データガバナンス（データガバナンス）
組織内データのアクセス権・品質・ライフサイクル・規制遵守を統括的に管理する仕組み。GDPR / CCPA / APPI 等の規制対応 + データレイク / DWH の品質保証が主目的。
概要
データガバナンス（Data Governance）は、組織内データのアクセス権・品質・ライフサイクル・規制遵守を統括的に管理する仕組みを指す。具体的には (1) データカタログ整備、(2) データ品質保証、(3) アクセス権限管理、(4) PII（個人情報）マスキング、(5) GDPR / CCPA / APPI 等の規制対応、(6) データ系譜（Data Lineage）追跡が含まれる。2026 年現在、Modern Data Stack の Snowflake / BigQuery / Databricks 等の DWH と組合せて運用される業界標準アプローチが確立、AI / LLM の訓練データ管理にも応用範囲が広がっている。
主要なツール（2026 年）
データカタログ
| 製品 | 形態 | 価格 | 特徴 |
|---|---|---|---|
| Atlan | SaaS | $79/月〜 | UI 美麗、開発者寄り |
| DataHub | OSS / Cloud | 無償 / Cloud 従量 | LinkedIn 由来、巨大コミュニティ |
| Collibra | エンタープライズ | 要見積 | 業界最大手、金融・製薬 |
| Alation | エンタープライズ | $39,000〜/年 | データインテリジェンス特化 |
| Microsoft Purview | クラウド | 従量 | Azure / Microsoft 365 統合 |
| Informatica IDMC | エンタープライズ | 要見積 | データ統合 + ガバナンス |
データ品質
| 製品 | 形態 | 用途 |
|---|---|---|
| dbt + dbt Tests | OSS / Cloud $100〜/月 | SQL ベースの品質テスト |
| Great Expectations | OSS | Python ベースの検証フレームワーク |
| Soda | OSS / Cloud | YAML 定義の品質テスト |
| Monte Carlo | エンタープライズ | データ可観測性、業界トップ |
| Bigeye | エンタープライズ | データ可観測性 |
| Anomalo | エンタープライズ | 異常検知特化 |
アクセス制御 / プライバシー
| 製品 | 形態 | 用途 |
|---|---|---|
| OneTrust | エンタープライズ | GDPR / CCPA 自動化 |
| Immuta | エンタープライズ | DWH アクセス制御 |
| Privacera | エンタープライズ | データプライバシー統合 |
| Snowflake Native Apps | クラウド | DWH 内権限制御 |
| Databricks Unity Catalog | クラウド | Lakehouse ガバナンス |
主要な業務領域
- データカタログ: 全データ資産の検索可能な目録、メタデータ管理
- データ系譜（Lineage）: 元データから変換結果までの追跡
- 品質監視: 異常値 / Null / 重複の自動検出
- アクセス権限: RBAC（Role-Based Access Control）/ ABAC（Attribute-Based）
- PII マスキング: 個人情報の動的 / 静的マスキング
- データライフサイクル: 保管期間、削除ポリシー、アーカイブ
- 規制対応: GDPR Right to Be Forgotten、CCPA Opt-out、APPI 同意取得
- メトリクス: データ利用率、品質スコア、コスト最適化
主要規制（2026 年）
| 規制 | 地域 | 主要要件 |
|---|---|---|
| GDPR | 欧州 EU | 同意取得 + 削除権 + ポータビリティ + 罰金 4% 売上 |
| CCPA / CPRA | 米国カリフォルニア | Opt-out 権 + データ販売制限 |
| APPI | 日本 | 同意 + 越境移転制限 |
| PIPL | 中国 | 国内データ保管義務 |
| LGPD | ブラジル | GDPR ベース |
| HIPAA | 米国医療 | 医療 PHI 保護 |
| PCI DSS | カード決済 | 決済データ暗号化 |
個人 / スタートアップでの実践
最小構成（月 ¥10,000-30,000）
データソース → Fivetran or Airbyte → Snowflake/BigQuery →
dbt（変換 + 品質テスト）→ DataHub OSS（カタログ）→ BI ツール
段階的拡大
- Stage 1: dbt + Great Expectations で品質テスト自動化
- Stage 2: DataHub OSS でデータカタログ + 系譜可視化
- Stage 3: Atlan or Monte Carlo に移行（規模拡大時）
- Stage 4: Immuta + OneTrust でエンタープライズ規制対応
主要な評価指標（KPI）
- データ品質スコア: NULL 率 / 重複率 / 鮮度（90%+ 目標）
- データカタログカバレッジ: 登録テーブル数 / 全テーブル数
- アクセス監査ログ完全性: 全クエリログ取得率
- インシデント MTTR: 異常検知から解決まで
- コンプライアンス遵守率: GDPR 削除要求対応 SLA
PC 自作 / 個人開発者との接点
- 学習用途: dbt Core + DataHub OSS + Postgres を Docker Compose で起動
- 副業 / SaaS: 個人 SaaS でも GDPR Cookie バナー + データ削除エンドポイントは必須
- 就職対策: データエンジニア / プラットフォームエンジニアの必須スキル
- 米国年収: Senior Data Governance Lead で $200k-$350k
関連用語との違い
| 用語 | 違い |
|---|---|
| データセキュリティ | 不正アクセス防止、ガバナンスはより広い |
| データマネジメント | 管理運用全般、ガバナンスはルール策定 |
| データクオリティ | 品質特化、ガバナンスの一部 |
| MLOps | ML モデル運用、データガバナンスは入力データ |
よくある質問
Q1: 個人開発で GDPR 対応は必要？ A: EU からのアクセスがあれば必須。最低限 (1) Cookie バナー、(2) プライバシーポリシー、(3) データ削除エンドポイント、(4) PII マスキング、を実装。GDPR 違反は売上 4% 罰金リスク。
Q2: dbt Tests と Great Expectations、どちらを選ぶ？ A: SQL ベースで完結するなら dbt Tests（Modern Data Stack 統合）。Python パイプライン or 複雑な検証は Great Expectations。両者併用も一般的。
Q3: スタートアップでデータガバナンス担当者は必要？ A: 100 人未満なら CTO / シニアエンジニアの兼務で OK。500 人超 + 規制業界（金融 / 医療）なら専任 Data Governance Lead 必須。
まとめ
- データの アクセス + 品質 + 規制遵守 を統括する仕組み
- 2026 年は dbt + DataHub + Atlan が Modern Data Stack の主軸
- 個人開発でも GDPR Cookie + 削除エンドポイント は必須