データクレンジングとは？手順・Excelでのやり方・名寄せとの違いを解説

「同じ会社が別々のレコードで何件も登録されている」「半角と全角が混在していて検索に引っかからない」——SFA・CRMのなかで静かに進行するデータの劣化は、ある日「このリスト、使えないですね」という営業現場の一言になって返ってきます。データクレンジングは、その劣化を止めて営業データを「そのまま使える状態」に戻すための基本動作です。本記事は、データクレンジングをこれから設計・運用する担当者のための総合ガイドです。

本記事では、データクレンジングの意味と目的、ダーティデータの具体例と発生原因、混同されやすい名寄せとの違いと実施順序、6ステップの手順、Excelでの具体的なやり方、法人番号を基準にした精度の高め方、実行頻度とデータ品質KPIの設計、失敗しやすい5つの落とし穴、内製・ツール・外注の判断軸と費用の見方、そしてHubSpot・Salesforce・生成AIを使った実装例までを体系的に解説します。

関連する論点は個別記事に譲ります。名寄せそのものの考え方と手順は「名寄せとは？意味・手順・ツール活用まで徹底解説」で詳しく解説しています。製品ごとの機能差やタイプ別の選び方は「データクレンジングツールおすすめ比較10選｜選び方とタイプ別に解説」で詳しく解説しています。CRM上で重複を解消する具体的な操作手順は「CRMの名寄せとは？Salesforce・HubSpotでの実践方法」で詳しく解説しています。

データクレンジングとは？意味・目的とダーティデータの具体例

SFAに1万件の取引先レコードが入っていても、「そのうち何件がいま連絡できる正しい情報か」を即答できる組織はほとんどありません。データクレンジングは、蓄積されたデータの誤り・重複・表記の乱れを洗い出して修正し、業務で使える品質まで引き上げる作業です。英語では data cleansing（データクリーニング）と表記され、日本語では「データ洗浄」と訳されることもあります。

対象となるのは、SFA・CRMの取引先／リードデータ、MAツールのコンタクト、名刺管理システムの企業情報、Excelで管理された営業リスト、基幹システムの取引先マスタなど、企業活動で蓄積されるほぼすべての顧客データです。SalesNowでも、データクレンジングは「営業リストを作る前段の作業」ではなく「営業データ基盤を維持し続ける運用」として位置づけています。

データクレンジングの目的は「意思決定の精度」を取り戻すこと

データクレンジングの目的は、単にデータを綺麗にすることではありません。重複や欠損を放置したまま集計すると、受注率・単価・チャネル別の効率といった指標がすべて歪みます。歪んだ数字をもとに予算配分や人員配置を決めれば、意思決定そのものが誤ります。データクレンジングは、その手前でデータの信頼性を担保する工程です。

実務上の目的は、次の4点に整理できます。

• 到達率を上げる：誤った電話番号・住所・メールアドレスを修正し、アプローチが届く状態にする
• 集計の正確性を担保する：重複レコードを排除し、社数・商談数・受注率を実態どおりに数えられるようにする
• 検索・抽出を効かせる：表記を統一し、業種・エリア・従業員数などの条件で漏れなく抽出できるようにする
• システム連携を成立させる：SFA・MA・基幹システム間でレコードを突き合わせられる状態を作る

ダーティデータの5類型と具体例

クレンジングの対象となる「汚れたデータ（ダーティデータ）」は、原因によって5つに分類できます。自社のデータがどの類型に偏っているかを把握すると、着手すべき順序が決まります。

ダーティデータが生まれる4つの原因

ダーティデータは、担当者の不注意だけで生まれるわけではありません。むしろ構造的な要因のほうが支配的です。

• 入力ルールの不在：法人格の前後、半角全角、部署名の粒度といったルールが決まっておらず、担当者ごとに書き方が違う
• 複数の入口：Webフォーム、名刺取り込み、展示会リスト、外部購入リスト、手入力と、データの流入経路が複数ある
• システムの分断：営業はSFA、マーケはMA、経理は基幹システムと、部門ごとに別のシステムで同じ企業を管理している
• 時間経過：移転・社名変更・合併・組織改編・担当者の異動により、正しかったデータが自然に古くなる

この4つ目の「時間経過」があるため、データクレンジングは一度実施すれば終わる作業になりません。データ品質は放置すれば必ず劣化する前提で、運用として設計する必要があります。

データクリーニング・データ整備との用語の違い

データクレンジングとデータクリーニングは、実務上はほぼ同義で使われます。統計・機械学習の文脈では外れ値処理や欠損値補完を含めて「データクリーニング」と呼ぶ傾向があり、営業・マーケティングの文脈では顧客データの正規化を指して「データクレンジング」と呼ぶ傾向がある、という程度の差です。より広い概念として「データ整備」「データマネジメント」があり、データクレンジングと名寄せはその中の中核工程にあたります。

名寄せとデータクレンジングの違い｜役割・順序・使い分け

データ整備の相談で最も多いのが「クレンジングと名寄せ、どちらから手を付ければいいのか」という質問です。結論から言えば、データクレンジング（個々のレコードを正す）を先に実施し、そのうえで名寄せ（複数レコードを1つに統合する）へ進む順序が、最も精度が高く手戻りの少ない王道です。

名寄せは、複数のシステムや部門に分散した同一企業・同一人物のデータを、一つのレコードに統合する処理を指します。一方のデータクレンジングは、表記ゆれ・誤字・欠損・フォーマット不統一などを修正し、データそのものの品質を引き上げる処理です。対象が「レコードとレコードの関係」なのか「1件のレコードの中身」なのか、という違いだと捉えると整理しやすくなります。

名寄せとデータクレンジングの違いを整理する

なぜクレンジングが先なのか

名寄せは「同じ企業かどうか」を判定する処理です。判定材料である企業名・住所・電話番号が汚れたままでは、判定そのものが成立しません。たとえば「㈱ABC商事」と「ABC商事株式会社」は、法人格の表記を統一するクレンジングを通した後であれば同一と判定できますが、未処理のままでは別法人として残ります。クレンジングは名寄せの精度を決める前処理であり、順序を逆にすると統合漏れと誤統合の両方が増えます。

使い分けの判断：どちらの問題が主症状か

• 「同じ会社に別々の担当者からアプローチした」：重複が主症状。クレンジングで表記を揃えたうえで、名寄せを実施する
• 「検索してもヒットしない」「セグメント抽出の件数が明らかに少ない」：表記ゆれ・欠損が主症状。クレンジング単独でも大きく改善する
• 「部門ごとに顧客数の数字が違う」：システム分断が主症状。クレンジング→名寄せ→統合キーの運用まで一気通貫で設計する必要がある

名寄せとデータクレンジングは独立した処理ではなく、セットで実施するのが一般的です。データクレンジングで表記を統一してから名寄せを実施することで、マッチング精度を大幅に高めることができます。SalesNowはこの2つの処理を自動化し、国内1,400万件超の企業データを基準データとして高精度な名寄せを実現しています。

部門ごとに分断された顧客データを企業単位でまとめ直す進め方は「顧客データ統合とは？リードと取引先を企業単位に名寄せ・統合する方法」で詳しく解説しています。企業データベースそのものの種類や選び方は「企業データベースとは？種類・活用方法・導入効果・選び方を徹底解説」で詳しく解説しています。

データクレンジングが必要な理由：データ品質が営業成果を左右する

「データ整備は情シスの仕事」と考えられがちですが、影響が最初に出るのは営業とマーケティングの現場です。データが重複・欠損・不整合の状態では、どれほど優れた営業戦略を描いても実行段階で機能しません。データ品質は営業活動のインフラであり、施策の巧拙より前に成果の上限を決めます。

クレンジング・名寄せ不足が引き起こす5つの問題

• 重複アプローチ：同一企業に複数の営業担当者がバラバラにアプローチし、顧客体験を損ない信頼を失う
• 分析精度の低下：重複データを含む状態では、受注率・商談数・チャネル別パフォーマンスが正確に分析できない
• マーケティング施策の浪費：同一顧客に重複したメール・広告が配信され、コストと信頼を同時に失う
• SFAの活用率低下：「SFAに信頼できるデータがない」と担当者が感じると、入力率・活用率がさらに下がる悪循環に陥る
• ターゲティング精度の劣化：ABM（アカウントベースドマーケティング）は正確な顧客データを前提とするため、名寄せ不足が直接的な施策失敗につながる

データクレンジングの優先度が高い組織パターン

以下のいずれかに当てはまる組織は、データクレンジングを最優先課題として取り組む必要があります。

• SFA・CRMにデータが10万件以上登録されている
• 複数の部門（営業・マーケティング・カスタマーサクセス）が別々のシステムで顧客データを管理している
• M&Aや組織再編があり、異なるシステムのデータを統合する必要がある
• マーケティングオートメーション（MA）を活用し、顧客スコアリングを正確に行いたい
• 営業担当者が「SFAのデータを信頼していない」と発言している

法令面でもデータの正確性は求められる

データクレンジングは業務効率の問題にとどまりません。個人情報保護法は、個人データを利用する目的の達成に必要な範囲内で「正確かつ最新の内容に保つよう努めなければならない」ことと、利用する必要がなくなったときは「遅滞なく消去するよう努めなければならない」ことを定めています。詳細は個人情報保護委員会の個人情報の保護に関する法律についてのガイドライン（通則編）で確認できます。退職者情報や不要になったリードを放置し続ける状態は、営業効率だけでなくコンプライアンス上のリスクにもなります。

営業リストを日々の運用のなかで劣化させない管理方法は「営業リスト管理の方法｜SFAと連携して商談化率を高める管理術と法令対応」で詳しく解説しています。

データクレンジングの手順【6ステップ】

ここでは、実際にデータクレンジングを進めるときの標準的な流れを6ステップで示します。重要なのは、いきなり修正作業に入らず「どの品質水準まで引き上げるか」を先に決めることです。基準を決めずに着手すると、作業量が無限に膨らみます。

STEP1：目的とデータ品質の基準を決める

最初に「何のためにクレンジングするか」を定義します。ABMのターゲット選定に使うのか、メール配信の到達率を上げるのか、経営レポートの正確性を担保するのかによって、必要な品質水準は変わります。目的が決まれば、必須項目（業種・従業員数・都道府県・代表電話など）と、許容できる欠損率の上限が決まります。

STEP2：データの現状調査（データプロファイリング）

SFAやCRMのデータを棚卸しします。重複しているレコード数・項目ごとの欠損率・表記ゆれの頻度・外部データとの乖離などを把握します。この段階で「どの程度のデータ品質問題があるか」を定量的に押さえておくと、クレンジング後の効果を数値で示せます。Excelであれば重複の削除機能とCOUNTIF関数、SFAであればレポート機能で概算を出せます。

STEP3：クレンジング基準（ルール）を設計する

表記ゆれのルールを明文化します。法人格は前株・後株のどちらで揃えるか、「株式会社」と「（株）」のどちらを正とするか、電話番号はハイフンあり・なしのどちらにするか、都道府県名は必須か——といった粒度まで決めます。ここで決めたルールは、クレンジング作業だけでなく、今後の入力ルールとしてそのまま運用に載せます。

STEP4：クレンジングを実行する（正規化・補完・削除）

基準に沿って、一括で修正します。作業は「正規化（表記を揃える）」「補完（欠損を埋める）」「削除（不要・無効データを除く）」の3種類に分かれます。件数が数千件を超えると手作業では精度が落ちるため、関数やツールでの一括処理が現実的です。実行前には必ず元データのバックアップを取り、いつでも戻せる状態にしておきます。

STEP5：名寄せ（マッチング・統合）を行う

STEP6：検証と継続メンテナンス

統合結果をサンプリングで検証し、誤統合（別法人を1件にまとめてしまう）が起きていないかを確認します。そのうえで、月次・四半期ごとの定期的なクレンジング・名寄せサイクルを設けます。新規データが入り続ける以上、データ品質は運用でしか維持できません。SalesNowと連携することで、この継続メンテナンスを自動化できます。

Excelでデータクレンジングを行う方法｜関数と実務手順

ツール導入の前に、まずは手元のExcelでどこまでできるかを知っておくと判断が早くなります。数百〜数千件規模であれば、Excelの標準機能と関数の組み合わせで、表記ゆれの大半は解消できます。ここでは実務でそのまま使える関数と手順を示します。

データクレンジングで使うExcel関数一覧

Excelでのクレンジング実務手順

実際の作業は、次の順序で進めると手戻りが起きません。

1. 元データを複製してバックアップを取る：作業用シートを別に作り、元データには一切触れない
2. 不可視文字とスペースを落とす：作業列に =TRIM(CLEAN(A2)) を入れて全行に適用する
3. 半角・全角を揃える：電話番号や英数字の列に =ASC(B2) を適用し、カナは JIS で全角に統一する
4. 法人格の表記を統一する：=SUBSTITUTE(SUBSTITUTE(C2,"（株）","株式会社"),"㈱","株式会社") のように置換を重ねる
5. 重複を検出する：キー列に =COUNTIF($C$2:$C$5000,C2) を入れ、2以上の行を目視で確認する
6. 値として貼り付けて確定する：関数のまま残さず、値貼り付けで確定してから元の列と差し替える

順序が重要です。スペースや不可視文字を落とす前に重複検出をかけると、同じ社名が別物として扱われ、重複を見逃します。

Excelでできることの限界

Excelでのクレンジングは、次の3点で頭打ちになります。

• 件数：数万件を超えると関数の再計算が重くなり、作業そのものが現実的でなくなる
• あいまい一致：「日本電機」と「日本電機工業」のように、完全一致では判定できない類似社名を機械的に処理できない
• 継続性：新規データが入るたびに同じ作業を人手で繰り返す必要があり、担当者が変わると運用が止まる

Excelを使った名寄せ（VLOOKUP等での照合・統合）の手順と限界は「エクセルで名寄せする方法｜関数・手順・限界まで徹底解説」で詳しく解説しています。

法人番号を基準にしたデータクレンジング｜国税庁公表データの活用

社名や電話番号を頼りにクレンジングを続けている限り、表記ゆれとの追いかけっこは終わりません。この構造から抜け出す唯一の手段が、法人番号を軸に据えることです。法人番号は国税庁が法人等に1件ずつ指定する13桁の番号で、商号・本店所在地とあわせて国税庁 法人番号公表サイトで公表されており、誰でも検索・ダウンロードできます。

法人番号をキーにする3つの利点

• 表記に依存しない：「㈱ABC」「ABC株式会社」がどちらも同じ番号に紐づくため、表記ゆれの影響を受けない
• 公的に一意である：1法人1番号で重複がなく、社内の独自コードと違って部門間で解釈がぶれない
• 変更履歴を追える：社名変更や本店移転があっても番号は変わらないため、履歴を含めて同一法人として扱える

実務での付与手順

既存データへの法人番号の付与は、次の流れで進めます。まず社名・所在地でクレンジングを済ませ、公表データと照合して一意に定まるレコードに番号を付けます。次に、複数候補が出たレコードを所在地や電話番号で絞り込みます。最後に、どうしても定まらないレコードだけを人の目で確認します。この「機械で決まるものは機械に任せ、判断が要るものだけ人が見る」設計が、名寄せ運用を継続させる鍵です。

法人番号だけでは解けない問題

一方で、法人番号は万能ではありません。支店・営業所は本社と同じ番号になるため拠点単位の管理には別のキーが必要です。個人事業主には法人番号がなく、持株会社体制では事業会社ごとに番号が分かれます。屋号とブランド名で取引している企業も同様です。こうしたケースは、法人番号＋拠点コード＋グループ企業の親子関係という多層のキー設計で対応します。リードと取引先を企業単位でまとめ直す実装は「顧客データ統合とは？リードと取引先を企業単位に名寄せ・統合する方法」で詳しく解説しています。

データクレンジングの実行頻度とデータ品質KPIの設計

「定期的に実施しましょう」で終わってしまう記事が多いのですが、実務で必要なのは「何を測って、どのくらいの頻度で回すか」の具体です。ここを設計しておかないと、クレンジングは一度きりのプロジェクトで終わり、半年後には元の状態に戻ります。

データ品質を測る4つのKPI

実行頻度の目安

すべてを同じ頻度で回す必要はありません。工程ごとに頻度を分けます。

• 入力時（都度）：フォームの入力規則・必須項目設定・重複警告で、汚れたデータの流入自体を防ぐ
• 月次：新規登録分の重複検出と正規化。件数が少ないうちに処理すると負荷が小さい
• 四半期：全件を対象にした欠損補完と、外部データとの突き合わせによる鮮度更新
• 年次：入力ルール自体の見直しと、長期間動きのないレコードの棚卸し・削除判断

「入口で防ぐ」と「出口で直す」を組み合わせる

クレンジングの負荷を下げる最短ルートは、そもそも汚れたデータを入れないことです。フォームの選択式化、必須項目の設定、登録時の重複チェック、外部データベースからの自動補完といった入口対策を先に打ち、そのうえで定期クレンジングを回します。出口の掃除だけを続ける運用は、必ずどこかで破綻します。

データクレンジングが失敗する5つの落とし穴と回避策

データ整備のプロジェクトが途中で止まる原因は、技術的な難しさよりも進め方の設計にあることがほとんどです。よく見られる5つのパターンと、その回避策を挙げます。

落とし穴1：目的を決めずに全件を綺麗にしようとする

「とりあえず全部整える」と始めると、作業量が膨らんで途中で力尽きます。回避策は、最初に使う場面を1つに絞ることです。たとえば「今期のABM対象1,000社のデータだけを、業種・従業員数・部署直通の3項目まで整える」と決めれば、着地が見えます。

落とし穴2：バックアップと変更履歴を残さない

一括置換やマージは取り消しが効きません。実行前のスナップショットと、どのルールで何件を書き換えたかのログを必ず残します。誤ったルールを適用した場合でも、ログがあれば影響範囲を特定して戻せます。

落とし穴3：過剰統合（誤マージ）が起きる

社名の類似だけでマージすると、別法人を1件にまとめてしまいます。特にグループ企業や、同一商号の別法人で発生しやすい問題です。回避策は、法人番号のような一意キーの完全一致を優先し、あいまい一致は「候補提示にとどめて人が確認する」設計にすることです。

落とし穴4：一度きりで終わる

プロジェクトとして実施し、その後の運用を決めないまま解散するパターンです。前章のKPIと実行頻度をセットで決め、担当者と締切をカレンダーに載せるところまでを初回プロジェクトのスコープに含めます。

落とし穴5：ルールを決めずにツールだけ導入する

ツールは決めたルールを高速に適用する装置であり、ルールそのものを決めてはくれません。表記ルールと必須項目の定義を先に作り、その後にツールを選ぶ順序を守ることが、導入失敗を防ぐ最大のポイントです。

内製（Excel）・ツール・外注の判断軸と費用の見方

クレンジングの実行手段は、大きく3つに分かれます。どれが正解かはデータ件数と継続性の要件で決まり、多くの組織では「初回は外注、以降はツールで内製」といった組み合わせに落ち着きます。

3つの手段の比較

ツール活用の考え方

ツールは、正規化・名寄せに特化した専用型、SFA/CRMのアドオン型、企業データベースと連携してクレンジングと補完を同時に行う型など、性格が分かれます。選定の軸は「法人番号に対応しているか」「既存のSFAと標準連携できるか」「定期実行を自動化できるか」「欠損を外部データで補完できるか」の4点です。製品ごとの機能差とタイプ別の選び方は「データクレンジングツールおすすめ比較10選｜選び方とタイプ別に解説」で詳しく解説しています。名寄せ機能を軸に製品を比べたい場合は「【2026年最新版】名寄せツール比較おすすめ10選｜選び方・タイプ別・SFA連携で徹底解説」で詳しく解説しています。

外注・代行の費用はどう見るべきか

データクレンジングの代行費用は、公開価格を掲示していない事業者が多く、実際には見積もりで決まります。費用を比較するときに見るべきなのは「1件いくらか」ではなく「どこまでの工程が含まれているか」です。作業のグレードによって、同じ「1件あたり」でも中身がまったく異なります。

• グレード1：表記の正規化のみ（法人格・半角全角・フォーマット統一）。機械処理が中心で、単価は最も低くなる
• グレード2：正規化＋重複名寄せ。判定ロジックの設計と目視確認が入るため、工程が一段増える
• グレード3：外部データベース照合による欠損補完（業種・従業員数・売上・代表電話などの付与）。参照データの保有コストが価格に反映される
• グレード4：継続運用（月次での新規分クレンジングと鮮度更新）。都度作業ではなくサービスとして提供される

安い単価は、多くの場合「工程が浅い」ことの裏返しです。表記を整えただけのデータは、重複も欠損も残ったまま手元に戻ってきます。比較すべきは単価ではなく、整備後のデータで実際に商談が何件生まれたか——つまり商談1件あたりのコストです。接続率・商談化率まで含めて見ないと、安い発注ほど高くつきます。

SalesNowのメインプロダクトの料金は要問い合わせですが、導入検討の前段として、お手元のデータを対象にした名寄せ無償検証を提供しています。少量のリストを都度購入したい場合は、月額0円・1件50円（税込55円）から使えるSalesNow Liteという選択肢もあります。

SalesNowで実現するデータクレンジング・名寄せの自動化

ここまでの工程を人手だけで回し続けるのは現実的ではありません。SalesNowは、国内1,400万件超の企業・組織データベースを基準データとして、Salesforce・HubSpotなど既存SFAのデータを自動でデータクレンジング・名寄せするセールスインテリジェンスツールです。データの整備から営業活動での利用までを一気通貫でつなぐことを狙いとしています。

SalesNowのデータクレンジング・名寄せが選ばれる理由

① 法人番号基準の高精度名寄せ
SalesNowは法人番号を共通キーにした名寄せを実施します。「株式会社A」「A株式会社」「㈱A」など、表記揺れがあっても同一法人として正確に統合できます。名称や電話番号の揺れに左右されない、最も信頼性の高い名寄せ方式です。

② Salesforce・HubSpot標準連携
SalesNowはSalesforce・HubSpotとの標準連携機能を提供しており、既存のSFAデータにSalesNowのデータを自動付与・名寄せできます。API連携の設定が完了すれば、追加の手作業なく継続的にデータが整備されます。

③ 欠損情報の自動補完
SFA内の企業レコードに欠損している情報（業種・従業員数・売上規模・電話番号・住所など）を、SalesNowの1,400万件超のデータベースから自動で補完します。これにより、ターゲティング精度や分析精度が一段と向上します。

④ 継続的なデータ鮮度の維持
企業情報は絶えず変化します。移転・合併・社名変更・組織変更などに対応するため、SalesNowは日次230万件以上の更新を行っています。SFA連携を通じて、常に最新情報が反映された状態を維持できます。

SalesNowは企業データベース収録件数No.1・法人網羅率No.1（※）の評価を受けており、この網羅性がデータクレンジングにおける「照合できる率」の高さに直結しています。営業組織において「データ整備は営業の仕事ではない」と思われがちですが、現実には精度の悪いデータが営業活動の質を根本から損なっています。データ整備の次の一歩として、不足した企業情報を補うデータエンリッチメントについては「データエンリッチメントとは？意味・手法・進め方と実例」で詳しく解説しています。

※2025年10月期_企業データベースにおける市場調査　調査機関：日本マーケティングリサーチ機構

実装例1：SalesNowスコア×AIで名寄せを自動化する（GAS×Gemini）

SalesNowのカスタマーサクセス担当による自社内の運用検証では、名寄せ未完了の633件（複数候補361件＋候補なし272件）に対して、3段階のフィルタリングを適用することで422件（約67%）を自動で特定・名寄せできました。「人が頑張って名寄せする」運用から「データとAIを前提に名寄せが進む」運用構造への転換事例として、設計の核となる仕組みを順に解説します。

この検証の起点となったのは、SalesNowが各企業に付与する「SalesNowスコア」（企業の活発度を100点満点で示す独自指標）です。会社情報の更新・従業員数推移・求人出稿・ニュース／プレスリリース配信・上場状況の5データから算出されるこのスコアを「複数候補から1社を選ぶ判断材料」として使うことで、機械的な確度が大幅に上がりました。

初期データと3段階フィルタリングの全体像

検証時点でのデータ件数は、名寄せ完了済み6,908件に対して未完了が633件。内訳は「複数候補が表示されているが1社に絞れない」361件と「候補なし（SalesNow上で対応企業が見つからない）」272件です。これに対して以下の3段階で順に判定をかけました。

1. 一致判定：完全一致／部分一致が1件のみ存在する場合に採用
2. SalesNowスコア判定：複数候補がある場合は、SalesNowスコアが最も高い企業を推薦
3. AIリサーチ判定：候補なしのケースで、Googleスプレッドシート×GAS（GoogleAppScript）×Gemini 2.5 Flash（Grounding機能搭載）の組み合わせで「店舗名→運営元法人」のような推定を実行

最終的に内訳は、完全一致18件・部分一致2件・SalesNowスコア推薦351件・AI推薦51件・AI非法人判定200件となりました。「AI非法人判定」はレコード自体が法人ではなかった（個人事業主・店舗単位のレコード等）と判定されたケースで、これ自体も「次にどう運用するか」の意思決定材料になります。

STEP1：一致判定（完全一致／部分一致が1件のみ）

未完了レコードに対してSalesNow APIを呼び、検索結果を取得します。完全一致または部分一致の結果が1件のみであれば自動で確定。スプレッドシート上で根拠と共に値を埋めます。

STEP2：SalesNowスコア判定（複数候補から最高スコアを推薦）

SalesNowで複数候補が返ってきたケースでは、各候補のSalesNowスコアを比較し、最高スコアの企業を推薦します。実運用上、「同名企業が複数あって人手では判断できない」という典型的なボトルネックを、データ起点で機械的に解消できる箇所です。

STEP3：AIリサーチ判定（候補なしのケースをGeminiで推定）

SalesNow側で候補が出ないケースは、店舗名・サービス名のみが入力されている場合が多くを占めます。ここで、Gemini 2.5 FlashのGrounding機能（Google検索結果に基づく回答生成）を呼び出し、「店舗名→運営元法人」を推定。例えば「美BARI銀座（食べログ掲載店）→運営元：株式会社カカクコム」のような推定をAIが行います。

判定根拠を出力することで「失敗を次判断につなげる」設計

本実装の特徴は、判定結果だけでなく「なぜその判定になったか」の根拠を毎回出力している点です。SalesNowスコア・従業員数・次点候補とのスコア差分・AIの推論プロセスなどを併記することで、後から「この判定は正しかったか」を人が検証できます。

「AI非法人判定」のケースで「店舗単位レコードを法人レコードに統合しない／別管理する」といった判断や、「複数候補で次点とのスコア差が小さい場合は人手レビューに回す」といった運用フローを、根拠ログから設計できます。データ活用の「失敗パターン」を蓄積する仕組みとしても機能します。

実装例2：HubSpot×Insycleで会社レコードを10ステップで一括マージする

HubSpotに専用アプリ「Dedup by Insycle」をインストールし、SalesNow連携で付与されたJCコードをキーに会社レコードを一括マージする実装手順です。重複の検出から本番マージまで10ステップで実行でき、「親子会社の保護」「マージ上限設定」「Preview検証→本番」の三段構えで誤統合事故を防ぎます。

STEP1：カスタムレポートで重複候補を抽出する

HubSpotのカスタムレポートビルダーで会社レコードを対象にしたレポートを作成します。列に「SalesNow_JCコード」「SalesNow_企業名」「（カウント）会社」を配置し、（カウント）会社降順で並べることで、JCコードが同じ＝同一法人とみなされるレコードがいくつあるかを一覧で可視化できます。

STEP2：マージ対象と除外対象を仕分ける

抽出したグループを「マージ対象」（会社名完全一致または表記ゆれ）と「除外対象」（本社と拠点／親子会社など意図した別レコード）に仕分けます。ここで「意図した重複」と「不要な重複」の境界を引いておくことが、後段のフィルター設定の精度を決めます。

STEP3：除外用プロパティ「マージ除外」を準備する

会社オブジェクトに「マージ除外」というチェックボックス型カスタムプロパティを作成します。例外的に統合したくないレコード（例：拠点別管理が必要な企業）に手動でフラグを立てることで、安全装置として機能させます。

STEP4：Insycleをインストール＆ログインする

HubSpotマーケットプレイスから「Dedup by Insycle」をインストールします。app.insycle.com にアクセスして「Log in with HubSpot」を選択することで、HubSpotアカウントと連携されます。

STEP5：Find & Mergeで重複検出条件を設定する

Insycleの「Find & Merge」機能で重複検出条件を設定します。Field=「SalesNow_JCコード」／Comparison Rule=「Exact Match（完全一致）」／Match Parts=「Entire Value（値全体）」とすることで、JCコードが完全一致するレコード群が抽出されます。

STEP6：FILTERで企業グループ構造を保護する

FILTER機能で除外条件を設定します。「Parent Company doesn't exist」「Number of child companies less than 1」「マージ除外 doesn't exist」の3つを組み合わせ、親子会社関係を持つレコードや手動で除外フラグを立てたレコードを保護します。

STEP7：FIND実行で対象レコード数を確認する

「FIND」ボタンをクリックすると、条件に合致したレコード群が一覧表示されます。マージ対象数を事前に確認することで、「予想より多すぎる／少なすぎる」場合の条件見直しができます。

STEP8：BULK処理のマージ上限を「5」に設定する

BULK（一括処理）のマージ上限を「5」に設定します。これは「6件以上の重複は自動でスキップする」という安全装置で、設定ミスや異常データに起因する大規模な誤統合を防ぎます。本番運用で外せない設定です。

STEP9：マスターレコード選定ルールを優先順位で設定する

統合後に残すマスターレコードの選定ルールを優先順位で設定します。①Number of Associated Deals=highest（取引数最多）→②Company owner=exists（担当者あり）→③Create Date=earliest（作成日最古）の順に判定。「By Priority」モードを選ぶことで優先順位通りに評価されます。

この順番設計は「営業活動の実績が積まれているレコード（取引数最多）を最優先で残す」「次に担当者がアサインされているレコード、最後に作成日が古いレコード」という運用思想を反映しています。

STEP10：REVIEW（Preview検証）でCSVを目視確認してから本番実行する

REVIEW機能でMODE=「Preview」（検証）を選択し、メールアドレスを設定して「Run Now → All」で実行。CSVレポートがメールで届くので、「同一JCコードで正しくグループ化されているか」「別会社が混在していないか」「マスター選定が妥当か」「親子会社が保護されているか」を目視確認します。問題がなければMODE=「Update」に切り替えて本番マージを実行します。

本番運用では、最初に「CHUNK」モードで5件のみテスト実行し、結果を目視確認してから全件実行する流れが安全です。「BULK上限5＋Preview→本番」という三段構えで、誤統合事故を構造的に防げます。

実装例3：Salesforce 一致ルール×重複ルールで自動検知を運用化する

Salesforce標準機能の「一致ルール」と「重複ルール」を組み合わせ、SalesNow_JCコードをキーにレコード作成・編集時に自動で重複検知する実装手順です。SalesNow連携のデータ流入を妨げない設定（アラート無効・レポート有効）にすることがポイントで、検知から監視レポートまでを6ステップで構築できます。

STEP1：一致ルールを作成する（SalesNow_JCコード完全一致）

設定→一致ルール→新規ルールで、対象オブジェクト「取引先」・一致条件「SalesNow_JCコード」・一致メソッド「完全一致」を設定します。JCコードは企業単位でユニークなIDのため、完全一致で正確に判定できます。

STEP2：重複ルールを設定する（SalesNow連携を妨げない設計）

重複ルールでは、作成時／編集時=「許可」（レコード作成を止めない）／アラート=「無効」（ポップアップでSalesNow連携の自動取り込みを邪魔しない）／レポート=「有効」（検知ログは可視化）と設定します。「止めずに記録する」設計がSFA連携運用との両立の鍵です。

STEP3：「潜在的な重複」コンポーネントを取引先ページに追加する

Lightningアプリケーションビルダーで取引先レコードページを編集し、「潜在的な重複」コンポーネントを追加します。カードオプションで「カードを表示」を選択することで、ユーザーがレコードを開いたときに重複候補が画面上に表示されます。

STEP4：マージはウィザード形式で項目単位の値を選択

マージは「統合先選択→項目単位で値を選択→マージ実行」のウィザード形式で進みます。項目ごとに「どちらの値を残すか」を選べるため、「メールアドレスはレコードA、最終連絡日はレコードB」のような細かい判断が可能です。

STEP5：除外条件の追加（拠点別管理を保護）

拠点別管理を意図するレコード（例：NHK地方放送局のように、各拠点を独立した取引先として管理したいケース）は、重複ルールで「拠点JCコードが空白でない場合は除外」と設定します。「拠点JCコード」という別項目を作成し、入力されているレコードは重複判定から除外する設計です。

STEP6：監視レポートを構築する（カスタムレポートタイプ）

カスタムレポートタイプを作成し、主オブジェクト「取引先」・関連オブジェクト「重複レコード項目」とすることで、重複ルールが検知したログを一覧で監視できます。日次／週次でこのレポートを見るだけで、「どれくらい重複が発生しているか」「どの拠点に多いか」を把握でき、データ品質改善のPDCAが回ります。

SFA連携への影響を最小化しながら、重複の自動検知と運用監視を両立できる構成です。Salesforce標準機能のみで完結するため、追加コストがかからず、Insycleのような専用アプリと併用する場合も干渉なく運用できます。

SalesNow MCPで自然言語からクレンジング・名寄せを実行する

従来、データクレンジングと名寄せには専用ツールの設定・ルール定義・出力確認といった工程が必要でした。SalesNow MCPを使うと、Claudeなどの生成AIに自然言語で指示するだけで、企業データを参照しながらクレンジングと名寄せを一括処理できます。

SalesNow MCPは、国内1,400万件超の企業データと法人番号情報を生成AIが直接参照できる仕組みです。「このリストの表記ゆれを正規化し、重複を統合して」と指示するだけで、AIが法人番号ベースで判断します。

プロンプト例

「以下の企業リストを、SalesNowの法人データを参照しながら次の手順で整備してください：①表記ゆれの正規化（株式会社の前後表記、半角全角、誤字補完）、②法人番号ベースでの重複統合、③統合結果と判断根拠の出力。」

この指示でAIは、まずデータクレンジングに相当する正規化を行い、続いて法人番号で名寄せ判断を下します。一度の対話で「クレンジング→名寄せ」の2工程をまとめて実行できる点が、従来の個別ツール運用と最も違うところです。

従来手法との違い

• ルール定義が不要：表記ゆれの辞書や正規化ルールを事前に書かなくても、AIが文脈で判断する
• 判断根拠を提示できる：「法人番号一致／所在地一致／代表者名一致」など、なぜ統合したかをAIが自然言語で説明する
• 対話で精度調整できる：「子会社は親会社と統合しない」など追加ルールも自然言語で伝えられる

生成AIから法人データを呼び出す具体的な操作手順は「Claudeで法人検索する3つの方法｜MCPで1,400万社にアクセス」で詳しく解説しています。MCPの仕組みそのものと実装方法は「【2026年最新版】MCP×企業データ活用ガイド｜SalesNow MCPで実現する仕組み・実装・API連携」で詳しく解説しています。

まとめ

データクレンジングは、営業データ基盤の品質を左右する根本的な取り組みです。本記事の要点を整理します。

• データクレンジング：表記ゆれ・重複・欠損・陳腐化・フォーマット不統一を修正し、業務で使える品質まで引き上げる作業
• 名寄せとの違い：クレンジングは「1件のレコードの中身」、名寄せは「レコードとレコードの関係」を扱う。クレンジングを先に実施する順序が基本
• 手順：目的と品質基準の決定 → 現状調査 → ルール設計 → 実行 → 名寄せ → 検証と継続メンテナンスの6ステップ
• Excel：数千件規模までは TRIM・SUBSTITUTE・ASC・COUNTIF などで対応できるが、件数・あいまい一致・継続性の3点で限界がある
• 精度の鍵：法人番号を共通キーに据えることで、表記に依存しない照合が可能になる
• 運用：重複率・欠損率・正規化準拠率・鮮度をKPIに、入口対策と定期実行を組み合わせる

SalesNowは1,400万件超の企業データベースを基準に、法人番号を使った高精度なデータクレンジング・名寄せを自動化し、Salesforce・HubSpotとの標準連携で既存SFAのデータ整備を継続的に支援します。データクレンジングは「一度やったら終わり」ではなく、運用として継続することで初めて営業組織全体の成果底上げにつながります。