楽水

人々の創造が自由に表現できる舞台づくり

DX データ

【DMBOKで学ぶ】データマネジメントの導入方法

投稿日:


皆様は、データドリブン経営という言葉を聞いたことがあるでしょうか。
データドリブン経営とは、稼ぐ力をもつ資産としてのデータを経営に活かすことで経営目的(パーパス)を実現する手法のことです。

マネジメントサイクルの各活動(計画、実行、検証、改善)で、データを利活用するわけですが、そのためには、データライフサイクルを管理してデータの安全性と品質を維持・向上させるデータマネジメントが重要です。
ここでは、データマネジメントについて次の観点で解説します。

なぜデータマネジメントが必要なのか

企業が持続可能であるためには、絶え間なく業務課題を発見、解決し、事業目標を実現する必要があります。
先行き不透明で予測困難な現代、経験と勘に頼るのではなく、信頼性の高いデータ(事実)をベースに科学的なアプローチによって適切な判断をすることが重要です。
また、企業の信用を維持するためには、個人情報の漏洩などの不正や過失を防止し続ける必要があります。
DMBOKでは、セキュリティや品質が確保されていないデータがもたらす事象として以下の例をあげています。

  • 誤請求
  • 顧客サービスコールの増加とそれを解決する能力の低下
  • 事業機会の逸失による収益損失
  • 合弁・買収の間に発生する業務統合の遅延
  • 不正行為発覚の増加
  • 不正なデータに起因する業務上の意思決定不備がもたらす損失
  • 良好な信用力の欠如による事業の損失

なので、データを保護し、その品質を確保してデータの資産価値を維持向上させるためのデータマネジメントがとても重要なのです。


データマネジメントとは何か

データマネジメント知識体系(DMBOK)では、データマネジメントを、

データという資産の価値を提供し、管理し、守り、高めるために、それらのライフサイクルを通して計画、方針、スケジュール、手順などを開発、実施、監督すること

と定義しています。
また、DMBOKでは、データマネジメントのゴールを次のように設定しています。

  • 自社や顧客、従業員、ビジネスパートナーを含むステークホルダーの情報ニーズを理解し、サポートする
  • データ資産を取得し、保管し、保護し、健全性を担保する
  • データの品質を担保する
  • ステークホルダーが保有するデータのプライバシーと機密性を確保する
  • 不正または不適切なデータへのアクセス、操作、使用を防止する
  • 企業が付加価値を創造するためにデータを効果的に利用できるようにする

なので、データマネジメントとは、データを

  • セキュリティ
    データの機密性、完全性、可用性が確保できているか
  • 品質
    データの正確性、完全性、一意性、一貫性、適時性など、データがどれだけ信頼できるか
  • 経済性
    データが、どれだけ経済価値を生み出せるか

という観点から評価し、それらを維持向上させる活動ということになります。
そして、データドリブン経営、および、データマネジメントが機能するかどうかは、データは価値を生み出す重要な資産であるという価値観が風土として組織にどの程度浸透しているかどうかによって決まるのです。

データマネジメントの導入方法

それでは、データマネジメントはどのように導入すればよいのでしょうか。
ここでは、データマネジメントを導入する手順を次のように考えます。

上図の設計、戦略、構築、運用フェーズの関係は、次の図のようになります。

つまり、

  • 設計は、ほぼ不変的なパーパス(目的)を目指す活動で、
  • 戦略、構築は、長期的なビジョンを目指す活動、
  • 運用は、短期的なゴール(目標)を管理する活動

です。
なので、活動の流れは、次のように分けて考えることができます。

  • データマネジメント導入プロセス
    データマネジメントの設計、戦略、構築の流れ。
  • データマネジメントプロセス
    データマネジメントの運用の流れ。

ここでは、設計フェーズと戦略フェーズに絞って、データマネジメントの骨格を次の観点で説明します。

データマネジメントの目的の定義

データマネジメントの目的は、データマネジメントの「基本方針」、「対策基準」、「実施手順」をデータマネジメントポリシーとして定義します。

  • 基本方針(Policy)
    組織における、データマネジメントに対する根本的な考え方を表すものであり、組織が、「なぜデータマネジメントが必要であるのか」や「どのような方針でデータマネジメントを考えるのか」といった、組織のデータマネジメントに対する取組み姿勢を示すものです。
  • 対策基準(Standard)
    実際にデータマネジメントを行う上での指針、指標、基準を記述します。
    多くの場合、対策基準には、基本方針を実現するために、どのような対策を行うのかという一般的な規定のみを記述します。
    対策基準は、データアーキテクチャ(What)、データガバナンス組織(Who)、データ基盤(Where)の観点で定義します。
  • 実施手順(Procedure)
    実施手順には、データマネジメントの対策基準を具体的な手順(データマネジメントプロセス:When・How)として記載します。

データマネジメントの基本方針(Policy)は、次の例のように、なぜデータマネジメントを行うのか、その思想的拠り所になるものです。
事業パーパスを実現するために以下の方針でデータマネジメントを行います。

  1. まず、データのセキュリティを確保して、事業パーパスの実現を阻害するリスクを下げる
    データセキュリティの指針と基準
  2. 次に、データの品質を高めて、信頼の高いデータを使って事実に基づいた判断ができるようにする
    データ品質の指針と基準
  3. その上で、資産としてのデータの価値を高めビジネスの持続性を上げる

そのために、

  • 事業パーパスの実現を阻害する可能性のあるデータを明らかにし、それをコントロールするための組織、システム、ビジネスプロセスを設計する
  • 事業パーパスを実現するために有効なデータを明らかにし、データの品質や経済価値を高めるための組織、システム、ビジネスプロセスを設計する

そして、対策基準には、次のように、より具体的な方針を宣言します。

  • 基準
    以下の指標と基準をもってデータの品質を評価します。
    正確性
    事実が正確にデータとして記録されていること。
  • 対策
    そのために、正確にデータを生成、取得できるシステムとビジネスプロセスを設計します。

データアーキテクチャの設計

データアーキテクチャは、データマネジメントの根幹となる青写真です。
データアーキテクチャをベースにデータマネジメントの実施手順が設計されるので、データアーキテクチャを作らずにデータマネジメントを行うことは、地図を持たずに航海するようなものです。
なお、データアーキテクチャの詳細については、データアーキテクチャの設計方法を参照ください。

データ基盤の設計

次に、データ基盤の設計について説明します。
全社データ基盤のイメージは次のようになります。

上図のデータ基盤の部分から次の設計が必要になります。

  • データ連携基盤の設計
  • マスター共有ハブの設計
  • 非正規化データセットの設計
  • 非構造化データの設計
  • データマートの設計
  • BIツールの導入
  • メタデータの設計
  • データ基盤構築計画の策定

データマネジメントジョブの設計

次に、データマネジメントジョブの設計について説明します。
データマネジメントジョブの設計では職務を設計しますが、データマネジメント組織は、データマネジメントのビジョンをどう実現するか考えた上で、ジョブに部門を割り当てて設計します。
部門は経営環境の変化に応じて変わりますが、ジョブは不変です。
さて、ここでは、データマネジメントを行う役割を、次の観点で分類します。

  • 利用と提供
    データを利活用して事業課題を解決する責務を持つデータ利用者と、データ利用者が効率的、効果的にデータを利活用できるようにする責務を持つデータ提供者を分けます。
  • 内部統制
    内部統制を働かせるために、データマネジメントを監督する側と、実行する側で職務を分掌します。
    DMBOKではデータが適切にマネジメントされるよう統治するデータガバナンス組織を次のように表しています。

    • 立法機能
      ポリシー、規定、エンタープライズデータアーキテクチャを定義する。
    • 司法機能
      課題管理と報告。
    • 行政機能
      データの保護とサービス、行政責任。
  • 管理範囲
    全社レベルのデータを管理する役割と、各社レベルのデータを管理する役割で分類します。
  • 意思決定
    最終的な意思決定を行う責任者と、職務を遂行する担当者で分類します。

さて、データマネジメントを行う重要な役割は次の3つです。

  • データスチュワード
    データの生成から強化までのライフサイクルを通して、データの品質、セキュリティ、有効性(経済価値)という観点からデータの資産価値を維持、向上させる役割。
    DMBOKでは、データスチュワードのタスクを次のように定義しています。

    • コアとなるメタデータの作成と管理
    • データに関するルールの文書化
    • データ品質の問題管理
    • データガバナンス運営
  • データアーキテクト
    データの計画段階で、データアーキテクチャを設計し、アプリケーションのデータ設計・実装結果を検証する役割。
  • データアナリスト
    データ資産を有効活用して事業の経済価値を上げる役割。
    データサイエンティストともいいます。
    データアナリストが行うデータ分析には次の3種類があります。

    • 記述的分析(Descriptive Analytics)
      過去に何が起こったかをデータから読み取り説明するための分析。
    • 予測的分析(Predictive Analytics)
      将来何が起こるかデータから読み取り予測するための分析。
    • 処方的分析(Prescriptive Analytics)
      データを分析してビジネス課題を解決する最適な処方を提示するための分析。

以上を踏まえて、ジョブを設計すると次のようになります。

なお、これらのジョブは、大本のジョブである情報管理の中のデータ管理を、さらに分掌した内容になります。

データマネジメントプロセスの設計

次に、データマネジメントプロセスの設計について説明します。
データマネジメントプロセスは次のように分類することができます。

これは、次の観点で分類されています。

  • 内部統制
    監督するプロセスと実行するプロセスで分類します。
  • マネジメントサイクル
    計画(Plan)、実施(Do)、検証(Check)、改善(Act)で分類します。
  • データライフサイクル
    データのライフサイクルに応じてプロセスを分類します。
    データのライフサイクルは次のようになります。
  • ※ここでは、データ保存・維持活動の一部にデータの破棄も含めています。

データが生成、収集、保管、管理されるという流れはデータのリネージュ(系統)としてデータカタログに記録されていきます。
代表的なデータマネジメントプロセスの詳細について見ていきましょう。

データ設計の検証


システム開発者は、システム開発時、データアーキテクチャを継承して各システムのデータモデルを設計します。
データアーキテクトは、データ品質やデータセキュリティの観点でデータモデルの内容を検証します。
データアーキテクトは、データモデルだけでなく、UIのバリデーション、データの変換ロジック(データの変換・蓄積の場合)、データのアクセスコントロールでデータ品質やセキュリティが担保されているか検証します。
データアーキテクトがデータアーキテクチャを更新し、データ管理実行者がビジネメタデータを更新することで、各システムのデータモデルとの整合性を担保します。
また、データガバナンス実行者は、データ設計の検証結果を監査し、問題なければビジネスメタデータのデータリネージュを更新します。

データ生成・収集の検証

システム開発をベースとしたデータマネジメント計画に対応した検証

システム開発でシステムテストが終了後、システム開発者は、物理データモデルの内容をテクニカルメタデータとして登録後、実データを生成、取得します。
※データカタログ管理ツールには、物理データモデルの内容をテクニカルメタデータに自動登録する機能があります。
各社データ管理実行者は、ユーザー受け入れテストの一貫として、データのセキュリティ検証やデータのプロファイリングを行い、問題があれば、それを解決し、必要に応じてデータの強化・改善を行います。

定期的なデータマネジメント計画に対応した検証

また、定期的に既存システムのデータ生成・収集に対するデータのセキュリティ検証、データのプロファイリングも行い、問題があれば、それを解決し、必要に応じてデータの強化・改善を行います。
データガバナンス実行者は、データ生成・収集の検証結果を監査し、問題なければビジネスメタデータのデータリネージュを更新します。

データ利用者のアクセスコントロール


データ利用者は、データカタログを参照し、必要なデータがある場合、ビジネスメタデータとして登録されているデータオーナー(各社データ管理責任者)に利用依頼の連絡をします。
データオーナーがデータのアクセスを許可する場合、システム開発者は、データ利用者が必要なデータにアクセスできるようにします。
データ利用者のアクセスコントロールには、担当者がデータを利用する場合だけでなく、システムがAPIなどを介してデータを利用する場合や、担当者がデータカタログを利用する場合も含まれます。

データマネジメントの監督

データマネジメントの監督は、次のように他のプロセスに含まれる監査部分になります。
監査したという事実は、ビジネスメタデータに記録され、データのリネージュとして反映されます。

さて、データマネジメントプロセスが明確になると、各ジョブで何をすべきかが明確になります。
そこで、業務フローのアクティビティをジョブ(職務)のタスク(課業)として定義します。
例えば、各社データ管理実行者の場合、次のようになります。

データマネジメントビジョンの設定

データマネジメントのビジョンには、具体的なデータマネジメントの目標と達成期限を定めます。
データマネジメントの最終目標は、事業目標の一環として設定します。
データマネジメントの目標は、データマネジメントのレベル×適用範囲(スコープ)でフェーズ分けして設定することができます。
まず、データマネジメントのレベルですが、主にデータマネジメントプロセスの成熟度とデータ利活用の成熟度を基準にすると、次のような例を考えることができます。

  • レベル1
    • データマネジメントプロセスの成熟度
      データマネジメントプロセスを導入する際の、出発点のレベル。
    • データ利活用の成熟度
      データを活用できていない状態。
  • レベル2
    • データマネジメントプロセスの成熟度
      管理された状態。
      データマネジメントポリシーおよびデータマネジメント戦略が存在し、反復してプロセスを実行できるレベル。
      データの品質維持向上およびデータ利活用ができるデータ基盤が整備されている。
    • データ利活用の成熟度
      データの品質を維持向上させながらデータを活用することができるレベル。
    • KPIの例
      データ基盤整備率
      データ品質目標達成率
  • レベル3
    • データマネジメントプロセスの成熟度
      定義された状態(制度化された状態)。
      プロセスが標準ビジネスプロセスとして明示的に定義され関係者の承認を受けているレベル。
    • データ利活用の成熟度
      データを活用して意思決定することができるレベル。
      データを活用して業務を改善することができる。
      主にデータの記述的分析((Descriptive Analytics)を行う。
    • KPIの例
      データを活用した業務改善実施数/年
  • レベル4
    • データマネジメントプロセスの成熟度
      定量的に管理された状態(制御できる状態)。
      プロセス管理が実施され、さまざまなタスク領域を定量的に制御しているレベル。
    • データ利活用の成熟度
      データを活用して業務と資源を最適化することができるレベル。
      データを活用して事業戦略(事業の方向性)を策定することができる。
      主にデータの予測的分析(Predictive Analytics)を行う。
    • KPIの例
      データを活用した業務改革実施数/年
  • レベル5
    • データマネジメントプロセスの成熟度
      最適化している状態(プロセスを定量的に改善する状態)。
      継続的に自らのプロセスを最適化し改善しているレベル。
    • データ利活用の成熟度
      データを活用してステークホルダーに対す価値を創出することができるレベル。
      データを活用して事業を変革・創出することができる。
      主にデータの処方的分析(Prescriptive Analytics)を行う。
    • KPIの例
      データを活用した事業変革・創出数/年

なお、データマネジメントプロセスの成熟度は、CMMI(Capability Maturity Model Integration:能力成熟度モデル統合) ベースに考えます。

次に、データマネジメントを適用する範囲ですが、次のような例を考えることができます。

  • ホールディングスにデータマネジメントを適用する
  • 主要事業にデータマネジメントを適用する
  • グループ全体にデータマネジメントを適用する

これらのデータマネジメントのレベル×スコープでフェーズを分けて目標を設定します。


データ戦略の策定

データ戦略では、データアーキテクチャに従って、既存のデータを統合、分割、追加、削除することで最適化します。
まず、会社内で☓☓データと呼ばれているデータカテゴリ(データタイプの分類)として洗い出します。

次に、データカテゴリを、データアーキテクチャの構成要素であるデータタイプにマッピングします。
最後に、次の観点でデータカテゴリを最適化します。

  • 複数のデータカテゴリが一つデータタイプにマッピングされる場合、ムダが生じているのでデータカテゴリを統合する
    統合するときは、データカテゴリのデータ項目が、データタイプのデータ項目に整合しているか確認します。
  • 一つのデータカテゴリが複数のデータタイプにマッピングされる場合、ムリが生じているのでデータカテゴリを分割する
    分割するときは、データカテゴリのデータ項目とデータタイプのデータ項目を対応させます。
  • 必要なデータタイプに対するデータカテゴリがない場合、データカテゴリを追加する
    データタイプのデータ項目から追加するデータカテゴリのデータ項目を導きます。
  • どのデータタイプにもマッピングされないデータカテゴリがある場合、データカテゴリの削除(廃止)を検討する


データマネジメント基盤の分類

ここでは、データ基盤を構成する要素の具体的な製品を設定します。

データマネジメント組織の設計

ジョブに部門を割り当てて、フェーズごとに体制を確立します。
データマネジメント組織の例

データマネジメントプランの策定

データマネジメントプランには、データマネジメントの導入プランと、データマネジメントの運用プランがあります。
データマネジメントの導入プランの場合、データマネジメントのビジョンの各フェーズごとのアクションプランになります。

データマネジメントの運用プランは、上記ビジネスプロセスの中のデータマネジメント計画になります。
動画でもご覧いただけます。

-DX, データ

執筆者:


  1. […] 前回、データマネジメントについて解説しましたが、データマネジメントを進める上で欠かせないのがデータアーキテクチャです。 今回は、データアーキテクチャについて次の観点で […]

  2. […] ここでは、データマネジメントプロセスの一環として、データ品質を管理するプロセスを次の順で解説します。 […]

  3. […] データマネジメントプロセスの「データマネジメント計画の策定」の一環として設計されます。 […]

  4. […] データマネジメント […]

関連記事

テクノロジーアーキテクチャ(TA)とは

エンタープライズアーキテクチャ(EA)とはという記事で、テクノロジーアーキテクチャ(Technology Architecture)とは、IT基盤の設計思想、および、基本構造を表すと書きました。 また …

仮説検証プロセスとは

先行き不透明で予測困難な時代、これまでうまくいった方法を前提に計画、実行、検証、改善というPDCAサイクルをまわしても、前提自体が間違っている場合、うまく機能しません。 このような時代、まず、実験して …

データサイエンスとは【わかりやすく解説】

5Gが普及すると、ますます、IoTなどにより発生するビッグデータを、AIを活用してビジネスに活かすことが当たり前になってきます。 データは21世紀の石油と言われています。 「稼ぐ力を持つ資産としてのデ …

【UPで学ぶ】システム開発プロセス

ここでは、統一ソフトウェア開発プロセス(UP:Unified Process)の3つの考え方 ユースケース駆動プロセス アーキテクチャ中心プロセス 反復的でインクリメンタルなプロセス を活かしたシステ …

【DMBOKで学ぶ】メタデータ管理

ここでは、データマネジメント知識体系(DMBOK)を参考にして、メタデータ管理(MDM)について以下の観点で解説します。 メタデータとは何か メタデータの種類 メタデータのアーキテクチャ メタデータ管 …