データクレンジングとは？多店舗チェーンのGIS分析・売上予測に効くデータ整備の進め方

1-1. 定義と隣接概念の整理

「自社の顧客データをGISで地図に落としたら、2割近くが正しい位置に表示されなかった」「売上予測モデルを構築しようとしたが、学習データに欠損や外れ値が多く精度が出ない」――こうした声は、エリアマーケティングのデータ活用を推進する多店舗チェーン企業から、決して珍しくありません。

データクレンジングとは、分析・活用に耐えるレベルの品質にデータを整備するプロセスです。言葉自体は広く知られているにもかかわらず、「どのデータに、どの順番で、何を行えばよいのか」という実務レベルの理解が追いついていないケースが多く見受けられます。

本コラムでは、GIS（地理情報システム）による顧客・店舗データの可視化と、機械学習を用いた売上予測モデル構築という2つの具体的な文脈を軸に、多店舗チェーンの店舗開発・経営企画・販売促進・マーケティング担当者が押さえておくべきデータクレンジングの考え方と実践ステップを解説します。

データクレンジング（data cleansing）とは、データセットに含まれる誤り・欠損・重複・不整合などを発見・修正し、分析や業務活用に適した品質水準へと整備する一連の作業を指します。「データクリーニング（data cleaning）」と同義で用いられることも多く、文脈によってどちらの呼称も使われます。

隣接する概念として「名寄せ」があります。名寄せとは、同一人物・同一企業・同一店舗を指す複数レコードを正しく識別・統合する作業であり、データクレンジングの一形態として位置づけられます。個人の旧姓変更、住所変更、会員IDの重複発行などによって生じた「同一人物の分身」を一本化する処理がその典型です。

また、「ETL（Extract・Transform・Load）」や「データ前処理」という言葉との混同も見られます。ETLはデータの抽出・変換・格納という流れ全体を指すシステム的な概念であり、データクレンジングはその「Transform（変換・整備）」フェーズの一部として行われます。機械学習における「前処理」は、モデルに入力するための特徴量加工（正規化・エンコーディングなど）まで含む広い概念ですが、その出発点として必ずデータクレンジングが必要になります。

1-2. なぜ今、データクレンジングが経営課題になっているのか

DX推進の機運が高まるなかで、企業はGISによる商圏分析や機械学習による売上予測など、データを意思決定に直結させる取り組みを加速させています。しかしここで問題になるのが、「投入するデータの品質」です。コンピュータサイエンスの世界には「GIGO（Garbage In, Garbage Out）」という格言があります。どれほど高性能な分析ツールや予測モデルを使っても、入力されるデータが誤りだらけであれば、出力される結果も信頼に足りないものになる、という意味です。

多店舗チェーン企業においてデータ品質の問題が生じやすい背景には、以下のような構造的な要因があります。まず、店舗数の増加に伴い、データの入力担当者が全国の店舗スタッフにまで分散するため、入力ルールの徹底が難しくなります。また、POSシステム・会員システム・CRM・基幹システムといった複数のシステムが乱立し、それぞれが独自のデータ形式や項目定義を持つことで、横断的な分析を行おうとしたときに不整合が露見します。さらに、過去の合併・ブランド統合・業態転換によって、異なるルールで管理されてきたデータが一つのデータベースに混在しているケースも少なくありません。

2. チェーン企業のデータに潜む「5つの汚れ」

一般的なデータクレンジングの解説では「表記ゆれ・重複・欠損・外れ値」といった分類が紹介されます。ここでは多店舗チェーンの実務文脈に引きつけて、より具体的な形で整理します。

2-1. ① 表記ゆれ――同じ「渋谷区」が10種類の住所で登録されている

顧客住所の表記ゆれは、GISを活用した商圏分析において直接的な影響を及ぼします。GISでは住所を緯度・経度に変換する「ジオコーディング」という処理を行いますが、この変換は住所表記の正確性に大きく依存します。

具体的な表記ゆれのパターンとしては、都道府県名の省略（「東京都渋谷区」と「渋谷区」の混在）、丁目の表記（「三丁目」と「3丁目」）、番地の区切り文字（「1-2-3」と「1番2号3」）、マンション名・部屋番号の有無などが挙げられます。また、法人顧客が混在するデータでは株式会社の表記（「株式会社〇〇」「（株）〇〇」「㈱〇〇」）の不統一も問題になります。

このような表記ゆれが多いほど、ジオコーディングの「マッチ率」（住所から正確な座標を取得できる割合）が低下します。実務的にはマッチ率95%以上を一つの品質基準として設定し、それを下回る場合はクレンジング強化が必要と判断することが多いです。マッチ率が低ければ、顧客分布の地図が実態と異なる姿を映し出し、商圏の過小評価・過大評価につながりかねません。

2-2. ② 欠損値――住所不明の顧客データが商圏の「白地」を生む

顧客データベースにおいて住所フィールドが空白になっているレコードは、思いのほか多く存在します。会員登録時に住所入力を任意項目にしているケース、LINE連携や簡易アプリ登録など住所収集を行わない入口から流入した会員、あるいは過去の移行処理で住所が欠落したケースなどが典型例です。

GISで顧客マッピングを行う際、住所のない顧客はそもそも地図に表示されません。結果として、特定店舗の商圏範囲が実態よりも狭く見えたり、ある地域の顧客密度が低く見えたりする「偽の白地」が生まれます。これをそのまま商圏分析や出店判断に用いると、機会損失や誤った出店計画につながります。欠損率を把握し、欠損の原因（入口別・時期別）を分析することが、対策の第一歩となります。

2-3. ③ 重複レコード――同一顧客が別人として集計されるリスク

多店舗展開のチェーン企業では、同一の顧客が複数のIDで登録されているケースが頻繁に発生します。旧姓と新姓での再登録、引越し前後での別住所での再入会、店舗ごとの会員システムが統合されていない状態での重複など、その原因は多岐にわたります。

重複レコードを放置すると、顧客数が過大評価され、1人当たり購買金額や来店頻度が過小評価されます。売上予測モデルの構築においては、「顧客のリピート回数」や「会員ランク別売上」などの特徴量に誤りが混入することになり、モデルの精度を低下させます。また、同一顧客に重複してDMやクーポンを送付してしまう、実務上の問題も生じます。

2-4. ④ 外れ値・異常値――閉店・改装・災害直後データが予測モデルを汚染する

売上予測モデルを機械学習で構築する際、特に注意が必要なのが外れ値・異常値の扱いです。店舗の売上履歴データには、通常の営業状態を反映していないデータが混在することがあります。改装工事による一時閉店中の売上ゼロ、台風や大雪による臨時休業、開業直後のオープンセール期間、あるいは付近で大規模イベントが開催された日の特異的な高売上などが代表例です。

これらの異常値を除外せずに学習データとして用いると、モデルは「改装期間中の売上ゼロ」を通常パターンとして学習してしまい、予測精度が著しく低下します。一方で、すべての外れ値を機械的に除外すればよいわけでもなく、「地域の人口構成が特殊で売上が恒常的に低い店舗」や「競合退出後に売上が急増した店舗」など、残すべき特殊事例も存在します。外れ値の除外判断には、数値的な判断基準（後述）に加えて、事業知識に基づく経営的な判断が不可欠です。

2-5. ⑤ 項目定義のズレ――「売上」「客数」の定義が店舗・期間で違う

同じ「売上」というフィールド名でも、税込み・税抜きの違い、飲食チェーンにおける客単価の算出方法の違い（テイクアウト含む/含まない）、日計・週計・月次累計といった集計粒度の違いなど、定義が店舗や時期によって異なるケースがあります。

こうした項目定義のズレは、複数店舗のデータを横断的に集計・比較しようとしたときに初めて顕在化します。例えば、A店の売上データは税込み、B店は税抜きで記録されていたとすれば、両店を同じ分析軸に並べると、消費税率分だけ系統的な誤差が生じます。データを統合する前に、各項目の定義をドキュメント化し、統一基準を設けることが必要です。

3. GISで顧客・店舗データを可視化する前に整えるべきこと

GISを用いた商圏分析の精度は、投入するデータの品質に正比例します。MarketAnalyzer® 5のような商圏分析GISに自社の顧客・店舗データを取り込む前に、以下の点を整備しておくことが、分析の信頼性を高める上で重要です。

＼高度で複雑な分析も可能！再現性の高い店舗戦略を実現するGIS／

3-1. ジオコーディングの成功率はアドレスの品質で決まる

GISで顧客データを地図上にプロットするためには、住所情報を緯度・経度の座標値に変換する「ジオコーディング」という処理が必要です。ジオコーディングエンジンは住所の文字列を解析して座標を割り当てますが、住所の表記が不正確・不完全であるほど変換失敗率（アンマッチ率）が上昇します。

例えば、番地以降が省略された住所「東京都渋谷区道玄坂」は丁目レベルまでの大まかな座標しか取得できず、詳細な顧客分布の把握には不十分です。また、存在しない郵便番号や誤った市区町村名が含まれていると、ジオコーディング処理そのものが失敗します。こうしたレコードは地図上に表示されないため、顧客分布の地図が実態を正しく反映しないことになります。

実務的には、ジオコーディングを実行する前にまず試行変換を行い、マッチ率とエラーの内訳（市区町村エラー・番地エラー等）を確認することをお勧めします。エラーパターンに応じて優先的なクレンジング箇所を特定し、効率的に整備を進めることができます。

3-2. 顧客マッピングに必要な前処理チェックリスト

GIS投入前の住所データについて、以下の観点での確認と整備を推奨します。まず、住所フィールドの構造を確認します。「都道府県〜番地」が一つのフィールドに結合されているのか、都道府県・市区町村・番地に分割格納されているのかによって、クレンジングの方針が変わります。分割格納の場合は各フィールドの内容が正しいフィールドに入っているかも確認が必要です。

次に、郵便番号のフォーマット統一を行います。7桁数字ハイフンあり（例：150-0043）で統一されているか、全角数字が混在していないかを確認し、クレンジングします。郵便番号は住所の補完や修正に活用できるため、正確に保持することが重要です。また、丁目・番地・号の区切り文字（ハイフン・スペース・漢数字）の統一、全角英数字の半角変換なども必要な処理です。

3-3. GIS側の商圏データと自社データを「結合」するための整合条件

GISを用いた分析では、自社の顧客・店舗データと、GISが保有する商圏データ（人口統計・競合情報・c-japan®などのエリアセグメンテーションデータ）を組み合わせることで、より深い洞察を得られます。この組み合わせ（テーブル結合）を正しく行うためには、両者のデータが同じ「地理的単位」で管理されている必要があります。

例えば、商圏データが250mメッシュ（250m四方ごとの区画）単位で整備されている場合、自社の顧客データも250mメッシュコードで紐付けられていなければ、結合が正確に行えません。また、行政区コード（市区町村コード）を用いて結合する場合、コードの体系（旧コード・新コード）が一致しているかどうかの確認も必要です。市町村合併等でコードが変更されているケースでは、古いデータと新しいデータが混在することがあります。

4. 売上予測モデル構築における「学習データのクレンジング」

ランダムフォレストやLightGBMなどの機械学習モデルを用いた売上予測は、多店舗チェーンの出店判断精度を大きく高める可能性を秘めています。しかし、モデルの精度は「どれほど優れたアルゴリズムを用いるか」よりも「どれほど品質の高いデータを学習させるか」に左右されます。

4-1. 「良い予測モデル」は「良いデータ」から

データサイエンスの現場では「データ準備に全作業の7〜8割の時間を費やす」とよく言われます。このデータ準備には、クレンジング（誤り・欠損・外れ値の修正）と前処理（正規化・エンコーディング・特徴量エンジニアリング）が含まれます。クレンジングは前処理の出発点であり、この段階で品質を確保できていなければ、後工程でどれだけ精緻な前処理を行っても「GIGO」の状態から抜け出せません。

売上予測モデルの構築においては、既存店舗の商圏データ（立地特性・競合状況・人口統計）と売上実績を学習データとして用います。このとき、商圏データは「投入時点での最新情報」であるのに対し、売上実績は「過去複数年にわたる時系列データ」であるため、それぞれ異なる種類の汚れが混入しやすいという特徴があります。

4-2. 欠損値の扱い方――削除・補完・フラグ化の選択基準

学習データに欠損値（NaN：空白や数値として扱えない欠損データ）が含まれている場合、その扱い方によってモデルの精度が変わります。欠損率が5%未満の場合は、該当行を削除するか、平均値・中央値・最頻値などで補完する方法が一般的に推奨されます。数値変数（売上・客数・面積等）は中央値補完が外れ値の影響を受けにくいため推奨されます。

欠損率が高い変数（例えば「駐車場台数」が3割のレコードで未記録）については、一律削除を行うと学習データが大幅に減少するリスクがあります。この場合は「欠損フラグ」という手法が有効です。欠損フラグとは、欠損しているかどうかを示す0/1の二値変数を新たに追加し、欠損した元の値は適当な定数（0やその変数の平均値）で埋める方法です。これによりモデルが「この項目が未記録である」という情報自体を特徴として学習できるようになります。

4-3. 外れ値・異常値の検出と除外判断

数値的な外れ値の検出には、四分位範囲（Interquartile Range：IQR）法がよく用いられます。第1四分位数（Q1）と第3四分位数（Q3）を算出し、Q1－1.5×IQRを下回るか、Q3＋1.5×IQRを上回る値を外れ値の候補としてフラグ付けします。この方法で検出されたレコードを一覧化し、事業的な文脈で「除外すべき異常」か「残すべき特殊事例」かを判断します。

除外の判断基準として参考になるのは、「その異常値は、将来の新規出店候補地でも再現しうる事象か」という問いです。台風による臨時休業（=特殊事象、除外推奨）と、競合の大型店が近隣に存在するために売上が恒常的に低い店舗（=再現しうる事象、除外不要）では、扱いが異なります。この判断は数値処理だけでは行えず、店舗開発・経営企画部門の事業知識が不可欠です。

4-4. カテゴリ変数の整備――店舗タイプ・立地区分の標準化

売上予測モデルでは、「店舗形態（ロードサイド/商業施設内/駅前）」「立地エリア区分（都市部/郊外/地方）」「業態（スタンダード/高級業態/小型業態）」などのカテゴリ変数を特徴量として用いることがあります。これらは、システムや担当者によって表記が揺れていることが多く、「ロードサイド」「ロード」「RS」「路面店」が実は同一分類であることも珍しくありません。

カテゴリ変数は機械学習モデルに入力するためにエンコーディング（AIが扱える数値データへ変換する処理）が必要ですが、表記ゆれが残ったまま数値化すると、同一カテゴリが複数の異なる値として扱われ、モデルが誤った関係性を学習してしまいます。エンコーディングを行う前に、まずすべてのカテゴリ変数の値を洗い出し、表記を統一するマスタ表を作成することが重要です。

5. 実務に落とす――データクレンジングの進め方5ステップ

データクレンジングは一度きりのスポット作業ではなく、継続的に取り組む必要があります。しかし、何もないところから始めようとすると「どこから手をつければよいか分からない」という壁にぶつかりがちです。以下のステップは、多店舗チェーンの実務において取り組みやすい進行順として整理したものです。

5-1. Step 1：データインベントリ（社内データの一覧を作ること）――何がどこにあるかを把握する

最初のステップは、社内に存在するデータを棚卸しすることです。どのシステムに、どのようなデータが、どのような形式で格納されているかを一覧化します。顧客マスタ・購買履歴・会員データ・店舗マスタ・競合情報など、分析に関わるデータソースを列挙し、各データの「管理部門」「更新頻度」「レコード数」「主要フィールド」をまとめたデータカタログを作成します。

この棚卸し作業は地味ですが、後続のすべての作業の基盤となります。特に多店舗チェーンでは、本部と店舗、あるいは部門間でデータが分散管理されていることが多く、「そんなデータが存在していたのか」という発見が棚卸しを通じて生まれることも珍しくありません。

5-2. Step 2：品質診断――汚れの種類と量を数値で把握する

データの棚卸しが完了したら、各データソースの品質を定量的に診断します。確認すべき指標は、欠損率（各フィールドの空白の割合）、重複率（同一キーが複数存在する割合）、形式不正率（郵便番号が5桁だったり、日付フィールドに文字列が混入している割合）、値域外率（売上がマイナスになっている、年齢が200歳になっているなど、ありえない値の割合）などです。

これらを数値化することで、「このデータはそのまま使える」「このデータは重点的にクレンジングが必要」という判断が客観的に行えるようになります。また、将来の品質改善の進捗管理にも活用できます。

5-3. Step 3：クレンジングルールの策定――「誰が、どう判断するか」を明文化する

品質診断の結果を踏まえ、具体的なクレンジングのルールを定めます。例えば「住所の都道府県が省略されている場合は、郵便番号を参照して補完する」「売上がマイナスになっているレコードは、返品・キャンセルとして除外する」「同一氏名・同一生年月日・住所が似通っているレコードは重複として統合する」といった形で、処理の基準を明文化します。

ルール策定において重要なのは、数値処理で自動判断できる部分と、事業知識が必要な部分を明確に区分することです。後者については、店舗開発部門や経営企画部門の担当者がレビューする体制を整えておく必要があります。

5-4. Step 4：実行と検証――ツール活用とサンプルチェック

ルールに基づいてクレンジングを実行します。データ量が少ない場合はExcelの関数（TRIM・SUBSTITUTE・VLOOKUP等）で対応できますが、数十万件以上のレコードが対象となる場合はPythonなどのプログラム処理や、専用のデータクレンジングツールの活用を検討します。

クレンジング実行後は、必ずサンプル検証を行います。全件を人手でチェックすることは現実的でないため、ランダムサンプリングや、エラーが発生しやすいパターンを重点的に抽出して確認します。また、クレンジング前後のレコード数・フィールドの基礎統計量（平均・最大値・最小値等）を比較し、意図しない変化が生じていないかを確認します。

5-5. Step 5：仕組み化――「入口」を正す入力ルールとマスタ管理の整備

データクレンジングの最終ゴールは、一度きりの「後処理」ではなく、汚れたデータが生まれにくい「入口」を整備することです。住所入力フォームに郵便番号からの自動補完機能を実装する、店舗マスタの業態区分をプルダウン選択に限定する、売上データの集計定義をシステム的に統一するといった対策が、根本的な品質改善につながります。

また、「データオーナー」の設定も重要です。各データの管理責任を特定の部門・担当者に明確に割り当て、更新サイクルとレビュー基準を定義することで、データ品質の維持が組織的な取り組みとして定着します。

6. データクレンジングを効率化する手段と考え方

6-1. Excelで対応できる範囲とその限界

データクレンジングの初期段階では、Excelが最も手軽な実行環境です。TRIM関数（先頭・末尾の余分なスペース除去）、SUBSTITUTE関数（特定の文字列の置換）、LEFT・MID・RIGHT関数（文字列の分割）、VLOOKUP・INDEX-MATCH関数（マスタとの照合）などを組み合わせることで、基本的なクレンジング処理の多くをカバーできます。

しかし、Excelには限界もあります。処理できるレコード数の上限（約100万行）、マクロ操作の再現性の低さ、複雑な重複検出ロジックの実装難易度などが主な制約です。顧客データが数十万件を超え、かつ定期的なクレンジングが必要な場合は、PythonやSQL、あるいは専用ツールへの移行を検討することが望ましいといえます。

6-2. 専門ツール・外部データとの照合活用

住所クレンジングに特化したAPIサービスや名寄せサービスも存在します。住所クレンジングAPIは、入力された住所の表記ゆれを標準形に統一し、緯度・経度の付与まで行うもので、大量の顧客住所データを効率的に整備する際に有効です。名寄せサービスは、同一人物・同一企業と思われる複数レコードの候補を提示し、統合の判断を支援します。

また、自社データの「抜け」を外部データで補う発想も重要です。例えば、c-japan®のような整備された外部エリアデータと自社データを照合することで、自社データの住所情報の誤りを間接的に発見したり、欠損している属性情報（エリアの人口構成・ライフスタイル分類）を補完したりすることができます。

6-3. 継続的なデータ品質管理（DQM）への移行

データクレンジングを一度実施しただけでは、日々の業務を通じて再び汚れが蓄積します。データ品質を継続的に維持するためには、「データ品質管理（DQM：Data Quality Management）」という考え方への移行が必要です。

DQMとは、データの品質を「正確性・完全性・一貫性・適時性・一意性」などの指標で継続的に測定・監視し、問題が発生したら早期に検知・修正する仕組みを整備することです。大企業では専用のDQMプラットフォームを導入するケースもありますが、多店舗チェーンの場合はまず「月次でデータ品質レポートを自動生成し、基準を下回った指標をアラートで通知する」といった仕組みから始めることが現実的です。

7. まとめ――データクレンジングは「分析の準備」ではなく「戦略の土台」

本コラムでは、多店舗チェーンが直面するデータクレンジングの課題を、GIS可視化と売上予測モデル構築という2つの軸から整理してきました。最後に、要点を振り返ります。

チェーン企業のデータには「表記ゆれ」「欠損値」「重複レコード」「外れ値・異常値」「項目定義のズレ」という5つの汚れが潜んでいます。これらを放置したままGISに顧客データを投入しても商圏の実態を正しく映すことができず、機械学習モデルに学習させても高精度な売上予測は実現しません。データ品質の問題は、気づかないまま意思決定に忍び込み、戦略の歪みを生み出します。

データクレンジングは「分析の直前に行う準備作業」と捉えられがちですが、本来は「戦略的意思決定を支えるデータ基盤を整備する経営的な取り組み」です。特に多店舗展開のチェーン企業においては、出店計画・商圏戦略・販促施策のすべてがデータに依拠するからこそ、データ品質への投資は高いリターンをもたらします。

自社データの品質向上と、外部の整備された商圏データとの組み合わせにより、初めて高精度なエリアマーケティングが実現します。技研商事インターナショナルでは、MarketAnalyzer® 5をはじめとするGISソリューションや、c-japan®などの商圏データ、そしてAI売上予測プラットフォームTHE NOVELを通じて、多店舗チェーン企業のデータ活用を支援しています。自社データのクレンジングの進め方や、GIS・予測モデルへの活用方法についてお悩みの方は、ぜひお気軽にご相談ください。

＼簡単・シンプル！まずは店舗の現状を地図上で見てみましょう／

＼高度で複雑な分析も可能！再現性の高い店舗戦略を実現するGIS／

---

監修者プロフィール

市川 史祥

技研商事インターナショナル株式会社
取締役 CMO シニアコンサルタント

一般社団法人LBMA Japan 理事
ロケーションプライバシーコンサルタント
流通経済大学客員講師／共栄大学客員講師
統計士／医療経営士／介護福祉経営士
Google AI Essentials／Google Prompt Essentials

1972年東京生まれ。早稲田大学政治経済学部卒業。不動産業、出版社を経て2002年より技研商事インターナショナルに所属。 小売・飲食・メーカー・サービス業などのクライアントへGIS（地図情報システム）の運用支援・エリアマーケティング支援を行っている。わかりやすいセミナーが定評。年間講演実績90回以上。

電話によるお問い合わせ先：03-5362-3955（受付時間／9：30～18：00 ※土日祝祭日を除く）
Webによるお問い合わせ先：https://www.giken.co.jp/contact/