この記事の目次（9項目）
データ分析・AI利活用
データマネジメント試験（仮称）のシラバス案Ver.0.1には、大分類2「データ・AIの利活用」があります。ここに置かれているのが、中分類9 データ分析・データ利活用と中分類10 AI利活用です。どちらも中分類8 データマネジメントと並ぶ重点分野です。シラバス案は検討段階の資料で、IPAは内容を変更する可能性があるとしています。
本記事は、データマネジメント試験ナビ編集部が2026年10月29日時点の内容を整理したものです。当サイトはIPAとは関係のない民間の対策サイトです。
中分類9が求めるのは、高度な分析を担う担当者と円滑に連携できるだけの、データ基盤・データ分析の基本知識です。業務改善や日々の判断にデータを役立てる業務分析の知識も含みます。中分類10は、国や業界団体が定めたAIの原則・ガイドラインの基本知識を扱います。あわせて、自律性や人間の関与、ガードレールなどで信頼性を保ちながらAIを活用する知識も求めています。
どちらも、自分で高度なモデルを作ることより、業務で正しく使い、専門職と話が通じることに重心があります。BIツールの画面を毎週見ている人や、生成AIで議事録の要約を始めた人には、身近な話が多い分野です。
7つの小分類と主な用語を一覧にしました。中分類9が3つ、中分類10が4つです。
| 中分類 | 小分類 | 主な用語例（抜粋） |
|---|---|---|
| 9 | 1 データ基盤 | データレイク、DWH、データマート、ELT/ETL、BIツール |
| 9 | 2 データ分析・データ利活用 | 構造化／非構造化データ、テキストマイニング、回帰分析、相関と因果、バイアス、箱ひげ図 |
| 9 | 3 業務分析 | 需要予測、パレート図、散布図、クラスタ分析法 |
| 10 | 1 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 |
| 10 | 2 識別AI利活用 | 教師あり学習、教師なし学習、強化学習 |
| 10 | 3 生成AI利活用 | マルチモーダルAI、RAG、プロンプトエンジニアリング |
| 10 | 4 AIエージェント利活用 | 自律性と人間の関与、ガードレール、ハーネスエンジニアリング |
ここから先は、業務で出会う順に小分類を見ていきます。各見出しの中は、シラバス案での位置づけ、用語の意味、業務での場面、学習のポイントの順です。
データ基盤とは？
中分類9の小分類1には「データ基盤の特徴」と「データ分析・データ管理ツールの活用」の2項目があります。データ基盤の役割（蓄積・加工・分析・活用）と、それを支える仕組みやツールが並びます。
図のとおり、業務システムで発生したデータは、データレイク、DWH、データマートを経て、BIツールで可視化されます。その途中にETL／ELTの処理が置かれています。図は一般的な構成の例で、実際にどこまでを置くかは組織の目的と規模によって変わります。
図に出てくる仕組みを、一般的な定義で並べます。
| 用語 | 意味（一般的な定義） |
|---|---|
| データレイク | 形式を問わず、加工前のデータをそのまま大量に蓄積する場所 |
| DWH（データウェアハウス） | 分析しやすいよう複数システムのデータを統合・整理して蓄積する仕組み |
| データマート | DWHから部門や目的ごとに必要な部分を切り出したもの |
| ETL／ELT | 抽出・変換・格納の処理。変換してから格納するか、格納してから変換するかの違い |
| BIツール | データを集計・可視化し、ダッシュボードなどで共有するツール |
| セルフサービス分析 | 業務部門の利用者が自分でデータを取り出して分析すること |
月曜の朝、営業会議用のダッシュボードで今月の受注額を確かめる。その数字は、データマートからBIツールが集計したものです。経理の数字と合わないとき、元のDWHのどの表から来たかを知っていれば、原因を探す場所と相談する相手が分かります。
学習では、レイク・DWH・マートを「加工の度合い」と「使う人の範囲」で比べてみてください（当サイト案）。レイクは加工前で幅広く、マートは目的ごとに絞り込まれている。この対比で整理すると混同しにくくなります。
データ分析で問われるのは計算力？
小分類2は、中分類9で用語例が最も多い小分類です。項目は4つあります。「データの種類と特徴」「データの加工・分析」「データ分析における統計的手法」「図表やグラフによるデータの可視化」です。統計的手法には、代表値・分散・標準偏差、回帰分析、相関分析、推定、仮説検定などが並びます。統計的バイアス（選択・情報・交絡）や、ハロー効果・確証バイアスなどの認知バイアスも含まれます。
判断の誤りにつながりやすい用語を中心に、一般的な定義を表にしました。
| 用語 | 意味（一般的な定義） |
|---|---|
| 構造化／非構造化データ | 表の行と列に整理されたデータ／文章・画像・音声など決まった形のないデータ |
| 1次データ／2次データ | 目的のために自ら集めたデータ／他者が別の目的で集めたデータ |
| 代表値・分散・標準偏差 | データの中心（平均・中央値など）と、ばらつきの大きさを表す値 |
| 相関と因果 | 一緒に変動する関係と、一方が原因で他方が起きる関係。相関があっても因果とは限らない |
| 交絡バイアス | 結果に影響する別の要因（交絡因子）を考慮せず、誤った関係を読み取ること |
| 箱ひげ図 | 最小値・四分位数・中央値・最大値でデータの分布を示す図 |
夏になると、アイスの売上と熱中症の搬送数がそろって増える。ここで「アイスが熱中症を招く」と読むのは誤りです。両方に気温が影響しているだけかもしれません。これが交絡の典型例です。
社内の数字でも同じことが起きます。キャンペーンを打った月に売上が伸びても、同じ月に繁忙期が重なっていれば、キャンペーンの効果だとは言い切れません。報告の前に、ほかの要因がないかを一度疑う。分析結果を意思決定に使う側には、この姿勢が欠かせません。
では、計算問題への備えはどうでしょうか。どの程度の計算が問われるかは、2026年10月29日時点で公表されていません。当サイト案としては、計算手順より先に、相関と因果やバイアスといった「読み違いを防ぐ考え方」を固める順番をすすめます。
業務分析ではどの図を使う？
小分類3は「業務分析・業務計画」の項目です。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、モデル化が並びます。
パレート図は、件数の多い順に並べた棒グラフと累積比率の折れ線を組み合わせ、影響の大きい項目を見つける図です。線形計画法は、制約条件の範囲で利益などを最大に、費用なら最小にする組合せを求める手法です。散布図は2つの量の関係を点で示す図。クラスタ分析法は、似たもの同士をグループに分けるときに使います。
コールセンターの問い合わせ理由をパレート図にすると、上位の数項目で大半を占めているかどうかが一目で分かります。どこから手を打つかを、一枚の図で関係者と共有できます。
学習では「どの課題に、どの図・手法を使うか」の対応で覚えましょう。原因の偏りを見たいならパレート図、2つの量の関係なら散布図、将来の量を見積もるなら需要予測、という具合です。
AIを使うときの原則とは？
中分類10の小分類1は「人間中心のAI社会原則」の項目です。AI社会原則、AI-readyな社会、AI事業者ガイドラインが挙がっています。AIを業務に入れる前に、どんな考え方を土台にするかを扱う小分類です。
人間中心のAI社会原則は、2019年3月に統合イノベーション戦略推進会議が決定したものです。示されている7原則は次のとおりです。人間中心、教育・リテラシー、プライバシー確保、セキュリティ確保、公正競争確保、公平性・説明責任及び透明性、イノベーション。AI-Readyな社会は、AIの便益を最大限に生かせるよう、人や社会システムなどが変革された社会を指します。
AI事業者ガイドラインは、総務省と経済産業省が取りまとめたものです。2026年3月31日に第1.2版が公表されました。対象はAI開発者・AI提供者・AI利用者の3つに分かれます。共通の指針には、人間中心、安全性、公平性、プライバシー保護、セキュリティ確保、透明性、アカウンタビリティなどが並びます。
生成AIに会議の議事録を要約させる場面を考えます。社外秘の資料を入力してよいか。要約の誤りを誰が確かめるか。こうした判断の拠り所になるのが、これらの原則と指針です。
業務でAIを使う立場は、ガイドラインの区分では「AI利用者」に当たります。分量の多い資料なので、まず主体の区分と共通の指針の項目を押さえ、利用者に関わる部分から読むと効率的です（当サイト案）。
識別AI・生成AI・AIエージェントは何が違う？
中分類10の小分類2は識別AI、小分類3は生成AI、小分類4はAIエージェントの活用領域・目的を扱います。識別AIの目的には、仮説検証、知識発見、原因究明、判断支援、活動代替などが挙がっています。生成AIの活用例は、文章の添削・要約やアイディアの提案、プログラミング、画像・音声の生成などです。複数の生成AIを用いた検証も挙がっています。
図のとおり、シラバス案は識別AI・生成AI・AIエージェントの3種類を分けて扱います。その前提に置かれているのが、小分類1の原則及び指針です。識別AIには教師あり・教師なし・強化学習、生成AIにはマルチモーダルAI・RAG・プロンプトエンジニアリングが並びます。AIエージェントには、自律性と人間の関与・ガードレール・ハーネスエンジニアリングが並びます。
図に出てくる用語を、一般的な定義で確認します。
| 用語 | 意味（一般的な定義） |
|---|---|
| 教師あり学習 | 正解付きのデータから学習し、売上や不良などを予測・分類する手法 |
| 教師なし学習 | 正解のないデータから、似たもの同士のグループや構造を見つける手法 |
| 強化学習 | 試行と報酬を繰り返し、よりよい行動の選び方を学ぶ手法 |
| RAG | 社内文書などを検索して得た情報を生成AIに渡し、回答に反映させる仕組み |
| プロンプトエンジニアリング | 目的に合う出力を得るよう、指示文の書き方を工夫すること |
| AIエージェント | 目標に向けて環境を把握し、手順を組み立てて自律的に作業を進めるAIシステム |
| ガードレール | 安全性・倫理・法令順守の観点から、AIの入出力や行動に設ける制約 |
問い合わせ対応にAIエージェントを使う場面を考えます。返金のように影響の大きい処理は、人が最終承認する。想定外の質問は担当者に回す。シラバス案の「自律性と人間の関与」は、こうした最終承認や例外処理を指しています。社内規程を検索して答えさせるならRAG、指示文を工夫するならプロンプトエンジニアリングの出番です。
当サイトの整理では、3種類は大づかみにこう区別できます。識別AIは「見分ける・予測する」、生成AIは「作る」、AIエージェントは「目標に向けて自分で進める」です。それぞれの活用目的とリスク対策をセットで覚えると、事例の中で使い分けを考えやすくなります。
科目Bとはどうつながる？
シラバス案の科目B（技能）には、大項目2「データ活用による意思決定、検証と改善に関すること」があります。小項目には、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」などが並びます。
AIに関しては、大項目1に1-5「AI活用におけるデータ利用上の留意事項への対応」があります。大項目4の4-2「PoCの企画及び実施」も関係します。PoCは一般に、本格導入の前に小さく試して効果や課題を確かめる取り組みを指します。
相関と因果を見分ける力や、AIに人の関与を組み込む考え方は、こうした場面の前提になると当サイトは読んでいます。IPAの「見直しの検討状況」では、出題数を科目A 48問・科目B 12問、試験時間を合わせて120分としています。分野ごとの出題数の配分は、2026年10月29日時点で公表されていません。
よくある質問
統計の計算問題は出題範囲に含まれますか？
シラバス案Ver.0.1の中分類9には、確率、代表値、標準偏差、分散、回帰分析、相関分析、推定、仮説検定などが用語例として含まれています。どの程度の計算が問われるかは、2026年10月29日時点で公表されていません。
データレイクとデータウェアハウスの違いは何ですか？
一般に、データレイクは形式を問わず加工前のデータをそのまま大量に蓄積する場所です。データウェアハウス（DWH）は、分析しやすいよう複数システムのデータを統合・整理して蓄積する仕組みです。シラバス案ではどちらも中分類9のデータ基盤の用語例に挙がっています。
AI事業者ガイドラインは全部読む必要がありますか？
シラバス案の用語例に含まれていますが、分量が多い資料です。まずは対象となる主体の区分（AI開発者・AI提供者・AI利用者）と共通の指針の項目を押さえ、AI利用者に関する部分を重点的に読むのが現実的です。
生成AIとAIエージェントの違いは何ですか？
一般に、生成AIは指示に応じて文章や画像などを作り出すAIです。AIエージェントは、目標に向けて手順を組み立て、ツールの操作などを自律的に進めるAIシステムを指します。AIエージェントでは、人の承認や例外処理など人間の関与の設計が重要になります。
次の一歩：
中分類9・10は用語が多いので、表の用語を2段階で確かめるのが効率的です。1段階目は「意味が言える」、2段階目は「業務の例が挙げられる」。ダッシュボードの数字や、生成AIに頼んだ仕事を思い浮かべながら進めてください。
5分野のどこが弱いかを先に知りたい方は、登録不要の無料診断（20問・制限時間20分）が使えます。IPAの新しい発表を追いかけたい方は、無料会員に登録すると発表をメールで受け取れます。