1. 定義と概要
CRISP-DM（Cross-Industry Standard Process for Data Mining）は、データマイニングや機械学習プロジェクトを推進するための業界標準プロセスモデルです。1990年代後半に欧州のコンソーシアムによって提唱され、現在でもAI開発やデータ分析プロジェクトの標準的なフレームワークとして広く採用されています。
このモデルは、プロジェクトを「ビジネスの理解」「データの理解」「データの準備」「モデリング」「評価」「展開（共有）」という6つのフェーズで構成しています。特徴的なのは、各工程が一方通行のウォーターフォール型ではなく、必要に応じて前の工程に戻る反復的なサイクルである点にあります。
分析の結果がビジネス上の目的を達成できないと判断された場合、最初のステップである「ビジネスの理解」に立ち戻ることも珍しくありません。この柔軟性と網羅性が、不確実性の高いAI・データ分析プロジェクトにおいて、リスクを低減し成功率を高めるための指針として機能しています。
2. 試験対策ポイント
G検定対策において最も重要なのは、6つのフェーズの順序と各フェーズで行う具体的なタスクを正確に把握することです。まず「ビジネスの理解」でプロジェクトの目標や要件を明確にし、次に「データの理解」で収集したデータの特性や品質をチェックします。
続いて「データの準備」でクレンジングや特徴量エンジニアリングを行い、モデル構築が可能な状態に整えます。その後「モデリング」でアルゴリズムを選択・適用し、「評価」の段階でビジネス目標に照らしてモデルの妥当性を検証します。最終的に「展開」として実務への適用や監視体制の構築を行います。
試験では、特に「評価」フェーズが「モデリングの結果（精度）を検証するだけでなく、ビジネス上の成功基準を満たしているかを判断する場である」という点が頻出です。また、全体のプロセス図において矢印が双方向であることや、円環状になっている構造図の意味を理解しておく必要があります。
3. 関連概念との比較・相違点
CRISP-DMとよく比較される手法に、KDDプロセス（Knowledge Discovery in Databases）があります。KDDはデータから知識を抽出する一連の技術的ステップに焦点を当てているのに対し、CRISP-DMはビジネスの視点や実運用（展開）までを含めたプロジェクト管理の側面が強いのが特徴です。
また、SAS社が提唱したSEMMAという手法も存在します。SEMMAは「抽出(Sampling)」「探索(Exploring)」「加工(Modifying)」「モデル化(Modeling)」「評価(Assessing)」の頭文字を取ったもので、CRISP-DMに比べるとよりモデル構築の技術的プロセスに特化した内容となっています。
近年のトレンドとしては、機械学習の品質管理に特化したCRISP-ML(Q)という拡張版も提唱されています。これは、モデルの劣化を監視する「モニタリング」や「品質保証」の概念を強化したものであり、CRISP-DMが現代のAI運用（MLOps）の基礎となっていることを示しています。
4. ビジネス・実務での活用シナリオ
実務においてCRISP-DMを導入する最大のメリットは、ステークホルダーとの共通言語になることです。データサイエンティストとビジネス部門の間で「現在はどのフェーズにあり、何が課題か」を共有することで、期待値のズレによるプロジェクトの中断を防ぐことができます。
例えば、ECサイトのレコメンドシステム開発では、「データの準備」フェーズにプロジェクト時間の約8割が費やされることが一般的です。このモデルを知っていれば、前処理に時間がかかることをあらかじめ計画に組み込み、ビジネス側に適切なスケジュール説明を行うことが可能になります。
また、「評価」フェーズで精度が不十分だった場合、無理に導入を進めるのではなく「ビジネスの理解」に立ち戻って課題設定を再考する判断基準となります。このように、CRISP-DMは単なる作業手順書ではなく、投資対効果（ROI）を最大化するための意思決定フレームワークとして活用されています。
