【2026年7月最新】メダリオンアーキテクチャとは？データ基盤づくりの基本と、AIで内製化する現実的な進め方
aikanri-admin
この記事の内容
「メダリオンアーキテクチャ」という言葉を、DX推進やAI導入の会議で耳にしたことはないでしょうか。データエンジニアが使う専門用語のように聞こえますが、実はAIを business で本気で活用したい経営者ほど知っておくべき考え方です。
この記事では、メダリオンアーキテクチャの基本概念を非エンジニアにも分かる言葉で解説し、従来のデータ管理手法との違い、実装プラットフォームの選び方、そして企業が導入でつまずくポイントまでを整理します。さらに、データエンジニアを大勢揃えなくても、AIの力を借りて少人数でデータ基盤を整備する現実的な方法まで、株式会社GENAIの視点でお伝えします。
代表菅澤
AI鬼管理山崎
この記事を最後まで読むと、次の6つが明確になります。
01 WHAT IS MEDALLION メダリオンアーキテクチャとは何か 「素材→加工→完成品」の3段階でデータを整える考え方
メダリオンアーキテクチャとは、社内に散らばるデータをBronze（生データ）→ Silver（整形済みデータ）→ Gold（分析・活用可能なデータ）という3段階のレイヤーに分けて管理する、データ基盤の設計パターンです。「メダリオン」は金メダル・銀メダル・銅メダルのような色分けに由来しており、データが段階を経るごとに品質が磨かれていくイメージを表しています。
📚 用語解説
メダリオンアーキテクチャ：データをBronze（生データ）・Silver（整形済み）・Gold（分析用に集計済み）の3層に分けて段階的に整備するデータ基盤の設計パターン。Databricks社が提唱し、現在ではMicrosoft Fabricなど複数のプラットフォームで標準的な考え方として採用されている。
1-1. 業務にたとえるとイメージしやすい
この仕組みは、製造業の工程にたとえるとイメージしやすくなります。Bronzeは「入荷したばかりの原材料」、Silverは「検品・加工を終えた部品」、Goldは「出荷できる完成品」という関係です。原材料をそのままお客様に渡すことはできないように、生データもそのままでは経営判断や分析に使えません。段階を踏んで磨き上げる必要があるのです。
1-2. なぜこの考え方が広まったのか
従来、多くの企業はデータを「とりあえず溜め込む場所」と「きれいに整えて分析する場所」を明確に分けずに運用してきました。その結果、「どのデータが正しい最新版か分からない」「同じ集計をするのに毎回一から作業し直す」といった問題が頻発していました。メダリオンアーキテクチャは、この混乱を段階的な整理によって解消するための考え方として広まりました。
Bronze・Silver・Goldは「保存場所」ではなく「データの磨き上げ段階」を表す考え方です。物理的にどこに保存するかより、「今のデータはどの段階まで整っているか」を意識することが本質です。
02 WHY IT MATTERS なぜ今、経営者もこの言葉を知っておくべきか AI活用の成否は「データの整い方」で決まる
生成AIやAIエージェントの導入を検討する企業が急増していますが、実際に導入してみると「AIに読み込ませたいデータが、そもそも整理されていない」という壁にぶつかるケースが非常に多く見られます。AIがどれだけ優秀でも、入力されるデータの質が低ければ、出力される答えの質も低くなります。
「良いAI」より先に「良いデータ」が必要という原則は、生成AI時代でも変わりません。メダリオンアーキテクチャは、その「良いデータ」を段階的に作り出すための現実的な設計図です。
2-1. 「AIを入れたのに使えない」の原因の多くはデータ側にある
AI導入プロジェクトが期待した成果を出せない理由として、AIモデルそのものの性能不足よりも、「そもそも読み込ませるデータがバラバラ・重複・古いまま」という問題の方が圧倒的に多く見られます。売上データが部署ごとに別フォーマットで管理されている、顧客情報が複数のExcelファイルに分散している、といった状態では、AIに何を聞いても信頼できる答えは返ってきません。
📚 用語解説
データガバナンス：組織内のデータが「誰が」「いつ」「どのように」作成・更新・利用してよいかを定めるルールや管理体制のこと。データの品質や信頼性を保つための土台となる考え方で、メダリオンアーキテクチャのような段階的整備はガバナンスを実現する具体的な手段のひとつ。
2-2. 経営者が理解すべきは「技術」ではなく「段階」
経営者自身がSQLを書けるようになる必要はありません。ただし、「自社のデータが今どの段階にあるのか」を把握しておくことは、AI投資の判断材料として非常に重要です。「うちのデータはまだBronze（生データ）の段階だから、AI活用の前にSilverまで整える投資が必要だ」といった判断ができるようになるだけで、無駄な投資を避けられます。
代表菅澤
03 THREE LAYERS Bronze・Silver・Goldそれぞれの役割 3つの層が担う具体的な役割を理解する
ここからは、Bronze・Silver・Goldの3層それぞれが具体的に何を担うのかを掘り下げます。
3-1. Bronze層：ありのままの生データを溜める
Bronze層は、業務システム・Excel・センサー・ログなど、あらゆる場所から集めた加工前の生データをそのままの形で保存する層です。「まだ汚くても、間違っていても、とにかく元の状態のまま残す」ことが重要で、後から「元データはどうだったか」を確認できる状態を保つ役割があります。
3-2. Silver層：重複を除き、形式をそろえる
Silver層では、Bronze層のデータから重複データの除去・欠損値の補完・フォーマットの統一といった「整形」作業を行います。例えば「A店」「a店」「エー店」のように表記がバラバラだったデータをひとつに統一する、日付の形式を揃える、といった作業がこの段階に当たります。この層まで来ると、複数のデータを横断して扱える状態になります。
3-3. Gold層：意思決定・分析にすぐ使える形にする
Gold層は、経営会議の資料やダッシュボード、AIによる分析にそのまま使える集計済み・要約済みのデータです。「今月の部門別売上」「顧客セグメント別のリピート率」など、目的に応じて加工された最終形がここに置かれます。多くの企業がAIに期待しているのは、実はこのGold層の状態のデータを扱う場面です。
生データ
そのまま保存
重複除去
形式統一
集計・要約
分析にすぐ使える
| 層 | 状態 | 主な作業 | 利用者 |
|---|---|---|---|
| Bronze | 生データ・未加工 | 収集・そのまま保存 | データエンジニア |
| Silver | 整形済み・重複除去済み | クレンジング・統合 | データアナリスト |
| Gold | 集計済み・要約済み | 目的別の加工・可視化 | 経営層・現場担当者・AI |
「Gold層だけあれば十分」と考えがちですが、Bronze層で元データを残しておかないと、後から集計方法を見直したいときに元に戻れなくなります。3層すべてを維持することが、長期的なデータ活用の柔軟性を保ちます。
04 VS TRADITIONAL 従来のデータ管理手法との違い データウェアハウス・データレイクとの関係を整理する
メダリオンアーキテクチャを理解する上で欠かせないのが、従来からある「データウェアハウス」「データレイク」との関係です。
📚 用語解説
データウェアハウス：整理・集計済みのデータを、分析や意思決定のために格納する専用のデータベース。構造化されたデータを高速に検索・集計できる一方、あらかじめ決まった形式のデータしか扱いにくいという制約がある。
📚 用語解説
データレイク：形式を問わず、あらゆる種類のデータをそのまま大量に保存できる貯蔵庫のような仕組み。柔軟性は高いが、整理をしないまま溜め込むと「何がどこにあるか分からない沼」になりやすいという弱点がある。
📚 用語解説
データレイクハウス：データレイクの柔軟性とデータウェアハウスの整理・分析のしやすさを両立させた仕組み。メダリオンアーキテクチャは、このデータレイクハウスを実現するための具体的な設計パターンとして使われる。
従来は「レイク（何でも溜め込む）」と「ウェアハウス（整理して分析する）」を別々のシステムとして運用するのが一般的でした。しかしこの2つを別システムにすると、データを行き来させるたびにコピー・変換の手間が発生し、どちらが最新か分からなくなるという問題が起きやすくなります。
| 方式 | 柔軟性 | 分析のしやすさ | 弱点 |
|---|---|---|---|
| データウェアハウスのみ | 低い（決まった形式のみ） | 高い | 想定外のデータ形式に対応しにくい |
| データレイクのみ | 高い（何でも保存可） | 低い（未整理のまま） | 整理されず「データの沼」になりやすい |
| メダリオンアーキテクチャ | 高い（Bronzeで何でも受け入れ） | 高い（Goldまで整形） | 設計・運用の初期コストがかかる |
メダリオンアーキテクチャは、この2つの「良いとこ取り」をした設計と言えます。Bronze層でデータレイクのように何でも受け入れつつ、Silver・Gold層でデータウェアハウスのように整理された状態を作る、という段階的なアプローチによって、柔軟性と分析のしやすさを両立させています。
AI鬼管理山崎
📚 用語解説
ETL / ELT：データを抽出（Extract）・変換（Transform）・格納（Load）する一連の処理のこと。従来は変換してから格納する「ETL」が主流だったが、近年はまず生データを格納してから必要な分だけ変換する「ELT」が主流になりつつあり、メダリオンアーキテクチャもこのELTの考え方に近い。
4-1. なぜ「先に変換」から「先に格納」へ移り変わったのか
従来のETLでは、データを格納する前に変換ルールを厳密に決める必要がありました。しかし、事業環境の変化が速い現在では、「後になって必要になったデータ項目」が次々と出てくるのが実情です。変換ルールを先に固定してしまうと、そうした後からの要望に対応できず、都度システムを作り直すことになります。
ELT（先に格納してから変換する方式）であれば、Bronze層に生データをそのまま残しておくため、後から新しい集計軸や分析視点が必要になっても、元データに立ち返って作り直すことができます。この「やり直しがきく」という特性が、変化の速い事業環境において重視されるようになった大きな理由です。
「今すぐ完璧な設計をする」のではなく「後から修正できる余地を残す」という発想が、変化の速い時代のデータ基盤づくりでは重要になります。
05 PLATFORM CHOICE 実装プラットフォームの選び方 Databricks・Microsoft Fabricなど、どれを選ぶべきか
メダリオンアーキテクチャは考え方（設計パターン）であり、実際に構築するには専用のプラットフォームが必要です。代表的な選択肢を紹介します。
| プラットフォーム | 特徴 | 向いている組織 |
|---|---|---|
| Databricks | メダリオンアーキテクチャの提唱元。大規模データ処理に強い | データ量が多く、専門のデータエンジニアがいる組織 |
| Microsoft Fabric | Microsoft 365・Power BIとの統合が強力 | 既にMicrosoft製品を中心に使っている組織 |
| クラウドベンダー各社のサービス | AWS/Google Cloud等の個別サービスを組み合わせ | 既存のクラウド環境を活かしたい組織 |
5-1. 中小企業にとってのハードル
これらのプラットフォームは、いずれも本格的な導入には専門知識を持つデータエンジニアと、相応の初期投資が必要になります。大企業であれば専門チームを組成できますが、中小企業や非エンジニア中心の企業にとっては、このハードルの高さが導入をためらう最大の理由になっています。
メダリオンアーキテクチャの「考え方」自体は、大規模な専用プラットフォームがなくても、Excelやスプレッドシート、軽量なデータベースの範囲でも部分的に実践できます。まずは「生データを別で残す」「整形済みシートを分ける」という発想だけでも取り入れる価値があります。
5-2. 料金体系の考え方
DatabricksやMicrosoft Fabricの料金は、多くの場合「処理したデータ量」や「計算に使ったリソースの時間」に応じた従量課金で構成されています。月額固定のライセンス費用に加えて、実際にデータを処理するたびに追加費用が発生する仕組みのため、事前の見積もりだけでは実際の請求額を正確に予測しにくいという特徴があります。
| 費用項目 | 内容 | 注意点 |
|---|---|---|
| プラットフォーム利用料 | サービスの基本利用料・ライセンス費 | プランによって処理性能の上限が異なる |
| コンピューティング費用 | データ処理・分析にかかった計算資源の従量課金 | データ量が増えるほど比例して増加しやすい |
| ストレージ費用 | Bronze/Silver/Gold各層のデータ保存にかかる費用 | 3層すべてを保持するため単純計算より容量が増える |
| 人件費・委託費 | 設計・移行・運用を担う人材のコスト | 継続的に発生する固定コストとして見落とされがち |
「基本料金は安い」という説明だけで契約すると、実際の運用開始後にコンピューティング費用が想定を大きく超えるケースがあります。契約前に、想定データ量でのシミュレーション見積もりを必ず取得してください。
06 PITFALLS 企業がつまずくポイントと導入コスト 失敗しやすい3つのパターン
メダリオンアーキテクチャの導入において、企業がよくつまずくポイントを3つ紹介します。
6-1. つまずき1：Gold層をいきなり作ろうとする
「早く分析結果が欲しい」という焦りから、Bronze・Silverの整備を飛ばしていきなりGold層（集計・分析用データ）を作ろうとするケースがあります。土台のないまま完成品を作ろうとするようなもので、後から元データの不整合が発覚し、作り直しになることが少なくありません。
6-2. つまずき2：誰が責任を持つのかが曖昧なまま進める
データの整備は、情報システム部門だけの仕事ではなく、実際にデータを使う営業・経理・マーケティングなど各部門の協力が不可欠です。「誰のデータを」「誰が」「どの頻度で」整備するのかを決めないまま進めると、途中で更新が止まり、Bronze層だけが肥大化していく状態に陥ります。
6-2b. 「とりあえず全部溜め込む」だけで満足してしまう
Bronze層の設計自体は難しくないため、「とにかくあらゆるデータをBronze層に集める」ところまでは順調に進む企業が多く見られます。しかし、そこで安心してSilver・Gold層への整形作業に手を付けないまま止まってしまうケースが非常に多いのが実情です。生データを大量に溜め込んだだけの状態は、整理されていない倉庫に荷物を積み上げているのと変わらず、活用にはつながりません。
6-3. つまずき3：コストを過小評価する
プラットフォームの利用料だけでなく、設計・移行・運用のための人件費が継続的に発生することを見落とすケースが多く見られます。特にDatabricksやFabricのような大規模プラットフォームは、使用量に応じた従量課金が発生するため、想定より高額になることも珍しくありません。
プラットフォームの月額利用料だけを見て「思ったより安い」と判断し、実際に運用を始めてからデータ量の増加とともに費用が跳ね上がるケースがあります。導入前に、データ量が増えた場合の従量課金シミュレーションを必ず確認してください。
07 REALISTIC APPROACH 【独自】非エンジニア企業が始める現実的な進め方 大規模プラットフォームがなくても始められる段階的アプローチ
弊社（株式会社GENAI）は非エンジニアの経営者・管理職を主な支援対象としており、「Databricksを導入しましょう」といった大規模な提案が現実的でないケースを数多く見てきました。ここでは、専門のデータエンジニアがいない企業でも取り組める、現実的な進め方を紹介します。
7-1. ステップ1：まず「どこに何のデータがあるか」を洗い出す
最初にやるべきは、壮大なシステム構築ではなく、「自社にどんなデータが、どこに、どんな形式で存在するか」を棚卸しすることです。営業データはCRMに、経費データはExcelに、顧客データはメールの添付ファイルに、といった散らばり方を可視化するだけでも、次に何をすべきかが見えてきます。
7-2. ステップ2：優先度の高いデータから小さく整形する
全データを一気に整備しようとせず、経営判断に直結する1〜2種類のデータ（例: 売上データ、顧客データ）から着手します。小さく始めて成功体験を積むことで、社内の協力も得やすくなります。
7-3. ステップ3：整形・集計作業をAIに任せる
ここが従来との大きな違いです。以前であれば、Silver層への整形やGold層への集計には専門のデータエンジニアが必要でしたが、現在はAIエージェントに「このExcelファイル群の表記ゆれを統一して、月別に集計して」と指示するだけで、多くの部分を代替できるようになっています。
データの
所在を棚卸し
優先度の高い
データを選定
AIに整形・
集計を指示
結果を確認し
運用を定着
代表菅澤
08 DATA AND CLAUDE CODE 【独自】データ基盤とClaude Codeの関係 「整備」と「活用」を同時に進めるという発想
弊社ではClaude Max 20xプラン（月額$200・約30,000円）を全社契約し、Claude Codeを経営・営業・広告・経理・秘書業務まで幅広く活用しています。ここでは、Claude Codeがメダリオンアーキテクチャ的なデータ整備において、どのような役割を果たせるかを紹介します。
📚 用語解説
自律型AIエージェント：人間が都度指示しなくても、目的を与えればそこに向けて複数のステップを自分で計画・実行するAI。Claude Codeは「このフォルダのExcelファイルを全部読み込んで、重複行を除いて月別に集計して」といった指示から、ファイルの読み込み・加工・出力までを一気に実行できる。
8-1. Bronze→Silverの「地味な整形作業」をAIに任せる
表記ゆれの統一、重複データの除去、フォーマットの変換といったSilver層への整形作業は、地味で時間がかかる一方、専門性がそこまで高くない定型作業でもあります。この領域は、Claude Codeのようなエージェント型AIが特に力を発揮する領域です。人間がゼロから手作業で行っていた工数を大幅に圧縮できます。
8-2. Silver→Goldの「集計・可視化」もAIと相性が良い
目的に応じた集計・グラフ化・要約といったGold層の作成も、AIに「この形式でまとめて」と指示するだけで下地を作ることができます。もちろん最終的な数値の検証は人間が行う必要がありますが、ゼロから作る作業とチェックする作業とでは、かかる時間が大きく異なります。
8-3. 「整備」だけで終わらせず、「活用」まで一気通貫で進める
従来の考え方では、「データを整備するチーム」と「データを活用して意思決定するチーム」が分かれていることが一般的でした。しかしClaude Codeのようなエージェント型AIを使うと、整形から分析、レポート作成までを同じ流れの中で一気に進められるため、部門間の連携待ちで時間がかかるという問題を減らせます。
いきなり全社のデータ基盤を作ろうとせず、「毎月手作業で集計しているExcelファイルが1つないか」を探すところから始めてみてください。そのファイルの整形・集計をAIに任せてみるだけで、メダリオンアーキテクチャ的な考え方の効果を体感できます。
AI鬼管理山崎
09 CONCLUSION まとめ データを段階的に磨く発想が、AI活用の土台になる
この記事では、メダリオンアーキテクチャの基本概念（Bronze/Silver/Gold）、従来のデータ管理手法との違い、実装プラットフォームの選び方、企業がつまずくポイント、そして非エンジニア企業がAIを使って現実的にデータ基盤を整備する進め方までを整理しました。最後にポイントを振り返ります。
最も重要なメッセージをお伝えします。メダリオンアーキテクチャは、専門のデータエンジニアだけのものではありません。「データを段階的に磨いていく」という発想さえ理解していれば、AIの力を借りることで、非エンジニアの企業でも十分に実践できる時代になっています。
代表菅澤
データ整備からAI活用まで、AI鬼管理が一緒に設計します
散らばったデータをどう整理し、どうAIで活用していくか。
弊社の実運用ノウハウをベースに、個別に導入設計のご相談を承ります。
AI鬼管理山崎
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. メダリオンアーキテクチャは中小企業でも導入すべきですか？
A. Databricksのような大規模プラットフォームをそのまま導入する必要はありません。ただし「生データを残す」「整形済みデータを分ける」という考え方自体は、規模に関わらず取り入れる価値があります。まずは小さく始めることをおすすめします。
Q. データレイクとデータウェアハウス、結局どちらを使えばいいですか？
A. どちらか一方を選ぶのではなく、メダリオンアーキテクチャのように「Bronze層はレイク的に何でも受け入れ、Gold層はウェアハウス的に整理する」という段階的な組み合わせが現在の主流です。
Q. Bronze・Silver・Goldは必ず3層すべて作る必要がありますか？
A. 小規模な運用であれば、簡略化した2層構成（生データ層と分析用層のみ）でも実務上は機能します。ただし、将来的にデータ量が増える見込みがあるなら、最初から3層構成で設計しておく方が後々の手戻りが少なくなります。
Q. AIにデータ整形を任せる場合、間違いが起きないか心配です
A. 完全に無人で任せるのではなく、AIが整形した結果を人間が確認する運用を前提にしてください。特に金額や顧客情報など重要なデータは、最終チェックを人間が行うことで精度を担保できます。
Q. Excelしか使っていない会社でも、この考え方は活かせますか？
A. 活かせます。専用プラットフォームがなくても、「元データのシートは触らず残す」「整形済みのシートを別に作る」「集計用のシートをさらに分ける」という運用だけで、メダリオンアーキテクチャ的な階層管理を疑似的に実践できます。
Q. Claude Codeでデータ整備を始める場合、何から着手すればよいですか？
A. まずは毎月手作業で集計しているExcelファイルなど、負担の大きい定型作業を1つ選び、その整形・集計をClaude Codeに任せてみることをおすすめします。効果を確認しながら、対象範囲を少しずつ広げていくのが現実的です。
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
