この章で学ぶこと

データを「どう管理するか（データマネジメント）」「どう分析するか（データ分析・データ利活用）」、そしてAIを「どう使うか（AI利活用）」「どういう仕組みか（AI技術）」の4系統です。データマネジメント・AI利活用は2027年シラバスで新設・強化された分野、データ分析・AI技術は既存theory記事の蓄積が厚い分野という違いがあるため、両方をバランスよく扱います。

データマネジメント

企業がデータを経営資源として体系的に管理する考え方がデータマネジメントです。データが作られてから捨てられるまでを一連の流れとして捉えるデータライフサイクル（生成→保管→処理→活用→廃棄）が骨格で、各段階でデータの正確性を保つデータ品質管理、データの意味や出所を記録するメタデータ管理が付随します。組織全体でデータ活用のルールを統制するデータガバナンス、データに基づいて意思決定するデータドリブン経営という姿勢もあわせて押さえます。

扱う用語（精選後・6語）

• 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
• データライフサイクル（生成，保管，処理，活用，廃棄）
• データ品質管理
• メタデータ管理

データ分析・データ利活用

データを蓄積する基盤として、あらゆる形式のデータをそのまま貯めるデータレイク、整理・統合して分析用に貯めるデータウェアハウス（DWH）、特定部門向けに絞ったデータマートの3段階を区別します。データの種類は、表形式に整理された構造化データと、文章・画像などの非構造化データ、量が膨大なビッグデータ、誰でも使えるオープンデータで整理します。

分析手法としては、大量データから規則性を見つけるデータマイニング、文章データを分析するテキストマイニング、データの「真ん中」を示す代表値（平均値・中央値・最頻値）、バラツキを示す標準偏差・分散が基本です。2変数の関係を予測する回帰分析と関係の強さを見る相関分析、母集団の一部から全体を推測する標本抽出（サンプリング）もセットで扱います。品質管理の定番手法として、重要度順に並べるABC分析（パレート図）、原因を洗い出す特性要因図、2変数の関係を点で示す散布図があり、この3つは「QC七つ道具」として一緒に出題されやすい組み合わせです。

扱う用語（精選後・20語）

• データレイク／データウェアハウス（DWH）／データマート
• 構造化データ／非構造化データ／ビッグデータ／オープンデータ
• データマイニング／テキストマイニング
• 代表値（平均値，中央値，最頻値）
• 標準偏差／分散
• 回帰分析／相関分析
• 標本抽出（サンプリング）
• ABC分析（パレート図）／特性要因図／散布図
• ヒストグラム
• 確率

深掘り: DWH・データマイニング・回帰分析とは？／平均値・標準偏差・確率・サンプリングとは？／ABC分析・特性要因図・散布図とは？／テキストマイニングとは？

AI利活用

「人間中心のAI社会原則」（公平性・説明責任・透明性など）を土台に、実務でのAI活用パターンを学習方式別に整理します。数値を予測する教師あり学習による予測（売上予測など）、似たものをグループ分けする教師なし学習によるグルーピング（顧客セグメンテーション）、試行錯誤で最適化する強化学習による支援（配車ルート最適化）の3パターンです。

文章・画像・音声を横断して扱うマルチモーダルAI、外部情報を検索して回答精度を上げるRAG（検索拡張生成）、AIへの指示の出し方を工夫するプロンプトエンジニアリング、人に代わって自律的にタスクを進めるAIエージェントは、生成AI活用の実務語として頻出です。

扱う用語（精選後・8語）

• 人間中心のAI社会原則
• 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／強化学習による支援
• マルチモーダルAI
• RAGによる知識連携
• プロンプトエンジニアリング
• AIエージェント

深掘り: プロンプトエンジニアリングとは？

AI技術

AIの学習方式は、正解データを与える教師あり学習、正解を与えず特徴を発見させる教師なし学習、試行錯誤で報酬を最大化する強化学習の3種類が基本です。人間の脳を模したニューラルネットワークを多層にしたものがディープラーニング（深層学習）で、その延長線上に文章を扱う大規模言語モデル（LLM）があります。LLMが外部の知識を検索して参照する仕組みが検索拡張生成（RAG）で、AI利活用の節と対応づけて理解すると定着しやすくなります。

扱う用語（精選後・7語）

• 教師あり学習／教師なし学習／強化学習
• ニューラルネットワーク
• ディープラーニング（深層学習）
• 大規模言語モデル（LLM）
• 検索拡張生成（RAG）

深掘り: 機械学習の3種類とは？／ディープラーニング基礎理論

AIで学ぶ

ここまでの用語は、ChatGPTやClaudeなどの生成AIに以下のプロンプトを投げかけると、比較表つきでさらに深く掘り下げて学習できます。コピーして使ってみましょう。

あなたはITパスポート試験の講師です。「データとAI」の範囲について、以下の用語を初学者向けに**関連づけながら**説明してください（単体の丸暗記より、用語同士のつながりを理解したほうが記憶に定着しやすく、試験本番で紛らわしい選択肢を見分ける力もつくためです）。用語同士の違いが分かる**比較表**を最後に付けてください。

【データマネジメント】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
【データ分析・データ利活用】データレイク／DWH／データマート、構造化／非構造化データ、データマイニング、代表値（平均値・中央値・最頻値）、標準偏差、回帰分析、ABC分析、特性要因図、散布図
【AI利活用】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、強化学習による支援、マルチモーダルAI、RAG、プロンプトエンジニアリング
【AI技術】教師あり／教師なし／強化学習、ニューラルネットワーク、ディープラーニング、LLM、RAG

このプロンプトは、役割設定（試験の講師として振る舞わせる）→関連づけの指示（用語を単に列挙させず、つながりで説明させる）→出力形式の指定（比較表で受け取る）という3段構成でできています。コピーして使うだけでなく、この組み立て方を覚えておくと、他の章や他の資格でも自分でプロンプトを作れるようになります。

章末チェック

最後に、この章で学んだ知識をアウトプットして定着させましょう。全問に答えたら「答え合わせ」を押してください。

この章のまとめ

この章では、データマネジメントの考え方、データウェアハウスや回帰分析といった分析手法、そして教師あり学習・ディープラーニングなどAIの技術と活用法を学びました。

最終章では、これまで扱ってきた情報資産をどう守るかというセキュリティと、生成AI時代に欠かせない情報倫理を学びます。→ 第8章 セキュリティと情報倫理