chief-data-officer-advisor

最高データ責任者アドバイザー

CDOがいないスタートアップのCDOや創業者向けの、戦略的なデータリーダーシップです。調査票は使わず、4つの意思決定を支援します。

1. このデータをモデルのトレーニングに使えますか？ — データの由来 × 同意 × ユースケースのマトリクス
2. データウェアハウス、レイクハウス、データメッシュのどれを選び、何を自社で構築し、何を購入すべきですか？ — 段階に応じたアーキテクチャ
3. 顧客データにはどれほどの価値がありますか？ — 戦略的価値 ＋ M&A における倍率 ＋ プロダクト化の道筋
4. 次に採用すべきデータ職種は何ですか？ — 段階別の職種マップ、集中型と組み込み型を切り替える条件

このスキルは、戦術的なデータエンジニアリングは対象外です。スキーマ設計、オブザーバビリティ、クエリ最適化、RAG、ML プラットフォームの実装については、engineering/database-designer/、engineering/observability-designer/、engineering/data-quality-auditor/、engineering/sql-database-assistant/、engineering/rag-architect/、engineering/llm-cost-optimizer/ をご覧ください。

キーワード

CDO、最高データ責任者、AI トレーニングデータ、同意の来歴、トレーニング権、GDPR 第6条の適法な根拠、GDPR 第22条、EU AI Act の高リスク、ePrivacy、著作権のフェアユース、hiQ v. LinkedIn、スクレイピングデータ、合成データ、データプロダクト、データメッシュ、レイクハウス、メダリオンアーキテクチャ、dbt、Snowflake、BigQuery、Databricks、Fivetran、Airbyte、リバース ETL、フィーチャーストア、資産としての顧客データ、データの収益化、データのプロダクト化、匿名化、k-匿名性、差分プライバシー、M&A データデューデリジェンス、データ組織、アナリティクスエンジニア、データエンジニア、データサイエンティスト、データプロダクトマネージャー、集中型と組み込み型、ハブ・アンド・スポーク

クイックスタート

# Audit data sources for AI training eligibility
python scripts/ai_training_data_audit.py                              # uses embedded sample
python scripts/ai_training_data_audit.py path/to/sources.json

# Pick data architecture + build-vs-buy + sequencing
python scripts/data_product_strategy_picker.py                        # uses embedded Series A SaaS
python scripts/data_product_strategy_picker.py path/to/profile.json

# Value the customer data corpus + productization viability
python scripts/data_asset_valuator.py                                 # uses embedded B2B sample
python scripts/data_asset_valuator.py path/to/corpus.json

主要な質問（まず確認してください）

• このデータはどのような意思決定に使われますか？（該当するものがなければ、なぜ収集しているのでしょうか？）
• トレーニングに使う予定のすべてのデータソースについて、同意の来歴は明確ですか？（利用規約への同意のみの場合と、明示的なオプトインは同じではありません。）
• 社内のデータ利用者は誰で、いくつの異なるドメインにまたがっていますか？（集中型と組み込み型、データウェアハウスとデータメッシュの選択に影響します。）
• M&A の際、データは競争上の強みになりますか、それとも負債になりますか？（MSA における顧客の除外条項によって、答えが変わることがあります。）
• 次に採用するのはアナリティクスエンジニアですか、それともデータサイエンティストですか？（両者は異なる課題を解決します。創業者は混同しがちです。）
• 外部共有の前に、匿名化監査を実施しましたか？（k-匿名性 ≥ 5 は最低基準であり、上限ではありません。）

主な責務

1. AI トレーニングデータの権利

2026年、すべてのスタートアップが直面する問いは、顧客データをモデルのトレーニングに使えるかです。

答えは二者択一ではないことがほとんどです。互いに独立した3つの要素によって決まります。

要素	値
由来	1st-party-explicit-opt-in / 1st-party-TOS-only / partner-licensed / scraped / synthetic
データ分類	匿名化された集計データ / 行動データ / PII / サードパーティコンテンツ / 規制対象（PHI、PCI、子ども）
ユースケース	製品内のパーソナライズ / 自社モデルのファインチューニング / 基盤モデルのトレーニング / 外部共有

組み合わせごとに、GO / MITIGATE / NO-GO のいずれかが導かれます。ソースの JSON インベントリに対して ai_training_data_audit.py を実行してください。

完全なマトリクス、GDPR 第6条の適法な根拠に関する意思決定ツリー、EU AI Act の高リスクに該当する条件については、references/ai_training_data_rights.md をご覧ください。

2. データプロダクト戦略

アーキテクチャの選択（ウェアハウス、レイクハウス、メッシュ）は、好みではなく段階に応じて決まります。

• ウェアハウスのみ（Snowflake / BigQuery / Postgres）：データ利用者が5人以下、2TB未満、MLのユースケースなし
• レイクハウス（ウェアハウス＋オブジェクトストレージ。多くの場合、DatabricksまたはSnowflake-with-Iceberg）：データ利用者が5～25人、2TB～1PB、MLのユースケースが1～3件
• データメッシュ：4つ以上のドメインにまたがるデータ利用者が25人以上で、フェデレーテッド所有の文化が定着している

内製か購入かは、レイヤーごとに判断します。

レイヤー	購入する。ただし、以下の場合を除く	以下の場合にのみ内製する
ストレージ／ウェアハウス	内製しない	（データインフラ企業である）
ELT／取り込み	内製しない	Fivetran/Airbyteがソースに対応していない
モデリング（dbt）	常に内製する	これが自社のIPである
BI／ダッシュボード	利用者が100人未満なら購入する	顧客向けの組み込み分析機能が必要
フィーチャーストア	本番モデルが3つ以上になるまで保留する	その後、Tecton/Hopsworksを内製または購入する
MLプラットフォーム	本番モデルが5つ以上になるまで保留する	その後、SageMaker/Vertex/Databricksを購入する

段階に応じた推奨事項を得るには、data_product_strategy_picker.py を実行してください。各アーキテクチャの中止基準と、内製か購入かを決める判断ツリーについては、references/data_product_strategy.md を参照してください。

3. B2B顧客データの資産化

変化のポイント： Series B以降、顧客データはもはや単なる業務データではなく、次のような資産になります。

• 防御可能な堀（顧客コホートの複製には何年もかかります）
• M&Aの価値を高める要素（戦略的買い手に対してARRを1.2倍～2倍に押し上げます）
• 直接的な収益源（匿名化された業界ベンチマーク、埋め込みエンドポイント、ライセンス供与）

ただし、負債にもなり得ます。

• 380社の顧客のうち47社がMSAの例外条項を設けている場合、プロダクト化は法的に実現不可能です
• 匿名化監査で、再識別リスクが許容範囲を超えていると判明することがよくあります
• プロダクト化に伴い、規制上のリスクが直線的に高まります（GDPR第28条の処理者と第26条の共同管理者）

コーパスの特性を指定して data_asset_valuator.py を実行すると、戦略的価値スコア、プロダクト化の道筋、リスク調整後の価値を取得できます。

評価フレームワーク、M&Aのデューデリジェンス準備チェックリスト、契約上の制約を監査するパターンについては、references/customer_data_as_asset.md を参照してください。

4. データチームの組織進化

誤った問い：「データサイエンティストを採用すべきか？」 正しい問い：「データ不足で下せない次の意思決定は何か。それを可能にする役割は何か？」

段階別の役割マップ（B2B SaaSの基本形）：

段階	最初の採用	次に	次に
プレシード／シード	創業者がアナリストを兼任（SQL＋スプレッドシート）	—	—
Series A（Series A）	アナリスト	アナリティクスエンジニア（dbt）	—
Series B	データエンジニア	シニアアナリスト（GTMに組み込み）	データPM（データを必要とするチームが3つ以上の場合）
グロース	アナリティクスマネージャー	MLエンジニア（モデルが中核の場合）	データ責任者
レイターステージ	データ責任者 → CDO	専門職：BI、MLE、DPO	ドメインごとのフェデレーテッドオーナー（メッシュ）

集中型から組み込み型への移行条件： 営業、マーケティング、プロダクト、運用、CSなど、3つ以上の機能領域が毎週、個別対応のデータを必要とする場合、中央チームがボトルネックになります。採用危機になる前に、ハブ・アンド・スポーク型（中央プラットフォーム＋各部門に組み込まれたアナリスト）に移行してください。

references/data_team_org_evolution.md を参照してください。

ワークフロー

ワークフロー 1：AI学習の判断（1時間）

目標： 特定のデータソースで、特定のユースケースを学習できるか判断します。

# 1. Build sources.json with one entry per data source
# 2. Run the audit
python scripts/ai_training_data_audit.py sources.json
# 3. For each MITIGATE: assign owner + remediation
# 4. For each NO-GO: document the kill reason for the legal log
# 5. Cross-check with cs-general-counsel-advisor on top-3 mitigation items
# 6. Log via /c-level-agents:decide

ワークフロー 2：アーキテクチャの判断（1日）

目標： 今後12か月のウェアハウス／レイクハウス／メッシュと、内製か購入かの方針を選択します。

python scripts/data_product_strategy_picker.py profile.json
# Cross-check with cs-cto-advisor on engineering capacity
# Cross-check with cs-cfo-advisor on 3-year TCO
# Log via /c-level-agents:decide; consider /c-level-agents:freeze 90 if signing a multi-year SaaS contract

ワークフロー 3：M&A 準備のためのデータ資産評価（3 日間）

目標： データコーパスを評価し、デューデリジェンスに備えます。

1. コーパスの規模、鮮度、独占性、顧客の重複、契約上の制限を棚卸しします
2. data_asset_valuator.py を実行します
3. customer_data_as_asset.md の M&A デューデリジェンス準備チェックリストを実行します
4. 契約上の例外事項を cs-general-counsel-advisor に提示し、契約再締結の計画を立てます
5. 製品化の道筋（ベンチマークレポート／埋め込みエンドポイント／直接ライセンス）を決定します
6. /c-level-agents:decide を通じて記録します

ワークフロー 4：データチームのロードマップ（1 週間）

目標： ビジネス上の意思決定に沿って、今後 18 か月間のデータ人材採用計画を策定します。

1. データや分析の不足により、現在ビジネスで下せない重要な意思決定を上位 5 件挙げます
2. 各意思決定を、それを可能にする役割に対応付けます
3. 採用の順序を決めます（次の採用に進む前に、1 つの役割を採用して立ち上げます）
4. 報酬レンジと職位レベルについて cs-chro-advisor と照合します
5. 集中型から組み込み型へ移行する基準日を特定します

出力基準（cs-cdo-advisor 経由で呼び出した場合）

**Bottom Line:** [one sentence — decision and rationale]
**The Decision:** [one of the 4 framings]
**The Evidence:** [numbers, not adjectives]
**How to Act:** [3 concrete next steps]
**Your Decision:** [the call only the founder can make]

関連スキル

• c-level-advisor/skills/cto-advisor/ — アーキテクチャのキャパシティ、スケーリングの限界
• c-level-advisor/skills/ciso-advisor/ — データセキュリティ、製品化データの脅威モデリング
• c-level-advisor/skills/general-counsel-advisor/ — 契約上の制約、DPA、学習データの権利
• c-level-advisor/skills/cfo-advisor/ — 内製と購入の TCO、M&A の評価計算
• c-level-advisor/skills/chro-advisor/ — データチームの採用、職位レベル、報酬
• engineering/skills/database-designer/ — 実践的なスキーマ設計
• engineering/skills/rag-architect/ — 実践的な AI/RAG の実装
• engineering/llm-cost-optimizer/ — モデルコスト管理

参考資料

• ai_training_data_rights.md — 学習権利のマトリクス + GDPR 第 6 条／EU AI Act の意思決定ツリー
• data_product_strategy.md — ウェアハウス／レイクハウス／メッシュの中止基準 + 内製と購入の意思決定ツリー
• customer_data_as_asset.md — 評価フレームワーク + M&A デューデリジェンスの準備 + 製品化の道筋
• data_team_org_evolution.md — 段階別の役割マップ + 集中型から組み込み型へ移行する基準

---

バージョン： 1.0.0 ステータス： 本番環境対応 免責事項： 学習データの権利、データの製品化、または M&A のデータデューデリジェンスに関わる判断には、資格を有する法律専門家を関与させてください。このスキルは判断事項とトレードオフを明らかにするものであり、法務レビューに代わるものではありません。