データ品質とは、データが利用目的に照らしてどれだけ役立つ状態にあるかを表すものです。データ品質モデルの代表的な規格がJIS X 25012（ISO/IEC 25012）で、品質特性を、データそのものの性質である固有のデータ品質と、データを扱うコンピュータシステムに依存するシステム依存のデータ品質の2つの視点で整理しています。

品質を数値で測るためのデータ品質測定量はJIS X 25024（ISO/IEC 25024）で定められています。またISO 8000シリーズはデータ品質（マスターデータの品質など）に関する国際規格群です。

品質を管理するには「測れる」ことが前提です。測定尺度を選ぶときには、シラバスに挙げられている次の観点で、その尺度に意味があるかを確認します。

例えば欠損率は「欠損件数 ÷ 全件数」で求めます。顧客2,000件のうちメールアドレスが空欄のものが150件なら、欠損率は 150 ÷ 2,000 ＝ 7.5% です。品質目標値（しきい値）を「5%以下」と定めていれば、基準未達として対応が必要になります。

運用段階では、品質ルールの検査を自動化し、継続的な監視を行います。シラバスでは監視対象の例として鮮度、件数、欠損率、スキーマ変更の検知が挙げられています。前日比で件数が急減した、想定外のカラムが追加された、更新が止まっている、といった変化を早期に捉えることで、下流の分析やAIへの影響を防ぎます。

データプロファイリングは、実データを統計的に調べて構造・内容・品質の実態を把握する作業です。定められたデータ品質基準やデータ定義と実データとの不整合を見つけ、原因と業務への影響を調査し、対応方針の合意形成につなげます（科目B 1-5）。データ活用の場面では、候補データの構造・内容・品質とメタデータの整備状況を評価して、利用目的に適したデータを選定します（科目B 1-6）。

プロファイリング結果からデータ品質アセスメントを行い、「どの品質特性が」「どの程度」基準を満たしていないかを整理します。例えば「性別」に男・女・M・F・1・2が混在していればコード値の不統一（一貫性・標準適合性の問題）、受注日が出荷日より後になっていれば正確性の問題が疑われます。重要なのは、不整合を見つけたらすぐに修正するのではなく、原因（入力ルールか、連携処理か、定義のずれか）と業務への影響を確認してから対応方針を決めることです。

データクレンジングは、品質上の問題を修正してデータを使える状態にする作業です。シラバスでは目的と効果として、次の処理が挙げられています。

複数のデータを統合する場合は、対応付け・変換・統合・標準化を行います。代表例がコード・単位・日時の統一（千円と円、JSTとUTCなど）と、顧客・取引先の名寄せです。名寄せでは氏名・住所・電話番号などを正規化してから照合し、一致度に応じて自動統合・要確認・不一致に振り分け、要確認分は人が判断します。

非構造化データ（文書・画像など）でも、文字コードの統一、不要部分の除去、分割、メタデータの付与などの前処理が必要です。どの処理でも、加工前後のデータと処理内容をデータリネージとして追跡できる状態にしておくことが科目B 1-6で求められています。

データ品質は一度直して終わりではありません。データ品質マネジメントは、計画 → 制御 → 保証 → 改善を継続するプロセスです。

品質問題が起きたときは、切分け（どこで発生したか）→ 影響範囲の確認・暫定対応 → 根本原因の分析 → 恒久対策の順に進め、結果をデータ品質の報告として関係者に共有します。下流でクレンジングし続けるよりも、データ入力チェックやデータ品質ルールの定義及び適用といった発生源での予防措置のほうが効果的な場合が多くあります。

新しいデータ活用技術（AIなど）を導入する際は、科目B 1-8のとおり、技術動向・適用条件・制約・リスクを調査し、PoCで検証します。PoCでは検証目的・仮説・成功基準を先に決め、対象データ・方法・範囲・スケジュールを具体化し、データ利用・セキュリティ・法令対応などの条件を調整します。結果は導入条件・課題・リスク・費用対効果として整理し、事業・業務の責任者による本格導入の判断材料にします。