🔖 キーワード索引

本ページは データガバナンス（Data Governance）を多角的に解説します。 上のチップは、 検索・関連語の手がかりです。

📍 文脈 — どこで使う概念か

データガバナンス（Data Governance）は、 個別の技術ではなく 組織横断の枠組みです。 機械学習・BI・経営判断のすべての土台になります。 GDPR や個人情報保護法、 AI 規制（EU AI Act 等）の遵守、 内部統制（J-SOX）、 倫理委員会の運営など、 法務・コンプライアンス・技術の交差点で動く重要領域。

🎨 直感で掴む — 具体例で理解する

データガバナンスの 6 つの柱：

これらが揃って初めて「データを安心して活用できる組織」になります。 1 つ抜けると重大事故の引き金に。

📐 定義

データの品質・利用ルール・所有権を組織的に管理する仕組み

英語名 Data Governance、 カテゴリ：データエンジニアリング。

🔬 記号・要素の読み解き

🧮 数値例・実値計算

ガバナンス成熟度モデル（DAMA 基準で簡略化）：

多くの日本企業は レベル 1〜2。 レベル 3 以上に到達すると、 分析の信頼性が劇的に向上します。

🐍 Python 実装例

最小コードで動かしてみる例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

# データ品質チェックの例（great_expectations）
import great_expectations as ge

df = ge.read_csv('data/raw/SSDSE-B-2026.csv')

# 期待値を宣言的に定義
df.expect_column_values_to_not_be_null('都道府県名')
df.expect_column_values_to_be_between('高齢化率', 0, 100)
df.expect_column_values_to_be_of_type('年', 'int64')

result = df.validate()
print(result.success)  # True なら品質基準クリア

⚠️ よくある落とし穴

🌐 関連手法・派生

• データカタログ：Alation, Collibra, Atlan
• データ品質ツール：great_expectations, Soda, dbt tests
• データリネージ：OpenLineage, Marquez
• マスキング / 仮名化：個人情報の保護
• 差分プライバシー：統計的プライバシー保証
• Data Mesh：分散型ガバナンス思想

🔗 関連用語

🛡 プライバシー保護技術（PETs）

ガバナンスの遵守を技術的に裏付ける PETs（Privacy Enhancing Technologies）。 これらは「規約に書く」ではなく「技術で物理的に不可能にする」のがポイント：

どの技術も「銀の弾丸」ではないので、 リスクと運用コストを天秤にかけて選択。 例えば差分プライバシーは保証の強度（ε）と精度がトレードオフです。

✅ 年次監査チェックリスト（簡易版）

• □ データ分類規程は最新の法改正を反映しているか
• □ データオーナー一覧は人事異動後に更新されているか
• □ 全データ資産がカタログに登録されているか（年次 95% 以上）
• □ 主要マスタの品質スコアは目標値以上か
• □ アクセス権限は最小権限の原則に従っているか
• □ 個人情報の利用目的書面は本人開示できる状態か
• □ 越境移転がある場合、 PIPL／GDPR の同意・記録は整っているか
• □ 漏洩対応手順を直近 12 ヶ月以内に訓練したか
• □ Shadow IT（管理外データ保存）を四半期内に発見・整理したか
• □ AI 学習データの著作権・利用許諾は確認済みか
• □ 退職・異動者のアクセス無効化は SLA 内に実施されているか
• □ バックアップから漏洩経路がないか（テープ盗難・クラウド不正取得など）

📖 推薦書籍と読み筋

• DAMA-DMBOK V2（DAMA International, 2017）── 必読の体系書。 11 章立て
• Data Governance: How to Design, Deploy and Sustain an Effective Data Governance Program（John Ladley, 2019）── 実務的
• Data Mesh: Delivering Data-Driven Value at Scale（Zhamak Dehghani, 2022）── 分散型の最新動向
• 個人情報保護法ハンドブック（個人情報保護委員会）── 法令の公式解説、 無料 PDF
• NIST Privacy Framework 1.0── 米国側の標準、 英語だが平易
• OECD AI Principles── AI ガバナンスの国際的指針
• The DAMA Dictionary of Data Management── 用語集、 リファレンスに便利

🚨 漏洩・事故発生時の対応フロー

改正個人情報保護法（2022 年施行）により、 重大事故は個人情報保護委員会への 30 日以内の確報、 本人通知も義務です。 平時に手順を整備：

1. 0–1時間：検知 ── アラート受領、 一次切り分け、 影響範囲確認
2. 1–6時間：封じ込め ── 該当 API 停止、 アクセスキー無効化、 ログ保全
3. 6–24時間：報告 ── CDO・法務・経営に報告、 速報（個情委）
4. 1–7日：影響評価 ── 漏洩件数・属性の確定、 関係者通知の要否判定
5. 7–30日：本人通知＋確報 ── 個情委確報、 本人通知、 プレスリリース
6. 30日– ── 再発防止策、 教訓共有、 取締役会報告

⚠️ さらなる落とし穴

📈 ガバナンスの KPI 設計

「やってる感」で終わらせないために、 数字で進捗を見える化します。 経営会議で月次レビューする想定で、 最低限以下の 6 軸を測ります：

🛠 ツールエコシステム（2025年版）

🗺 実装ロードマップ（12ヶ月モデル）

📍 あなたが今見ているもの — 全体地図上の位置

データガバナンスは「データを扱う全活動の背骨」です。 収集 → 前処理 → 分析 → 公開、 という流れすべてに方針・責任・監査を通す枠組みです。

同レベルの並列概念は 情報セキュリティ（技術的に守る）、 データ倫理（規範的に正しい使い方）、 コンプライアンス（法令順守）の3つ。 ガバナンスはそれらを統合する経営マネジメント層の概念と捉えると整理できます。

👥 主要な役割と責任分担（RACI）

役割を明確化することがガバナンスの第一歩。 RACI 表で誰が何に対して責任を負うかを整理します：

R=Responsible（実行責任）、 A=Accountable（説明責任）、 C=Consulted（相談）、 I=Informed（連絡）。

📖 事例：金融機関の顧客データ統合

ある地銀がオンライン口座、 投信、 保険、 ローンの顧客データを統合する際、 「同一人物の名寄せ」が最大の課題でした。 名前のゆれ（漢字／カナ）、 住所変更、 旧姓、 結婚改姓を吸収する必要があったのです。

ガバナンス側のアクション：① マスタデータ管理（MDM）の方針策定、 ② 顧客 ID 体系の統一、 ③ 各サービスのデータオーナー任命、 ④ 個人情報の利用目的を再整理（明らかな利用目的範囲外への流用は法令違反）、 ⑤ 監査ログを 5 年保管。

結果として、 マーケティングの ROI が 3 倍向上、 重複請求のクレームが 90% 減、 行政検査での指摘ゼロ、という成果に。

📜 歴史的な変遷

• 1980 年代：DBA（DB 管理者）中心。 主にスキーマと性能管理
• 1990 年代：DWH 構築でメタデータ管理の重要性が認識される
• 2003 年：DAMA-DMBOK 初版。 体系化が進む
• 2005 年：日本：個人情報保護法施行
• 2010 年代：ビッグデータ／クラウド時代、 ガバナンスが経営課題化
• 2018 年：GDPR 施行、 罰金事例が次々に
• 2020 年代：データメッシュ、 ML/AI ガバナンス、 サブカルチャー化
• 2024 年〜：EU AI Act、 生成 AI のデータガバナンス（学習データ著作権）

📋 主要ガバナンス・フレームワーク

企業が参照する代表的なフレームワーク／標準を整理します。 業界・規模・地域で使い分けます。

⚖️ 主要法規制と要点

📐 データ品質指標（定量化）

「品質が高い」を測るための定量指標。 KPI として運用します：

$$ Q = \alpha_1 C + \alpha_2 A + \alpha_3 T + \alpha_4 U + \alpha_5 V $$

$C$=完全性 (Completeness)、 $A$=正確性 (Accuracy)、 $T$=適時性 (Timeliness)、 $U$=一意性 (Uniqueness)、 $V$=妥当性 (Validity)。 重み $\alpha_i$ はビジネス文脈で決定。

🐍 Python 実装（深掘り）

(1) 品質指標の自動計算（SSDSE データを例に）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)

# 完全性
completeness = 1 - df.isna().sum().sum() / df.size

# 一意性（都道府県×年でユニーク）
duplicates = df.duplicated(subset=['年度','都道府県']).sum()
uniqueness = 1 - duplicates / len(df)

# 妥当性（高齢化率は 0-100 範囲のはず）
valid = df['高齢化率'].between(0, 100).mean() if '高齢化率' in df.columns else 1.0

print({'完全性': completeness, '一意性': uniqueness, '妥当性': valid})

(2) データリネージの記録 ── どの加工が、 いつ、 誰によって行われたかの台帳。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

import json, datetime as dt

lineage = []

def record(step, src, dst, code):
    lineage.append({
        'ts': dt.datetime.now().isoformat(),
        'step': step,
        'src': src, 'dst': dst, 'code': code,
        'user': 'analyst_a'
    })

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
record('load', 'data/raw/SSDSE-B-2026.csv', 'df0', 'read_csv')

df['人口密度'] = df['人口総数'] / df.get('総面積', 1)
record('derive', 'df0', 'df1', 'col=人口密度')

df.to_csv('data/processed/ssdse_with_density.csv', index=False)
record('write', 'df1', 'data/processed/ssdse_with_density.csv', 'to_csv')

print(json.dumps(lineage, ensure_ascii=False, indent=2))

(3) アクセス制御（行レベル）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

def fetch_data(user_role: str, df: pd.DataFrame) -> pd.DataFrame:
    """役割に応じてマスキング・行制限を適用"""
    if user_role == 'admin':
        return df
    if user_role == 'analyst':
        # 個人IDのみ仮名化
        out = df.copy()
        if 'user_id' in out.columns:
            out['user_id'] = out['user_id'].astype(str).str[:4] + '****'
        return out
    if user_role == 'guest':
        # 集計済みデータのみ
        return df.groupby('都道府県').agg({'人口総数':'sum'}).reset_index()
    raise PermissionError(user_role)

❓ よくある質問

🔗 関連用語（前提・並列・発展）

役割で色分け：前提／並列／発展

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 データエンジニアリング — データ基盤の上位概念
• 📚 データリテラシー — 活用側の素養
• 📚 データ倫理 — 倫理的観点