名寄せとは？CDPにおける仕組みと種類を解説

名寄せ（アイデンティティ・レゾリューション）とは、メールアドレス、デバイスID、Cookieなど複数の接点に存在する顧客識別子を照合して統合し、単一の永続的なプロファイルへとまとめるデータ管理プロセスである。

一言でいえば、名寄せは「これらのレコードは同じ人物か」という問いに答え、その答えを最新の状態に保ち続ける仕組みである。一致の判定には2つの方法がある。共通のキー（ハッシュ化したメールアドレスや会員IDなど）が完全に一致するかを見る確定的マッチングと、IPアドレス、デバイス、行動といったシグナルから統計的な確信度スコアを算出する確率的マッチングだ。一致したレコードには、すべて1つの永続的な顧客IDが割り当てられる。この一連の処理は通常CDP（カスタマーデータプラットフォーム）が自動化しており、リアルタイムで解決する実装も増えている。そのためAIエージェントやパーソナライゼーションエンジンは、同じセッションの中で完全なプロファイルを踏まえて動ける。

具体例を挙げる。ある買い物客がスマートフォンで匿名のまま商品を閲覧し（Cookie ID）、ノートPCではメールアドレスでログインし、店舗ではロイヤルティカードを提示したとする。名寄せがなければ、これは3つのシステムに記録された3人の別人である。名寄せがあれば、ログインがCookieとメールアドレスを結び付け、ロイヤルティ会員のアカウントにも同じメールアドレスが登録されているため、3つの記録は1つのプロファイルにまとまる。これは売上に直結する問題だ。マッキンゼーの調査では、成長の速い企業は成長の遅い企業に比べ、収益に占めるパーソナライズ由来の割合が40%高い（McKinsey, 2021）。そしてパーソナライズの質は、その裏にある名寄せの質を超えられない。

この分断を真っ先に痛感するのは、複数ブランドを展開する企業だ。顧客は各ブランドと個別にやり取りするため、同じ人物が複数のブランドから重複したメッセージを受け取り、予算が無駄になるうえ信頼も損なわれる。ブランドをまたいでIDを名寄せすれば、断片は一人の顧客像にまとまり、どのブランドのチームもその顧客を基準に施策を調整できる。

なぜ名寄せが重要なのか

消費者は多数のデバイスやプラットフォームをまたいでブランドと接点を持つ。ある顧客は朝にモバイル広告を目にし、通勤中にタブレットでWebサイトを閲覧し、職場ではノートPCでメールを開く、といった行動を取るかもしれない。デバイス横断の名寄せがなければ、この3つの接点は3人の別人から生じたものに見えてしまう。名寄せがあれば、それらは単一の顧客プロファイルへとつなぎ合わされ、一貫したエンゲージメントとより的確なネクストベストアクションの判断が可能になる。

課題はデバイスだけにとどまらない。顧客について取得されたデータは、プラットフォームごとのサイロに閉じ込められていることが多い。Cookie IDでユーザーを識別するWeb解析システムは、マーケティングオートメーションで取得されたメールアドレスとはつながっていない。こうしたデータサイロは、企業が統合プロファイルを構築する妨げとなり、チャネルをまたいだメッセージングの不整合を招く。

重複したレコードは、直接のコストも生む。Oracleの委託でForrester Consultingが実施したTotal Economic Impact調査（2023年3月）では、モデル化された架空の複合企業が1,500万件の顧客と見込み客のプロファイルのうち20%の重複を解消し、Forresterはそれによる重複したマーケティング支出の削減を、3年間の現在価値で400万ドルと評価した。ベンダーが委託したモデル試算であって業界の基準値ではないが、仕組み自体はどの企業にも当てはまる。名寄せされずに残った重複の1件1件が、同じ人物に2度届けるための費用になっている。

名寄せの仕組み：5つのステップ

CDPの機能であれウェアハウス上のジョブであれ、名寄せのシステムはどれも同じ5段階のサイクルで動く。段階を押さえておく意味は、精度の問題の多くがマッチングのアルゴリズムではなく、いずれかの段階に原因をたどれる点にある。

1. 識別子を収集する：各ソースが持つ識別子をすべて取り込む。WebとアプリのCookie IDやデバイスID、フォームやメール配信基盤のメールアドレス、サポート窓口の電話番号、ECやPOSの会員IDと注文IDなどである
2. 表記をそろえる：メールアドレスは小文字にして前後の空白を除き、電話番号はE.164形式に直し、住所を正規化し、PIIは一貫した方式でハッシュ化する。この段階を飛ばすと、どのアルゴリズムでも取り戻せない重複が生まれる。「USER@Example.com」と「user@example.com」は、完全一致の判定では決して一致しないからだ
3. 照合する：共通のキーがあれば確定的マッチングのルールを先に適用し、共通のキーがない場合に確率的マッチングでスコアを付ける。どの一致にも、その根拠と確信度を記録する
4. 統合し、永続的なIDを割り当てる：一致したレコードはアイデンティティグラフ上の1つのまとまりに加わり、Cookieの失効、新しいデバイス、メールアドレスの変更を経ても変わらない顧客IDを受け取る。ソース間で値が食い違うときは、属性ごとにどの値を正とするかを決める規則（優先規則）を定め、これがゴールデンレコードの土台になる
5. 維持する：新しいイベントが届くたびにまとまりを見直す。過剰統合したプロファイルを分割し、古くなった識別子を外し、同意に関する意向の変更を紐づいたすべての識別子に反映させる

ステップ1から4がプロファイルを組み上げ、ステップ5が1年後もそれを信頼できる状態に保つ。人手や予算が最も不足しがちなのも、このステップ5である。

名寄せの種類

2つの主要な手法（確定的マッチングと確率的マッチング）が、2件のレコードが同一顧客のものかどうかを判定する。さらに推移的マッチングという手法があるが、これは判定のための別の手法ではなく、その判定結果を拡張するグラフ演算である。アダプティブマッチングは、活用事例に応じて2つの手法を選択する仕組みだ。

確定的マッチング

確定的マッチングは、メールアドレス、電話番号、ログイン情報といった識別子について完全一致を探すことで、レコードをつなぎ合わせる。この手法は精度が最も高く、ファーストパーティデータが十分に得られる場合に最も効果を発揮する。代表的な確定的マッチングのキーには、メールアドレス、会員ID、認証済みのセッショントークンなどがある。

確率的マッチング

確率的マッチングは、IPアドレス、デバイスの種類、行動パターンといったシグナルを用いて、2件のレコードが同一顧客に属する可能性を推定する。確定的マッチングほどの確実性はないが、匿名の訪問者やデバイス横断の名寄せまで対象範囲を広げられる。マーケターは、何を一致と見なすかを判断するため、確信度のしきい値（活用事例に応じて通常70～95%程度）を定める必要がある。なお、フィンガープリンティングのようなブラウザ由来のシグナルは、Safari、Firefox、Chromeがこの手法を段階的に制限し、ブロックしてきたことで、信頼性が低下している。

推移的マッチング

推移的マッチングは、直接の識別子を共有しないレコード間に隠れた関連性を発見する。これは判定のための別の手法ではなく、確定的マッチングや確率的マッチングによってすでに確立されたつながりを連結するグラフ演算である。レコードAがメールを介してレコードBと一致し、レコードBが電話番号を介してレコードCと一致する場合、推移的マッチングはAとCが共通のキーを持たないにもかかわらず、同一顧客に属すると推定する。この手法は、確定的マッチングと確率的マッチングがそれぞれ単独では見逃してしまう関連性、特に分断されたオフラインデータとオンラインデータの間にあるものを浮かび上がらせる。過剰統合（無関係なプロファイルが1つに統合されてしまう現象）を防ぐには、しきい値の設定を慎重に管理する必要がある。

アダプティブマッチング：活用事例に応じた選択

先進的なCDPは、すべての活用事例に単一のマッチング戦略を強いることをやめている。アダプティブマッチングは、文脈に応じて確定的マッチングと確率的マッチングを切り替えられる仕組みだ。トランザクションメールのキャンペーンにはほぼ完璧な精度が求められるため確定的マッチングを用い、広告ターゲティングのオーディエンスにはより広いリーチが求められるため確率的マッチングを用いる。この活用事例に応じた柔軟性が、初期のCDP世代を支配していた一律の手法を過去のものにしている。

名寄せと予測モデリング

名寄せのもう1つの利点は、より精度の高い予測モデリングを可能にする点だ。統合されたプロファイルは、他の顧客セットの中から類似オーディエンスを見つけ出すための学習データを生み出す。予測モデリングが組み込まれたエンタープライズ向けCDPでは、モデル構築エンジンが数百のプロファイル属性を関連づけ、最も意味のある特徴量を導き出す。信頼できる予測モデルを構築するには、まず学習データとなる既知の顧客の大規模な集合が必要であり、これが名寄せがAIの実用化における前提条件となる理由である。

名寄せのアーキテクチャ

名寄せがどのように実行されるかは、顧客データがどこに置かれているかによって決まる。市場では2つのアーキテクチャモデルが主流であり、それぞれデータの所有権、レイテンシー、ガバナンスの面で異なるトレードオフを持つ。

CDPネイティブの名寄せ

CDPネイティブのアーキテクチャでは、顧客データはCDPプラットフォームに取り込まれ、名寄せはベンダーのインフラ内で実行される。利点はリアルタイムのイベント統合で、届いたイベントはその場でプロファイルとマッチングされ、セッション中のパーソナライズや即時のオーディエンスセグメンテーションを可能にする。プロファイルの完全な整合処理（分断されたプロファイルの統合や履歴の再計算）はCDPネイティブのシステムでもバッチで実行されるが、イベント単位のレイテンシーはサブセカンド（1秒未満）である。トレードオフは、アイデンティティグラフがベンダーのシステム内に存在することであり、これは個人を特定できる情報（PII）が組織自身のデータ基盤の外に保管され、ベンダーのセキュリティ境界に依存することを意味する。

ウェアハウスネイティブの名寄せ

ウェアハウスネイティブのアーキテクチャは、組織が既に持つデータウェアハウスやデータクラウドの内部で、名寄せを直接実行する。CDPはウェアハウスからデータを読み込み、処理結果をウェアハウスへ書き戻す仕組みで、顧客データが組織のインフラの外に出ることはない。このモデルは、厳格なデータガバナンス要件を持つ企業や、既存のウェアハウスに投資してきた企業に適している。歴史的にウェアハウスネイティブの名寄せはバッチ処理のみで実行されてきたが、最新の実装ではChange Data Capture（CDC）やストリーミングパイプラインを活用し、CDPネイティブとのレイテンシーの差を縮めつつある。

リアルタイムかバッチかによる名寄せ

購入検討者が最も気にする観点は速度である。CDPが名寄せをリアルタイムで行うのか、バッチで行うのかという点だ。リアルタイムの名寄せは、届いたイベントをミリ秒単位でプロファイルとマッチングする。 これにより、AIエージェントやパーソナライゼーションエンジンは同一セッション内で完全なプロファイルを踏まえて動くことができる。バッチによる名寄せは、アイデンティティグラフを1時間ごと、あるいは夜間などのスケジュールで再処理する方式で、キャンペーンのセグメンテーションや解約スコアリングには十分だが、セッション中の意思決定には遅すぎる。実運用の多くのCDPは両方を併用しており、即時の認識のためのリアルタイムのイベント統合と、統合の誤りを修正し履歴を再計算するための定期的な完全整合処理を組み合わせている。エージェンティックな活用事例が広がるにつれ、リアルタイムの名寄せはプレミアムな選択肢から標準的な要件へと移り変わりつつある。

個人を超えて：世帯とB2Bアカウントの名寄せ

従来の名寄せは、個人のアイデンティティを解決することに重点を置いていた。Cookie IDをメールアドレスに、そして会員番号にマッチングするといった処理だ。しかし現代のビジネス要件は、個人のプロファイルの範囲を超えて広がっている。

世帯グラフは同じ住所を共有する家族をグループ化し、配信除外のロジック（同じ世帯に2つのオファーを送らない）や世帯単位の支出分析を可能にする。アカウントグラフはB2Bの活用事例のために個人とビジネス法人を結び付け、複数の担当者を単一の企業に紐づけ、アカウントレベルのエンゲージメントを追跡する。カスタムエンティティグラフは、保険契約と契約者、ペットと飼い主、車両とドライバーといった、業界固有の関係性をモデル化する。

B2Bの名寄せには固有のつまずきどころがある。同じ購買担当者が、ウェビナーには個人のメールアドレスで、CRMには仕事用のメールアドレスで登録されていることは多く、個人単位のマッチングには両方が要る。担当者をアカウントに紐づける際はメールアドレスのドメインを手がかりにするが、子会社、地域法人、フリーメールのアドレスではこの対応づけが崩れる。そのためアカウントのマッチングでは通常、社名、所在地、法人番号などの企業IDといった企業属性のキーを加える。担当者が転職したときは、仕事用のメールアドレスを元のアカウントから切り離し、それまでの履歴を新しいアカウントへ持ち込まないようにする必要もある。

単一のプラットフォーム内で複数のアイデンティティグラフを扱えることで、B2BとB2Cのオーディエンスごとに別々のシステムを維持する必要がなくなる。複雑なエンティティ関係を持つ組織、複数ブランドの小売企業、保険会社、医療システムなどは、プラットフォームを選定する前に、個人以外のグラフタイプに対応しているかどうかを確認すべきだ。

名寄せにおける透明性とガバナンス

アイデンティティグラフが複雑になるにつれ、なぜ2件のレコードが統合されたのかを説明できることが、統合そのものと同じくらい重要になる。初期の名寄せシステムはブラックボックスとして動いており、プロファイルは統合されるものの、その判断の根拠は不透明だった。これは2つの問題を生んだ。コンプライアンスチームはプライバシー規制への準拠を統合判断について検証できず、データチームはプロファイルが誤って統合されたり分断されたまま残ったりした際に精度の問題を診断できなかった。

現代の名寄せには、次の5つのガバナンス機能が求められる。

1. 統合履歴の追跡：どの識別子がどの統合を引き起こしたか、いつ発生したか、確定的マッチングと確率的マッチングのどちらによるものか、あるいは推移的推定がどのようにそれらをつなげたのかを示す完全な監査記録
2. 確信度スコアリング：すべてのマッチングには、下流のシステムが絞り込みに使える確信度スコアを付与すべきである。ロイヤルティメールにはほぼ確実なアイデンティティが求められる一方、見込み客向けオーディエンスは確信度が低くても許容できる
3. 自己修復：過剰統合（無関係なプロファイルが1つにまとまってしまう現象）と不足統合（同一人物の断片が別々のまま残ってしまう現象）を自動で検知し、修正する仕組み。自己修復システムはプロファイルの安定性を継続的に監視し、手作業でのデータクレンジングを待たずに異常を検知する
4. 同意を反映した統合：名寄せは同意のシグナルを尊重しなければならない。顧客がある1つのチャネルで同意を撤回した場合、統合済みのプロファイルはその撤回をすべての紐づいた識別子に伝播させ、日本の個人情報保護法やGDPR、CCPAなどのプライバシー関連法への準拠を維持しなければならない。日本では、提供元では個人情報に当たらない情報（Cookie IDや閲覧履歴など＝個人関連情報）を第三者に提供し、提供先で個人データとして取得されることが想定される場合、提供元は本人の同意が得られていることをあらかじめ確認しなければならない（個人情報保護法第31条、2022年4月施行）。判定の基準は識別子が単体で個人を特定できるかではなく、提供元の手元で個人情報に当たるかどうかである。自社のCDPで氏名やメールアドレスに紐づけ済みの識別子は提供元にとって個人データであり、その場合は第三者提供（第27条第1項）の規律がかかる。詳しくは同意管理を参照
5. 国境を越えたデータの保存地域管理：グローバル企業では、アイデンティティグラフが法域ごとのデータの保存地域規則を遵守し、規制が求める場合にはプロファイルが該当する法域内で解決され、保管されるようにする必要がある

名寄せの品質をどう測るか

統合の誤りはエラーとして表に出ないため、名寄せは無条件に信頼するのではなく、指標で監視する必要がある。次の4つの数値でたいていの問題は捉えられ、自動の監視はいずれかが急変したときにアラートを出すべきだ。

• プロファイル圧縮率：ソースのレコード数を、名寄せ後のプロファイル数で割った値。新しいソースを接続した直後に急上昇した場合は、たいてい過剰統合の兆候である。1.0に近ければ、マッチングがほとんど機能していない
• 識別子が多すぎるプロファイル：数十件のメールアドレスやデバイスのように、現実にはあり得ない数の識別子を抱えたプロファイル。ほぼ例外なく、オフィスの共用IPアドレスや店舗のレジ端末のようなハブとなる識別子が、無関係な人々を連鎖的につないでいる
• ソース別の統合率：各ソースのレコードのうち、既存のプロファイルに結び付いた割合。あるソースだけが急落した場合、原因は顧客の変化ではなく、上流でのフォーマットやハッシュ化方式の変更であることが多い
• プロファイルの安定性：プロファイルの統合と分割が週ごとにどれだけ起きているか。統合と分割が絶えず繰り返されるなら、しきい値がスコア分布の境目付近に設定されている

サンプリングは、数値では代わりの利かない確認である。毎月、データスチュワードが無作為に選んだ数十件の統合を、それぞれの確信度の根拠とあわせてレビューするとよい。

名寄せ、アイデンティティグラフ、エンティティ解決の違い

この3つの用語は混同されやすいが、指すものは違う。名寄せはプロセスであり、アイデンティティグラフはそのプロセスが生み出すデータ構造である。エンティティ解決は、同じマッチングを顧客に限らずあらゆるエンティティに適用する、より広い分野を指す。

実際の運用では、CDPの名寄せがアイデンティティグラフに書き込み、下流のツールはその結果である統合プロファイルを読む。

ファネル段階別に見る名寄せの課題

ファネル上部：未知の見込み客の獲得

ファネルの上部における課題は、自社の接点をまだ訪れていない見込み客を識別することだ。GoogleはChromeでのサードパーティCookie廃止計画を撤回したものの、SafariとFirefoxは長年これをブロックしており、プライバシー規制もサイトを横断した追跡を制限し続けている。解決策としては、コンテキスト広告（閲覧履歴ではなくページの内容に基づいて広告を表示する手法）、ファーストパーティデータからの類似オーディエンスモデリング、UID2.0、ID5、RampIDといった代替IDソリューションなどが挙げられる。データクリーンルームも、匿名化されたファーストパーティデータをパートナーとプライバシーに配慮した形でマッチングする手段になる。

ファネル中部：匿名から既知への変換

ファネルの中部は、見込み客が興味を示しているものの、まだ匿名のままである段階だ。コミュニケーションはCookieやデバイスIDといった個人性の低い識別子に依存しており、パーソナライズが難しい。主な課題には、プライバシー規制下でのCookieベースの追跡の制約や、摩擦を生まずに匿名の訪問者を既知のリードへ変換することが含まれる。段階的なプロファイル収集、登録が必要なコンテンツ、コンバージョンAPI（ブラウザレベルの制約を回避するサーバーサイドのイベント追跡）といった手法が、このギャップを埋める助けとなる。

ファネル下部：ロイヤルティの深化

ファネルの下部では、認識済みのアイデンティティによって、ターゲティングされたロイヤルティプログラム、購買履歴に基づくパーソナライズされたオファー、一貫したオムニチャネル体験が可能になる。ここでの課題は、ID階層の管理へと移る。親向けのプロモーションオファーがその子どもに送られないようにすること、あるいは同一世帯に紐づく複数のアカウントを統合することなどだ。

名寄せの解決策

効果的なアイデンティティ戦略は、ファネルの段階に応じて複数の手法を組み合わせる。

• コンテキスト広告：プライバシーに配慮したファネル上部でのリーチのために（かつてこの役割を担うとされたGoogleのTopics APIは、プライバシーサンドボックスの大半の技術とともに廃止される。Google、2025年10月）
• コンバージョンAPIとサーバーサイド追跡：ブラウザのCookieに依存しない、精度の高いファネル中部でのアトリビューションのために
• ファーストパーティ識別子に基づく確定的マッチング：ファネル下部でのパーソナライズのために
• データクリーンルーム：生のPIIを露出せずに名寄せの対象範囲を広げる、セカンドパーティデータのパートナーシップのために

内製の名寄せか、専業ベンダーか

名寄せは、かつて専業ベンダーを必要とするほど専門性の高い機能だった。CDPの初期（2016～2020年）には、マーケティングプラットフォームがネイティブなマッチング機能を持たなかったため、多くの組織が単体のツールを個別に購入していた。

しかしその状況は大きく変わった。この専門的な機能は、もはや市場全体で見ても稀少なものではない。主要なエージェンティックCDPはどれも、AIを活用した名寄せを標準機能として備えている。確定的マッチングと確率的マッチングの両方を、新しいデータが届くたびに精度を継続的に高める機械学習とともに搭載しており、一般的な活用事例において専業ベンダーを選ぶ根拠だった精度の差はかなり縮まっている。

ほとんどの組織にとって、名寄せ専業のベンダーを別途契約する必要はもはやない。現代のエージェンティックCDPは、セグメンテーション、AI意思決定、データアクティベーションを扱う同一のプラットフォーム内に名寄せを組み込んでおり、統合プロファイルを別システムへコピーすることなく、そのまま実行可能な状態で利用できる。

名寄せ専業のツールが依然として価値を持つ場面もある。数百のデータソースと数十億件のレコードを抱える組織、共有のアイデンティティグラフがマーケティング活用を超えて分析パイプラインやMLの特徴量ストア、BIツールにまで供給される複数ブランドのポートフォリオ、あるいはアーキテクチャ上の柔軟性のために意図的にアイデンティティ基盤とアクティベーションを分離している企業などだ。しかし大多数のCDP購入検討者にとって、名寄せは差別化要因ではなく、当たり前に組み込まれているべき必須機能になっている。

名寄せとAIエージェント

エージェンティックな時代において、名寄せは背後で動くデータ処理から、AIエージェントが継続的に依存するリアルタイムの機能へと役割を変えている。顧客に対するネクストベストアクションを選び取るAIエージェントには、3つのデータベースに散らばった断片ではなく、完全に統合されたプロファイルが必要だ。

名寄せは、Customer Intelligence Loop（顧客データの収集・統合・活用を継続的に回す仕組み）のUNIFY（統合）の段階を支えている。名寄せがなければ、このループは2番目のステップで止まってしまう。AIエージェントは、識別できない顧客を理解し、判断し、エンゲージメントを築くことはできない。セッション中のパーソナライズやリアルタイムの意思決定のためには、エージェンティックCDPはバッチではなく継続的に名寄せを実行する必要がある。エージェントにはAPI並みの速度で、最新かつ解決済みのプロファイルが求められるからだ。解約予測やメールキャンペーンといったバッチ中心の活用事例は1時間ごとの更新でも許容できるが、エージェンティックな自動化が広がるにつれ、標準として期待される水準はリアルタイムの名寄せへと移りつつある。

リアルタイムの名寄せというこの要件は、アイデンティティ専業のベンダーにとって課題を生む。統合プロファイルを生み出せても、それを踏まえて動けないアイデンティティプラットフォームは、外部のアクティベーションシステムへのハンドオフを強いられる。このハンドオフは、フィードバックの遅延、ベンダーの境界をまたいだPIIの重複、レイテンシーを招く可能性があるが、その深刻さは具体的なアーキテクチャや連携方式によって異なる。

エージェンティックな名寄せ（発展中の分野）

この分野で進みつつある変化は、AIエージェントが統合済みのアイデンティティを利用するだけの存在から、名寄せそのものを実行する存在へと移ることだ。手作業で設定されたYAMLファイル、SQLルール、ビジュアルなルールビルダーに頼るのではなく、エージェンティックな名寄せはAIエージェントを用いて識別子同士の関係性を自動で発見し、マッチングのしきい値を推奨し、過剰統合を検出し、グラフの品質を継続的に最適化する。この手法は、長年続いてきた運用上のボトルネックに対応するものだ。従来の名寄せの設定には専門的なデータエンジニアリングのスキルが必要であり、データソースの変化に応じて精度を維持するには継続的な手作業による調整が求められてきた。まだ初期段階であり、現在の実運用の多くはルールベースのシステムとML支援によるマッチングを組み合わせたものであって、完全に自律的なエージェントではない。しかし今後の方向性としては、AIエージェントがアイデンティティグラフの健全性を監視し、異常を検知し、人間の監督を減らしながらマッチングのロジックを調整していくことが見込まれる。

アクティベーションなき名寄せは不完全である

統合された顧客プロファイルを作ることは、最初の一歩にすぎない。名寄せのビジネス上の価値は、それらのプロファイルが活用され、AIエージェントが統合プロファイルを読み取り、最適なアクションを判断し、メッセージを送り、その結果から学習するときに初めて実現する。Treasure AI（旧Treasure Data）のようなプラットフォームは、名寄せとアクティベーションを同一のプラットフォーム内で提供するように設計されており、顧客データの統合とその活用の間のハンドオフをなくしている。

名寄せとアクティベーションが別々のシステムに存在する場合、組織はさらなる連携上の課題に直面する。

• フィードバックループのレイテンシー：アイデンティティプラットフォームは、プロファイルが下流に送られた後に何が起きたかを把握できないことがある。モデルがその結果から学習する前に、成果データは別のデータパイプラインを経由して戻ってくる必要がある。その深刻さは連携アーキテクチャに依存し、リバースETLやイベントストリーミングの手法はこのギャップを大きく縮めている
• PIIの重複：アクティベーションの同期は、個人を特定できる情報を下流のベンダーへコピーすることがあり、GDPRやCCPAに基づくコンプライアンス上の義務を増やす。ウェアハウスネイティブの手法は、データをコピーせずその場で照会することでこれを緩和する
• レイテンシー：アイデンティティプラットフォームからアクティベーションプラットフォームへのハンドオフは、ほぼリアルタイム（ストリーミング連携）から数時間（バッチベースのアクティベーション）まで幅がある。エージェンティックマーケティングのクローズドループを必要とする活用事例には前者が求められ、バッチ中心のキャンペーンには後者でも許容できる

名寄せを評価する組織は、それが自社のアクティベーションのスタックとどれだけ緊密に連携しているかを検討すべきだ。Treasure AI（旧Treasure Data）のような一体型のプラットフォームは、名寄せ、AI意思決定、マルチチャネルのアクティベーションを単一のプラットフォームの中に保つことで、PIIの重複やフィードバックループのレイテンシーを引き起こすハンドオフをなくしている。ベストオブブリードの手法はアーキテクチャ上の選択の自由をもたらすが、フィードバックループを閉じるには慎重な連携設計が必要になる。この連携の度合いを全ベンダーに同じ条件で問うには、CDPのRFPを成功させるための6つのステップが使える。

FAQ

確定的な名寄せと確率的な名寄せの違いは何か

確定的な名寄せは、メールアドレス、電話番号、ログイン情報といった識別子について完全一致でレコードをマッチングする。 ファーストパーティデータが得られる場合には高い精度を発揮する。確率的な名寄せは、IPアドレス、デバイスの種類、行動パターンといったシグナルを用いて、2件のレコードが同一顧客に属する可能性を推定する。匿名の訪問者まで対象範囲を広げられるが、一致と見なすには確信度のしきい値を定める必要がある。

サードパーティCookieなしで名寄せはどのように機能するのか

サードパーティCookieなしでの名寄せは、ファーストパーティデータ、サーバーサイド追跡、代替IDソリューションに依存する。 ChromeはCookie廃止計画を撤回したものの、SafariとFirefoxは長年サードパーティCookieをブロックしてきた。企業はサーバーサイドのイベント追跡のためのコンバージョンAPI、UID2.0、ID5、RampIDといった代替識別子、パートナーとプライバシーに配慮したマッチングを行うデータクリーンルームを活用している。

名寄せが重要なのはなぜか

名寄せは、CDP（カスタマーデータプラットフォーム）やデバイス横断のアイデンティティ統合を実用的なものにする基盤機能である。 これがなければ、顧客の接点はシステムをまたいで分断されたままとなり、パーソナライズを妨げ、重複したメッセージ配信にマーケティング予算を浪費させる。名寄せは、セグメンテーション、予測モデリング、AI意思決定、オムニチャネルのアクティベーションを支える統合プロファイルを生み出す。

名寄せにはどのような利点があるのか

名寄せは断片化した顧客データを単一のプロファイルへと統合し、精度の高いパーソナライズ、チャネルを横断した一貫したメッセージング、信頼できる計測を可能にする。 重複したアウトリーチへの無駄な支出も減る。Oracleの委託によるForrester Consultingの調査（2023年）は、1,500万件のプロファイルのうち20%の重複を解消した場合の3年間の削減額を400万ドルと試算している。統合されたプロファイルは、予測モデルやAIエージェントが必要とする完全な学習データも提供する。

B2Bにおける名寄せはどのように機能するのか

B2Bの名寄せは、個々の担当者と、その担当者が属するビジネスアカウントを結び付け、個人レベルと企業レベルの両方でアイデンティティを解決する。 個人のメールアドレスやデバイスをマッチングするだけでなく、B2Bでは購買委員会に含まれる複数の担当者を単一の企業ノードに紐づけるアカウントグラフが必要になる。これにより、各担当者のアイデンティティを別々に保ちながら、アカウントレベルでのエンゲージメントを追跡できる。これによって、複数の個人を1つのプロファイルにまとめてしまうことなく、アカウントベースドマーケティングを支えることができる。

名寄せ専業のベンダーは必要か

ほとんどの組織にとって、必要ない。 現代のCDPは、確定的マッチングと確率的マッチングによる名寄せを中核機能として備えており、専業ベンダーと標準機能との精度の差は大きく縮まっている。数十億件のレコード、数百のデータソース、あるいはマーケティング活用を超えて他システムに供給する複数ブランドのアイデンティティグラフを持つ組織では、専業ベンダーが依然として価値を持つ場合がある。

ウェアハウスネイティブの名寄せとは何か

ウェアハウスネイティブの名寄せとは、CDPベンダーのインフラ内ではなく、組織が既に持つデータウェアハウスの内部でマッチング処理を直接実行する方式である。 顧客データが組織自身の環境の外に出ることはなく、データガバナンスを簡素化し、PIIの重複を防ぐ。最新のCDCベースの手法は、CDPネイティブとのレイテンシーの差を縮めつつある。

アイデンティティグラフとは何か

アイデンティティグラフとは、顧客の識別子同士の関係性をマッピングするデータ構造であり、メールアドレス、デバイスID、電話番号、Cookieを単一の統合プロファイルへとつなぎ合わせる。 現代のアイデンティティグラフは個人の範囲を超えて広がり、世帯、B2Bアカウント、保険契約や車両といったカスタムエンティティをモデル化し、デバイス横断の名寄せや世帯単位の抑制配信を可能にする。

名寄せの精度を自動で監視するにはどうすればよいか

グラフの健全性を示す少数の指標を追い、それが変動したときにアラートを出す。対象はプロファイル圧縮率、識別子が多すぎるプロファイル、ソース別の統合率、統合と分割の頻度である。 いずれかが急変したときは、上流でのフォーマット変更、無関係な人々を連鎖させるハブとなる識別子、緩すぎるしきい値のいずれかが原因であることが多い。こうした確認を継続的に走らせるAI支援のツールも増えているが、サンプリングした統合を人間が毎月レビューすることが、依然として最終的な基準になる。

エージェンティックな名寄せとは何か

エージェンティックな名寄せとは、AIエージェントを用いてアイデンティティグラフを自動で構築し、最適化し、維持する、発展中の手法である。 マッチングのルールやしきい値を手作業で設定するのではなく、AIエージェントが識別子同士の関係性を発見し、統合の異常を検知し、グラフの品質を継続的に調整することで、従来必要とされていた専門的なデータエンジニアリングの負荷を減らす。

Related Terms

• Customer Data Platform (CDP)：名寄せを大規模に実行する中心的なプラットフォーム
• Agentic CDP：名寄せとリアルタイムマッチングを標準搭載したAIファーストのCDP
• Customer Intelligence Loop：名寄せがUNIFY（統合）の段階を支える5段階のサイクル
• AI Decisioning：アイデンティティが解決された後に起こること
• Data Activation：統合プロファイルをチャネル横断で実行可能にする仕組み
• Single Customer View (SCV)：名寄せの出力結果
• Personalization：解決された顧客アイデンティティによって可能になる

さらに詳しく：Identity Resolution Is Table Stakes: What CDPs Actually Need in the AI Era

この記事は他の言語でも読めます： Identity Resolution: Definition, Methods & CDP Use · Identity resolution: o que é, tipos e uso na CDP · Identity resolution : définition, méthodes et CDP