データ品質を測る6つの指標とは？正確性・完全性など6つの尺度と測定方法を徹底解説！

データ品質指標とは

データ品質指標とは、データが利用目的に対してどの程度適合しているかを、定量的に評価するための尺度を指します。データマネジメントの体系であるDMBOK(Data Management Body of Knowledge)では、データ品質を複数の「次元(ディメンション)」に分けて捉える考え方が示されており、各次元に対して測定ルールと目標値を設定することが推奨されています。

弊社ブログの「B2Bデータ活用に欠かせない「データ品質」の向上とは」では、データ品質を構成する要素として「正確性・完全性・一貫性・最新性・信頼性・可用性」の6つについて整理しています。

本記事ではこの考え方を踏まえつつ、実務において「数値として測定しやすい」という観点から6つの指標を選び、それぞれの測り方に焦点をしぼって解説します。

データ品質指標の主な特徴は、以下の通りです。

• 定量化による共通言語化
  「データが汚い」という感覚的な表現を、「重複率5%」「必須項目の欠損率12%」といった数値に置き換えることができます。数値化することで、営業・マーケティング・情報システムといった部門をまたいで同じ認識を持つことが可能になります。
• 目的に応じた基準設定
  データ品質には唯一の正解があるわけではありません。利用目的によって求められる水準が異なります。例えば、請求業務に用いる住所データと、ターゲティングに用いる業種データでは、許容できる誤りの範囲が異なると考えられます。
• 継続的な改善サイクルの起点
  指標を定期的に測定することで、クレンジングや名寄せの効果を検証し、次の改善施策につなげることができます。一度きりの整備で終わらせず、運用の中で品質を維持する仕組みの土台となります。

データ品質を測る6つの指標

データ品質を測る指標として一般的に用いられているのは、以下の6つです。それぞれの意味と代表的な測定方法をご紹介します。

• 正確性(Accuracy)
  データが現実の状態をどれだけ正しく反映しているかを示す指標です。例えば、登録されている本社所在地や資本金が実際の企業情報と一致しているかを、信頼できる外部データと突合して検証します。測定方法としては、サンプル抽出した件数に対する一致件数の割合を「正確率」として算出することが一般的です。
• 完全性(Completeness)
  必要な項目が欠けることなく入力されているかを示す指標です。業種、従業員規模、担当者の部署といった項目ごとに欠損率を算出し、活用に必要な項目が揃っている割合を把握します。欠損率は最も測定しやすい指標の一つであり、データ品質改善の最初の一歩として取り組みやすいと言われています。
• 一貫性(Consistency)
  同じ対象を表すデータが、複数のシステムや項目間で矛盾していないかを示す指標です。CRMとSFA、基幹システムで同じ企業の社名や住所が異なっている状態は一貫性が低いと判断されます。システム間で突合したときの不一致率を測定します。データが部門ごとに分断される「サイロ化」は一貫性を損なう代表的な要因であり、弊社ブログの「データのサイロ化を解消する3つのアプローチとは？」でも詳しく解説しています。
• 一意性(Uniqueness)
  同一の企業や担当者が重複して登録されていないかを示す指標です。「株式会社」の有無や全角・半角の違いなど、表記ゆれによって同じ企業が別レコードとして存在するケースが典型例です。全レコードに対する重複レコードの割合を「重複率」として測定します。重複を解消する作業である名寄せについては、「【DB会社が解説】名寄せとは？」で具体的な手法を紹介しています。
• 適時性(Timeliness)
  データが利用時点で十分に新しいかを示す指標です。企業データは、移転・社名変更・合併・担当者の異動などにより、時間の経過とともに劣化していくと言われています。最終更新日からの経過日数の分布や、一定期間内に更新されたレコードの割合を測定します。
• 妥当性(Validity)
  データが定められた形式やルールに沿っているかを示す指標です。電話番号の桁数、法人番号の13桁形式、業種コードが定義済みのコード体系に含まれているか、といったルール適合率を測定します。形式的なチェックであるため自動化しやすく、入力時点でのバリデーションと組み合わせることで予防的に品質を高めることが可能です。

データ品質を６つの指標で測定することのビジネス上のメリット

データ品質を6つの指標で測定することで、以下のようなビジネスメリットが得られると言われています。

• 営業・マーケティング活動のムダの削減
  重複率や適時性を把握することで、同一企業への重複アプローチや、既に存在しない部署への架電といった無駄な活動を減らすことができます。ガートナーの調査では、データ品質の低下によって企業に年間平均1,290万ドルの損失が発生すると言われており（前述の弊社ブログ記事より）、品質の可視化は収益に直結する取り組みと考えられます。
• 投資対効果の説明可能性
  データ整備には一定のコストがかかりますが、「重複率を8%から1%に下げた」「必須項目の欠損率を半減させた」という形で成果を数値で示せるため、経営層への説明や次期予算の獲得にもつなげることもできます。
• AI・分析活用の精度向上
  機械学習によるリードスコアリングや予測分析は、学習データの品質に大きく左右されます。指標を用いて品質を担保することで、分析結果への信頼性が高まります。AI活用とデータ品質の関係については、「AIを活用した企業活動の効率化には高いデータ品質が必要不可欠」で詳しく述べています。
• データガバナンスの実効性向上
  指標と目標値を設定することで、データの管理責任者が「何を守るべきか」を明確に把握できます。ルールが抽象的なまま形骸化しがちなデータガバナンスを、測定可能な運用へと転換することが可能です。

データ品質を測定する際の課題

データ品質を指標で見ていくことには多くのメリットがある一方で、測定を実務に定着させるにはいくつかの課題があります。

• 正解データの不在
  正確性を測るためには「現実の状態」を示す比較対象が必要ですが、社内には正解となるデータが存在しないことがほとんどです。この場合、信頼できる外部の企業情報データベースと突合することが、現実的な測定方法となります。
• 表記ゆれによる突合の難しさ
  一貫性や一意性を測るには、異なるシステム間のレコードを同一企業として紐付ける必要があります。しかし社名の表記ゆれや住所の書式差により、単純な文字列比較では突合できないケースが多く見られます。企業を一意に識別するキーの整備が前提となります。
• 整備工数の見積もりの甘さ
  測定によって問題が明らかになっても、改善に要する工数が想定を大きく上回ることがあります。弊社ブログの「整備に416日かかる場合も？基幹システムの刷新を阻むデータ整備の問題点とは？」で紹介しているように、データ整備はシステム刷新のスケジュールを左右する要因となり得ます。
• 測定の属人化・一過性
  担当者が手作業で集計している場合、担当者の異動とともに測定が途絶えてしまうことがあります。指標の定義と算出方法を文書化し、可能な限り自動化することが求められます。

データ品質を測定するプロセス

データ品質の測定は、以下のプロセスを経て実行することが効果的とされています。

• ステップ1：利用目的と対象データの特定
  どの業務で、どのデータを、どの水準で使いたいのかを整理します。営業リストのターゲティング、請求業務、経営ダッシュボードなど、目的によって重視すべき指標が異なります。
• ステップ2：指標と目標値の定義
  6つの指標の中から目的に合ったものを選び、算出ルールと目標値を決めます。例えば「主要顧客データの重複率1%以下」「業種コードの欠損率5%以下」のように、具体的な数値で定義します。
• ステップ3：現状の測定（データプロファイリング）
  現在のデータに対して指標を算出し、問題の所在を可視化します。外部の企業情報データベースとの突合により、正確性や適時性を客観的に評価することが可能です。
• ステップ4：改善施策の実行
  測定結果に基づき、クレンジング・名寄せ・欠損項目の補完などを実施します。具体的な進め方は「【2026年最新版】データクレンジングのやり方とは?」が参考になります。
• ステップ5：継続的なモニタリングと体制化
  改善後も定期的に指標を測定し、品質の劣化を早期に検知します。データの管理責任者を定め、指標をレビューする場を設けることで、測定を組織の習慣として定着させることができます。

おわりに

本記事のポイントを3点にまとめます。①データ品質指標とは、「正確性・完全性・一貫性・一意性・適時性・妥当性」の6つの尺度でデータの状態を数値化する考え方、②測定には正解データの不在や表記ゆれによる突合の難しさといった課題が伴う、③外部データとの突合と継続的なモニタリング体制により品質を維持できる、という点です。

データ品質を6つの指標で測定することは、データ整備を「感覚的な作業」から「成果を説明できる取り組み」へと変える第一歩です。その実現には、企業を一意に識別できるキー、比較対象となる信頼性の高い外部データ、そして測定を継続する運用体制が不可欠と考えられます。

弊社の顧客データ統合ソリューション「ユーソナー」は、日本最大級の企業情報データベースを搭載しており、自社の顧客データと突合することで正確性や適時性を客観的に評価し、改善することが可能です。「LBC」という独自のコード体系による顧客情報の管理に加え、表記ゆれを吸収する名寄せ機能により一意性・一貫性の向上を支援し、独自に収集した鮮度の高い企業データを継続的に取得できます。

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。