データ収集
From Wikipedia, the free encyclopedia
データ収集（データしゅうしゅう、英: data collection または data gathering）は、確立されたシステムにおける対象変数の情報を収集し測定するプロセスであり、これにより関連する質問に答え、結果を評価することが可能となる。データ収集は、自然科学、社会科学、人文学[2]、およびビジネスなど、すべての学問分野における研究の構成要素である。分野によって手法は異なるが、正確かつ誠実な収集を保証することの重要性は共通している。すべてのデータ収集の目的は、提起された質問に対して、データ分析を通じて信頼できる回答を導き出せるような証拠を捉えることである。
分野やデータの定義（定量的か定性的か）の好みを問わず、研究の完全性を維持するためには正確なデータ収集が不可欠である。適切なデータ収集ツールの選択（既存、修正、または新規開発）と、その正しい使用方法に関する明確な指示は、誤差が生じる可能性を低減させる。
方法論
データ収集と検証は、全数調査を行う場合は4つのステップで構成され、サンプリングを伴う場合は7つのステップで構成される[3]。
正式なデータ収集プロセスは、収集されたデータが明確に定義され、かつ正確であることを保証するため、必要不可欠である。これにより、調査結果に具体化された議論に基づくその後の意思決定が、妥当なデータを用いて行われるようになる[4]。このプロセスは測定の基準を提供するだけでなく、場合によっては改善すべき点を示す指標ともなる。
ツール
データ収集システム
データ管理プラットフォーム
データ管理プラットフォーム（DMP）は、主にマーケティングで使用されるデータの集中ストレージおよび分析システムである。DMPは、大量の需要と供給データを収集し、識別可能な情報に変換するために存在する。マーケターは、ファーストパーティ、セカンドパーティ、およびサードパーティのデータを受け取り、活用したいと考えることが多い。DMPは、デマンドサイドプラットフォーム（DSP）とサプライサイドプラットフォーム（SSP）の統合システムであるため、これを可能にする。DMPは、現在および将来の広告キャンペーンを最適化するために不可欠である。
データ完全性の問題
データ完全性を維持する主な理由は、データ収集プロセスにおけるエラーの監視を支援することである。これらのエラーは、意図的に（意図的な偽造）行われることもあれば、無意識に（ランダム誤差または系統誤差）生じることもある[5]。
データの完全性を保護し、研究結果の科学的妥当性を確保するためのアプローチとして、以下の2つが存在する[6]。
- 品質保証 - データ収集前に行われるすべてのアクション
- 品質管理 - データ収集時およびデータ収集後に行われるすべてのアクション
品質保証
QAの焦点は予防であり、これは主にデータ収集の完全性を保護することを目的とした費用対効果の高い活動である。予防の中心となるのは、プロトコルの標準化と、データ収集のための包括的かつ詳細な手順の説明である。研究プロセスにおいて問題やエラーを特定できないリスクは、ガイドラインの記述が不十分であることによって引き起こされることが多い。このような失敗の例として、以下のものが挙げられる。
- タイミング、方法、および責任者の特定の不確実性
- 収集が必要な項目の部分的なリスト化
- テストの実施に関する厳密で段階的な指示ではなく、データ収集ツールの曖昧な説明
- データ収集を担当するスタッフのトレーニングおよび再トレーニングの正確な内容と戦略を認識できていないこと
- データ収集機器の使用、調整、および較正に関する不明確な指示
- 調査中に発生した手順の変更を文書化するための、あらかじめ定められたメカニズムの欠如
ユーザーのプライバシー問題
個人のユーザーデータを保護するための基準が異なる国境を越えてデータが転送されるため、クラウドコンピューティングを通じて収集された個人のユーザーデータの完全性には深刻な懸念がある[7]。情報処理は現在、ユーザーデータを使用して個人が発言する前に何を言おうとしているかを予測できるレベルにまで進歩している[8]。
品質管理
QCのアクションはデータ収集時またはデータ収集後に発生するため、すべての詳細を注意深く文書化することができる。監視システムを確立するための前提条件として、明確に定義されたコミュニケーション構造が必要である。情報の流れに関する不確実性は推奨されない。なぜなら、不十分に組織化されたコミュニケーション構造は監視の甘さを招き、エラーを検出する機会を制限する可能性もあるからである。品質管理はまた、欠陥のあるデータ収集の実践を修正し、将来のそのような発生を最小限に抑えるために必要なアクションを特定する責任も負う。手順が曖昧に書かれており、フィードバックや教育に基づいていない場合、チームはこれらのアクションを実行する必要性を認識できない可能性が高くなる。
迅速な対応を必要とするデータ収集の問題は以下の通りである。
- 系統誤差
- プロトコルの違反
- 不正行為や科学的不正行為
- 個々のデータ項目のエラー
- 個々のスタッフまたは現場のパフォーマンスの問題
- シャドウ効果
