従来型ML・データ
データドリフトとは？意味・仕組みをわかりやすく解説
Data Drift ／ 最終更新日：2026年7月7日
30秒でわかる定義
データドリフトとは、機械学習モデルを運用していく中で、入力されるデータの傾向が学習時から変化し、モデルの精度が徐々に低下する現象です。市場・季節・ユーザー行動の変化などで起こります。放置すると予測がずれていくため、運用ではログを監視し、必要に応じて再学習する仕組みが欠かせません。
仕組み・基本の流れ
- 1学習時のデータ分布と、運用中の入力データ分布を比較・監視する
- 2分布のズレ（ドリフト）を統計的に検知する
- 3予測精度の低下やビジネス指標の悪化と突き合わせる
- 4しきい値を超えたら、新しいデータでモデルを再学習する
- 5再学習したモデルを評価・デプロイする（MLOpsの一部）
実務でのポイント：入力データの傾向が変わる『データドリフト』と、予測対象と入力の関係自体が変わる『コンセプトドリフト』は区別されます。いずれも運用後の精度低下の主因で、監視と再学習パイプラインの設計がMLOpsの重要テーマです。
関連する用語
このスキルを活かせる職種と年収は？
データドリフトの監視・再学習の設計は、MLOps・機械学習エンジニアの実務スキルです。『作って終わり』ではなく運用で精度を保てる人材は市場価値が高い領域です。
よくある質問
Q. データドリフトとコンセプトドリフトの違いは？
A. データドリフトは入力データの分布（傾向）が変わることを指します。コンセプトドリフトは、入力と予測対象の『関係性』そのものが変わることを指します。例えば同じ特徴でも、以前は優良顧客だった層が景気変動で変わる、といった場合です。どちらも精度低下の原因になります。
Q. データドリフトはどう対処しますか？
A. 運用中のデータ分布と精度を継続的に監視し、ドリフトを検知したら新しいデータでモデルを再学習します。この監視・再学習のパイプラインをMLOpsとして仕組み化しておくのが基本です。