この記事の要点
- 【結論】 データ活用の停滞は「用語の非共通化」が主因である。経営・IT・事業部門で語が一致しないと、投資判断も現場運用もぶれる。
- 【重要ポイント1】 50語を「データ基盤」「分析手法」「BI・可視化」「データ組織・運用」の4カテゴリで整理した。
- 【重要ポイント2】 2026年時点で議論に上がる Lakehouse、dbt、Reverse ETL、LLMOps、Semantic Layer なども含む。
- 【重要ポイント3】 各用語に150-300字の解説と使用例を付け、経営会議・要件定義・ベンダー選定の場でそのまま使える表現に整えた。
- 【対象読者】 経営者、CDO/CIO、データ責任者、DX推進、事業部門リーダー、コンサル・SIerの提案担当。
目次
- データ・アナリティクス50語の全体像
- 【カテゴリA】データ基盤に関する15語とは何か
- 【カテゴリB】分析手法に関する15語とは何か
- 【カテゴリC】BI・可視化に関する10語とは何か
- 【カテゴリD】データ組織・運用に関する10語とは何か
- 用語をマスターするための学習法は何か
- 現場で使い分けるべき類義語の違いは何か
- FAQ（よくある質問）
- 参考文献・出典
データ・アナリティクス50語の全体像
| # | カテゴリ | 用語 | 一言定義 |
|---|---|---|---|
| 1 | 基盤 | DWH（データウェアハウス） | 分析用に統合・整理された構造化データストア |
| 2 | 基盤 | データレイク | 生データを大量に保管するストレージ |
| 3 | 基盤 | データレイクハウス | DWHとレイクの利点を統合した基盤 |
| 4 | 基盤 | データマート | 特定部門・目的向けの小規模DWH |
| 5 | 基盤 | ETL / ELT | データを抽出・変換・格納する処理 |
| 6 | 基盤 | Reverse ETL | DWHから業務システムへ書き戻す処理 |
| 7 | 基盤 | データパイプライン | データの流れ全体を指す仕組み |
| 8 | 基盤 | メタデータ | データの説明情報（データについてのデータ） |
| 9 | 基盤 | データカタログ | メタデータを検索・管理するツール |
| 10 | 基盤 | MDM（マスタデータ管理） | 顧客・商品等のマスタを一元管理 |
| 11 | 基盤 | CDP | 顧客データを統合するプラットフォーム |
| 12 | 基盤 | Semantic Layer | 業務定義を集約した論理レイヤー |
| 13 | 基盤 | dbt | データ変換を SQL とバージョン管理で行うツール |
| 14 | 基盤 | Snowflake / BigQuery | 代表的なクラウドDWHサービス |
| 15 | 基盤 | Databricks | レイクハウス基盤の代表製品 |
| 16 | 分析 | 記述的分析 | 過去に何が起きたかを可視化 |
| 17 | 分析 | 診断的分析 | なぜ起きたかを解明 |
| 18 | 分析 | 予測的分析 | 何が起きそうかを予測 |
| 19 | 分析 | 処方的分析 | 何をすべきかを提示 |
| 20 | 分析 | 探索的データ分析（EDA） | 仮説形成のためのデータ探索 |
| 21 | 分析 | 統計的仮説検定 | データで仮説を検証する統計手法 |
| 22 | 分析 | 回帰分析 | 変数間の関係をモデル化 |
| 23 | 分析 | クラスタリング | 類似データをグループ化 |
| 24 | 分析 | 因果推論 | 相関でなく因果を推定 |
| 25 | 分析 | A/Bテスト | 施策効果を実験で検証 |
| 26 | 分析 | 機械学習 | データから規則を学ぶアルゴリズム |
| 27 | 分析 | 時系列分析 | 時間で変化するデータの分析 |
| 28 | 分析 | RFM分析 | 顧客を最新性・頻度・金額で分類 |
| 29 | 分析 | コホート分析 | 属性別グループの行動比較 |
| 30 | 分析 | LTV分析 | 顧客生涯価値の算出 |
| 31 | BI | BI（ビジネスインテリジェンス） | 業務判断のためのデータ活用 |
| 32 | BI | ダッシュボード | 指標を可視化した画面 |
| 33 | BI | KPIツリー | KGIから分解したKPI階層 |
| 34 | BI | セルフサービスBI | 現場が自分で作るBI |
| 35 | BI | Tableau / Power BI | 代表的BIツール |
| 36 | BI | Looker | LookMLで定義するBI |
| 37 | BI | 埋め込みBI | 業務アプリ内にBIを埋める |
| 38 | BI | データストーリーテリング | 数字を物語で伝える技法 |
| 39 | BI | データビジュアライゼーション | 数字の視覚化 |
| 40 | BI | ダッシュボード疲れ | 見られない画面が量産される現象 |
| 41 | 組織・運用 | CDO | データ責任者（最高データ責任者） |
| 42 | 組織・運用 | データエンジニア | 基盤・パイプラインを作る職種 |
| 43 | 組織・運用 | データアナリスト | 分析で示唆を出す職種 |
| 44 | 組織・運用 | データサイエンティスト | 機械学習・高度分析を担う職種 |
| 45 | 組織・運用 | アナリティクスエンジニア | 分析用データモデルを作る職種 |
| 46 | 組織・運用 | データガバナンス | データの品質・統制の仕組み |
| 47 | 組織・運用 | データメッシュ | データを製品として分散管理する考え方 |
| 48 | 組織・運用 | データ品質管理 | 精度・完全性・一貫性の管理 |
| 49 | 組織・運用 | LLMOps | LLMの運用・監視の実務 |
| 50 | 組織・運用 | データドリブン経営 | データで意思決定する経営スタイル |
【カテゴリA】データ基盤に関する15語とは何か
結論： データ基盤は「DWH」「レイク」「レイクハウス」の3構造が競合しつつ収束しています。以下、実務で使う語を整理します。
1. DWH（データウェアハウス）
DWHとは、業務システムから抽出したデータを分析目的で統合・整理・保管する構造化データストアである。Inmon型（正規化）、Kimball型（スタースキーマ）が古典的な設計思想として存在する。現代ではSnowflake、BigQuery、Redshiftなどクラウド型が主流である。使用例：「まずDWHに全業務データを統合し、分析基盤の起点にします」。
2. データレイク
データレイクとは、構造化・半構造化・非構造化を問わず、生データをそのまま大量に保管するストレージを指す。AWS S3、Azure Data Lake Storageが代表例である。柔軟性が高い反面、無秩序化するとデータスワンプ（沼）と化す。使用例：「IoTセンサーデータはデータレイクに一次保管し、必要に応じて加工します」。
3. データレイクハウス
データレイクハウスとは、データレイクの柔軟性とDWHの分析性能を統合したアーキテクチャを指す。Databricks、Snowflake、Apache Icebergなどが対応する。Delta Lake、Apache Hudi、Icebergなどのオープンテーブル形式が中核技術となる。使用例：「新基盤はレイクハウス方式で構築し、Icebergで統一します」。
4. データマート
データマートとは、特定部門・特定分析目的向けに切り出された小規模DWHを指す。マーケ用、経理用、営業用など目的別に構築される。DWH配下に置く階層構造が一般的である。使用例：「営業ダッシュボード用に、DWHからマーケデータマートを派生させました」。
5. ETL / ELT
ETL（Extract-Transform-Load）は抽出→変換→格納、ELT（Extract-Load-Transform）は抽出→格納→変換の順序を指す。クラウドDWHの計算能力向上により、変換をDWH内で行うELTが主流となっている。使用例：「新基盤はELT方式で、dbtを使ってDWH内で変換処理を実装します」。
6. Reverse ETL
Reverse ETLとは、DWHで加工・分析したデータを、CRM・MA・広告プラットフォームなどの業務システムに書き戻す処理を指す。Hightouch、Censusなどのサービスが代表例である。データ活用の最後の1マイルを担う。使用例：「LTV上位顧客をReverse ETLでSalesforceに戻し、営業活動に活かします」。
7. データパイプライン
データパイプラインとは、データが生成源から蓄積先、分析基盤、業務適用までを流れる一連の仕組みを指す。オーケストレーションにはApache Airflow、dagsterなどが使われる。使用例：「データパイプラインの障害検知は、Airflow上でアラート監視しています」。
8. メタデータ
メタデータとは、データ自身の説明情報を指す。技術メタデータ（カラム名・型）、業務メタデータ（定義・所管）、運用メタデータ（更新頻度・鮮度）の3種がある。データ資産の管理には不可欠である。使用例：「全カラムにメタデータを付与し、データカタログで検索可能にします」。
9. データカタログ
データカタログとは、社内のデータ資産のメタデータを検索・管理するツールを指す。Alation、Collibra、DataHub、OpenMetadataなどが代表例である。使用例：「データカタログでデータの意味と所管を可視化し、部門横断利用を促進します」。
10. MDM（マスタデータ管理）
MDMとは、顧客・商品・組織などのマスタデータを一元管理する仕組みを指す。Informatica、Reltioなどが代表製品である。分散データの名寄せ・重複排除・正規化を担う。使用例：「顧客マスタをMDMで統合し、部門ごとの重複顧客IDを解消しました」。
11. CDP（Customer Data Platform）
CDPとは、複数チャネルの顧客データを統合し、マーケ活用可能な形で管理するプラットフォームを指す。Treasure Data、Segment、Salesforce Data Cloudなどが代表例である。使用例：「Web・アプリ・店舗の顧客行動をCDPで統合し、パーソナライズに活用します」。
12. Semantic Layer
Semantic Layerとは、業務ロジック・KPI定義を集約した論理レイヤーを指す。Cube.js、AtScale、Lookerのモデル層などが該当する。「売上」の定義を全社統一するために使われる。使用例：「Semantic Layerで売上定義を統一し、各BIツールが同じ数字を返すようにしました」。
13. dbt
dbtとは、SQLとバージョン管理でデータ変換処理を管理するオープンソースツールを指す。ELTのT（変換）部分を担い、テスト・ドキュメント自動生成・依存関係管理が可能である。使用例：「変換処理はdbtで実装し、GitHub上でレビュー可能にしました」。
14. Snowflake / BigQuery
Snowflake、BigQueryは代表的なクラウドDWHサービスである。ストレージとコンピュートの分離、従量課金、優れたスケーラビリティが特徴である。使用例：「Snowflakeをコア基盤に採用し、BigQueryは広告データ連携のみに使用します」。
15. Databricks
Databricksは、Apache Sparkを基盤としたレイクハウスサービスである。データ処理、機械学習、BI、生成AI活用まで統合的に扱える。使用例：「機械学習パイプラインはDatabricksで統一し、レイクハウス方式で運用します」。
【カテゴリB】分析手法に関する15語とは何か
結論： 分析手法は「記述→診断→予測→処方」の4段階で成熟度が上がります。以下、代表的な15語を整理します。
16. 記述的分析（Descriptive Analytics）
記述的分析とは、過去に何が起きたかをデータで可視化する分析を指す。売上推移、店舗別実績、顧客数変化などが該当する。使用例：「まず記述的分析で現状を把握し、その後の分析につなげます」。
17. 診断的分析（Diagnostic Analytics）
診断的分析とは、なぜその結果が起きたかを解明する分析を指す。ドリルダウン、相関分析、要因分解などを用いる。使用例：「売上低下の原因を診断的分析で分解し、来店数と客単価の両方が下がっていました」。
18. 予測的分析（Predictive Analytics）
予測的分析とは、将来何が起きるかをデータから推定する分析を指す。時系列予測、需要予測、離反予測などが代表例である。使用例：「予測的分析で3か月先の需要を推定し、在庫最適化に活かします」。
19. 処方的分析（Prescriptive Analytics）
処方的分析とは、目標達成のために何をすべきかを提示する分析を指す。最適化計算、意思決定支援、シミュレーションが含まれる。使用例：「処方的分析で、需要予測に基づく最適発注量を算出します」。
20. 探索的データ分析（EDA）
EDA（Exploratory Data Analysis）とは、仮説形成のためにデータを様々な角度から探索する分析手法を指す。統計量、可視化、相関マトリクスなどを駆使する。John Tukey が1970年代に提唱した。使用例：「新規事業の初期分析はEDAで仮説を洗い出します」。
21. 統計的仮説検定
統計的仮説検定とは、データを用いて仮説の妥当性を確率的に評価する統計手法を指す。t検定、カイ二乗検定、分散分析などが代表例である。使用例：「A/Bテストの効果検定にはt検定を用い、p値<0.05で有意と判定しました」。
22. 回帰分析
回帰分析とは、目的変数と説明変数の関係をモデル化する統計手法を指す。線形回帰、ロジスティック回帰、多変量回帰などがある。使用例：「価格が売上に与える影響を、回帰分析で定量化しました」。
23. クラスタリング
クラスタリングとは、類似する特徴を持つデータをグループ化する教師なし学習手法を指す。K-Means、階層クラスタリング、DBSCANなどが代表的である。使用例：「顧客をクラスタリングし、5セグメント別マーケ施策を設計しました」。
24. 因果推論
因果推論とは、相関ではなく真の因果関係を推定する分析手法を指す。RCT、差分の差分法（DiD）、傾向スコア分析、機械学習ベースの因果推論などがある。使用例：「広告投資の売上効果を因果推論で分離しました」。
25. A/Bテスト
A/Bテストとは、複数バリエーションを同時運用して効果を比較する実験手法を指す。Web施策、UI改善、価格戦略などで使われる。使用例：「LP改善のA/Bテストで、コンバージョン率が12%改善しました」。
26. 機械学習
機械学習とは、データからパターン・ルールを自動的に学習するアルゴリズムの総称を指す。教師あり・教師なし・強化学習に大別される。使用例：「離反予測モデルは、機械学習の勾配ブースティングで構築しました」。
27. 時系列分析
時系列分析とは、時間で変化するデータの特徴・予測を扱う分析手法を指す。ARIMA、Prophet、深層学習ベースの手法などがある。使用例：「月次売上の季節性を時系列分析で分解しました」。
28. RFM分析
RFM分析とは、顧客をRecency（最新購入）、Frequency（頻度）、Monetary（金額）の3軸で分類する古典的分析手法を指す。使用例：「RFM分析で優良顧客セグメントを特定し、リテンション施策の対象としました」。
29. コホート分析
コホート分析とは、共通属性を持つグループ（コホート）の行動を時系列で比較する分析手法を指す。継続率・LTVの分析で頻用される。使用例：「登録月別コホート分析で、6か月継続率が20%改善したことが確認できました」。
30. LTV分析
LTV（顧客生涯価値）分析とは、顧客が生涯を通じて企業にもたらす収益を定量化する分析手法を指す。マーケ投資判断、CS判断に用いる。使用例：「LTV分析でチャネル別ROIを比較し、投資配分を最適化しました」。
【カテゴリC】BI・可視化に関する10語とは何か
結論： BIは「作ること」ではなく「見られて意思決定に使われること」が目的です。
31. BI（ビジネスインテリジェンス）
BIとは、業務判断を支援するためのデータ収集・分析・可視化・共有の仕組み・活動の総称を指す。ダッシュボード、レポート、アドホック分析、セルフサービス分析を含む。使用例：「BIを経営会議の共通言語にする方針で標準化しました」。
32. ダッシュボード
ダッシュボードとは、経営・業務指標を1画面に集約・可視化した表示画面を指す。役員向け、事業部向け、現場向けで階層化する。使用例：「役員向けダッシュボードは月次KPI 8指標に絞りました」。
33. KPIツリー
KPIツリーとは、KGI（最上位目標）を分解して階層構造で示したKPI群を指す。売上→客数×客単価→…と分解する。使用例：「KPIツリーを可視化してから、ダッシュボード設計に着手します」。
34. セルフサービスBI
セルフサービスBIとは、IT部門を介さず現場ユーザーが自分でデータ探索・分析できる仕組みを指す。使用例：「セルフサービスBIを導入し、分析依頼の待ち行列を解消しました」。
35. Tableau / Power BI
Tableau（Salesforce）とPower BI（Microsoft）は代表的なBIツールである。可視化の柔軟性、価格、エコシステムで選定が分かれる。使用例：「Microsoft 365利用企業ではPower BIを、可視化重視ならTableauを推奨します」。
36. Looker
Lookerは、LookMLで論理モデルを定義するBIツールを指す。Semantic Layer統合、埋め込みBIの用途で強みを持つ。使用例：「LookMLで全社KPI定義を統一し、Lookerを社内配信基盤に採用しました」。
37. 埋め込みBI
埋め込みBIとは、業務アプリ・SaaS・自社プロダクトの中にBI機能を埋め込む方式を指す。使用例：「自社SaaSに埋め込みBIを組み込み、顧客に分析機能を提供しています」。
38. データストーリーテリング
データストーリーテリングとは、数字を単に見せるのではなく「物語」として文脈・示唆・行動提案を含めて伝える技法を指す。Cole Nussbaumer Knaflicが提唱した概念である。使用例：「役員報告は必ずデータストーリーテリング形式で構成します」。
39. データビジュアライゼーション
データビジュアライゼーションとは、数字を視覚化して直感的理解を助ける技法を指す。棒・線・散布・箱ひげなど、データ特性に合った表現を選ぶ。使用例：「時系列変化には線グラフ、構成比には積み上げ棒を使い分けます」。
40. ダッシュボード疲れ
ダッシュボード疲れとは、大量に作られた画面が誰にも見られず放置される現象を指す。「作れば見られる」という前提が崩れる問題を指摘した実務用語である。使用例：「ダッシュボード疲れを避けるため、四半期ごとに利用ログを確認して整理します」。
【カテゴリD】データ組織・運用に関する10語とは何か
結論： データ人材は職種の分化が進み、CDOを頂点とする役割設計が定着しつつあります。
41. CDO（Chief Data Officer）
CDOとは、企業のデータ戦略・データ活用・データガバナンスを統括する最高責任者を指す。日本ではCIO・CDXOと兼務するケースも多い。使用例：「CDO直下にデータ組織を集約し、各事業部にビジネスパートナーを配置しました」。
42. データエンジニア
データエンジニアとは、データ基盤・パイプライン・ETLを設計・構築・運用する職種を指す。SQL、Python、クラウド、分散処理などのスキルを要する。使用例：「データエンジニア3名で、新基盤の構築とパイプライン運用を担当します」。
43. データアナリスト
データアナリストとは、業務データを分析して事業示唆を導出する職種を指す。SQL、統計、業務理解が中核スキルとなる。使用例：「事業部にデータアナリストを配置し、意思決定の質を上げます」。
44. データサイエンティスト
データサイエンティストとは、機械学習・統計モデリング・高度分析を担う職種を指す。Python、機械学習、統計、業務理解が求められる。使用例：「需要予測モデル構築のため、データサイエンティストを1名専任で配置しました」。
45. アナリティクスエンジニア
アナリティクスエンジニアとは、DWH内で分析用データモデルを設計・実装する新しい職種を指す。dbtの普及とともに広まった役割である。使用例：「アナリティクスエンジニアがdbtでビジネスロジックを実装し、アナリストは分析に集中する体制にしました」。
46. データガバナンス
データガバナンスとは、データの品質・セキュリティ・プライバシー・利用ルールを統制する仕組みを指す。ポリシー、責任分界、標準、監査を含む。使用例：「データガバナンス委員会を設置し、四半期ごとにポリシーを見直します」。
47. データメッシュ
データメッシュとは、データを製品（Data Product）として捉え、各ドメインが所有・提供する分散型データ組織モデルを指す。Zhamak Dehghaniが提唱した概念である。使用例：「大企業向けにデータメッシュ方式を採用し、ドメイン別データ責任を明確化しました」。
48. データ品質管理
データ品質管理とは、精度・完全性・一貫性・鮮度・妥当性などのデータ品質を管理する活動を指す。Great Expectations、Monte Carloなどのツールが代表例である。使用例：「重要KPIのデータには自動品質チェックを組み込み、異常時にアラート通知します」。
49. LLMOps
LLMOpsとは、大規模言語モデル（LLM）を業務システムで運用・監視・改善する実務領域を指す。プロンプト管理、評価、コスト管理、ガードレールが含まれる。使用例：「生成AIアプリの本番運用には、LLMOps基盤を導入します」。
50. データドリブン経営
データドリブン経営とは、経営意思決定をデータに基づいて行う経営スタイルを指す。データ文化、データ基盤、データ人材の3要素が揃って初めて成立する。使用例：「データドリブン経営に移行するには、まず経営会議の議題にデータを義務付けます」。
用語をマスターするための学習法は何か
結論： 用語は「自社のデータ議論に置き換える」ことで初めて定着します。
- 自社のデータ課題に用語を割り当てる：例えば「マスタが分散している」なら MDM、「営業と経理で売上定義が違う」なら Semantic Layer と紐づける。
- RFP・提案書に用語を組み込む：ベンダー選定文書で使うと、共通言語として定着する。
- 社内勉強会でお互いに解説する：50語を分担し、5分ずつ講義形式で共有する。
- 他社事例に用語で注釈を付ける：MicrosoftのFabric、SnowflakeのCortexなど、最新事例に本用語集を適用する演習。
現場で使い分けるべき類義語の違いは何か
| 類義語 | 違い |
|---|---|
| DWH vs レイクハウス | DWHは構造化中心、レイクハウスは非構造化も統合 |
| ETL vs ELT | 変換をDWH外で行うか内で行うかの違い |
| BI vs 可視化 | BIは意思決定支援全体、可視化はその手法 |
| データマート vs Semantic Layer | 前者は物理レイヤー、後者は論理レイヤー |
| データアナリスト vs データサイエンティスト | 前者は業務分析中心、後者は高度モデル中心 |
FAQ（よくある質問）
Q1：DWHとデータレイクはどちらを先に作るべきですか？
A1：業務データの分析基盤化が急務ならDWHを先に、多様な生データ（IoT・ログ・画像）活用が主目的ならレイクを先に構築します。中長期的にはレイクハウスへ収束するケースが増えていますが、初期投資と現場の分析ニーズの緊急度で判断します。
Q2：BIツールは何を基準に選ぶべきですか？
A2：既存IT環境（Microsoft／Google／Salesforce系）、ユーザーのスキル、Semantic Layer統合の必要性、コスト、埋め込みBIの必要性の5軸で選定します。Microsoft 365環境ならPower BI、Google Workspace環境ならLooker、可視化の柔軟性重視ならTableauが標準的な選択です。
Q3：データエンジニアとアナリティクスエンジニアの違いは何ですか？
A3：データエンジニアは基盤・パイプライン（EL部分）を担い、アナリティクスエンジニアは分析用データモデル（T部分）を担います。dbtの普及で分業が明確化し、アナリスト・データサイエンティストが本来業務に集中できる体制が構築されつつあります。
Q4：データメッシュはどの企業規模から導入すべきですか？
A4：中央集約型データ組織のスケール限界が見えた段階（一般に売上1,000億円超、複数事業を持つ企業）が目安です。小規模企業では中央集約型のほうが効率的で、データメッシュは組織的コストが高くなります。
Q5：LLMOpsは何から始めるべきですか？
A5：プロンプトのバージョン管理、出力ログの記録、コスト監視の3点から始めます。次に評価データセットの整備とガードレール（有害出力ブロック）を追加します。既存のMLOps基盤を持つ企業は、それを拡張する形が現実的です。
参考文献・出典
- 経済産業省「デジタルスキル標準（DSS）」（2024年改訂版）https://www.meti.go.jp/policy/it_policy/jinzai/dss/
- IPA「DX白書」（2026年版）
- Gartner「Magic Quadrant for Analytics and Business Intelligence Platforms」（2025年）
- Snowflake「State of Data Engineering Report 2025」
- Databricks「Big Book of Data Engineering」
関連記事
- KPI設計の実践ガイド：KGIから逆算するツリー設計
- 生成AI活用の実践ガイド：業務適用の5ステップ
- Learning & Development用語集：企業内学習の最新40語
この記事を書いた著者
Ballista Inc. 編集部
監修：中川貴登（Ballista代表取締役）
コンサルティングファーム・IT企業のデータ基盤／分析組織構築支援の実務経験を元に執筆。
ConStepについて
ConStepは、AI時代の上流人材育成プラットフォームです。データドリブン経営とAI活用を支える上流人材（要件定義・KPI設計・分析設計）をDSS準拠体系で育成します。
個別相談のご案内：貴社のデータ活用体制構築について、個別相談（30分・無料）を承っています。個別相談予約
