株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
AI導入の成否はデータ準備で決まる
Gartnerの2025年2月26日の発表は、2026年までに、AI-readyなデータ（AI活用に適した状態のデータ）に支えられていないAIプロジェクトの60%が中止されると予測しています。全AIプロジェクトの中止率を示す実績値ではありません。AIモデルの精度はアルゴリズムではなく、入力データの品質で決まります。
しかし多くの企業が「AIモデルの選定」に時間を費やし、データ準備を後回しにしています。本記事では、AI導入プロジェクトで必要なデータ準備の4ステップを実践的に解説します。
ステップ1：データ棚卸し（何がどこにあるか把握する）
なぜ棚卸しが必要か
多くの企業では、AIに使いたいデータが複数のシステムに分散しています。CRM、ERP、Excel、メール、紙の書類。まず「何がどこにあるか」を一覧化することが出発点です。
棚卸しチェックリスト
| 項目 | 確認内容 | よくある問題 |
|---|---|---|
| データソース | どのシステムにデータがあるか | 部門ごとに独自のExcelで管理されている |
| データ形式 | 構造化（DB/Excel）か非構造化（PDF/画像）か | 紙の書類がスキャンされずに残っている |
| データ量 | レコード数、ファイル数、期間 | 学習に十分な量がない（最低1年分推奨） |
| 更新頻度 | 日次/週次/月次/年次 | 更新が止まっているデータがある |
| アクセス権限 | 誰がアクセスできるか | セキュリティ審査が必要で取得に3ヶ月かかる |
| 個人情報の有無 | PII（個人情報）が含まれるか | 利用目的・提供先・学習利用の条件が未確認（個人情報保護委員会の注意喚起を参照） |
ステップ2：データクレンジング（汚れたデータを清潔にする）
よくあるデータ品質の問題
| 問題 | 具体例 | AIへの影響 |
|---|---|---|
| 欠損値 | 売上データの一部が空白 | 学習データの偏り、予測精度低下 |
| 重複 | 同一顧客が異なるIDで複数登録 | モデルが同じデータを過学習 |
| 表記揺れ | 「東京都」「東京」「TOKYO」が混在 | 同じ情報を別物として扱ってしまう |
| 異常値 | 年齢が「999」、金額が「-1」 | モデルの判断が歪む |
| 型の不整合 | 日付が「2026/04/13」と「April 13, 2026」で混在 | データの結合・比較ができない |
クレンジングの優先順位
- 最優先：欠損値と異常値の処理（モデル精度に直結）
- 高優先：重複の排除と表記統一（データの一貫性）
- 中優先：型の統一とフォーマット標準化（システム連携の前提）
- 低優先：古いデータの取捨選択（3年以上前のデータの有効性検証）
ステップ3：アノテーション（AIに「正解」を教える）
アノテーションとは
教師あり学習では、AIに「これが正解」というラベル付きデータが必要です。例えば画像認識なら「この画像は不良品」、テキスト分類なら「この問い合わせはクレーム」というタグを人間が付与します。
アノテーション品質を左右する3要素
| 要素 | 内容 | 対策 |
|---|---|---|
| ラベラーの専門性 | ドメイン知識のあるラベラーほど精度が高い | 汎用クラウドソーシングより業務担当者にラベル付けを依頼 |
| ラベル定義の明確さ | 「不良品」の基準が曖昧だと判断がバラつく | ラベル定義書を作成し、判断に迷うケースの例示を含める |
| ラベラー間の一致率 | 同じデータに対して複数ラベラーの判断が一致するか | 定期的にラベラー間一致率を計測し、80%以上を維持 |
工数の見積もり：デジタル庁の見積り精査手順を参考に、ラベル定義・付与・照合・修正を別々の作業として積算します。少量のサンプルで作業時間を測り、対象件数と確認工程を踏まえて全体工数を見積もってください。アノテーションだけの時間とデータ準備全体の時間を分けることが重要です。
ステップ4：データ品質管理（継続的な品質維持）
なぜ「一度きり」では不十分か
従来のデータ管理は四半期監査や月次チェックで済みましたが、本番運用のAIモデルはリアルタイムのデータ品質を必要とします。欠損・異常値などの品質問題と、学習時からのデータ分布の変化（ドリフト）を分けて監視します。Evidentlyの解説も、分布変化が必ずしもモデル性能の低下につながるわけではないと説明しています。業務への影響を確かめられるよう、アラートの条件と確認手順を決めてください。
品質管理の3つの柱
| 柱 | 内容 | ツール例 |
|---|---|---|
| データバリデーション | 入力データがスキーマ（型・範囲・必須項目）に準拠しているか自動検証 | Great Expectations、Pandera |
| ドリフト検知 | データの統計的な分布が学習時と変わっていないか監視 | Evidently AI、NannyML |
| データリネージ | データの出所・変換履歴・利用先を追跡可能にする | Apache Atlas、DataHub |