れます。

自社で起きているデータの問題を、この5次元のどれに当たるかで分類すると、対策が立てやすくなります。「なんとなくデータが汚い」ではなく、「完全性に問題がある」と特定できれば、入力ルールの見直しなど、具体的な打ち手が見えてきます。データ整備の考え方はAIの精度が上がらない本当の理由——経営者が投資前に確認すべきデータの状態もあわせてご覧ください。

現実的な品質基準の設定方法

品質基準を設定するとき、最初から100%の品質を求めるのは現実的ではありません。完璧を目指すと、達成不可能なハードルになり、かえって改善が進みません。おすすめは、「業務に支障が出ない最低限の品質水準」を設定することです。

たとえば、次のように具体的な数値目標を設定します。

  • 「顧客マスタの必須項目の完全性は95%以上」
  • 「売上データの更新は翌営業日まで」
  • 「取引先マスタの重複は1%未満」

具体的な数値があれば、達成・未達成の判断が明確になり、改善の進捗も測れます。

基準は「業務への影響」から逆算する

品質基準を決める際の指針は、「その品質でないと、どんな業務に支障が出るか」から逆算することです。すべてのデータに同じ高い基準を求める必要はありません。業務への影響が大きいデータには高い基準を、影響の小さいデータには緩い基準を設定します。

たとえば、請求に使う顧客住所は高い正確性が必要ですが、参考情報の備考欄はそこまで厳密でなくても業務は回ります。重要度に応じた基準の使い分けが、限られたリソースで効果的に品質を管理するコツです。何でも完璧を目指すのではなく、メリハリをつけましょう。

品質基準設定チェックリスト

  • データ品質を5つの次元で点検したか
  • 自社の問題がどの次元に当たるか分類したか
  • 「業務に支障が出ない最低限の水準」を基準にしたか
  • 具体的な数値目標を設定したか
  • 達成・未達成を判断できる形になっているか
  • データの重要度に応じて基準を使い分けているか

品質基準を「測る」仕組みをつくる

品質基準を設定したら、次は実際にその基準を満たしているかを測る仕組みが必要です。基準があっても、現状を測れなければ、改善できているかどうかが分かりません。測定と基準はセットで考えるべきものです。

測定の仕組みは、最初から高度なものである必要はありません。次のように、簡単なところから始められます。

  • 定期的な点検:月次などで、主要データの欠損率・重複率を確認する。
  • ダッシュボード化:品質指標を一覧で見られるようにし、変化を追う。
  • 異常の検知:基準を下回ったら気づける仕組みを設ける。

測定によって品質が「見える化」されると、改善の効果が実感でき、現場の意識も高まります。「測れないものは改善できない」という言葉の通り、測定の仕組みづくりが品質向上の前提になります。

品質は「入口」で守るのが効率的

データ品質を高めるアプローチには、大きく2つあります。一つは、すでに乱れたデータを後から直す「事後対応」。もう一つは、そもそも乱れたデータが入らないようにする「入口での対策」です。効率的なのは、断然後者です。

たとえば、入力フォームで必須項目を設定する、選択式にして表記ゆれを防ぐ、入力時に重複をチェックする——こうした「入口での対策」を施せば、品質の低いデータがそもそも生まれにくくなります。後から大量のデータを修正するのは膨大な手間ですが、入口を整えれば、その手間自体が不要になります。品質基準を設定したら、その基準を入口で自動的に守れる仕組みづくりまで進めることが、効率的な品質管理につながります。

よくある質問

Q. 品質改善はどこから手をつけるべきですか？
A. 業務への影響が大きく、問題が顕在化しているデータからです。たとえば、請求に使う顧客情報の誤りは直接トラブルにつながるため優先度が高くなります。影響度と問題の大きさで優先順位をつけましょう。

Q. 品質基準は一度決めたら固定ですか？
A. いいえ。業務やデータの使われ方が変われば、求められる品質も変わります。定期的に基準を見直し、実態に合っているかを確認しましょう。AI活用を始める際は、より高い品質が求められることもあります。

Q. 5つの次元すべてに基準を設けるべきですか？
A. すべてに設ける必要はありません。自社で問題が起きている次元を優先しましょう。たとえば重複が多いなら一意性、欠損が多いなら完全性、というように、課題のある次元から基準を設けるのが効率的です。

Q. 100%を目指してはいけないのですか？
A. 一部の重要データでは100%が必要なこともありますが、すべてに100%を求めると現実的でなくなります。「業務に支障が出ない水準」を基準にし、重要度に応じて高さを変えるのが現実的です。

Q. 品質基準は誰が決めるべきですか？
A. データオーナー（業務部門の責任者）が中心になって決めるのが適切です。そのデータがどの業務にどう使われ、どの品質が必要かを最もよく知っているからです。IT部門は技術面で支援します。

Q. 基準を満たせない場合はどうすればよいですか？
A. まず原因を特定します。入力ルールの不備、システムの問題、運用の徹底不足など、原因に応じた対策を取ります。基準は改善のための指標であり、未達成を責めるためではなく、原因究明と改善につなげるものです。

Q. 品質を測る作業に手間がかかります。
A. 最初は主要なデータに絞り、簡単に測れる指標から始めましょう。完全性（欠損率）や一意性（重複率）は比較的測りやすい指標です。徐々に対象と項目を増やせば、無理なく続けられます。

まとめ

データ品質管理は、品質基準の設定から始まります。正確性・完全性・一貫性・適時性・一意性の5次元で評価し、「業務に支障が出ない最低限の水準」を具体的な数値で設定しましょう。データの重要度に応じて基準を使い分けることが、効果的な品質管理の鍵です。

DSB Consultingでは、データ品質基準の設定と管理の仕組みづくりを支援しています。相談したい方はデータガバナンス支援をご覧ください。