データクリーンルームとは？｜個人を出さずに測る

「媒体側の配信データと自社の購買データを突き合わせたいが、顧客の情報を渡すわけにはいかない」「効果を確かめるために、なぜ自社のデータを外に出さないといけないのか」——計測の見直しを始めた現場から出てくる声です。ここで名前が挙がるのがデータクリーンルームで、業界団体が2023年に公表した資料では、プライバシー保護の技術を活用している企業のうち64パーセントがこれを使っていると報告されています。誤解されやすいのですが、これはデータを安全に送る仕組みではなく、どちらも持ち出さずに計算だけを済ませる場です。そして出てくる数字の多くは、観測された事実ではなくモデルが推し量った値です。この記事では、その場がどう個人を出さずに済ませているのか、そこでAIが何を推定しているのか、入れるまでの工程と数字の限界を順に整理します。

「渡さずにつなぐ場」が要求された理由

背景の説明は短く済ませます。従来の識別子が細っていく流れと、自社のデータを整える話は、それ自体が別の主題です。ここで押さえるのは代わりに何を使うかで、業界団体の資料は、伝統的な識別子の減少に対する主要な代替手段は各社が自ら集めたデータを結合することだと書いています。問題は、結合するには渡す必要があったことです。

従来の進め方では、重なりを求めるために第三者や仲介する事業者へ、個人データを含む自社のデータを渡していました。渡した先で漏れれば、自社の顧客の情報が外に出ます。資料は、組織が直面する課題として消費者の信頼、到達できる範囲の縮小、事業と評判に対するリスクの3つを挙げています。実務で重いのは3つ目で、渡した瞬間に自社の統制が切れることが問題視されました。

同時に、失われた分を埋める仕事がモデルに移りました。1人ずつ追えなくなった以上、成果の一部は突合できた範囲から推し量ることになります。識別子が細ったぶんだけ、計測の中身が観測から推定へ移ったという言い方が正確です。だからこの場を評価するときは、渡さずに済むかどうかと同じ重さで、何をどう推し量っているかを見る必要があります。

データクリーンルームとは何か

定義から確認します。業界団体が2023年7月に公表した第1.0版の資料では、2者以上の参加者が特定の相互に合意した用途のためにデータ資産を活用でき、かつ厳格なデータアクセスの制限が守られることを保証する、安全な協働の環境と説明されています。例として挙げられているのが、自社の顧客の個人データを他方の参加者に見せないことです。

要点は「特定の相互に合意した用途のために」の部分です。用途を先に決め、その用途に必要な計算だけを許す形になっています。後から思いついた分析を自由に足せる場ではありません。使う側から見れば制約ですが、この制約が「渡さない」を成り立たせています。用途を狭めるほど、渡さずに済む範囲が広がる関係です。

関わる役割は4つに分かれます。データを持ち込む側、技術と画面と環境を用意する側、問い合わせを実行して洞察を取り出す側、そして計算や管理の付加的な役務を担う側です。4つ目の説明に、予測のモデルの算法を提供する事業者が例として挙げられています。推定を担う主体が、データを持ち込む側とは別にいることが構造として想定されています。誰がどの役割なのかを紙に書くのが、契約の話の出発点になります。

個人を出さないための3つの仕掛け

では、どうやって個人を出さずに済ませているのか。資料が挙げる能力は3つに整理できます。

1. データの隔離：参加者どうし、および環境を用意した側自身が、生のままのデータを観察したり学習したりできない。参加者が合意した場合を除く
2. プライバシー強化技術：データの移動、個人データがさらされる危険、再識別のための悪用を最小にする技術を組み込む
3. 最小権限の制御：作業を終えるために必要なデータと資源にだけ触れられるようにし、それ以上は許さない

3つ目の中身が具体的で、実務の使いにくさの正体でもあります。資料が挙げる制御は、差分プライバシーを使っている場合でも問い合わせの回数を制限すること、計算の操作が許される時間を区切って一定の期間で権限を失効させること、実行できる問い合わせの種類や複雑さを制限すること、1つのデータ集合を他の参加者と使い回すことを制限すること、操作ごとに入力データの作り直しを要求すること、結果に統計的なノイズを加えることです。

読み方は1つです。使いにくさは不具合ではなく仕様です。問い合わせの回数が限られているのは、条件を少しずつ変えながら回数を重ねて個人を絞り込む手口を防ぐためです。この制限はモデルにも及びます。学習済みのモデルへ何度も問い合わせて、ある人が学習データに含まれていたかを言い当てる手口が知られているため、モデルへの問い合わせもまた、回数を数えられる対象になります。導入の検討で「もっと自由に触れるようにしてほしい」と要望を出すと、通ったぶんだけ守りが薄くなります。

集計の下限とノイズで、数字が返ってこない

個人が特定されないようにする仕掛けの中で、日々の実務にいちばん影響するのが2つあります。1つは集団の最小の大きさを決める考え方で、各人が少なくとも一定数の他人と区別できない状態にするものです。データ集合の特性をもとに最小の集団の大きさを決める必要があると資料は書いています。もう1つが差分プライバシーで、ノイズを注入することで、ある操作について特定の水準のプライバシーを厳密に保証する数学的な技術と定義されています。

この2つがあると、数字が返ってこない場面が生まれます。地域を細かく割った、初回の購入者だけに絞った、特定の1商品だけに絞った——こうした問い合わせは下限を割って空になります。空欄は不具合ではなく、下限を割ったという合図です。ここを不具合として問い合わせると、時間だけが過ぎます。

そして、この空欄がモデルの出番を作ります。細かい層の数字が返らないので、全体の傾向から各層の値を推し量る形に切り替わります。下限で消えた層は、観測をやめてモデルの推定に置き換わる場所です。報告書の上では同じ表に並ぶので、どのセルが観測でどのセルが推定なのかを分けて示させないと、根拠の強さが混ざります。ノイズの影響も同じで、同じ問い合わせを2回投げて数字がわずかに違うことがあります。母数が小さいほど揺れの割合が大きくなります。

• 対象を細かく割った問い合わせは、下限を割って空になりやすい
• 空の結果は不具合ではなく、条件を広げる合図として扱う
• 同じ問い合わせでも数字がわずかに動くことがある
• 母数の小さい層どうしの比較は、揺れに埋もれて意味を持たない
• 下限で消えた層をモデルで埋めた場合は、埋めた旨を表に明記する

突き合わせの型と、処理をどこに置くか

部屋の中で行われる計算の形は種類が決まっています。結合の型は2つで、2者間の結合と、3つ以上のデータ集合に対して同時に行う多者間の結合です。突合の型は3つあり、複数の参加者のデータ集合の間で共有されている件数を他の情報をさらすことなく判定する共通部分、データ集合全体に存在する総件数を判定する和、参加者の間で共有されていない件数を判定する排除です。いずれも返ってくるのは件数で、誰と誰が重なっていたかの一覧は出てきません。

突合には鍵が要ります。資料は、2つ以上のデータ集合の間に共通の突合の仕組み、または合意した基準が存在しなければならないとし、存在しない場合は識別を担う事業者や第三者と組んで重なりを作ることがあると書いています。よく使われる鍵の例として挙げられているのがメールアドレスです。ここが1つ目の推定の入り口になります。鍵が完全に一致する形なら突合は決定的ですが、鍵がそろわないところを識別の事業者に埋めてもらう場合、その埋め方は当てはめの推定になります。資料も、用いられる突合の方法として多くは決定的なものだと書いており、そうでない場合があることを前提にしています。

処理をどこに置くかにも2つの形があります。集約型は、すべての提供者のデータを環境の中で混ぜ合わせる形です。分散型は、データを提供者それぞれの環境に残したまま、環境が接続と仕組みだけを用意して、処理を提供者の環境か中立の環境で行う形です。分散型の考え方の延長にあるのが連合学習で、各参加者が自分のデータに関わる計算を手元で行い、その結果を集約して全体を推し量る技術として挙げられています。データを動かさずにモデルを育てる形が、技術の一覧に最初から入っています。国内にデータを留めたいという要件がある場合は、この置き方が選択肢になります。

ここでAIが何を推定しているのか

中核の論点です。この場から出てくる数字は、観測と推定が混ざっています。混ざったまま報告書に載るのが実務でいちばん多い事故なので、最初に一覧で切り分けます。

出てくる数字	中身	観測か推定か	読むときの注意
重なりの件数	両者のデータ集合で共有されている件数	観測。鍵が一致した件数	鍵の作り方がそろわないと下がる
到達と頻度	何人が何回接触したか	観測に近いが下限とノイズが乗る	小さな層は返らないか揺れる
埋めた成果	突合できなかった分を含めた成果の推計	推定。全体の傾向から各層に配分	観測できた分と分けて示させる
増分の効果	施策が指標に与えた差	推定。比較の対照を置いて算出	対照の置き方で数字が変わる
貢献度	どの接点が成果に結び付いたか	推定。モデルによる割り当て	割り当ての規則を確認する
似た層	対象に似た人の集まり	推定。入力の属性からの分類	入力に使った属性を開示させる
投資回収	媒体の組み合わせごとの回収	推定。実際の値または予測のモデル	予測が混ざる範囲を確認する

資料の用途の一覧を見ると、推定が入る位置がはっきりします。増分効果の測定は、実際の個々の購買データをさらさずに施策が指標に与えた増分の影響を計算するもの。貢献度の分析は、個人単位の成果や関与をさらさずに、どの接点が成果に結び付いたかを判定するもの。投資回収の分析は、実際の値または予測のモデルを媒体の組み合わせに当て、集計された水準の洞察だけをもとに配分を最適化するものです。いずれも個人単位の事実を見ないことが前提なので、そのぶんをモデルが埋めています。

技術としての置き方も明記されています。結合と突合が済んだ後、暗号化された予測の機械学習モデルを突合済みのデータの上で学習させたり実行させたりでき、突合の結果ではなく、そのモデルが生んだ洞察や結果を出力として取り出せる形です。つまり部屋から出てくるのは、生のデータではなくモデルの出力であることが多い。ここを踏まえずに数字を受け取ると、精度の議論と事実の議論が混ざります。

欠けた成果を埋める推定と、増分の推定

推定の中でも性質が違う2つを分けます。1つは欠けた分を埋める推定です。突合できた範囲では成果が見えていて、突合できなかった範囲は見えていない。この見えない範囲について、見えた範囲の比率をあてて全体を推計します。埋めた値は、観測した値と同じ列に並びますが、根拠の強さは同じではありません。

埋める推定を読むときの確認は3つです。突合できた比率はどれだけか、埋めた分は全体の何割か、埋めるのに使った比率はどの範囲から取ったのか。3つ目が特に効きます。全体の平均から埋めているのか、同じ地域や同じ商品の群から埋めているのかで、少数の層の数字は大きく変わります。埋め方を尋ねずに受け取った成果の数字は、比率の当てはめの結果でしかありません。

もう1つが増分の推定です。こちらは欠けた分を埋めるのではなく、施策があったときとなかったときの差を求めるものです。差を出すには、比べる相手が要ります。増分は観測値ではなく、比較の対照を置いてはじめて現れる差です。対照の作り方が変われば数字も変わるため、対照の置き方そのものが判断の対象になります。資料が増分効果の測定を、個々の購買データをさらさずに計算するものとして挙げている点も押さえておきます。個人単位を見ないからこそ、対照の置き方の影響が大きくなります。

似た層の拡張は何をしているのか

3つ目の推定が、似た層の拡張です。資料では、成果と貢献度の分析にもとづいて対象を見つけて配信する手立てとして挙げられています。手元の顧客の集まりを教科書にして、それに似た人を別のデータ集合の中から選び出す作業です。分類なので、入力に何を使ったかで結果が変わります。

実務で注意が要るのは、この分類が「似ている」の中身を説明しないまま結果を返しやすいことです。返ってくるのは層の大きさと、そこへ配信した結果だけ。何を手がかりに似ていると判断したのかは、尋ねないと出てきません。手がかりが購買の金額なら納得できますが、居住地域や年齢層が主な手がかりになっていることもあります。

もう1つ、教科書側の偏りがそのまま拡大されます。既存の顧客が特定の層に偏っていれば、似た層も同じ方向に偏ります。偏りが売上と結び付いているなら合理的ですが、単に過去の配信の偏りを写しているだけの場合もあります。似た層の拡張は、過去の偏りを増幅する装置にもなります。だから拡張の前に、教科書にした集まりがどう選ばれたかを確認します。ここを飛ばすと、成果が伸びない理由が最後まで分かりません。

AIが使った特徴を開示させる

推定が主な出力になるのなら、何を入力にしたのかを知らないままでは使えません。資料はこの点を明確に書いています。環境を用意した側は、データのモデル化に使った特徴について透明であるべきで、たとえば似た層の区分について、利用する側がモデルに使われた属性を把握でき、特定の人口統計的な要素の使用を禁じる法の下で適合を保てるようにすべきだとしています。米国の公正な貸付に関する法が例として挙げられています。

実務に落とすと、確認するのは3項目です。どの属性を入力に使ったか、意図的に除外した属性があるか、学習に使ったデータの範囲と期間はどこまでか。モデルが出しましたという報告を受け取らないことが、ここでの唯一の防御です。開示以外に、機微な領域に近い属性が混ざっていないかを確かめる手立てがありません。

日本で運用する場合も同じことが効きます。使った属性が分からないモデルの出力は、後から社内で説明できません。営業から「なぜこの層に配信していないのか」と聞かれたときに、モデルの判断ですとしか答えられない状態になります。開示を求める条項を契約に入れるかどうかが、この論点の分かれ目です。導入の交渉の段階でしか入れられないので、契約前に決めます。

出力の形が結果を決める

出力の形は2つに分かれます。集計の出力には、重なりの分析、区分づくり、似た層のモデル化、層の拡張といった洞察の側と、到達と頻度、頻度と増分の分析、対象の検証、貢献度といった測定の側が含まれます。もう1つが個人単位の出力で、媒体での配信のために使われるものです。推定の結果は集計の出力として取り出す形が基本で、個人単位で取り出せるのは配信のためという位置づけです。

重要なのは制限のほうです。資料は、データの拡充は環境の中の事前に決めた用途を助けるために適用されるのが通常で、協働する相手のデータ集合に直接共有されたり追加されたりするものではないと書いています。プライバシーの懸念から、媒体をまたぐ人物像づくりのような新しく生まれた洞察の持ち出しは、漏えいを抑えるために通常は制限されるとも述べています。

ここから、実務で当てが外れやすい期待が1つ潰れます。部屋の中でモデルが作った属性を、自社の顧客の台帳に書き戻して普段の運用に使う、という使い方は原則としてできません。資料は、生のデータ集合に新しく生まれた洞察を直接追加する形の拡充は、環境の性質上、制限されるか不可能だとしています。推定した層の区分を自社の顧客管理の側に持ち帰る前提で導入すると、稼働の直前で計画が止まります。目的がそこにあるなら、別の手立てを検討することになります。

入れるまでの5工程

導入の順番です。前の2つで決めきれないと、後の3つが全部やり直しになります。全体の目安は、用途の確定から小さな検証まででおよそ2か月から3か月です。

この順で進めると、3番目の途中で1番目に戻ることがよくあります。測りたい粒度が下限を割ると分かった時点で、用途の書き方を変える必要が出てきます。戻ることは失敗ではありません。むしろ5番目の軽い検証を前倒しして、粒度の限界を先に知るほうが安く済みます。

利用目的と契約で確かめる点

制度の側の確認は1節にまとめます。資料は明確に注記しています。環境が技術と統治の道具を提供していても、自社のデータ集合が適用される規制に適合していることを確保するのは、データを持ち込む側の責任です。場を使うことが、適法性を肩代わりしてくれるわけではありません。

確かめる点は、資料の統治の項目に沿うと整理しやすくなります。範囲を限った権限、監査と記録、データの所在地の制御、開示や訂正や消去や処理の制限といった権利の取り回し、同意の状況を個人単位で反映してデータ集合から個人を外す操作、そして不要になった時点でのデータと結果の速やかな削除と破棄です。モデルを学習させている場合は、削除の対象に学習の結果が含まれるかも確かめます。

• 自社が説明した利用目的から、外部との突き合わせによる効果の測定が読み取れるか
• 対象から外すよう求められた個人を、データ集合から外す操作ができるか
• 記録と監査が、データを持ち込んだ側から見える形になっているか
• 不要になったときに、データと結果の両方を消す手順が決まっているか
• モデルの学習に使った場合、学習の結果まで消える取り決めがあるか
• データの所在地と、計算が行われる場所を把握しているか

日本の制度で1つ触れておきます。2026年（令和8年）7月17日に公布された改正個人情報保護法は、統計情報等の作成にのみ利用されることが担保されていること等を条件に、本人の同意のない第三者提供等を認める規定を置いています（第30条の2、第31条の3）。担保のための規律として、一定事項の公表、提供元と提供先の書面による合意、提供先での目的外利用と再提供の禁止が挙げられています。施行は一部を除き、公布日から起算して2年以内で政令が定める日からです。集計だけを得る用途と、個人への働きかけに戻す用途は、この先も別に扱われると読めます。

出てくる数字の読み方と限界

最初に突合率です。導入の検討ではこの数字が高いほど良いと見られがちですが、資料は逆の注記を置いています。突合率は環境の機能や方法によって、他の識別の事業者で経験したものと異なることがあるとし、鍵の種類、鍵の粒度、用いられる突合の方法に影響されると説明したうえで、突合率は成績や到達できる規模や正確さの唯一の指標ではないと明記しています。むしろ正確さが高いことが、より低い突合率でより高い投資回収につながることもあるとまで書かれています。

次に貢献度の分析です。複数の接点にわたる貢献度の分析は、環境を用意した側の制御の外にある多くの要素に依存します。特に、多数の情報源からの膨大な露出のデータをつないで分析する必要があるものは、プライバシーに配慮した協働という性質から制限されることがあると資料は述べています。媒体をまたいだ完全な貢献度の図は、この場では作れないと考えておくのが妥当です。作れるのは、参加している相手先の範囲に限った割り当てです。

3つ目が、推定と観測を混ぜないことです。埋めた成果、増分、貢献度、似た層。この4つはすべてモデルの出力なので、観測できた重なりの件数と同じ強さで扱えません。報告書の表に、観測か推定かの列を1つ足すだけで、判断の質は変わります。

• 推定で埋めた成果と、突合できた成果を1つの数字にまとめて報告する
• 下限で消えた層を黙って落とし、残った層だけで全体を語る
• 突合率の高さを、そのまま計測の正確さとして扱う
• 増分の数字を、比較の対照の置き方を確認せずに投資の判断に使う
• 似た層の拡張を、入力に使った属性を確かめずに配信までつなぐ

実務仕様：費用と体制、人が確認する場所

最後に運用の仕様です。費用は単一の料金ではありません。資料が確認すべき項目として並べているものを表にします。見積りを取るときは、この列を埋めてから比べます。

費用の項目	確かめること
使用または利用の許諾	基本の料金が何を含むか。段階の区分があるか
参加する側の許諾	参加者全員に許諾が必要か、一部で足りるか
データの保管	預けた量に応じて増えるか
データの準備	整えと正規化に別の料金がかかるか
接続	特定の基盤や相手先につなぐのに別料金がかかるか
問い合わせや操作	1回あたりの費用と、誰が払うか
計算	問い合わせの料金と別に、計算の料金があるか
技術を保つ人材	暗号などの仕組みを保つ人の費用を誰が持つか

資料は、運営の費用は技術のチームを持たない小規模な組織には制約になりうるとし、媒体の費用に含まれる場合もあるが、転嫁される場合もあると書いています。体制については、触る人の前提が2つに分かれます。画面で操作する形は限られた技術の知識でも使えますが、データそのものの理解は必要です。記述や接続で操作する形は技術の知識を要し、複雑な問い合わせを実行できるデータの専門家や技術者、あるいは第三者の助けを前提にします。担い手を決めずに契約すると、契約後に触れる人がいない状態になります。

人が確認する場所も、5つに絞って先に決めておきます。用途を変えるとき、新しい問い合わせを初めて実行するとき、似た層のモデルの入力属性が変わったとき、下限で消えた層を含む結論を出すとき、増分の推定を投資の判断に使うときです。推定の数字は前提の置き方で動くので、前提を人が確認します。ここを自動化すると、根拠を説明できない数字だけが会議に残ります。モデルの精度が上がっても、この5か所は残します。精度が上がるほど、残る誤りは的外れなものからもっともらしいものに変わり、見つけにくい方向へ移るからです。

まとめ

データクリーンルームは、データを安全に送る仕組みではありません。どちらも持ち出さずに、あらかじめ合意した用途の計算だけを部屋の中で済ませ、集計を取り出す場です。個人を出さない仕掛けは、生のデータの隔離、プライバシー強化技術、最小権限の制御の3つ。集団の最小の大きさとノイズによって、細かく割った層は数字が返ってきません。使いにくさは仕様です。

そして出てくる数字の多くはモデルの推定です。突合できなかった分を埋めた成果、比較の対照を置いて出した増分、割り当てで出した貢献度、入力の属性から選んだ似た層。いずれも入力と前提を尋ねないと意味が確かめられません。突合率を成績と見ないこと、消えた層を明記すること、部屋の中で作った属性は台帳に書き戻せないこと。この3つを前提に置いてから、用途を1つに絞り、重なりの件数だけの検証から始めてください。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。