---
title: "CRISP-DMとは？6フェーズの順番と24タスク、CRISP-ML(Q)との違い"
url: "https://www.issoh.co.jp/tech/details/10178/"
published: 2025-12-08
updated: 2026-11-09
categories: ["AI"]
publisher: "株式会社一創"
---

# CRISP-DMとは？6フェーズの順番と24タスク、CRISP-ML(Q)との違い

CRISP-DM（Cross-Industry Standard Process for Data Mining、読み方は「クリスプ・ディーエム」）は、データ分析プロジェクトをビジネス理解から展開までの6フェーズで進める手順モデルです。2000年の原典「[CRISP-DM 1.0 Step-by-step data mining guide](https://www.kde.cs.uni-kassel.de/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf)」（PDF）は、6フェーズの下に24の一般タスクと42の成果物を定めています。機械学習モデルを本番で動かし続けるなら、監視・保守を独立させたCRISP-ML(Q)を併せて使います。原典と論文の記述をもとに各フェーズの中身と両者の違いを整理し、評価と監視で何が変わるかをPythonの計算で確かめます。

## まとめ：CRISP-DMの6フェーズとCRISP-ML(Q)の要点

- 順番は「ビジネス理解→データ理解→データ準備→モデリング→評価→展開」。**1ステップ目はビジネス理解**で、目的と成功基準を決めてからデータに触ります。
- 順番は固定ではありません。原典は「フェーズ間の行き来は常に必要」と書いており、評価からビジネス理解へ戻るのは想定どおりの動きです。
- CRISP-ML(Q)はCRISP-DMのビジネス理解とデータ理解を統合し、監視・保守を6番目のフェーズに加え、全フェーズに品質保証を組み込んだモデルです。
- モデルの良し悪しを測るAUCと、事業の採算は別物です。入力の定義が変わると、AUCが同じまま期待利益だけが約4割落ちる例を後半で示します。
- 週次で再学習するような本番システムにはCRISP-DM単体を採用しません。一度きりの集計なら24タスクをそろえるのは過剰です。

以下、成り立ち、各フェーズのタスク、評価と監視の計算例、CRISP-ML(Q)ほか他モデルとの違いの順に見ていきます。

## CRISP-DMの成り立ちと原典が定める4階層の構造

### CRISP-DMの構想と1.0公開の経緯（1996〜2000年）

原典の序文によると、CRISP-DMは1996年末に構想されました。コンソーシアムを組んだのはNCR Systems Engineering Copenhagen、DaimlerChrysler AG（当時はDaimler-Benz）、SPSS Inc.、オランダの保険会社OHRA Verzekeringen en Bank Groep B.V.の4組織で、欧州共同体のESPRITプログラムから資金の一部を受け、Mercedes-BenzとOHRAの実案件で試行されました。

ネット上の解説には「200以上の組織が参加」と書かれたものがありますが、原典の記述はコンソーシアム外に設けたSIG（Special Interest Group）が「over 200 members」に増えたというものです。データマイニングそのものの意味や手法は[データマイニングの意味と手法の選び方](/column/details/6257/)で扱っています。

2.0への改訂は2006年に始まり、[同年9月26日にシカゴで最初のワークショップ](https://www.kdnuggets.com/news/2006/n19/4i.html)が開かれましたが、完成版の公開を示す一次情報は確認できませんでした。IBMの[SPSS Modelerのサービス説明](https://www.ibm.com/docs/en/software-hub/5.1.x?topic=services-spss-modeler)は、今もフローの画面が「業界標準のCRISP-DM手法」を使うと書いています。

### フェーズ・一般タスク・特化タスク・プロセスインスタンスの4階層

CRISP-DMは「6つの箱を順に回す図」として紹介されがちですが、原典の骨格は4階層の階層モデルです。最上位がフェーズ、その下が一般タスク（generic task）、業種や手法に合わせて具体化した特化タスク（specialized task）、最下層が個々の案件で実際に行った作業記録（process instance）です。

業界やツールを問わないと言われる理由は、一般タスクの層にあります。原典はこの層を「起こり得るあらゆるデータマイニングの状況を覆えるほど汎用的」に設計したと説明しています。自社用にテンプレート化するときは、一般タスクを基準に、自社の業務とデータ基盤に合わせて特化タスクを定義します。

## 6フェーズの順番と各フェーズの一般タスク・成果物

原典が定める6フェーズの一般タスク数と成果物（outputs）の数は次のとおりです。合計で24タスク、42成果物になります。

| 順番 | フェーズ                           | 一般タスク数 | 成果物数 | 代表的な成果物            |
| -- | ------------------------------ | ------ | ---- | ------------------ |
| 1  | ビジネス理解（Business Understanding） | 4      | 12   | ビジネス成功基準、プロジェクト計画  |
| 2  | データ理解（Data Understanding）      | 4      | 4    | データ品質レポート          |
| 3  | データ準備（Data Preparation）        | 5      | 8    | データセット、データクレンジング報告 |
| 4  | モデリング（Modeling）                | 4      | 8    | テスト設計、モデル評価        |
| 5  | 評価（Evaluation）                 | 3      | 5    | 承認済みモデル、次の行動の決定    |
| 6  | 展開（Deployment）                 | 4      | 5    | 展開計画、監視・保守計画、最終報告書 |

番号は目安です。原典は「フェーズの順序は固定されていない。フェーズ間を行き来することは常に必要」と書き、図の外周の円については、展開で得た教訓が、より絞り込んだ次のビジネス課題を生むことを表すと説明しています。

### 1ステップ目はビジネス理解：4タスクと12の成果物

データ分析プロジェクトの1ステップ目に実施すべきことは、ビジネス理解です。原典はこのフェーズを「ビジネスの観点からプロジェクトの目的と要件を理解し、それをデータマイニングの問題定義と予備的な計画に変換する」段階と定義しています。データの収集はこの次のフェーズに入る作業です。

一般タスクは、ビジネス目標の決定、状況の評価、データマイニング目標の決定、プロジェクト計画の作成の4つで、成果物12個は6フェーズで最多です。注目したいのは「ビジネス成功基準」と「データマイニング成功基準」が別々の成果物になっている点で、原典もこの2つは異なるものだと念を押しています。「解約を前年比で何%減らすか」と「予測モデルの精度をどこまで出すか」を最初に分けて書いておかないと、評価フェーズで判断の物差しがなくなります。

### データ理解とデータ準備：9タスクと後戻りが前提の工程

データ理解の一般タスクは、初期データの収集、データの記述、データの探索、データ品質の検証の4つです。欠損や定義の揺れが見つかれば、ビジネス理解に戻って目標を修正します。

データ準備の一般タスクは、データの選択・クレンジング・構築・統合・整形の5つで、原典は「複数回、決まった順序なく行われることが多い」と明記しています。ここで作る「派生属性（Derived attributes）」は既存の属性から構築する特徴量に当たり、作り方は[特徴量エンジニアリングの変換・選択・自動化の工程](/tech/details/15843/)で解説しています。

### モデリングと評価：モデル指標とビジネス成功基準の分離

モデリングの一般タスクは、手法の選択、テスト設計の作成、モデルの構築、モデルの評価の4つです。テスト設計がモデル構築より前に置かれているのが要点で、データの分け方を先に決めます。分割の手法とデータリークの防ぎ方は[交差検証の分割手法とデータリーク対策](/tech/details/16353/)にまとめています。

モデリング内の「モデルの評価」と、第5フェーズの「評価」は別物です。前者は精度などデータ分析上の品質を測り、後者はビジネス目標を本当に達成するか、見落とした論点がないかを確かめて、結果を使うかどうかを決めます。一般タスクは結果の評価、プロセスのレビュー、次のステップの決定の3つで、成果物には「承認済みモデル」と「決定（Decision）」が含まれます。

### 展開フェーズの適用範囲と監視・保守の計画

原典は「モデルの作成は一般にプロジェクトの終わりではない」としたうえで、展開の幅を「レポートを1本作るだけの単純なものから、全社で繰り返し実行するプロセスの実装まで」と書いています。一般タスクは展開の計画、監視・保守の計画、最終報告書の作成、プロジェクトのレビューの4つです。

「CRISP-DMには運用監視の考えがない」という説明は正確ではありません。2000年の時点で「監視・保守の計画（Plan monitoring and maintenance）」が展開フェーズに入っています。足りないのは、監視を計画で終わらせず継続的に回す工程のほうです。本番へ出す工程そのものは[モデルデプロイの6工程と段階公開・切り戻しの判断基準](/tech/details/16345/)が参考になります。

## 評価と監視のPython例：採算の閾値と入力の定義変更

ビジネス理解で決めた数字が評価と監視でどう効くかを、解約防止施策を想定した合成データで試算します。前提は「施策1件のコスト500円、解約を防げた顧客1人の価値8,000円、施策で解約を防げる割合30%」とします。金額はこの仮定に基づく試算で、実際の施策効果を推定した値ではありません。

施策を打つ価値があるのは、解約確率×8,000円×30%が500円を超える顧客です。この式を解くと採算分岐の確率は500÷(8,000×0.3)≒0.208となり、データを見なくても閾値が決まります。

```
# 評価フェーズと監視：採算の閾値を計算で決め、入力の定義変更で何が起きるかを見る
import numpy as np
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split

X, y = make_classification(n_samples=20000, n_features=10, n_informative=5, weights=[0.9],
                           flip_y=0.02, class_sep=0.8, random_state=0)
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.5, stratify=y, random_state=0)
model = LogisticRegression(max_iter=1000).fit(X_tr, y_tr)

# ビジネス理解で決める数字：施策1件500円、顧客価値8,000円、施策で解約を防げる割合30%
COST, VALUE, SAVE_RATE = 500, 8000, 0.3
BREAK_EVEN = COST / (VALUE * SAVE_RATE)   # この確率で期待収支がゼロ、超えると期待利益が正

def evaluate(name, X_eval):
    score = model.predict_proba(X_eval)[:, 1]
    print(f"{name}  AUC {roc_auc_score(y_te, score):.3f}")
    for th in (0.5, BREAK_EVEN):
        hit = score >= th
        profit = VALUE * SAVE_RATE * (hit & (y_te == 1)).sum() - COST * hit.sum()
        print(f"  閾値{th:.3f}: 対象{hit.sum():5d}件  期待利益 {profit:>12,.0f}円")

evaluate("導入時", X_te)

# システム更新で、係数の絶対値が大きい入力2列に一定値を加えた想定（ラベルは同じ）
X_changed = X_te.copy()
for j in np.argsort(-np.abs(model.coef_[0]))[:2]:
    X_changed[:, j] += 0.5 * np.sign(model.coef_[0][j])
evaluate("定義変更後", X_changed)
```

Python 3.9.6、scikit-learn 1.6.1、NumPy 2.0.2で実行した出力は次のとおりです。

```
導入時  AUC 0.908
  閾値0.500: 対象  690件  期待利益    1,131,000円
  閾値0.208: 対象 1304件  期待利益    1,325,600円
定義変更後  AUC 0.908
  閾値0.500: 対象 1283件  期待利益    1,314,500円
  閾値0.208: 対象 2986件  期待利益      779,800円
```

導入時を見ると、既定の0.5より採算分岐の0.208のほうが194,600円多く稼げます。閾値0.02〜0.79を0.01刻みで総当たりした最高額は閾値0.25の1,323,900円で、計算で出した閾値を上回りませんでした。この計算はモデルの出す確率が実際の解約率に近いことを前提にするので、確率がずれるモデルでは先に校正が要ります。

定義変更後は、AUCが0.908のまま変わらないのに、閾値0.208の対象者は1,304件から2,986件へ増え、期待利益は約41%減りました。全員のスコアが同じ方向へずれ、顧客の並び順が保たれたためです。AUCだけを監視していると、この事故は検知できません。原典の監視・保守は計画までですが、CRISP-ML(Q)は「更新で信号の単位が変わる」例を挙げて、入力と予測の統計を学習時と比べる作業をフェーズとして定めています。ここでは対象者数の急増が、その検知信号に当たります。

## CRISP-DMとCRISP-ML(Q)の違い：フェーズ対応と追加された作業

CRISP-ML(Q)は、Studerらが2020年3月に[arXiv（2003.05155）](https://arxiv.org/abs/2003.05155)で発表し、2021年に[Machine Learning and Knowledge Extraction誌](https://www.mdpi.com/2504-4990/3/2/20)（第3巻第2号、392〜413ページ）に掲載された機械学習向けのプロセスモデルです。著者らはCRISP-DMの欠点を2つ挙げています。長期間リアルタイムの判断を続けるMLモデルの運用を扱っていないこと、そして品質保証の指針がないことです。名前の「(Q)」は品質保証（Quality assurance）を指します。

| CRISP-DM     | CRISP-ML(Q)    | 論文が加えた主な作業                |
| ------------ | -------------- | ------------------------- |
| ビジネス理解・データ理解 | ビジネス・データ理解（統合） | 成功基準の3層化、実現可能性の確認、データの版管理 |
| データ準備        | データ準備          | 不要な特徴量の削除、クラス不均衡への対処      |
| モデリング        | モデリング          | 6つの品質尺度、手法と結果の再現性確認       |
| 評価           | 評価             | 隔離したテストセット、堅牢性、説明可能性      |
| 展開           | 展開             | 本番条件での段階評価、切り戻し計画         |
| （展開内の計画のみ）   | 監視・保守          | MonitorとUpdateの2タスク       |

品質保証はISO 9001の「リスクに基づく考え方」を土台にしています。フェーズごとに要件と測定指標を定め、タスク固有のリスクを特定して、軽減する手法を選ぶ流れです。安全性が決定的に重要なシステムには別の手順が要るかもしれないと論文は断っているので、自動運転のような領域ではこれだけで足りるとは読めません。

### ビジネス・データ理解の統合と成功基準の3層

2つを統合した理由について、論文は「ビジネス目標は利用できるデータ次第で導かれたり変わったりするため、実務では密接に絡み合っている」と説明します。成功基準はビジネス・ML・経済の3層で測ります。論文の例は製造の品質検査で、手作業による検査の誤り率3%を下回りたいなら、ビジネス基準は「誤り率3%未満」、ML基準は「精度97%超」、経済基準は「1部品あたりのコスト削減額」です。

実現可能性の確認も、この段階の作業です。データの入手性・量・品質を評価し、サンプルが足りなければ、論文は「この段階で中止または保留すべき」と書いています。データ要件はスキーマとして文書化し、後の本番データの検証にもそのまま使います。

### モデリング・評価・展開で増える確認項目

モデリングでは、性能だけでなく堅牢性・スケーラビリティ・説明可能性・モデルの複雑さ・リソース要求の計6尺度で評価します。実務で先に効くのは再現性で、乱数シードを変えた平均と分散を見ずに最高値だけを報告する慣行を、論文は問題視しています。

評価では、学習用・検証用と切り離したテストセットを最終評価のためだけに保管します。展開では、本番に近い条件を段階的に広げて評価し、誤った更新に備えて前の版やルールベースへ戻す手段を用意します。データの版を残す方法は[データバージョニングの方式とDVC・lakeFSの採用判断](/tech/details/16342/)が参考になります。

### 監視・保守フェーズのMonitorとUpdate

モデルが劣化する原因として、論文はデータ分布の変化、ハードウェアやセンサーの劣化、システム更新の3つを挙げています。Monitorでは入力の統計と予測の分布を学習時と比べ、スキーマで入力の正しさを検証し、ラベルが手に入るなら性能を直接測って成功基準と比較します。

Updateでは新しいデータで再学習し、評価フェーズを通し直してから前の版と比べます。更新するかどうかは、更新のコストと、古いモデルが誤予測し続けるコストを比べて決めます。モデルの出力が将来の学習データに影響するフィードバックループにも注意が必要です。検知方法としきい値の決め方は[モデルモニタリングのドリフト検知としきい値設計](/tech/details/16338/)、運用の仕組みは[MLOpsの成熟度レベルと主要ツール](/column/details/2939/)で解説しています。

## KDD・SEMMA・TDSP・ASUM・CPMAIとの違い

| モデル          | 公開年・関連組織       | 段階数   | ビジネス理解     | 最終段階           |
| ------------ | -------------- | ----- | ---------- | -------------- |
| KDDプロセス      | 1996年（Fayyadら） | 9ステップ | あり（第1ステップ） | 発見した知識に基づく行動   |
| SEMMA        | SAS            | 5段階   | なし         | Assess（評価）     |
| CRISP-DM 1.0 | 2000年          | 6フェーズ | あり（第1フェーズ） | 展開（監視・保守は計画のみ） |
| TDSP         | Microsoft      | 5段階   | あり         | 顧客の受け入れ        |
| CPMAI        | PMI            | 6フェーズ | あり         | モデルの運用化        |

### KDDプロセス（1996年・9ステップ）とSEMMAとの範囲の差

KDDプロセスはFayyadらが1996年の[AI Magazine論文](https://www.kdnuggets.com/gpspubs/aimag-kdd-overview-1996-Fayyad.pdf)で示したもので、よく「ビジネス理解を含まない」と説明されますが、第1ステップは「応用領域と事前知識を理解し、顧客の視点から目標を定めること」です。違いは粒度にあり、KDDは分析の手順を細かく分け、CRISP-DMは計画書や報告書といったプロジェクト管理の成果物まで定義します。

SEMMAはSASのプロセスで、Sample、Explore、Modify、Model、Assessの5段階です。分析作業に範囲を絞っており、ビジネス目標の設定と展開は扱いません。KDnuggetsが2014年10月に行った[方法論の投票](https://www.kdnuggets.com/polls/2014/analytics-data-mining-data-science-methodology.html)（200票）では、CRISP-DMが43%、自己流が27.5%、SEMMAが8.5%、KDDプロセスが7.5%でした。読者の任意回答なので、業界全体の利用率ではありません。

### TDSP・ASUM・CPMAI：ベンダーと団体による派生

MicrosoftのTeam Data Science Process（TDSP）は、ビジネス理解、データの取得と理解、モデリング、展開、顧客の受け入れの5段階です。IBMのAnalytics Solutions Unified Method（ASUM）は、分析、設計、構成と構築、展開、運用と最適化の5フェーズを、プロジェクト管理が横断する構成です。

TDSPを新規採用する際は、現在参照できる公式資料が必要な工程をどこまで説明しているかを確認します。Microsoftの旧TDSPドキュメントのURLは2026年11月時点でCloud Adoption Frameworkの「Plan for AI adoption」へ転送され、[GitHubの公式リポジトリ](https://github.com/Azure/Microsoft-TDSP)もdeprecatedと表示してアーカイブされています。方法論そのものの廃止告知は確認できませんでした。

PMIのCPMAIは、ビジネス理解、データ理解、データ準備、モデル開発、モデル評価、モデルの運用化の6フェーズです。[PMIの概要ガイド](https://learning.pmi.org/api/courses/resources/CPMAI/CPMAI%5FOverview%5FGuide.pdf?language=undefined&version=undefined)（PDF）は、CRISP-DMについて「現代のAI向けに積極的に更新されていない」とし、組織への定着、継続的な再学習、アジャイルやDevOpsとの統合、ガバナンスと説明可能性への対応が不足していると位置づけています。

## CRISP-DMをそのまま当てはめない場面と失敗パターン

**週次で再学習するような本番の機械学習システムには、CRISP-DM単体を採用しません。**1.0の展開フェーズにあるのは監視・保守の「計画」までで、再学習の自動化やデータとモデルの版管理は範囲外です。CRISP-ML(Q)の監視・保守フェーズか、MLOpsのパイプラインを組み合わせます。

反対に、ダッシュボードの数字を1回確認するだけの集計に、24タスクと42の成果物をそろえるのは過剰です。ビジネス成功基準とデータ品質レポートだけ残し、集計条件を記録すれば足ります。

成果物の不足から起こり得る失敗は次の2つです。

- ビジネス成功基準を書かずにモデリングへ進み、評価で「精度は高いが使うかどうか決められない」状態になる。前述の採算分岐は、コストと価値の数字が無ければ計算できません。
- 展開を「最終報告書の提出」で終わらせる。原典では最終報告書と監視・保守計画は別の一般タスクです。

成功基準の合意から監視の設計までを外部に任せるなら、[機械学習モデル開発](/service/ai/machine-learning/)の依頼範囲にこの2つの成果物が入っているかを最初に確認します。

## よくある質問

### CRISP-DMの読み方は？

一般的には「クリスプ・ディーエム」と読みます。正式名称はCross-Industry Standard Process for Data Miningで、「業界横断のデータマイニング標準プロセス」という意味です。「CRISP DM」「crispdm」など表記の揺れはありますが、どれも同じプロセスモデルを指します。

### CRISP-DMでデータ分析プロジェクトの1ステップ目に実施すべきことは何ですか？

ビジネス理解（Business Understanding）です。ビジネス目標の決定、状況の評価、データマイニング目標の決定、プロジェクト計画の作成の4タスクを行い、データに触る前に目的と成功の測り方を決めます。データの収集は第2フェーズのデータ理解、前処理は第3フェーズのデータ準備に入る作業なので、最初に行うことではありません。

### CRISP-DMの6フェーズの順番は？

ビジネス理解、データ理解、データ準備、モデリング、評価、展開の順です。原典は順序を固定しておらず、フェーズ間の行き来を前提にしています。原典の図では、ビジネス理解とデータ理解、データ準備とモデリングの間が双方向の矢印で結ばれ、評価からビジネス理解へ戻る矢印も描かれています。

### CRISP-MLとは何ですか？CRISP-DMとの違いは？

本記事では、CRISP-DMを機械学習アプリケーションの開発と運用向けに拡張したStuderらのCRISP-ML(Q)を指します。なお、KolyshkinaとSimoffが提案した、解釈可能性を重視する別のCRISP-MLもあります。CRISP-ML(Q)は、ビジネス理解とデータ理解を1つのフェーズに統合し、監視・保守フェーズを加え、全フェーズに品質保証の手順を組み込んだ点がCRISP-DMと違います。分析結果を一度届けて終わる案件ならCRISP-DM、本番で動き続けるモデルならCRISP-ML(Q)が実態に合います。

### CRISP-DM 1.0の原典PDFはどこで読めますか？

原典「CRISP-DM 1.0 Step-by-step data mining guide」は、著作権表示が2000年のSPSS Inc.名義のPDFで、[カッセル大学の講義ページに置かれたコピー](https://www.kde.cs.uni-kassel.de/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf)で読めます。全78ページで、タスクと成果物を定義した参照モデルと、作業の手引きであるユーザーガイドを収めています。

## 関連記事

- [モデルモニタリングとは？ドリフト検知の仕組み・指標・しきい値設計を実装目線で解説【2026年版】](/tech/details/16338/)
- [モデルデプロイとは？本番へ出す6工程と段階公開・切り戻しの判断基準を解説【2026年版】](/tech/details/16345/)
- [特徴量エンジニアリングとは？変換・選択・自動化の工程と実装判断【2026年版】](/tech/details/15843/)
- [MLOpsとは？DevOpsとの違い・成熟度レベル0〜2・主要ツールとMLflowで始める手順【2026年10月】](/column/details/2939/)
- [データマイニングとは？意味と主な手法・アルゴリズムの選び方をPython実行例で解説](/column/details/6257/)

---

出典: [CRISP-DMとは？6フェーズの順番と24タスク、CRISP-ML(Q)との違い](<https://www.issoh.co.jp/tech/details/10178/>)（株式会社一創）
