データマネジメント試験（仮称）の重点分野は何か、シラバスで確認します。

データマネジメント試験（仮称）のシラバス（案）Ver.0.1（IPA・2026年8月公表）では、科目Aの出題範囲が「重点分野」と「その他の分野」に分かれています。重点分野は3つあります。

データマネジメント（中分類8・9・10の一部）
データ分析・データ利活用（中分類10の一部）
AI利活用（中分類10の一部）

この記事では、この重点3分野について、シラバスに記載された小分類と用語例をもとに、試験で押さえるべき内容を整理します。

重点分野は「データマネジメント」「データ分析・データ利活用」「AI利活用」の3本柱です
「データマネジメント」重点分野は5つの小分類で構成されています
「データ分析・データ利活用」の重点分野は統計とビジネス活用が柱です
「AI利活用」の重点分野は生成AIと倫理が中心です
その他の分野（重点外）にも出題範囲があります
科目Bは「ケース問題」で、長文を読んで判断する問題形式です
学習の優先順位は、重点分野から始めます
AI問題演習ツールで重点分野の理解を確認できます
まとめ：重点3分野の5項目から押さえるのが効率的です

重点分野は「データマネジメント」「データ分析・データ利活用」「AI利活用」の3本柱です

IPAが公表しているシラバス（案）では、データマネジメント試験（仮称）の科目Aについて「知識問題（多肢選択・CBT）」の出題の中心を重点分野においています。ただし、分野別の出題数は未公表です（2026年9月時点）。

重点分野	関連する中分類（シラバス案）	主な内容
データマネジメント	中分類8・9	データの収集・整備・管理の仕組みとプロセス
データ分析・データ利活用	中分類10（一部）	統計・機械学習の基礎とビジネス活用
AI利活用	中分類10（一部）	生成AI・AI活用の基礎と倫理

出典：IPA「データマネジメント試験（仮称）シラバス（案）Ver.0.1」（2026年8月公表）をもとに整理。

「データマネジメント」重点分野は5つの小分類で構成されています

シラバス（案）が「データマネジメント」として掲げている重点分野の小分類は次のとおりです。用語例はシラバス原文から引用します。

データアーキテクチャ

データアーキテクチャとは、組織全体でデータをどのように収集・保管・流通・活用するかの設計方針のことです。試験ではデータ基盤の全体像に関する問いが想定されます。

シラバスの用語例：データアーキテクチャ、データ基盤、データリネージ、マスタデータ管理、データカタログ

データリネージ：データの発生源から加工・移動・利用に至るまでの追跡可能な流れのこと。データの出所と変換の経緯を示す
マスタデータ管理（MDM：Master Data Management）：顧客・製品・取引先など複数のシステムで共通して使われる重要データを一元的に管理する仕組み
データカタログ：組織が保有するデータの種類・場所・意味・オーナーシップを整理したインデックス。データを探して使いやすくするための仕組み

データモデリング

データモデリングとは、対象の業務や概念をデータの構造として定義する作業です。データベース設計の基礎となります。

シラバスの用語例：概念データモデル、論理データモデル、物理データモデル、ER図、正規化

概念データモデル：ビジネスの観点から「何がある」かを示すモデル。技術的な詳細を持たない
論理データモデル：概念モデルを具体化し、エンティティ・属性・リレーションを定義したモデル。DBMSに依存しない
物理データモデル：特定のDBMS上でどのように実装するかを示すモデル（テーブル定義・インデックスなど）
正規化：データの冗長性・更新異常をなくすために、テーブルを一定のルールに従って分割すること。第1〜第3正規形が基本

データ品質

データ品質は、データが正確で・完全で・一貫性があり・タイムリーに利用できる状態を維持することです。実務では「ゴミデータ（ゴミを入れればゴミが出る）」という問題として現れます。

シラバスの用語例：データ品質、データクレンジング、データプロファイリング、データスチュワード

データクレンジング（データクリーニング）：不正確・重複・欠損・形式不統一なデータを検出して修正・削除する作業
データプロファイリング：データの構造・内容・品質を統計的に分析して把握すること（欠損率・値の分布・一意性など）
データスチュワード：組織内でデータの定義・品質・利用ルールを管理・維持する役割の担当者。データガバナンスの実務担当

メタデータ管理

メタデータとは「データについてのデータ」のことです。例えば「このCSVファイルは顧客データで、2025年1月更新・管理者は営業部」という情報がメタデータです。

シラバスの用語例：メタデータ、ビジネスメタデータ、技術メタデータ、運用メタデータ

種類	内容	例
ビジネスメタデータ	ビジネスの観点でのデータの意味・定義	「顧客ID」=自社で付与した一意の識別番号
技術メタデータ	データの格納形式・構造に関する情報	型=INT・桁数=8・NULL不可
運用メタデータ	データの生成・更新・利用履歴	最終更新日・更新者・データソース名

出典：IPA「データマネジメント試験（仮称）シラバス（案）Ver.0.1」の用語例をもとに整理。

データガバナンス

データガバナンスとは、組織でデータを適切に管理・活用するためのポリシー・ルール・責任体制の仕組みです。単なる技術施策ではなく、組織的なマネジメントの枠組みです。

シラバスの用語例：データガバナンス、データオーナー、データスチュワード、CDO（Chief Data Officer）

データオーナー：特定のデータについて、その品質・利用方針・アクセス権限に責任を持つ部門またはその代表者
CDO（最高データ責任者）：組織全体のデータ戦略・ガバナンスに責任を持つ経営層の役割

「データ分析・データ利活用」の重点分野は統計とビジネス活用が柱です

シラバス（案）では「データ分析・データ利活用」についても重点分野として位置づけています。ITパスポートや基本情報では扱わなかった、より実践的な統計・分析の概念が加わります。

シラバスの用語例：記述統計、推測統計、相関分析、回帰分析、統計的仮説検定、データウェアハウス、ETL、BI（Business Intelligence）

推測統計：標本データから母集団全体の特性を推定・検定する統計の方法。区間推定・仮説検定が含まれる
回帰分析：変数間の関係を式として表し、予測に使う方法。単回帰（説明変数1つ）・重回帰（説明変数複数）がある
ETL：Extract（抽出）・Transform（変換）・Load（格納）の略。複数のシステムのデータを分析用DBに取り込む処理
データウェアハウス（DWH）：分析目的で時系列・大量のデータを蓄積する専用のDB。OLAPやBIツールと組み合わせて使う
BI（ビジネスインテリジェンス）：データを分析・可視化してビジネスの意思決定に活かすための技術・ツール・手法の総称

「AI利活用」の重点分野は生成AIと倫理が中心です

シラバス（案）では「AI利活用」も重点分野に含まれています。AIの技術的な詳細より、ビジネスパーソンがAIを使う上での基礎知識と倫理的判断を問う内容が想定されます。

シラバスの用語例：機械学習、深層学習（ディープラーニング）、生成AI、プロンプトエンジニアリング、RAG（検索拡張生成）、ハルシネーション、AIガバナンス、責任あるAI

RAG（Retrieval-Augmented Generation）：生成AIが外部のデータソースを検索して取得した情報を参照しながら回答を生成する技術。最新情報や企業内情報を活用できる
ハルシネーション（幻覚）：生成AIが事実に基づかない情報を、もっともらしく出力してしまう現象。AIの出力を無検証で使う際のリスク
プロンプトエンジニアリング：生成AIへの指示（プロンプト）を設計・最適化して、意図した出力を得るためのスキル・手法
AIガバナンス：AIの開発・運用において、リスクを管理し、倫理的・法的に適切な状態を保つための組織的な仕組み

その他の分野（重点外）にも出題範囲があります

シラバス（案）では重点分野のほかに「その他の分野」として、データベース（中分類17）・セキュリティ（中分類24）・法規（中分類27・28・29）が出題範囲に含まれています。

分野	シラバス用語例（一部）
データベース（技術）	リレーショナルDB、SQL、NoSQL、トランザクション管理、ACID特性
セキュリティ	暗号化、アクセス制御、脆弱性対策、インシデント管理
法規・コンプライアンス	個人情報保護法、匿名加工情報、著作権法、不正競争防止法