【2026年7月最新】Azure Data Factoryとは？Microsoft Fabricとの違い・ETL/ELT・料金・Claude Code活用を徹底解説
aikanri-admin
この記事の内容
「Azure Data Factoryを使い始めたが、Microsoft Fabricとの違いがよく分からない」「ADFとFabric、どちらを選べばよいか迷っている」という声がデータエンジニア・DX担当者から増えています。2024〜2026年はMicrosoftの開発焦点がAzure Data FactoryからMicrosoft Fabricへ移行しており、どちらを選ぶかは重要な技術的判断です。
この記事ではAzure Data Factory（ADF）の基礎からMicrosoft Fabricとの違い・料金・選択基準・実際の活用事例を徹底解説します。後半ではClaude Codeを活用したデータパイプライン開発の効率化についても紹介します。
代表菅澤
AI鬼管理山崎
01 OVERVIEW Azure Data Factoryとは：データ統合サービスの全体像 クラウドETL/ELTサービスとして何ができるかを非エンジニアにも分かりやすく解説
Azure Data Factory（ADF）はMicrosoft Azureが提供する「クラウドベースのデータ統合・ETL（Extract-Transform-Load）サービス」です。簡単に言うと、「バラバラな場所に散在するデータを集めてきて、ビジネスで使える形に整えて、分析・活用できる場所に届ける自動化パイプラインを作るツール」です。
例えば、「基幹システム（SAP）のデータ」「外部APIのデータ」「CSVファイル」「SalesforceのCRMデータ」を毎日自動で収集・加工し、データウェアハウス（Azure Synapse Analytics等）に格納する処理フローを、コードをほぼ書かずにGUIで設計・実行できます。
| ADFでできること | 具体的な内容 | 利用例 |
|---|---|---|
| データ収集（Extract） | 100以上のデータソース（SQL Server・Oracle・Salesforce・S3・REST APIなど）からデータを取得 | 本社と海外拠点の複数DBから売上データを毎日集める |
| データ変換（Transform） | Data Flowで列の追加・フィルタリング・結合・集計・形式変換等をノーコードで設計 | 受注データと顧客データを結合し、業界別集計表に変換 |
| データ転送（Load） | Azure Synapse・Data Lake・Blob Storage・SQL DBなどに結果を書き込む | 加工済みデータをBIツール（Power BI）が直接参照できるDWHに書き込む |
| パイプライン自動実行 | スケジュール・トリガー（ファイル到着・イベント等）で自動実行。エラー時の再試行・通知設定も可能 | 毎日深夜2時にデータ収集・加工を自動実行、エラー時はTeamsに通知 |
| 監視・ログ管理 | パイプラインの実行履歴・処理時間・エラー内容をAzure Monitor等で監視 | 本番処理の実行状況をダッシュボードで可視化、SLA違反を自動検知 |
ADFは「データエンジニアが使うツール」というイメージがありますが、2025〜2026年はGUIベースのData Flowが充実し、コーディング経験が少ないデータアナリスト・BI開発者でも利用できるようになっています。ただし、複雑なパイプラインや条件分岐・エラーハンドリングを実装する場合はPython・SQL等の知識が必要です。
📚 用語解説
ETL（Extract-Transform-Load）：データ統合の基本的な処理フロー。①Extract（抽出）：各種データソースからデータを取得する。②Transform（変換）：データの形式変換・クレンジング・統合・集計等の処理を行う。③Load（ロード）：変換後のデータを分析用のデータウェアハウス・データマートに書き込む。従来型のアプローチで、変換処理は専用の中間サーバーで行う。これに対してELT（Extract-Load-Transform）はデータをまず転送先（クラウドDWH）にロードし、DWH上で変換処理を行う、クラウド時代の新しいアプローチ。
02 ETL vs ELT ETL・ELT処理の違いとADFでの実装方法 変換を「転送前」か「転送後」かで選ぶ判断基準とADFでの実装
| 項目 | ETL（Extract-Transform-Load） | ELT（Extract-Load-Transform） |
|---|---|---|
| 処理順序 | ①抽出→②変換（中間サーバー）→③転送 | ①抽出→②転送（生データ）→③変換（DWH上） |
| 変換場所 | 専用の変換サーバー・ETLツール上で変換 | クラウドDWH（Synapse・BigQuery等）上でSQL変換 |
| 適合データ量 | 中〜大規模（数GB〜数TB） | 大規模〜超大規模（数TB〜PB規模） |
| 処理速度 | 変換してから転送するため転送データ量は少ない | クラウドDWHの高い並列処理能力で高速変換 |
| コスト | ETLサーバーの維持コストがかかる | DWH上の処理コストが主（クラウドリソース料金） |
| 適したケース | オンプレミスDB・複雑な変換・データマスキングが必要 | 新規クラウドDWH・大規模データ・シンプルな変換 |
ADFはETLとELTの両方に対応しています。ETLアプローチではADF内の「Data Flow」機能でグラフィカルに変換処理を設計できます。ELTアプローチでは生データをAzure Data Lake StorageやSynapse Analyticsに高速転送し、SQL On-Demandで変換処理を行う設計が一般的です。2025〜2026年のクラウドネイティブな新規プロジェクトではELTアプローチが主流になっています。
SQL・CSV・API
Salesforce等
ADFがデータを
高速転送
生データを
まず格納
DWH上で
SQLで変換
分析・
ダッシュボード
📚 用語解説
パイプライン（Pipeline）：Azure Data Factoryにおける「一連の処理ステップをまとめた自動化ワークフロー」。複数の「アクティビティ（個別処理ステップ）」を繋げて構成する。例：「①データソースからデータをコピー→②Data Flowで変換→③変換結果をDWHに書き込み→④成功/失敗をTeamsに通知」という4ステップをつなげたものがパイプライン。スケジュール・イベントトリガーで自動実行したり、手動で実行したりできる。Microsoft FabricのData FactoryもADFと同様のパイプライン概念を採用している。
03 ADF vs FABRIC Azure Data Factory vs Microsoft Fabric：2つのData Factoryの違い 2026年時点での選択指針と移行を検討すべきケース
2023年以降、MicrosoftはAzure Data Factoryの後継・拡張としてMicrosoft Fabric（マイクロソフト ファブリック）を発表し、積極的に投資を続けています。現在は「Azure Data Factory」と「Microsoft Fabric内のData Factory」という2つのData Factoryが存在し、混乱を招いています。
| 比較項目 | Azure Data Factory（ADF） | Microsoft Fabric Data Factory |
|---|---|---|
| 提供形態 | AzureのPaaS（独立したサービス） | Microsoft FabricのSaaS（統合分析基盤の一部） |
| 主な対象ユーザー | データエンジニア・ITプロ | データエンジニア・BI開発者・市民開発者 |
| コンポーネントとの連携 | Synapse・Data Lake等、個別に設定が必要 | Lakehouse・Warehouse・Power BI等が統合・シームレス連携 |
| 機能の充実度（2026年） | アクティビティ数が多く・複雑な処理に対応 | ADFの約90%の機能を持ち、AI機能・Copilotが追加 |
| 課金方式 | DIU（Data Integration Unit）単位で実行課金 | Fabricキャパシティ（F SKU）で統合課金 |
| 既存ADFとの関係 | 現在の環境そのまま利用継続可能 | ADFパイプラインをFabricに移行するツールが提供 |
| 推奨ケース | 既存Azure環境との深い統合・複雑なイベント駆動型ETL | 新規プロジェクト・エンドツーエンドの分析基盤・Power BI多用環境 |
| Microsoftのロードマップ | 継続サポートあり・新機能はFabric優先 | 2026年以降の新機能追加はFabricに集中 |
2026年時点でのMicrosoftの方針は明確で、「新規プロジェクトはFabric Data Factoryを推奨し、ADFは既存環境の継続サポートを維持」というポジションです。ADFで利用可能なアクティビティの約90%がFabric Data Factoryでも利用可能になっており、機能の差は縮まっています。
「Microsoftが新しいものを推しているから」という理由だけでADFからFabricへ移行するのは危険です。移行には既存パイプラインのリファクタリング・テスト・監視設定の再設計が必要で、相応のコストと時間がかかります。既存ADFが安定稼働している環境では、「新機能が必要になったタイミング」または「大規模な分析基盤の再設計」の機会に移行を検討するのが現実的です。
📚 用語解説
Microsoft Fabric（マイクロソフト ファブリック）：Microsoftが2023年に発表したエンドツーエンドのクラウド分析プラットフォーム。Data Factory（データ統合）・Data Engineering（Spark・Notebook）・Data Warehouse（SQL分析）・Real-Time Analytics（ストリーミング）・Power BI（BI・可視化）・Data Science（機械学習）を一つの統合環境として提供する。OneLake（単一のデータレイク）を中心に全コンポーネントがデータを共有するアーキテクチャが特徴で、従来はバラバラに管理していたデータ基盤を統合できる。2025〜2026年はMicrosoftが最も注力する製品群。
04 COMPONENTS 主要コンポーネント：パイプライン・アクティビティ・データセット・リンクサービス Azure Data Factoryを構成する4つの要素の役割と関係性
Azure Data Factoryを使いこなすには、4つの主要コンポーネントの役割と関係性を理解することが重要です。
| コンポーネント | 役割 | 具体例 |
|---|---|---|
| パイプライン（Pipeline） | 一連のアクティビティ（処理ステップ）をまとめた自動化ワークフロー単位。実行・スケジュール・監視の単位 | 「毎朝8時に売上データを収集→変換→DWHに格納→Teams通知」という一連の流れ |
| アクティビティ（Activity） | パイプライン内の個別処理ステップ。コピー・変換・Spark実行・ストアドプロシージャ呼び出し等 | Copy Activity（データコピー）・Data Flow（変換）・Execute Pipeline（他パイプライン呼び出し） |
| データセット（Dataset） | 入力・出力データの「構造定義」。実際のデータではなく、「どのような形式のデータか」を定義する | 「SQL Serverの"sales"テーブル」「Blob StorageのCSVファイル（ヘッダーあり、カンマ区切り）」など |
| リンクサービス（Linked Service） | データソース・転送先への「接続情報」の定義。認証情報・URLを一か所で管理 | 「AzureSQLDatabase：接続文字列＋認証情報」「SalesforceOrg：URLとOAuthトークン」など |
これら4つの関係性は、「リンクサービス（接続設定）」→「データセット（データの形式定義）」→「アクティビティ（処理）」→「パイプライン（処理の束）」という構造です。パイプラインを作成する際は「まずリンクサービスで接続先を設定し、次にデータセットで使うデータを定義し、アクティビティで処理を定義し、パイプラインで繋ぐ」という順序で作業します。
接続先の認証情報
URLを定義
データ形式・
テーブル・ファイル指定
コピー・変換・
処理ロジック構築
アクティビティを
繋いでフロー完成
スケジュール・
イベント駆動で自動化
📚 用語解説
Integration Runtime（統合ランタイム）：Azure Data Factoryがデータ移動・変換を実際に実行するコンピューティング基盤。3種類ある。①Azure IR：Azureクラウド上で動作。クラウド間のデータ移動に使う。②Self-Hosted IR：オンプレミスや別のVNet内に設置して、社内DBなどプライベートネットワーク内のデータに接続するために使う。③Azure-SSIS IR：従来のSQL Server Integration Services（SSIS）パッケージをクラウドで実行するためのもの。オンプレミスから移行する際に既存SSISパッケージをそのまま活用できる。
05 PRICING 料金体系と費用最適化の方法 ADFの課金構造を理解し、コストを最小化するための設計ポイント
Azure Data Factoryは使用量ベースの従量課金制です。主な課金項目は以下の4つで、設計・実装の方法によってコストが大きく変わります。
| 課金項目 | 内容 | 単価（東日本リージョン・参考） |
|---|---|---|
| オーケストレーション | パイプライン実行数・アクティビティ実行数に対して課金 | 1,000アクティビティ実行あたり約$0.001〜$0.01（オーケストレーションの種類による） |
| データ移動（Copy Activity） | Copy Activityで移動したデータ量（GB）に対して課金。DIU（Data Integration Unit）×時間で計算 | 1 DIU×1時間あたり$0.25程度（Azure IR）。Self-Hosted IRは別途料金 |
| Data Flow（変換処理） | Data Flowの実行時間×クラスターのコア数で課金。General Purpose・Memory Optimizedを選択可能 | 4コア×1時間あたり$0.20程度（都度実行）。予約購入で最大35%削減 |
| Self-Hosted IR | オンプレミスや専用VNet内でのデータ移動に使うランタイムの実行時間 | 1コア×1時間あたり$0.10程度（オーバーヘッド料金） |
Microsoft FabricはキャパシティベースのSKU（F2〜F2048）で課金するため、ADFの実行ベース課金とは根本的に異なります。Power BIプレミアムを既に契約している企業は、そのキャパシティでFabricも使える場合があり、追加コストなしでFabric Data Factoryを使い始められる可能性があります。Fabricへの移行検討時は、現在のADF実行コストとFabricキャパシティ費用を比較試算することをお勧めします。
06 USE CASES ユースケース別の活用事例：製造・金融・小売・医療 業界別のAzure Data Factory・Microsoft Fabricの実際の活用事例
Azure Data Factory・Microsoft Fabricは、業界を問わず広く活用されていますが、業界ごとに典型的なユースケースと設計パターンがあります。以下では4業界の主要活用事例を紹介します。
| 業界 | ADFの活用事例・課題 | 構成パターン | 成果 |
|---|---|---|---|
| 製造業 | 工場のIoTセンサーデータ（数百〜数千センサー）をリアルタイムで収集・分析。設備異常の予兆検知と予防保全を実現 | IoT Hub→Event Hub→ADF（ストリーミング）→Azure Synapse→Power BI | 設備停止時間40%削減・点検コスト30%削減 |
| 金融 | 複数の勘定系システム（オンプレミスDB）から毎日データを収集・統合し、規制当局へのレポーティングを自動化 | 自社DBサーバー（Self-Hosted IR）→ADF→Azure SQL Database→Power BI | レポート作成工数80%削減・エラーゼロ化 |
| 小売・EC | POS・ECサイト・物流・CRMの顧客行動データを統合し、セグメント別売上分析・需要予測AIに活用 | POS/EC API→ADF→Data Lake→Synapse Analytics→機械学習→推薦システム | 在庫最適化で廃棄ロス25%削減・レコメンド精度向上 |
| 医療 | 複数の電子カルテシステム・医療画像サーバーのデータを安全に統合し、臨床研究・品質管理に活用 | 院内サーバー（Self-Hosted IR）→ADF→Azure Health Data Services→分析 | 臨床研究データ集計時間90%削減・HIPAA準拠のデータ管理 |
特に製造業のIoT×ADF活用は2024〜2026年に急速に進みました。従来は手動で収集・Excelで集計していたセンサーデータを、ADFで自動収集・Azure Machine LearningのAIモデルで異常検知することで、「設備が壊れる前に予防的にメンテナンス」する予知保全が実用化されています。
📚 用語解説
OneLake（ワンレイク）：Microsoft Fabricの中核となるデータレイク。Fabricの全コンポーネント（Data Factory・Data Engineering・Data Warehouse・Power BI等）が単一のデータストレージを共有することで、データのコピー・移動が不要になる。「一つの湖（Lake）に全データが集まる」というコンセプトで、従来はサービスごとに別々のストレージを用意する必要があったAzureの複雑さを解消する。Azure ADFとの最大の違いの一つで、Fabricに移行することでデータの重複管理・転送コスト・スキーマ整合性の問題を大幅に削減できる。
07 LEARNING PATH ADF・Fabricの始め方と学習ロードマップ 入門者から上級者までの学習パスと習得に必要なスキル
Azure Data FactoryとMicrosoft Fabricを習得するには、段階的な学習ロードマップが効果的です。特にデータエンジニアとして活躍するには、ADFの操作スキルだけでなく、SQL・Python・クラウドアーキテクチャの知識が必要です。
| 学習ステージ | 習得スキル・知識 | 学習方法 | 目安期間 |
|---|---|---|---|
| 入門（Level 1） | クラウド基礎・Azure基礎（Azureポータル操作）・SQL基礎・ETL概念の理解 | Microsoft Learn（無料）・AZ-900試験対策 | 1〜2ヶ月 |
| 基礎（Level 2） | ADFでシンプルなCopy Activityパイプライン作成・Linked Service設定・スケジュールトリガー | Microsoft Learn ADF学習パス・Azure無料試用版で実機演習 | 1〜2ヶ月 |
| 応用（Level 3） | Data Flowでの変換処理設計・パラメータ化・エラーハンドリング・監視・コスト管理 | DP-203（Azure Data Engineer）試験対策・実際のプロジェクト参加 | 2〜4ヶ月 |
| 上級（Level 4） | Microsoft Fabric全体の理解・OneLake設計・Spark Notebook・Synapse統合・CI/CDパイプライン | DP-600（Microsoft Fabric Analytics Engineer）試験・実務プロジェクト | 3〜6ヶ月 |
学習にあたっては「実際にAzureアカウントを作って動かす」ことが最も重要です。Azureは無料試用版（最初の30日間$200クレジット）を提供しており、ADFも含めた多くのサービスをコストなしで試せます。理論だけ学んでも実際のパイプライン設計・デバッグのスキルは身につかないため、必ずハンズオンを並行して行いましょう。
AZ-900・
Microsoft Learn
無料試用版で
パイプライン作成
Data Flow・
エラーハンドリング
Azureデータ
エンジニア認定
DP-600・
OneLake設計
08 CLAUDE CODE Claude Codeを使ったデータパイプライン開発の効率化 ADFのJSONパイプライン・SQL・Pythonコード生成でエンジニアの開発速度を向上
データエンジニアがAzure Data Factory・Microsoft Fabricでパイプラインを開発する際、Claude Codeを活用することで大幅な時間削減が可能です。特にボイラープレートコードが多いADFの開発では、AIアシスタントの効果が高い領域です。
| 活用シーン | Claude Codeでできること | 具体的な指示例 | 効率化効果 |
|---|---|---|---|
| ADFパイプラインのJSONテンプレート生成 | パイプライン定義のJSONをゼロから生成。複数アクティビティ・エラーハンドリング・パラメータ化込み | 「BlobからSQL DBにコピーするADFパイプラインのJSONテンプレートを書いて。エラー時のTeams通知も含めて」 | 手動作成の70〜80%時間削減 |
| Data FlowのSQLクエリ最適化 | Data Flow内で使うSQL変換クエリの最適化・デバッグ | 「このData Flowのクエリが遅い原因を分析して。最適化案を3つ提示して」 | クエリ最適化時間50%削減 |
| Self-Hosted IRのセットアップスクリプト | PowerShell・Bashでのインストール・設定スクリプトを生成 | 「Self-Hosted IRをWindows Serverにインストールするためのセットアップスクリプトを書いて」 | セットアップ時間60%削減 |
| ARMテンプレート・Bicep生成 | ADFリソースをIaC（インフラコード化）するARMテンプレートを生成 | 「ADFとData Lake StorageをBicepでデプロイするテンプレートを書いて」 | テンプレート作成時間70%削減 |
| エラーログ解析 | ADFの実行ログ・エラーメッセージから原因と解決策を特定 | 「このADFエラーログの原因と解決方法を教えて：[エラーメッセージを貼り付け]」 | デバッグ時間40〜60%削減 |
特に効果が大きいのは「エラーハンドリング付きパイプラインのJSONテンプレート作成」です。ADFのパイプラインJSONは複雑な構造を持ち、正しいスキーマを手動で書くのは時間がかかります。Claude Codeに「このパイプラインを作りたい」と自然言語で説明すると、ADFのJSONテンプレートとして出力されるため、そのままAzureポータルにインポートして使えます。
代表菅澤
AI鬼管理山崎
Azure Data Factory・Microsoft Fabric導入のご相談はGENAIへ
Claude Codeを活用したデータ基盤設計・ADFパイプライン開発の効率化。GENAI AI鬼管理がデータエンジニアリングチームの生産性向上をサポートします。
NEXT STEP
この記事の内容を、あなたのビジネスで
実践してみませんか？
AI活用を自社で回せるようになりたい方へ
AI鬼管理
Claude Code・Cowork導入支援から業務設計・社内浸透まで実践ベースで伴走。「自社で回せる組織」を90日で作る経営者向けトレーニング。
よくある質問
Q. Azure Data FactoryとAzure Synapseはどう違いますか？
A. Azure Synapse Analyticsは「データウェアハウス（SQL分析）・Spark処理・ML・Power BI統合・パイプライン」を1サービスに統合したプラットフォームです。Synapse内にもパイプライン（ADF相当）機能があります。ADFは単体のデータ統合・ETLサービスで、他のAzureサービス（Synapse・Data Lake等）と連携して使います。新規プロジェクトでは「Synapseですべて完結させる」か「ADF＋別のDWH」かを選択することになりますが、2026年ではMicrosoft Fabricへの移行が推奨トレンドです。
Q. Azure Data Factoryは初心者でも使えますか？
A. GUIベースの操作（Copy Activity・パイプライン設計）は比較的習得しやすく、SQL・JSONの基礎知識があれば入門できます。ただし、Data Flow（変換処理）・Self-Hosted IR設定・エラーハンドリング設計・コスト最適化は中〜上級者向けの知識が必要です。学習はMicrosoft Learnの無料コース（日本語対応）から始め、Azureの無料試用版で実機演習することをお勧めします。
Q. Microsoft Fabricへ移行した方がいいですか？今ADFを使っています。
A. 急いで移行する必要はありません。ADFは引き続きMicrosoftのサポートが続きます。移行を検討すべきタイミングは①大規模なデータ基盤再設計を行う時②Power BIとの統合をより緊密にしたい時③新しいAI・Copilot機能を活用したい時です。既存ADFが安定稼働している場合は「現状維持で運用を続け、次の大きな再設計時にFabricを検討する」のが現実的なアプローチです。
Q. ADFのコストが予想より高くなってしまいました。原因は何ですか？
A. 主な原因は①Data Flowのクラスターサイズが過剰（デフォルトの大きいサイズのまま使っている）②パイプライン実行頻度が必要以上に高い③Self-Hosted IRが常時起動状態になっている④テスト・デバッグ用パイプラインが本番同様の頻度で実行されている、の4つです。Azure Cost Management（コスト管理ポータル）でリソース別・日別のコストを分析し、Data Flowのクラスターサイズ削減・不要なパイプラインの停止から始めることをお勧めします。
Q. Azure Data Factoryの認定資格はありますか？
A. ADFを含むデータエンジニアリングスキルを認定する「DP-203（Microsoft Certified: Azure Data Engineer Associate）」があります。Azure Synapse Analytics・ADFのパイプライン設計・Data Lake設計等が試験範囲です。Microsoft Fabricに特化した「DP-600（Microsoft Certified: Fabric Analytics Engineer Associate）」も新設されており、2026年以降のデータエンジニアには両方の取得が有利です。
Q. Claude CodeはAzure Data Factoryの開発に使えますか？
A. はい。ADFのパイプラインJSONテンプレートの生成・Data FlowのSQL変換クエリの最適化・Self-Hosted IRセットアップスクリプト（PowerShell）・ARMテンプレート/Bicepでのインフラコード化・エラーログの原因解析などに活用できます。「このデータパイプラインを作りたい」と自然言語で説明するだけで、ADF向けのJSONや関連するPythonコードを生成してくれます。Claude Codeで出力されたコードを土台にカスタマイズすることで、ゼロから書くよりも大幅に開発時間を削減できます。
Claude Codeで業務自動化を90日で叩き込む
経営者向けの伴走型パーソナルトレーニング
Claude Code を業務に落とし込む
専門研修コース一覧
受講者本人の業務を題材に、「使いこなせる」状態になるまで伴走する研修プログラム。1対1特化型・ハンズオン・法人講座の3コースを展開中。業務特化・実装まで踏み込むタイプのClaude Code研修です。
研修コース一覧を見る →AI鬼管理へのお問い合わせ
この記事を読んで気になった方へ。
AI鬼管理の専門スタッフが、御社に最適な
業務自動化プランを無料でご提案します。
- AI業務自動化サービス「AI鬼管理」を運営 — Claude Code を活用し、経営者の業務を「AIエージェントに任せる仕組み」へ転換するパーソナルトレーニングを 伴走構築 で提供。日報・採用・問い合わせ対応・経費精算・議事録・データ集計・営業リスト等の定型業務を、AIに代行させる体制を経営者と一緒に作り込む
- Claude Code 実装ノウハウを 経営者・法人クライアント に直接指導。生成AIを「便利ツール」ではなく 「業務を任せる存在」 として運用する手法を体系化
- 「やらせ切る管理」メソッドの開発者。シンゲキ株式会社（2021年設立・鬼管理専門塾運営）にて累計3,000名以上の学習者を志望校合格に導いた管理メソッドを、AI × 経営者支援 に転用
- 著書『3カ月で志望大学に合格できる鬼管理』(幻冬舎)、『親の過干渉こそ、最強の大学受験対策である。』(講談社)
- メディア出演: REAL VALUE / カンニング竹山のイチバン研究所 / ええじゃないかBiz 他
- 明治大学政治経済学部卒
