開発の主役を、
現場の手に。

【内容】組織が推進するデータマネジメントの方針や規程を正しく理解し、実務担当者として日々の業務において適切に遵守・実践するために必要な、データマネジメントの基本的な知識を問う。データの管理主体者（DMO、データオーナーなど）が策定した運用ルールに従い、現場におけるデータ取扱いの正確な情報連携を行うために必要な、データガバナンスやデータライフサイクルに関する基本的な知識を問う。

• データマネジメントの目的と考え方：データドリブン経営、価値創出、データ資産、データマネジメント、データガバナンス、データライフサイクル、DIKWモデル、マスターデータ、トランザクションデータ、データスペース、SSOT（信頼できる唯一の情報源）／〔不備によって生じるリスク〕データの品質低下、未秩序なデータのサイロ化、コンプライアンス違反、意思決定の遅れ、意思決定の精度の低下、データスワンプ
• データマネジメントの機能：データマネジメント機能（マネジメント（行政）、ガバナンス（司法・立法）、アーキテクチャ など）、データモデリング、データ統合、データ品質管理、メタデータ管理、データセキュリティ
• データライフサイクルの機能：生成、保管、処理、活用、廃棄
• データガバナンスの活動内容：基本行動（評価、方針又は指示、監視）、データガバナンスルールの策定、責任と権限（アカウンタビリティ）、データ品質ルール、データセキュリティルール、エスカレーションルール（問題対処ルール）、データガバナンス実行（チェック、支援、指導）
• 運営体制及びステークホルダ：最高データ責任者（CDO）、データマネジメントオフィス（DMO）、データオーナー、データスチュワード、データエンジニア、データアーキテクト、組織構造（中央集権型、分散型、連邦型 など）
• データ品質管理：データ品質特性（正確性、完全性、一貫性、信憑性、機密性 など）、データ品質測定量、データ品質モデル、データクレンジングの目的と効果、測定尺度の意味（測定可能性、業務関連性、受容性、制御可能性 など）、データプロファイリング・アセスメント、データ品質マネジメント（計画・制御・保証・改善）、品質低下の予防措置
• メタデータ管理：ビジネスメタデータ／テクニカルメタデータ／オペレーショナルメタデータ、メタデータレジストリ、メタデータリポジトリ、データ辞書、ビジネス用語集（ビジネスグロッサリー）、データカタログ、データリネージ、メタデータ管理のプロセス、メタデータ品質・ガバナンス

本サイトのテーマ解説5テーマは、いずれもこの中分類の小分類に対応しています。新しく目に付くのは SSOT・データスペース・データスワンプ・データリネージで、これらは公開済みのサンプル問題には登場していない用語です。

【内容】データサイエンティストなどの高度なデータ分析を行う担当者からの要請や分析結果を正しく理解し、実務の観点から円滑に連携・協力するために必要な、データ基盤、データ分析に関する基本的な知識を問う。

• データ基盤の特徴：データ基盤の役割（蓄積・加工・分析・活用）、データレイク、データウェアハウス（DWH）、データマート、ELT/ETL、データ仮想化、データコネクタ、データファブリック
• データ分析・データ管理ツールの活用：BIツール、オントロジー、セマンティックレイヤー、セルフサービス分析、データブレンディング、データプレパレーション
• データの種類と特徴：調査データ、実験データ、行動ログ、稼働ログ、ソーシャルメディアデータ、GISデータ、量的／質的データ、1次／2次データ、構造化／非構造化データ、時系列データ、ビッグデータ、オープンデータ、パーソナルデータ、収集方法（クローリング、バッチ、ポーリング など）
• データの加工・分析：データ結合、標準化、アノテーション、スクレイピング、移動平均、データマイニング、テキストマイニング、リフト値、機械学習を用いたデータ分析、データドリブンマーケティング
• 統計的手法：確率（順列、組合せ、確率分布、正規分布）、代表値、標準偏差、分散、回帰分析、相関分析、相関と因果、推定、仮説検定、統計的バイアス（選択・情報・交絡）、認知バイアス（ハロー効果、確証バイアス など）
• 可視化：データストーリーテリング、ロジックツリー、コンセプトマップ、箱ひげ図、ヒートマップ、レーダーチャート、クロス集計表、シェープファイル
• 業務分析：線形計画法、需要予測、ヒストグラム、パレート図、散布図、ブレーンストーミング、クラスタ分析法、モデル化

データ基盤の側に データファブリック・セマンティックレイヤー・データプレパレーション といった比較的新しい語が入っている点が特徴です。

【内容】AIを適切に利活用するために必要な考え方が示された国や業界団体が定めた原則やガイドラインなどがあること、及びそれらの基本的な知識を問う。AIを価値創造や意思決定のための活動に効果的に活用するために必要な、AIの活用領域及び活用目的、AIの信頼性を保って利用する方法に関する基本的な知識を問う。

• AI利活用の原則及び指針：AI社会原則、AI-readyな社会、AI事業者ガイドライン
• 識別AI利活用：識別AIの利活用目的（仮説検証、知識発見、原因究明、判断支援、活動代替 など）、教師あり学習による予測、教師なし学習によるグルーピング、強化学習による意思決定の支援
• 生成AI利活用：マルチモーダルAI、ランダム性の制御、RAGによる知識連携、プロンプトエンジニアリング、システムプロンプト／〔活用例〕文章の添削・要約、アイディアの提案、論文の執筆、プログラミング、静止画・動画・音声の生成、情報収集、複数の生成AIを用いた検証
• AIエージェント利活用：AIエージェント、自律性と人間の関与（最終承認、例外処理 など）、ガードレール（安全性への配慮、倫理的配慮、法令順守 など）、ハーネスエンジニアリング

3つある重点分野のうち、本サイトのテーマ解説がまだカバーできていないのがこの中分類です。解説ページの追加を検討しています。

• 中分類17 データベース：データアーキテクチャ、データモデル、データフロー、サブジェクトエリアモデル／概念データモデル、論理データモデル、E-R図、UML
• 中分類24 情報セキュリティマネジメント：情報セキュリティの考え方（機密性、完全性、可用性 など）、情報セキュリティポリシーに基づくデータの管理、アクセス権の管理、情報資産（データ資産）の分類、リスクの評価、リスクコントロール
• 中分類27 情報倫理・AI倫理：データのねつ造・改ざん・盗用、ファクトチェック、エコーチェンバー、フィルターバブル、AIのリスク・脅威、ハルシネーション、出典元データの出処を確認することの必要性、AI倫理、AIガバナンス
• 中分類28 ビジネス関連法規：著作権法、不正競争防止法、営業秘密、限定提供データ
• 中分類29 プライバシー関連法規：匿名加工情報、情報漏えい対策、オプトイン、オプトアウト、データマスキング、秘匿化、匿名化、GDPR

いずれも「実務担当者として、データを安全・適正に取り扱うために必要な範囲」に絞られており、深い技術知識は求められていません。

• 1-1 データの定義及び内容の確認：データ項目の定義や生成元の把握、命名規則、区分系項目のコード体系・コード値、キー項目の粒度・範囲・発番ルール、データライフサイクル、データオーナーの把握、データ定義と実データの整合性確認
• 1-2 データ間の関係と整合性の確認：データ間の対応関係とキー項目の把握、データ構造の違い、コンテンツへのタグ・分類・付帯情報の付与、不整合の影響と原因調査、データ主管組織への意見提示
• 1-3 利用目的・アクセス範囲・機密レベル・ルール及び倫理に基づく適切な取扱い：利用条件（機密区分、第三者提供可否、AI学習可否 など）の把握、アクセス権限・利用制限の確認、関連法令／業界ガイドライン／契約条件／社内ルール、組織として管理された場所への保管、利用履歴・操作記録のセルフチェック、不要データのアーカイブ・廃棄手続
• 1-4 データ品質及びメタデータ整備状況の確認と問題発見時の対応：欠損値・重複値・異常値の確認、品質観点（正確性、完全性、一意性、最新性）の説明、影響範囲の整理、発生原因の調査、改善アイディアの提示（入力ルール見直し、コード体系統一、重複防止ルール追加 など）、データオーナー／データ主管組織／IT部門の責任範囲の把握
• 1-5 AI活用におけるデータ利用上の留意事項への対応：AIへのデータ入力（機密情報、個人に関する情報、契約上利用制限のある情報のプロンプト入力など）による情報漏えいの回避、著作権・知的財産権、プライバシー配慮、倫理的配慮、AI利用結果に伴う倫理違反への対応、問題発見時の報告・相談
• 1-6 非構造化データの特性を踏まえた取扱い：非構造化データ特有の課題（検索しづらい、再利用しづらい、重複保存しやすい など）、保管場所・保管方法・公開範囲の遵守、分類とタグ付け（業務名、顧客名、年月、用途 など）、命名ルール、版管理

公開済みの科目Bサンプル問題2問は、いずれもこの大項目1に対応します。問1（データオーナーシップと責任分担）は1-3・1-4、問2（ECサイトと実店舗の顧客データ統合）は1-2にあたります。

• 2-1 データ活用の目的に沿うデータの特定と選定：検証可能な問い・仮説の設定、必要な情報と分析観点の整理、データ候補のリストアップと精査、データソースとデータオーナーの特定、内部データ／外部データ（オープンデータ、有償データ、公開情報）の所在調査、代替データの検討、比較可能性（粒度の違いなど）の整理
• 2-2 ビジネス課題の解消や価値創出のためのデータ分析の実施：必要な品質のデータを用いた基本的な分析（集計、比較、傾向分析、可視化、セグメント分析 など）、分析における留意事項や問題が発生しやすいポイントの把握
• 2-3 データ分析結果に基づく洞察の導出、意思決定への反映：分析結果とビジネス課題の関連付け、要因・示唆・注意点の整理、関係者への説明、重要度・緊急度・期待効果による優先順位付け、AIによる分析結果の妥当性確認（利用データの範囲、対象期間、集計条件、分析前提、出力結果の整合性 など）
• 2-4 意思決定に基づく対応結果の検証と改善：実施後の実績・状況の確認、目標値・期待効果との比較、差異と要因の整理、業務上の変化の定量的・定性的整理
• 2-5 データ活用プロセスの改善及び得られた教訓の共有：活用目的・前提条件・意思決定過程・結果の記録、利用データ／分析条件／示唆／効果の整理、知見・反省点・改善事項の共有と伝達

• 3-1 データ活用の意義の理解及び普及活動への参画：データ活用が業務改善・意思決定・価値創出に与える効果と重要性の説明、成功事例・失敗事例から得た知見の共有、DX／データドリブン経営／データマネジメント／データガバナンスの関係性の説明
• 3-2 協働によってデータ活用を促進する環境の形成・定着：自組織・自担当領域のデータ活用への主体的関与、データに基づく議論への参加、知識・経験・学びの共有、各部門及び各立場の要望とデータ共有における制約（セキュリティ、作業負担など）の理解、組織横断のデータ共有・データ統合の取組への参加

知識ではなく「組織の中でどう振る舞うか」を問う項目です。ITパスポート試験に新設されたマインド・スタンスと同じ発想が、データマネジメント試験では科目Bの技能として組み込まれています。

• 4-1 データ活用技術及びデジタル技術（AIを含む）に関する各種動向の把握：国内外の適用事例・最新動向の情報収集、その技術で何が実現できるかの把握、自組織への適用可能性の整理、PoC対象ユースケースの検討
• 4-2 PoCの企画及び実施：社内IT環境の設定や試行的利用に必要な各種手続の調査とIT部門・データオーナーとの調整、解決したいビジネス課題と期待する効果の明確化、検証目的・仮説・検証条件（ゴールを含む）の設定、対象データの特定とスケジュール策定、検証の実施、検証結果・有効性・対策すべき課題・費用対効果の整理
• 4-3 PoCの実施結果の関係者への情報共有・提案：検証結果と知見の取組事例としての説明、導入の業務的適合性・期待効果・課題と対策・必要な体制／コスト／スケジュールの整理、上長への判断材料の作成・提案