AIの精度はデータ量だけで決まらない：導入前に確認するデータ準備

1. 何を、いつ判断するためのデータかを決める

「顧客対応を予測したい」「AIで業務を効率化したい」だけでは、必要なデータも評価方法も決められません。予測や分類の対象、判断する時点、その結果を使う人を具体化します。

次に、記録項目の名前と実際の意味が一致しているかを現場担当者と照合します。同じ項目名でも部署や時期によって入力ルールが異なることがあります。予測したい結果を後から正しく確認できる記録があるか、判断時点より後にしか分からない情報を誤って使っていないかも確かめましょう。

2. 欠損や更新遅れを、業務の流れに沿って点検する

品質点検は、単に空欄や異常値を数える作業ではありません。誰が、どの業務の中で、いつ記録した値なのかを踏まえ、問題が分析結果や現場の判断にどう影響するかを確かめます。

• 欠損：入力漏れなのか、その条件では記録自体が発生しないのかを区別します。
• 重複：同じ出来事の二重登録か、更新履歴や分割処理による複数行なのかを調べます。
• 入力揺れ：表記、単位、コード、自由記述の違いが、実際には同じ意味を指していないか確認します。
• 更新遅延：データが業務判断に間に合うタイミングで利用できるか、反映の頻度を確認します。
• 意味の変化：制度、工程、入力画面、担当範囲の変更が、過去と現在の記録の比較可能性に影響していないか確認します。

たとえば工程変更の前後で同じ項目名が使われていても、測定方法や合格基準が変わっていれば値の意味は同じとは限りません。変更時期を記録と照らし合わせ、比較対象を期間で分ける、対象範囲を絞るなどの対応を検討します。データの件数だけで準備度を判断せず、記録の一貫性と更新の仕組みも見ましょう。

3. 記録に残らない例外と判断根拠を確かめる

業務記録は、実際の仕事をすべて説明しているとは限りません。標準手順から外れたときの対応、担当者が経験から加えた判断、記録する前に行われる確認などは、データに残らないことがあります。

データの作成・利用に関わる担当者に、通常の手順だけでなく「例外時には何をするか」「記録に残らない判断材料は何か」「どのケースは後から修正されるか」を尋ねます。記録の値と実際の対応をいくつか照合すると、モデルが学ぶものと業務が求める判断とのずれを見つけやすくなります。

例外を無理に一つの規則にまとめる必要はありません。頻度や影響を把握したうえで、対象から除外する、追加情報を記録する、人の確認に回すなど、業務上安全に扱える方法を検討します。

4. 利用目的・権限・外部サービスの条件を確認する

技術的に読み込めるデータでも、目的に照らして利用できるとは限りません。利用目的、保有部署、機密区分、アクセス権、契約上の条件を確認し、必要に応じて情報管理、法務、セキュリティなどの関係部署に相談します。権限や条件が確認できていないデータは、利用可能と決めつけず、確認事項として扱ってください。

外部サービスや委託先を利用する場合は、どの情報がどこへ送られるか、保存や再利用の扱い、アクセス制御、削除や更新の方法などを、実際に利用するサービスと契約条件に基づいて確認します。条件はサービスや契約によって異なるため、一律の前提で判断しないことが重要です。

5. 分析に進む前の準備チェック

次の項目を、担当者と確認状況が分かる形で書き出すと、分析へ進める条件と未解決事項を共有しやすくなります。

• 対象業務、判断する時点、結果を使う人が具体化されている。
• 各データ項目の意味、入力者、更新頻度、対象期間が分かっている。
• 欠損・重複・表記揺れ・遅延の状況と、業務上の理由を確認している。
• 制度や工程の変更、標準外のケース、記録にない判断を把握している。
• 利用目的、アクセス権、機密区分、外部サービスの条件を確認する担当が決まっている。
• 不足が見つかった場合に、追加収集・対象範囲の縮小・人による確認のどれを検討するか整理している。

不足があっても、必ずしも検討全体を止める必要はありません。まず対象業務や期間を絞って現状を把握する、必要な記録を追加する、別の業務指標で検証するなど、リスクと手間に応じた次の一歩を選べます。一方で、重要な判断の根拠や利用権限が不明な場合は、その点を解消するまで分析の結論を急がないようにしましょう。