「データ×AI」を読み解くための用語集【データ編】

AIの活用を進めようとすると、「データ基盤」「セマンティックレイヤー」「RAG」「ガードレール」といった言葉が次々と登場します。
なんとなく意味は分かるものの、改めて問われると説明に困る。そんな用語が並んでいるのが、データ×AI領域の特徴です。

本記事では、連載「なぜAIの話は、いつも『データ』の話になるのか」で登場した用語を、データ基盤・AI・ガバナンス・組織の4つの観点から整理し、各用語を簡単に解説します。

今回はデータ基盤編です。
連載本編と併せて読み返す際の手引きとしてご活用ください。

データ基盤・管理

AI活用の土台となるのは、整ったデータを供給し続ける「データ基盤」です。
ここでは、データの種類や蓄積方法、品質を保つための仕組みに関わる用語を整理します。

構造化データ

Excelやスプレッドシートのように、表形式で行と列できちんと整理されたデータのことです。

たとえば顧客名簿や売上明細のように、「項目名」と「値」の対応がはっきりしているものを指します。集計や検索がしやすく、分析しやすいのが特徴です。

関連記事：構造化データと非構造化データの違い

非構造化データ

写真、動画、PDFの文書、メールの本文、音声データのように、決まった形式を持たないデータのことです。
情報量は多いのですが、そのままでは検索や集計がしにくく、AIで活用するには加工が必要になります。企業内にあるデータの約9割は、この非構造化データだと言われています。

関連記事：構造化データと非構造化データの違い

データ基盤

社内のあちこちに散らばったデータを集めて、分析やAI活用に使える状態に整える仕組み全体のことです。
たとえるなら、部署ごとにバラバラの棚に置かれていた書類を、全社共通の資料室に集約し、いつでも取り出せるようにする存在です。

データウェアハウス（DWH）

分析のために、整理された（構造化）データを保管しておく倉庫です。
「ウェアハウス」は倉庫の意味。社内の各システムから集めたデータを、集計しやすい形（構造化データ）に整えて保管します。

データレイク

形式を問わず、どんなデータでもそのまま貯めておける「大きな貯蔵庫」のことです。
きれいに整えたデータだけを入れるDWHに対して、画像・PDF・ログなどを未加工のまま大量に置いておけるのが特徴です。
あとで分析やAIに使いたくなったときに、そこから取り出せるように備えておく役割を担います。

データレイクハウス

2020年にDatabricks社が提唱した、「データレイクの柔軟さ」と「DWHの整理のしやすさ」を両立させたデータ基盤の考え方です。
どんな形式でも保存できるうえに、分析に必要な整合性のルール（ACIDトランザクションやスキーマ管理）も担保されるので、データレイクの自由度とデータウェアハウス（DWH）の厳密さのいいとこ取りができます。

関連記事：データレイクハウスとは

データ統合

複数のシステムに分かれているデータを集めて、整合性のとれた状態にまとめる作業のことです。
たとえば、営業部門と経理部門で別々に管理していた顧客リストを突き合わせ、フォーマットのばらつきや重複を整えて一本化する、といった作業が該当します。

論理データ統合（データ仮想化）

データを物理的に一か所に集めず、必要なときにだけ各システムから引き出して、あたかも一つにまとまっているかのように見せるアーキテクチャ（設計）の考え方です。
その代表的な実装が「データ仮想化」で、データを移動させるコストを抑えながら、複数のシステムを横断して参照できるのが利点です。

セマンティックレイヤー

データに「ビジネス上の数値の意味」を与えるための層です。
たとえば「売上」ひとつをとっても、部署ごとに定義がずれていると数字が食い違います。
そこで「売上」「アクティブユーザー」といった指標や、顧客・商品といった対象の定義を一元管理し、誰がどのツールで見ても同じ数字になるようにします。

関連記事：セマンティックレイヤーとは

データ品質管理

データに欠損・重複・誤りがないかを継続的にチェックし、分析やAIに使える状態を保ち続ける取り組みです。
品質の悪いデータをそのまま使うと、分析結果もAIの出力も誤ってしまいます。
健康診断のように定期的にモニタリングし、異常があれば早めに直す運用が一般的です。

データクレンジング

データの誤り・重複・欠損・表記のばらつきを直して、整った状態にする作業を指します。
たとえば「株式会社a」「(株)A」「株式会社Ａ」が混在している顧客名を一つに統一したり、空欄を補ったりする作業が該当します。データ品質を保つための基本的な工程です。

名寄せ

複数のシステムに別々に登録されている「同じ人」や「同じ企業」を、同じ存在として1件にひも付ける作業です。
たとえば、営業システムとサポートシステムに別々に登録された同じ顧客を統合すると、「その顧客がこれまでどんなやり取りをしてきたか」を一続きに把握できるようになります。

バリデーション

入力されたデータが、想定どおりの形式や範囲を満たしているかを検証する処理です。
Webフォームで「メールアドレスに@が入っていません」「電話番号に文字が含まれています」とエラーが出る、あの仕組みがバリデーションです。
誤ったデータが取り込まれるのを、入り口で防ぐ役割を果たします。

履歴設計

データを上書きせず、過去の状態も時系列で残せるようにしておく設計のことです。
たとえば顧客の契約プランや住所が変わった際、「いつ何に変更したか」を追える形で残しておくと、過去時点での分析や、監査のときの証跡確認にも使えるようになります。

スナップショット

ある時点のデータの状態を、そのまま丸ごと保存しておく仕組みです。
毎月末の残高を記録しておく家計簿のように、日次や月次でデータを一気に保存しておくと、「あの時点ではどうなっていたか」を後から再現でき、変化の分析やトラブル発生時の検証に役立ちます。

鮮度管理

データがどのくらい最新の状態に保たれているかを管理することです。
たとえば、先月の在庫データをもとに今日の発注判断をしてしまうと、実態とずれてしまいます。データも同じで、更新の頻度や反映のタイミングを見張り、必要な鮮度を維持する運用が求められます。

メタデータ／データカタログ

「メタデータ」とは、そのデータ自身ではなく、「データについての情報」のことです。
項目の意味、出所、更新日、所有者などがこれにあたります。
それらを一覧化して検索できるようにしたものが「データカタログ」で、社内にどんなデータがどこにあるのかを、誰でも探しやすくします。

関連記事：データカタログとは

共通ID

複数のシステムをまたいで、「同じ対象」を一意に見分けるための識別子です。
社員番号や会員番号のように、システムをまたいでもその番号を頼れば「同じ人」だと判断できるようにする仕組みです。
共通IDを整備することで、CRM・ECサイト・サポート履歴など、別々のシステムの情報を一人の顧客につなげられるようになります。

データリネージ

あるデータが「どこから来て、どう加工され、どこで使われているか」の流れを追跡できるようにする仕組みです。
食品のトレーサビリティに近く、「原材料の産地→加工工場→店舗」までを追えるように、データも「発生元→変換処理→利用先」までを可視化します。
問題発生時の原因究明や、変更影響の把握、ガバナンスの根拠として使われます。

ETL

Extract（抽出）・Transform（変換）・Load（投入）の頭文字を並べたもので、各システムからデータを取り出し、整えたうえでデータ基盤に投入するまでの一連の処理を指します。
近年はクラウドDWHの処理能力を活かして、先に生データをロードし、基盤内で変換するELT方式も主流になりつつあります。

データマチュリティ

「データ成熟度」とも呼ばれ、企業のデータ活用がどこまで進んでいるかを段階的に示す概念です。
「そもそもデータが集まっていない段階」から「BIで分析できる段階」「AIが自律的に使える段階」までをレベル分けし、自社の現在地と、次に進むべき方向を見きわめるためのものさしとして使われます。

まとめ

データ×AI領域の用語は、それぞれが独立したテクノロジーや概念というより、AIを業務で動かすための連続した仕組みの一部です。

一つひとつの言葉の意味を理解することで、連載本編の内容、そして自社のデータ・AI活用の現在と目標がより具体的に見えてくるはずです。