BIツールやAIシステムの選定が決まった後に「データが使えない」と気づくのは、最もコストが高いタイミングです。ツールの契約・構築・研修まで進んでから「そもそもデータが足りない」「品質が悪すぎてBIで正しい数字が出ない」という問題が発覚するケースは、支援現場で繰り返し見てきたパターンです。
ツール選定の前にデータの状態を確認することは、投資のリスクを下げることと同義です。本記事では「BI/AIを有効に使えるデータの状態かどうか」を確認するための3カテゴリ・9項目を解説します。
なぜツールを入れる前にデータを確認すべきか
小売業の事例では、BIツールを導入した後も「数値が部門資料と合わない」という問い合わせが多発し、BIそのものへの信頼が失われていました。原因はツールではなく、品番の表記ゆれと参照マスタのバラつきというデータ品質の問題でした。ツールを入れてからデータの問題を直そうとすると、設定の手戻りや再構築が発生し、投資効果が著しく下がります。
物流業界で需要予測AIのPoCを進めていた企業では、受注・出荷・在庫データの定義が曖昧なまま学習データの作成を試みたために、PoCが繰り返し申し送りになりました。「整える前提が揃わず、PoCが前に進まない」という状態は、データ整備を先行させることで防げます。
①データの存在と網羅性——欲しいデータが本当にあるか
最初に確認すべきは「分析に使いたいデータが実際に存在するか」です。当然のようで、現場では「システムにあると思っていたが実は記録されていなかった」ケースが珍しくありません。
- 【存在の確認】分析したい指標の算出に必要な項目が、実際にシステム上に記録されているか確認する。「あるはずのデータ」ではなく「実際に存在するデータ」から分析スコープを決める
- 【欠損率の確認】主要項目の欠損・空白の割合を事前に集計する。欠損率が10%を超える項目は、分析結果に影響する可能性がある。欠損が多い場合は補完の方針か、その項目を除外するかを事前に決める
- 【期間の確認】AIモデルの学習やトレンド分析に必要な期間分のデータが蓄積されているか確認する。季節性を捉えたい場合は最低1〜2年分、需要予測なら3年以上が目安になることが多い
②品質・信頼性——データが正確かどうか
存在するデータが正確かどうかは、別の確認が必要です。データがあっても品質が低ければ、分析結果も信頼できなくなります。
- 【重複の確認】同一の顧客・商品・取引が複数レコードとして登録されていないか確認する。重複があると集計値が膨らみ、分析の前提が崩れる。特にCRMや顧客管理データは重複が発生しやすい
- 【表記ゆれ・形式の確認】日付・電話番号・商品名などの入力形式が統一されているか確認する。BI上でフィルタや集計をかける際、形式が混在していると条件に合致しないデータが生まれる
- 【外れ値・異常値の把握】数値項目の最大値・最小値・分布を確認し、明らかに異常な値がないかチェックする。売上が0や負の値、在庫数が極端に大きい値などは、入力ミスかシステムの問題を示していることがある
③定義・一貫性——部門間で同じ基準が使えるか
同じデータを使っていても、部門ごとに計算ロジックや集計基準が違う場合、BIで一元化しようとすると「どちらの数字が正しいか」という議論が必ず発生します。
- 【KPI定義の統一確認】「売上」「利益」「受注数」などの主要指標の計算ロジックが、全部門で統一されているか確認する。定義が違う場合は、BIを構築する前に定義の統一を先行させる
- 【コード・名称の統一確認】商品コード・部門コード・取引先コードが、複数システムをまたいで同じ体系で使われているか確認する。コード体系がバラバラな場合、システム間の突合ができず分析が困難になる
- 【更新頻度・タイミングの把握】参照するデータがいつ更新されるか（リアルタイム・日次・月次など）を把握し、BI上で表示するデータの鮮度と業務の意思決定サイクルが合っているか確認する
問題が見つかった場合のアクション方針
上記の確認で問題が多く見つかった場合、すべてを解決してからツール導入を進めようとすると時間がかかりすぎます。現実的なアプローチは「最初のユースケースに必要なデータだけを先に整備する」です。
自動車部品の製造・販売を行う企業では、勘と経験に基づいた発注が続いていたため在庫の過剰・不足が慢性的に発生していました。全社のデータを一気に整備しようとするのではなく、まず需要予測に直結する品目マスタと発注履歴データに絞ってクレンジングと定義の統一を行い、適正発注の仕組みを段階的に構築しました。「全部やる」より「最初の成果が出るところだけやる」という優先順位の設計が、BI/AI活用の成功率を上げます。
なお、確認項目の中に自社では判断しにくいものがある場合（欠損率の集計方法、外れ値の判断基準など）は、データ品質診断を活用することで客観的な数値として把握できます。「なんとなく品質が悪い気がする」という感覚を定量化することが、ツール導入判断の根拠になります。
AI・BIを入れる前にデータの現状を数値で把握する
データ品質診断では、完全性・正確性・一意性・整合性・最新性の観点から現状をスコア化し、BI/AI導入に向けた整備優先順位をご提示します。ツール選定の前段階でのご相談も歓迎しています。
よくある質問
データの確認はどのくらいの時間がかかりますか？
対象システムとデータ規模によりますが、SQLでの簡易チェックであれば主要項目の欠損率・重複件数・値の分布は1〜3日で把握できます。定義の統一確認（KPIの計算ロジック比較など）は業務担当者へのヒアリングが必要なため、1〜2週間が目安です。BFT InsightのQuick診断では約2週間で現状スコアと優先課題をレポートします。
どの確認項目から始めるとよいですか？
まず「①データの存在と網羅性」の確認から始めてください。分析したい項目のデータがそもそも存在しない場合、品質や定義の確認より先に収集・蓄積の設計が必要になるからです。データの存在が確認できたら、次に「②品質・信頼性」の順で進めるのが効率的です。
確認項目が全部「問題なし」にならないとツール導入できませんか？
そんなことはありません。完璧なデータが揃うまで待っていると、永遠にツール導入できません。最初のユースケースで使うデータの範囲に絞って「問題なし」の状態を作ることが現実的です。使わないデータの品質問題は後回しにして構いません。重要なのは「使うデータの品質が把握できていること」です。