B2B取引における企業の顧客データは、CRM（顧客関係管理）、SFA（営業支援システム）、MA（マーケティングオートメーション）、ERP（統合基幹業務システム）など複数のシステムに分散していることがほとんどです。同じ取引先の情報が重複したり、社名の表記や住所、担当者の在籍状況が、システムや部門によって食い違うといった状態は、多くの企業で見られる課題だと言われています。ユーソナーがご支援する事例でもよく見聞きします。
こうした状態を解消し、企業ごとに信頼できる1件の統合レコードを作る取り組みが、「ゴールデンレコード」の整備です。ただし、ゴールデンレコードの整備をめぐる議論は「どのレコードが同一企業か」を判定するマッチング精度に集中しがちで、その次に来る「どの値を残すか」の設計は後回しになりやすい領域です。
本記事では、B2B取引の顧客データ管理におけるマッチングの2つのアプローチを整理した上で、ゴールデンレコードの品質を最終的に決める第3のロジック「サバイバーシップルール」について解説します。
B2B顧客データ管理における「決定論的マッチングアプローチ」
一般的に「決定論的マッチング」とは、一意な識別子や正規化した項目の完全一致によって、複数のレコードが同一の実体を指すかどうかを判定する手法を指します。
B2B領域における代表的な識別子が「法人番号」です。
法人番号は設立登記法人などに対し指定される13桁の番号で、商号または名称、本店または主たる事務所の所在地とあわせて公表されており、利用範囲の制約なく誰でも自由に利用できる、とされています ※1。マッチングの識別子に関する留意点は、以下の３点です。
- 識別子ベースの照合
法人番号、適格請求書発行事業者の登録番号、Webサイトドメインなどを突合キーとして用います。全角と半角、法人格の表記（株式会社／(株)）、旧字体を事前に正規化しておくことで一致率が高まります。
- 監査可能性の高さ
どのキーで一致したかがログに残るため、統合結果に疑義が生じた際に原因を追跡できます。内部統制やデータガバナンスの観点から、この説明可能性を重視する企業は少なくないと言われています。
- 識別子の欠損と粒度の限界
Webフォームや展示会リストなど、識別子を持たないデータには適用できません。加えて法人番号は法人単位で指定されるため、支店や営業所単位の名寄せには、この番号だけでは対応できない点に留意が必要です。
B2B顧客データ管理における「確率的マッチングアプローチ」
一般的に「確率的マッチング」とは、複数の属性の類似度を統計的な手法や機械学習によってスコア化し、同一の実体である確からしさを評価する手法を指します。「ブロッキング」と呼ばれる絞り込みで比較対象を限定し、候補ごとに類似度スコアを付与した上で閾値を設定し、一定以上を自動統合、その下の帯域を人手による確認の対象とする運用が一般的です。こちらも留意点を３つ挙げます。
- 表記ゆれと旧情報への耐性
「〇〇工業株式会社」と「〇〇工業(株)」、旧社名と現社名のように、文字列としては一致しない組み合わせでも同一と判定できる可能性があります。B2Bでは合併や社名変更が継続的に発生するため、こうした旧情報への耐性が価値に繋がります。
- 閾値設計と誤統合のリスク
スコアはあくまで確率であり、絶対確実ではありません。閾値を下げすぎると別会社を1件にまとめる「過剰統合」が発生し、上げすぎると重複が残ります。A社とB社、B社とC社が一致と判定された結果、A社とC社まで同じ集合に含まれる連鎖的な統合にも注意が必要です。
- 決定論的手法との併用
近年は、識別子が揃うレコードを決定論的に処理し、残りを確率的に処理する併用が実務的な解として整理されつつあります。統合に寄与した属性を記録し、後から解除できる可逆的な設計にしておくことが推奨されます。
AI活用時代において重要となる第3のロジック「サバイバーシップルール」
ここまでの2つは、いずれも「どのレコードが同一か」を判定する考え方です。同一と判定されたレコード群から1件の統合レコードを組み立てる段階には、別のロジックが必要になります。それが「サバイバーシップルール」です。
「サバイバーシップ（survivorship）」とは、重複と判定された複数のレコードの中から、どの値を最終的に残すかを決める規則を指します。マッチング精度をいくら高めても、この規則が曖昧なままでは、古い住所や退職済みの担当者名が正の値として採用される可能性があります。実装では、以下のルールが組み合わせて用いられています。
- ソース優先（信頼できるシステムの指定）
項目ごとに、どのシステムの値を優先するかを定義します。請求先住所はERP、商談履歴はSFAといった形で、その値を最も正確に保持しているシステムを指定する考え方です。
- 鮮度優先（最終更新日時の比較）
値が競合した場合に、より新しく更新された値を採用します。部署や役職のように変化が速い項目と相性が良い一方で、更新日時が正しさを保証するわけではない点には注意が必要です。
- 充足度優先（欠損の少ない値の採用）
空欄や既定値ではなく、実際に値が入力されている方を残します。単純ながら効果が出やすく、他のルールで判定できない場合のフォールバックとしても用いられます。
- 検証済み優先（外部の事実データとの照合）
公的な法人情報や外部の企業データベースと照合し、検証に成功した値を優先します。社内の情報だけでは正誤を決めきれない項目に、外部の事実を持ち込む考え方です。
- 信頼度スコアによる自動判定
ソースと項目の組み合わせごとに初期スコアを与え、経過時間に応じて減衰させ、検証に違反した値のスコアを下げた上で最も高い値を採用します。ルールが増えても運用が破綻しにくい方式だと言われています。
重要なのは、レコード単位ではなく「属性単位」で判断するという点です。「基幹システムのレコードを丸ごと正とする」とする設計はわかりやすい一方で、「担当者情報だけは別システムの方が新しい」といった実態と乖離しやすくなります。実装は以下のプロセスを経ることが有効とされています。
- 観測（項目別・ソース別の品質測定）
どの項目を、どのシステムが、どの程度の充足率と鮮度で保持しているかを実データで測定します。ここを飛ばすと、ルールが思い込みに基づくものになりがちです。
- 設計（属性単位のルール定義）
項目ごとに優先順位、鮮度の減衰条件、検証条件を定義し、どのルールでも決着しない場合のフォールバックも決めておきます。
- 評価（サンプル監査と指標化）
統合結果からサンプルを抽出し、誤統合率と採用値の正確性を確認します。閾値や重み付けは、この結果に基づいて調整します。
- 運用（例外処理と来歴の保持）
データスチュワードによるレビュー体制を整え、採用しなかった値と採用理由を来歴として保持します。統合を解除できる状態の維持が、後戻りのコストを下げます。
データを活用した「サバイバーシップルール」とは
「サバイバーシップルール」は、単なるデータ処理の設定項目ではなく、事業上の判断の前提を決める仕組みです。B2Bのマーケティングと営業においても、以下のような活用が期待できます。
- ターゲットアカウントの選定とTAM（Total Addressable Market）推計
ABM（アカウント・ベースド・マーケティング）では、従業員数、売上高、業種といった属性でターゲット企業を絞り込みます。これらをどのソースから採用するかで対象母数と優先順位が変わるため、属性単位のルールが、部門ごとに異なる母数で議論が進む状態の回避に繋がります。
- 重複配信と機会損失の抑制
同一企業に複数の担当者レコードが存在する場合、どの連絡先を主とするかの判断が必要になります。鮮度優先と検証済み優先を組み合わせることで、退職者宛の配信や、既存取引先への新規開拓アプローチを減らすことが可能です。
- 用途に応じた採用基準の切り替え
商号や本店所在地は、契約書や請求書の記載と一致している必要があります。この領域では鮮度よりも公的情報との一致を優先するなど、マーケティング用途とは異なる基準が求められます。
- AIエージェントが参照するデータ基盤の整備
生成AIやAIエージェントに社内データを参照させる取り組みが広がる中で、参照先となるマスターデータの信頼性が改めて問われています。Gartnerは、2030年までに50%の組織が、ガバナンスポリシーや技術標準を機械検証可能なデータ契約へと解釈するために自律型AIエージェントを利用するようになる、と予測しています ※2。どの値をなぜ採用したのかを機械が可読な形で残すことは、この流れへの備えとなります。
サバイバーシップルールにより、統合レコードの品質は「担当者の経験則」から「説明できる仕組み」へと移行します。ただし、ルールは社内に存在するデータから最も確からしい値を選ぶものであり、どのシステムにも正しい値がない場合には機能しません。そのため、鮮度と網羅性を備えた外部の企業データベースと組み合わせることで、より高い精度が期待できます。
おわりに
本記事のポイントを3点にまとめます。
①ゴールデンレコードとは重複レコードから項目ごとに最も確からしい値を選んだ1件の統合レコードのこと
②マッチング精度を高めても残す値を決める規則がなければ古い情報や誤った値が正として定着してしまう
③ソース優先・鮮度・検証済みの観点を属性単位で規則化し信頼度スコアで運用することが実践の鍵
です。
決定論的マッチングは、識別子が揃うデータに高い確実性をもたらす一方で、識別子を持たないデータには適用できません。
確率的マッチングは、表記ゆれや旧情報にも対応できる一方で、閾値設計と誤統合の管理が欠かせません。
サバイバーシップルールは、そのいずれを採用した場合にも必要となる、統合後の値を決めるための規則です。
3つを状況に応じて使い分け、組み合わせて運用することが、顧客データ管理の要となります。
弊社が提供する顧客データ統合ソリューション「ユーソナー」では、「LBC」という独自のコード体系により、社名の表記ゆれや旧社名を含むデータであっても、企業および事業所を一意に識別した状態で顧客情報を管理できます。独自に収集した企業データを活用頂くことで、社名変更や移転、統廃合といった変化を反映した鮮度の高い外部情報を継続的に取得することが可能であり、「検証済み優先」の判断基準としてご利用頂けます。加えて、統合したデータを機械学習に用いることで、自社とのマッチ度や優先度を付与することも可能です。
詳細についてはぜひこちらのページから、お気軽にお問い合わせください。
※1: 法人番号の指定対象、公表される基本3情報、利用範囲について（国税庁法人番号公表サイト「法人番号とは」）
https://www.houjin-bangou.nta.go.jp/setsumei/
※2: 参照URL（Gartner「Gartner Announces Top Predictions for Data and Analytics in 2026」2026年3月11日）
https://www.gartner.com/en/newsroom/press-releases/2026-03-11-gartner-announces-top-predictions-for-data-and-analytics-in-2026
