目次
データ分析の前提を揺るgaす「セキュリティデータ」の爆発と品質低下
DX（デジタルトランスフォーメーション）の推進やゼロトラストアーキテクチャの採用は、企業が分析・監視すべきデータポイント（ログ、パケット）の量と種類を爆発的に増加させました。
通信の90％以上が暗号化（データが難読化）される環境下で、高度化する脅威を検知するため、多くの組織がIDS、IPS、EDR、NDRといった高度な「セキュリティ分析エンジン」を導入しています。
しかし、これらのエンジンは「投入されるデータの品質」にその性能を大きく依存します。現場では、分析エンジンの処理能力を超える大量のデータ（ノイズ）が投入された結果、シグナル・ノイズ比（S/N比）が著しく低下し、誤検知（False Positive）や検知漏れ（False Negative）が多発しているケースが少なくありません。
「ログデータは収集している」「分析ツールは導入している」という状態は、データが適切に分析・活用されていることを意味しません。むしろ、価値の低いアラートデータのレビューにSOCやIT部門の限られた分析リソースが浪費され、セキュリティ投資（分析基盤）に対するROI（投資対効果）の著しい低下という深刻な課題に直面しています。
GIGO（Garbage In, Garbage Out）の罠：分析品質を劣化させる「データオーバーヘッド」
高度なセキュリティ分析エンジン（NDRなど）を導入しても、分析対象データの品質管理（Data Quality Management）が伴わなければ、期待した成果は得られません。
実際には、重複したパケットデータ、暗号化されたままの解析不能なデータ、あるいは分析価値のない大量のトラフィック（ノイズ）が、そのまま分析エンジンに投入されています。
これは、データ分析における「GIGO（Garbage In, Garbage Out：ゴミを入れればゴミしか出てこない）」の原則そのものです。分析エンジンは、本来行うべき脅威検知（シグナル）の前に、これらのノイズデータや重複データのクレンジング処理にリソースを割かざるを得ません。
結果として、エンジン本来の分析性能が発揮されず、検知精度の低下、運用効率の悪化を招きます。さらに、処理すべきデータ量が不必要に膨れ上がることで、ライセンスコストやストレージコストの増大にも直結します。
この「データオーバーヘッド」という罠は、導入済みの分析エンジン（ツール）の問題ではなく、**分析パイプラインの前段における「データクレンジング戦略の欠如」**が根本原因です。
セキュリティ分析投資のROIを最大化する「データ前処理（Preprocessing）」という視点
高度なセキュリティ分析エンジンの価値を最大化するには、エンジンに投入するデータの「質」と「量」を最適化する「データ前処理（Preprocessing）」のプロセスが不可欠です。
本ウェビナーは、公共機関や大規模な金融、製造業などの組織で、ネットワークおよびセキュリティデータの分析・運用を担当する方を対象とします。
セキュリティ投資のROIを最大化するために不可欠な「分析用トラフィックデータの最適化」という視点から、「Network Packet Broker（ネットワークパケットブローカー）」の役割をデータ処理の観点で解説します。
Keysightのパケット技術やTapソリューションが、分析エンジンに投入される前に、いかにしてデータをフィルタリング、重複排除、集約し、最適化するか。それにより、分析エンジンの負荷を下げ、検知精度（S/N比）を向上させるベストプラクティスをご紹介します。
「導入済みの分析基盤（ツール）から期待した成果が得られていない」と感じている方は、**分析パイプライン全体を最適化する「データ前処理」**の視点を、ぜひこの機会にお持ち帰りください。
医療DXにおける課題：信頼性の低い「資産インベントリデータ」
厚生労働省が公表した最新のチェックリスト（令和7年度版）は、医療機関に対し、セキュリティ対策の基盤となる「資産インベントリデータ」の完全性を強く求めるものです。
これは、従来のサーバやPC端末のデータだけでなく、ネットワーク機器（スイッチ、ルータ）、医療機器、IoT機器（監視カメラなど）を含む、院内ネットワークに接続され得る「全機器の網羅的なデータ収集と管理」が必須であることを意味します。
しかし、多くの現場では、VPN機器や一時的な接続端末、さらには管理台帳に登録されていないIoT機器などの「ダークアセット（管理外資産）」が多く存在し、資産インベントリデータの正確性・完全性が著しく低い状態にあります。
不完全なデータセットに基づいたリスク分析は、誤った意思決定につながります。サイバー攻撃が医療提供体制そのものを脅かす現実的なリスクとなる今、形式的なガイドライン対応（チェックリストの充足）ではなく、「信頼できる完全な資産データ」を基盤とした実効性のあるリスク管理体制への移行が求められています。
ディープラーニングによる「予防」：インシデント発生前データの分析価値
従来のマルウェア対策は、シグネチャ（既知のパターン）に基づくため、「未知の脅威（ゼロデイ攻撃）」のデータには原理的に対応できないという限界がありました。
この課題に対し、侵入を前提とした「EDR（Endpoint Detection and Response）」が普及しましたが、これは「インシデント発生後のデータ（ログ）」を分析し、「MTTR（平均修復時間）」を短縮するアプローチです。この手法は、分析すべきデータ（アラート）の量が膨大になりがちで、「誤検知（False Positive）率」の高さがSOC（セキュリティオペレーションセンター）の運用負荷を増大させ、「本当に重要なアラート（True Positive）」を見逃す（False Negative）リスクを内包しています。
これに対し、「Deep Instinct Data Security X」は、データ分析のアプローチが根本的に異なります。ディープラーニング技術を活用し、マルウェアの「静的データ（ファイル特徴量）」そのものを分析・学習します。
これは、インシデント発生前の「予防」段階で、未知の脅威を含むマルウェアの「予測モデル」を構築・適用するものです。このアプローチにより、「検知率（True Positive Rate）」を最大化しつつ、「誤検知率（False Positive Rate）」を最小限に抑え、事後対応にかかる分析コストと運用負荷の抜本的な削減を目指します。
Splunkの生成AI機能が実現する、データ分析の生産性向上
金融サービス企業において、システムログ、トランザクションデータ、セキュリティイベントといった膨大かつ多様なデータを横断的に分析することは、極めて重要です。しかし、その分析プロセスは属人化しやすく、「分析担当者のスキルセット」が「インサイト（知見）導出までの時間（Time-to-Insight）」を左右する大きなボトルネックとなっています。
Splunkの生成AI機能は、このデータ分析プロセスにおける生産性課題を解決します。
アナリストのTTV（Time to Value：価値創出時間）の短縮: チャット形式のAIインターフェイスは、新規メンバーが複雑なドキュメントを読み解く時間を削減し、高度な分析機能を早期に活用可能にします。これは、データアナリストの「オンボーディング期間の短縮」と「組織全体の分析能力の底上げ」に直結します。
分析イテレーション（試行錯誤）の高速化: SPLクエリーの高速生成機能は、ダッシュボード作成やインシデントのトラブルシューティング（根本原因分析）にかかる時間を大幅に短縮します。これにより、アナリストは「クエリ作成」という作業から解放され、「仮説検証」という本来の分析業務により多くの時間を割くことができます。
分析ナレッジの共有と標準化: 複雑なSPLクエリを自然言語に変換する機能は、アナリスト間の**「分析ロジックの可読性」**を高め、コラボレーションを効率化します。これにより、分析の属人化を防ぎ、組織としてのアセット（知見）を蓄積・標準化することが可能になります。
オブザーバビリティとAI：プロアクティブな異常検知への投資対効果
技術インフラは重要なビジネス資産であると同時に、その複雑性から潜在的な障害点（Single Point of Failure）にもなります。特に金融サービスでは、インフラの安定稼働が事業継続の生命線です。
AIを組み込んだオブザーバビリティ（可観測性）プラットフォームへの投資は、従来の「障害発生後の対応（リアクティブ）」から、「障害発生前の予兆検知（プロアクティブ）」へと体制を移行させるための、データ戦略上極めてROI（投資対効果）の高い施策です。
AI（機械学習）モデルがITインフラやサイバーセキュリティの膨大なログデータを常時監視・分析することで、人間のアナリストでは発見が困難な**「微細な異常（アノマリー）」や「攻撃の予兆」**を早期に検知します。これにより、インフラ停止やセキュリティインシデントといった重大なビジネスリスクを未然に回避し、機会損失を最小化します。
Splunk AI Assistant for SPL：データ分析スキル（SPL）の民主化
Splunk環境におけるデータ分析の速度と深度は、多くの場合、アナリストの「SPL（サーチ処理言語）」の習熟度に依存します。この「特定のクエリ言語スキルへの依存」が、組織的なデータ活用のボトルネックとなっていました。
「Splunk AI Assistant for SPL」は、この課題を解決する機能です。
自然言語（NL）からSPLへの変換: アナリストが「調べたいこと」を自然言語（平易な英語）で入力するだけで、AIが最適なSPLクエリを生成します。これにより、SPLの高度な知識がない担当者でも、複雑なデータ抽出や相関分析が可能となり、「仮説検証サイクル」が劇的に高速化します。
コンテキストに基づいたリスク評価の精緻化: この機能は、単なる翻訳に留まりません。保存済みのサーチ情報（過去の分析コンテキスト）も参照するため、トランザクションの詳細な背景を理解した上で、より正確なリスク評価やデータ分析に貢献するクエリを生成します。これは、「分析の初期精度」を高め、手戻りを減らす効果があります。
この機能は、高度なデータ分析スキルを組織全体に「民主化」し、データドリブンな意思決定を加速させるための基盤となります。
スマートフォン認証方式の比較分析：SMS認証の代替と「TELEO」の導入効果
スマートフォンで利用される主要な認証方式について、データに基づき比較分析します。特にSMS認証の代替として電話発信認証サービス「TELEO」が注目されている理由を、データコンサルタントの視点で解説します。
「TELEO」は、ユーザーが電話を常時所持しているというデータに着目した認証方式です。スマートフォンの**「普及率（カバレッジ）」と「認証プロセスの簡便性（UX）」を両立させ、「アプリのインストール率」**に依存しない（＝導入時の離脱を防ぐ）点がデータ上の特長です。
某大手銀行での活用事例に基づき、金融機関の実運用環境において、「認証成功率」「エラー率」「ユーザーセグメント（例：アプリ非利用層）別のカバレッジ」といったKPIにどのような定量的効果をもたらしたかをご紹介します。
認証プロセスのKPI改善を目指す、以下の担当者へ
SMS認証の「到達率」や「コスト（CPA）」のデータに課題があり、代替手段のROI（投資対効果）を比較検討したい。
自社サービスのログインにおける「認証成功率」や「離脱率」をデータに基づき改善したい。
「認証カバレッジ」を拡大するため、既存の認証に追加するオプションの費用対効果を分析したい。
証券口座乗っ取りインシデントのデータ分析：フィッシング攻撃の構造変化
2025年初頭に発覚した大規模な証券口座乗っ取り事件を受け、金融業界では認証基盤のリスク評価と見直しが急務となっています。インシデントデータを分析すると、従来のパスワードやSMSによる二要素認証では、巧妙化したフィッシング攻撃のリスクを十分に低減できていない実態が明らかになっています。
現在のフィッシング攻撃は、「Phishing-as-a-Service」の普及により、攻撃側の「CPA（Cost Per Attack：攻撃あたりのコスト）」が劇的に低下し、誰でも容易に実行可能な状況です。さらに生成AIの進化は、詐欺メールの文面（日本語の自然さ）という「識別データ」を無効化し、ユーザー側の検知を極めて困難にしています。
この結果、特別なスキルを持たない攻撃者による金融サービスへの認証突破が、「確率的」にではなく「現実的」な脅威としてデータに表れ始めています。
「攻撃突破事例ゼロ」というデータが示す、「パスキー」のフィッシング耐性
Webサービスを標的としたサイバー攻撃の「インシデント件数」や「被害データ」が急増する中、フィッシング詐欺や不正アクセスを防ぐためのログイン・セキュリティ強化が、事業継続上の重要KPIとなっています。
こうした状況下で、新たな認証方式として注目されているのが「パスキー認証」です。パスキー認証は、生体情報とデバイス情報を組み合わせたFIDO準拠の仕組みにより、フィッシングや中間者攻撃といった「攻撃ベクトルのデータ」に対し、原理的に突破を極めて困難にします。
2024年時点で150億以上のアカウントがパスキーを利用しており、その統計データにおいて「大規模な突破事例ゼロ」という事実は、フィッシング攻撃への有効性を定量的に示しています。政府や金融庁もフィッシング対策技術としてパスキーを推奨しており、金融機関が導入すべき認証基盤の新たな標準として、既にメガバンクを中心に導入が進んでいます。
パスキーが「事業KPI」に与える影響：セキュリティとUXのトレードオフ解消
なぜ、フィッシング攻撃はパスキー認証を突破できないのでしょうか。本セッションは、金融機関および関連事業者の方を対象に、パスキー認証（FIDO認証）と他の認証方式との「リスク対効果」「UX（ユーザー体験）」に関する比較データを提示し、その導入メリットや運用コストを具体的な事例と共に分析します。
注目すべきは、セキュリティ強化が事業KPIの改善に直結する点です。実際にパスキー認証を導入した企業からは、「ログイン成功率が99％まで向上」した、あるいは「ログイン関連の問い合わせ件数が減少し、コールセンターのオペレーションコストが削減された」といった定量的なデータが報告されています。
これは、パスキーが「セキュリティとUXのトレードオフ」を解消するソリューションであることを示しています。「フィッシング攻撃のリスク値を最小化したい」「UXを改善し、ログイン成功率という重要KPIを引き上げたい」という金融機関および関連事業者の方は、ぜひご参加ください。
デジタル化が加速する企業ネットワーク：ログデータと「本当に見えているか」の乖離
DX推進やゼロトラストアーキテクチャの浸透により、企業ネットワークは監視・分析すべき「データソース（ログ）」が爆発的に増加し、かつてないほど複雑化しています。
特に、「通信の90％以上が暗号化」されているというデータは、従来の平文パケットを前提とした監視手法の有効性が失われていることを示します。この状況下で、標的型攻撃や内部不正といった巧妙な脅威に対応するため、多くの企業が「IDS」「IPS」「EDR」「NDR」といった高度なセキュリティツールを導入しています。
しかし、これらのツール導入が必ずしもリスク低減に直結しているわけではありません。データ分析の現場では、「誤検知」や「アラートの洪水（ノイズ）」への対応に追われ、本当に重要な「シグナル（脅威の兆候）」を見逃すケースが少なくありません。
「ログは取っている」「ツールは入れている」という状態は、「データを収集している」に過ぎず、「データを分析し、実効性のあるインサイトを得ている」こととは同義ではありません。
限られたリソースで対応するSOCやIT部門において、「アラート対応工数」は増大し続けています。結果として、セキュリティ投資（ツール導入コスト）が、「インシデント発生率の低減」や「MTTR（平均修復時間）の短縮」といったKPIにどれだけ寄与しているか、そのROI（投資対効果）の測定と全体最適化が、極めて重大な経営課題となっています。
パスワード認証が引き起こすUX低下と、事業KPIへの負の影響
近年、セキュリティインシデントの増加に伴い、パスワード認証の脆弱性が指摘されています。しかし、データ分析の観点からは、パスワード認証は単なるセキュリティ課題に留まらず、事業成長のKPIを直接的に悪化させる「構造的なボトルネック」として認識すべきです。
多くの企業で、パスワード再設定や認証時の煩雑なプロセスがユーザー体験（UX）を著しく低下させています。これは感覚的な問題ではなく、「離脱率の上昇」や「顧客維持率（リテンションレート）の低下」といった計測可能なデータとして表れています。
さらに、この問題はオペレーションコストにも直結します。パスワード関連の問い合わせ対応やサポート業務が、カスタマーサクセスや開発部門のリソースを大量に消費しているのです。その結果、収集された顧客データを分析し、本来注力すべきLTV（顧客生涯価値）向上やサービス改善活動に割り当てるべきリソースが奪われ、改善サイクルが遅滞しています。
この「UX低下による離脱」と「対応コストの増大」という負の循環が、本来得られるはずだった売上機会を削ぎ、事業の成長速度を鈍化させていることは、データが示している事実です。
こうした中、Apple、Google、Microsoftが標準採用した「パスキー（FIDO認証）」は、パスワードレスで安全かつスムーズな認証を実現する新しい技術標準として、世界的に普及が加速しています。
データで見るパスワード依存のコスト：75%の離脱と数千万円の運営負荷
パスワード認証への依存が、ユーザー体験と事業運営の両面で具体的にどれほどの損失を生んでいるか、各種調査データがその深刻な実態を示しています。
例えば、以下のような分析結果が報告されています。
リセット起点の離脱: アクティブユーザーの約10％が毎月パスワードリセットを実行しています。重要なのはその先で、リセットプロセスの途中で最大75％が離脱しているというデータです。
LTVへの直接的打撃: リセットを完了できなかった（＝離脱した）ユーザーは、サービスへ再エンゲージする可能性が著しく低く、これは継続利用率やLTVの明確な低下要因となります。
高額なオペレーションコスト: カスタマーサポートへの問い合わせのうち、20～40％がパスワード関連で占められています。この対応コストは1件あたり2,500円から12,000円に上り、企業規模によっては年間で数千万円規模の運営負荷となっているケースも少なくありません。
これらのデータが示すのは、パスワード関連の対応がカスタマーサクセスや開発部門の貴重なリソースを圧迫し、UX改善や新機能開発といった、よりROI（投資対効果）の高い施策へのリソース配分を妨げているという事実です。
データに基づけば、パスワード依存を継続することは、計測可能な成長機会を日々失い続けるという経営判断に他なりません。
認証体験の最適化がもたらす事業成果：「パスキー」導入によるKPI改善シナリオ
パスキー（FIDO認証）は、単なるセキュリティ強化策ではなく、「認証体験の最適化」を通じてUX改善と事業成果（KPI）を両立させるための戦略的なソリューションです。
実際にパスキー認証を導入した企業からは、以下のような定量的な改善事例が報告されています。
ログイン成功率の劇的改善: 煩雑なパスワード入力を不要にすることで、ログイン成功率が99％まで向上した事例。
コスト削減効果: ログインに関する問い合わせが大幅に軽減されることで、コールセンターの運営コスト削減に直結した事例。
本セッションでは、パスキー認証／FIDO認証と他の認証方式との違いや活用メリット、導入・運用コストについて、具体的な導入事例のデータを交えながら比較分析します。
また、UX改善とセキュリティ強化を両立するパスキー認証を、いかに低コストで導入し、コスト削減や売上向上といった投資対効果（ROI）を最大化できるか、具体的なソリューションと導入メリットについても詳しくご紹介します。
「ログイン成功率」「認証関連コスト」「UX/UI」のKPI改善を目指す担当者へ
以下のような、データに基づいた課題意識を持つ担当者にとって、有益な情報と具体的な解決策を提供します。
UX/UIを改善し、「ログイン成功率」という重要KPIを早急に引き上げたい。
ログイン認証にかかる「運営コスト」や「問い合わせ件数」を可視化し、抜本的に削減・最適化したい。
サイバー攻撃対策は必須だが、それによってUX/UIを悪化させる「トレードオフ」は解消したい。
これらの課題を解決するための、データドリブンなアプローチと最新の認証技術について解説します。
到達率99.9%が意味する「機会損失の最小化」：SMS・IVR認証のデータ分析
日々大量の本人認証（トランザクション）が発生する大手フリマアプリやキャッシュレス決済サービスにおいて、認証手段の選定は事業の根幹をなすデータ分析に基づき行われます。その中で4年連続シェアNo.1を誇るSMS・IVR認証サービス「メディアSMS」について、データコンサルタントの視点で分析します。
本サービスの核となる数値は、国内キャリア直収の独自インフラによって実現される「到達率99.9%」という極めて高い信頼性です。これは、「認証失敗による離脱率（ドロップオフ）を理論上の最小値に抑える」ことを意味します。仮に到達率が99%のサービスと比較した場合、その差0.9%のユーザーが認証プロセスから脱落し、機会損失となっている可能性を示唆します。
さらに、電話自動発着信（IVR）という冗長化されたチャネル設計は、データ分析において重要です。これにより、SMSを受信できないユーザーセグメント（例：ガラケー、固定電話、SMS非対応SIMユーザー）の「認証カバレッジ」を最大化し、特定層の取りこぼしを防ぎます。
導入の容易性（初期費用・月額利用料ゼロ）と「1通あたり8円以下」という低廉な単価は、認証イベントあたりのCPA（Cost Per Action）を明確に定義・管理できることを示します。
このサービスは、「認証の確実性」というKPIを最大化しつつ、コストを最小化するための合理的なデータに基づく選択と言えます。その「広く・確実に届ける」認証基盤が、どのようにビジネスインパクトに貢献するのか、事例のデータと共に解説します。
認証KPIの改善を目指す、以下の担当者へ
BtoCサービス事業者の方: 認証失敗による「離脱率」や「機会損失」をデータに基づき最小化したい。
開発・企画担当者の方: 「ユーザーセグメント別」の認証成功率（特に高齢者や非スマホユーザー層）のデータを取得・改善したい。
SIer・代理店・提案営業担当の方: クライアントに対し、「認証カバレッジ率」と「コスト効率」を定量的に改善するソリューションを提案したい。
漏洩データ分析の重要性：SaaSクレデンシャルと外部脅威インテリジェンス
クラウドサービスの普及に伴い、「Microsoft 365」や「Google Workspace」は企業活動のデータ基盤となり、EメールアドレスはSaaS利用の“鍵”としてシングルサインオン（SSO）に広く利用されています。
この構造変化に対し、攻撃者の戦略も変化しています。彼らは、検知されやすいマルウェア添付よりも、窃取した正規アカウント情報を悪用する「ビジネスメール詐欺（BEC）」や「内部システムへの正規アクセスによる侵入」を優先しています。
データ分析の観点から見ると、ダークウェブやクレデンシャルマーケットは「非構造化された膨大な脅威データソース」であり、そこでは認証情報の売買が活発に行われています。この外部データが、内部のセキュリティ体制（例えば、複数サービスへの侵入リスク）にどう影響するかを分析する必要があります。
漏えいした認証情報は、重要情報の窃取、取引先へのなりすまし、SaaS連携設定の不備を突いた情報流出など、甚大なビジネスインパクトを引き起こします。問題は、クラウドサービスが標準で提供する検知機能（内部ログ）だけでは、「外部で発生した漏洩」を起因とする脅威の早期発見（MTTD：平均検知時間）が困難である点です。
監視データの限界：内部ログと外部脅威インテリジェンスの乖離
IT部門が直面するデータ分析上の課題は明確です。ダークウェブやディープウェブといった閉鎖的な環境で流通する自社の認証情報を、自社リソースのみで網羅的に収集・監視・分析することは、コストと技術の両面でほぼ不可能です。
また、自社から直接漏えいしなくても、他サービス（例：利用者が登録した別サイト）で流出したID／パスワードが使い回され、「Microsoft 365」や「Google Workspace」、「Salesforce」など基幹SaaSへ不正アクセスされる事例（クレデンシャルスタッフィング）は、データが示す通り後を絶ちません。
標準機能による不審ログイン検知は、主に「内部ログ」（IPアドレス、端末情報、時間帯など）に基づいた「事後（リアクティブ）分析」が中心です。これでは、外部で発生したクレデンシャル漏洩という「先行指標（Leading Indicator）」を捉えられず、初動の侵入防止には限界があります。
パスワードの使い回しによる多段侵害やサプライチェーン全体への被害波及を防ぐには、「外部の脅威データ」と「内部のアクセスログ」を突合し、相関分析を行うプロアクティブな体制が不可欠です。
プロアクティブ防衛戦略：脅威インテリジェンスと内部データの相関分析によるリスク検知
なぜ、企業のEメールアドレス（SaaS認証クレデンシャル）がこれほどまでに攻撃者の標的となるのでしょうか。その理由は、それがSaaSエコシステム全体の「鍵」となり、データ侵害におけるROI（攻撃対効果）が極めて高いからです。
こうした漏洩認証情報を起点としたアカウント乗っ取りに対し、「インシデント発生後」の対応にリソースを割くのではなく、「インシデント発生前」のプロアクティブ（先行的）なリスク特定が求められます。
本セッションでは、脅威インテリジェンスと連動し、ダークウェブ上のクレデンシャル情報を常時収集・解析することで、「漏洩の事実」を「具体的な侵入リスク」として可視化する「Harmony Email & Collaboration」のアドオン機能「Leaked Credentials」に焦点を当てます。
このアプローチは、外部の脅威データを内部のセキュリティ運用（例：対象アカウントの強制パスワードリセット、アクセス権限の棚卸し）に組み込む、データドリブンなセキュリティ戦略です。その具体的な運用方法と、攻撃を受ける前のリスク検知がもたらすビジネス価値について、詳細にご紹介します。
認証情報のデータ取引が活発化している現在、自社のセキュリティ体制をデータに基づいて強化し、プロアクティブな防御策を実践したい方は、ぜひご参加ください。
「PCI DSS」準拠：増大するリスクデータとデータガバナンスの義務化
近年のキャッシュレス化に伴い、クレジットカード市場のトランザクションデータは年々増加しています。データ分析の観点から見ると、これに比例してリスクも増大しており、2024年のクレジットカード不正利用被害額は過去最高の数値を更新しました。
注目すべきインシデントデータは、情報流出がアパレル業や食品業など、従来「カード関連会社」とは見なされていなかった業種からも多数発生している点です。これは、カード情報（機密データ）の取り扱いがサプライチェーン全体に拡大し、リスクポイントが分散していることを示しています。
こうしたリスクデータの増大を背景に、現在の割賦販売法では、クレジットカード情報を取り扱う企業に対し「PCI DSS」への準拠、または同等水準のデータセキュリティ対策が義務付けられています。これは、データガバナンス体制の構築を法的に求められていることに他なりません。
PCI DSS準拠コストの可視化と、v4.0がもたらす分析課題
PCI DSS準拠は、カード情報（機密データ）を取り扱うすべての事業者にとって不可欠なリスク管理活動です。一方で、その準拠・維持に関わるコストのROI（投資対効果）が、多くの企業でデータ分析上の課題となっています。
具体的には、脆弱性診断、年次の更新審査費用、そして最も見えにくい**「エビデンス収集にかかる内部工数」**といったコストデータが、事業インパクトに対して最適化されているかの検証が求められます。
さらに、PCI DSS v4.0への移行は、新たなデータ管理課題を提示しています。暗号化要件が改訂され、従来の「ストレージやデータベースの丸ごと暗号化」といった手法では、要件を満たせない（リスクを十分に低減できない）と判断されるようになりました。これにより、既存の暗号化方式で対応してきた企業は、データ処理プロセスと暗号化方式の再設計という、追加の技術的負債とコストインパクトの分析に直面しています。
導入事例のデータに学ぶ、ROIを最大化する準拠アプローチ
PCI DSS準拠（リスク低減）とコスト最適化（ROIの最大化）を両立させるための具体的なアプローチを、実際の導入事例データに基づき分析します。
本セッションでは、**「監査範囲（CDE: Cardholder Data Environment）」**というデータスコープをいかにして最小化し、審査コストや運用工数を定量的に削減したか、その実例を取り上げます。
また、システムへの影響（変更コスト）を抑えながら、内部不正や鍵管理の複雑性といった**「運用リスクデータ」**を低減させたポイントも解説します。PCI DSS v4.0対応という変動要因に対し、コストとセキュリティのバランスを最適化するデータドリブンな意思決定のヒントをご提供します。
以下のデータ課題を持つ担当者へ
クレジットカード情報（機密データ）を取り扱う事業者の方
「PCI DSS」関連コスト（審査、診断、内部工数）のデータを可視化し、最適化したい方
「PCI DSS v4.0」移行に伴う、暗号化要件の対応とコストインパクトを分析中の方
これから「PCI DSS」準拠を目指す上で、投資対効果（ROI）を明確にしたい方
データから読み解くサイバーセキュリティリスクの現状
ランサムウェア攻撃による被害額やビジネス停止期間が増加している背景には、セキュリティ対策の成熟度や網羅性が、脅威の進化に追いついていない現状があります。
多くの組織において、パッチ未適用の脆弱性や設定ミスといった、スキャン等で検知・可視化可能なリスクが放置されています。最新のセキュリティ・ソリューション導入に投資が集中する一方で、パスワード認証、ID管理、バックアップ・リカバリ検証、インシデント管理といった基本的なセキュリティ統制の運用・監視・監査が形骸化しているケースが散見されます。
このような状態は、攻撃者にとって「攻撃コストが低く、成功確率の高い侵入経路」を提供していることに他ならず、データ侵害リスクを著しく高める要因となっています。
インシデント対応（IR）プロセスの確立とデータ活用
インシデントの発生を前提とし、データ（ログ）に基づき、検知から封じ込め、復旧、報告までのプロセスを定義し、文書化しておく必要があります。計画には、特に以下のデータ活用に関する視点を含めるべきです。
SIEM（Security Information and Event Management）やEDR（Endpoint Detection and Response）等のログデータを相関分析し、侵害範囲（影響を受けるシステム、データ、ユーザーアカウント）を迅速に特定する手順。
フォレンジック（デジタル証拠）調査に必要な証拠保全の手順（メモリダンプ取得等）と、データ破壊を防ぐための機器のシャットダウン手順。
法規制（個人情報保護法等）に基づき、当局・規制機関へ報告するための**客観的な事実（データ）**の収集・整理プロセス。
経営層および取締役会に対し、インシデントのビジネスインパクト（想定被害額、信用的影響、復旧見通し）を定量的に説明するための報告フォーマット。
社内CSIRT（Computer Security Incident Response Team）および外部専門ベンダーとの連携体制とエスカレーションルートの明確化。
ネットワークセグメンテーションの実施や、侵害拡大を阻止するための具体的な封じ込め手順（例：特定セグメントの隔離、アカウントの無効化）。
データとビジネスインパクトに基づくBCDR戦略
インシデントの発生確率をゼロにすることは困難であるため、ビジネスインパクト分析（BIA）に基づき、事業継続の観点から優先順位付けされた事業継続・災害復旧（BCDR）計画が不可欠です。
重要なシステム・データの定義と目標設定
全社的なIT資産（データ、アプリケーション、システム）を棚卸し、ビジネス上の重要度に基づいて分類・階層化します。
事業部門（LOB）と連携し、各システム・データの目標復旧時間（RTO）および目標復旧時点（RPO）を定量的に合意します。
このSLA（サービスレベル合意）に基づき、必要な冗長構成やバックアップ技術（例：ランサムウェア対策としてイミュータブル＝変更不可能なバックアップ）を導入します。
復旧プロセスのテストと継続的改善
定期的な復旧テスト（DR訓練）を実施し、計画外のダウンタイム（システム障害、サイバー攻撃、自然災害）をシミュレーションします。
テスト結果を分析し、RTO/RPOの達成状況を評価して、計画の継続的な改善（PDCAサイクル）を行います。
重要インフラ停止シナリオの想定
攻撃シナリオとして、基幹システムや認証基盤、通信手段（リモートアクセス、メール）が同時に停止する事態を想定します。
代替の連絡手段と、インシデント対応（復旧作業）を行うための物理的・論理的なアクセス権限を持つ担当者の招集プロセス（役割ベースでの責任・権限）を明確に定義します。
データ分析に基づくインシデント対応訓練
SOC（Security Operation Center）やIT運用の担当者が、日々生成される膨大なアラート（ログ）の中から真に危険なインシデントを見極める（トリアージする）能力を養うことが重要です。
アラートの深刻度、影響を受ける資産の重要度、脅威インテリジェンスとの相関を分析し、対応の優先順位を客観的に決定するスキルが求められます。定義されたインシデント対応プロセス（プレイブック）に基づき、迅速かつ正確に対処するための実践的な訓練（レッドチーム演習など）を定期的に実施すべきです。
データ侵害の主要因：特権ID・パスワード管理の課題
ビジネスのデジタルトランスフォーメーション（DX）に伴い、管理対象のITリソース（クラウド、SaaS、オンプレミス）は爆発的に増加しており、それに伴う認証情報（パスワード）の数も増加の一途です。
追跡不可能な「パスワード共有」のリスク
過去のデータ侵害インシデントの原因分析では、不適切な認証情報の管理が上位を占めていることが定量的に示されています。
特に、管理者権限を持つ特権IDのパスワードは、一度漏洩すると広範囲のシステムや機密データへのアクセスが可能となるため、攻撃者の最重要ターゲットです。
しかし、多くの組織では、特権IDのパスワード共有や使い回しが業務効率化の名の下に容認されている実態があります。チャット、メール、付箋といった追跡不可能な手段で平文のパスワードが共有されています。
このような監査証跡（ログ）を残さないパスワード共有は、「誰が」「いつ」「何をしたか」を特定することを不可能にし、サイバー攻撃や内部不正の発見と原因究明を著しく困難にします。過去のインシデントデータ分析によれば、内部脅威に起因する情報漏洩のうち、不適切なパスワード共有が大きな割合を占めているという統計もあります。
データガバナンスの確立
意図的（不正）であれ、意図しない（過失）であれ、パスワード共有は重大なセキュリティリスクです。
特権IDアクセス管理（PAM）ソリューションの導入や、アクセスログの定期的な監査と異常検知（通常とは異なる時間・場所・操作パターン）を通じて、認証情報のガバナンスを確立することが、データ侵害リスクを定量的に低減させる鍵となります。
属人的リスクの定量化：標的型攻撃における「ヒューマン・ファクター」の分析
サイバー攻撃によるインシデントデータを分析すると、その侵入経路（Initial Access）の多くが標的型メールに起因していることが明らかになっています。
注目すべきは、情報漏えいやマルウェア感染といった重大インシデントの根本原因の約4割が、技術的な脆弱性ではなく「人為的ミス」や「内部要因」であるという統計データです。これは、従業員一人ひとりの行動が、組織全体のセキュリティ・リスクに直結する最大の変数であることを示しています。
多くの組織では、ファイアウォールやEDRといった技術的対策のログ（データ）は収集・監視されています。しかし、最も重要なリスク要因である「人」のセキュリティ意識や行動変容を定量的に測定し、管理するアプローチは著しく不足しています。
セキュリティ教育のROI：測定なき施策の形骸化
多くのセキュリティ担当者が「教育・訓練を実施しても、その投資対効果（ROI）や有効性をデータで説明できない」という課題に直面しています。
これは、訓練がPDCAサイクル（Plan-Do-Check-Action）として設計されていないことに起因します。
“Check”（評価）の欠如: 汎用的なテンプレートによる一斉訓練では、組織固有のリスク（例：特定の部署を狙うBEC）を反映できず、実効性のあるデータ（＝誰が、どのような手口に脆弱か）を収集できません。
“Action”（改善）の分断: 訓練結果のデータ収集、分析、レポーティングが手作業（属人化）で行われると、多大な工数がかかります。これにより、継続的な改善（例：高リスク群への追加教育）が停滞し、施策が「実施すること」自体を目的とした形骸化を招きます。
データ主導型セキュリティ訓練への移行プロセス
属人化・形骸化を防ぎ、実効性のあるセキュリティ文化を醸成するには、従来の「一斉教育」から「データ主導型（Data-Driven）」のアプローチへ移行する必要があります。
ベースラインの測定: まず、現状のリスクレベルを定量的に把握します。（例：部署別、役職別の開封率、報告率）
ターゲット・セグメンテーション: 収集したデータに基づき、脆弱性の高い部署や個人（高リスク群）を特定します。
施策の最適化: 全体への一律な教育ではなく、リスクスコアに基づいた最適化された訓練（例：高リスク群にはより高度な訓練、低リスク群にはリマインド）を実施します。
効果測定と継続的改善: 訓練結果を継続的に分析し、KPI（例：開封率の時系列変化、インシデント報告率の向上）を可視化することで、次の施策に活かします。
このような継続的なデータ収集・分析・改善のプロセスをいかにして自動化・効率化し、組織のセキュリティ成熟度を定量的に高めていくか。
最新の攻撃動向のデータ分析を基に、このようなデータドリブンな訓練プロセスを実現する具体的なソリューションアーキテクチャと、その導入事例（例：JSecurity社提供の「MudFix」）について、デモンストレーションを交えて分析・解説します。
組織の「ヒューマン・ファクター」という測定困難なリスクを可視化し、データに基づいて継続的に改善する手法に関心のある、中堅・中小企業のセキュリティ管理・DX推進担当者にとって、有益なデータ分析の機会となるはずです。
【テーマ1】データガバナンスと業務プロセスの最適化
PPAP廃止が促す、「データ共有プロセス」の再設計
2020年の政府機関による「PPAP」廃止宣言、および2025年5月を期限とする金融庁による要請は、単なるファイル送信手法の変更要求ではありません。これは、「どのようなデータ（情報資産）」を「誰に（アクセス権限）」、「どのようなプロセス（業務フロー）」で共有しているのかを棚卸し、データガバナンスを再構築する契機と捉えるべきです。
「Box」導入後に顕在化する、新たな業務プロセスのボトルネック
PPAPの代替として「Box」のような高セキュリティなクラウドストレージを導入する金融機関が増加しています。これにより、「データの保管場所」に関するセキュリティ（Data at Rest）は大幅に向上します。
しかし、導入後に「利用者の手間が増加した」という課題が観測される場合、それは業務プロセスとITシステムが分離していることを示唆しています。例えば、「ファイルをアップロードする」「共有リンクを発行する」「メール本文に転記する」といった一連の操作が分断されている場合、ユーザーの操作ログや所要時間を分析すると、明確な非効率性（ボトルネック）がデータとして現れます。
「セキュリティ」と「効率化」の二律背反を超えるデータ分析
この「非効率性」は、単なるUX（ユーザーエクスペリエンス）の低下に留まりません。データは、非効率なプロセスが**「シャドーIT」（無許可の外部ツール利用）や「非準拠プロセス」（ローカルコピーの無秩序な作成）といった新たなセキュリティリスクの温床**となる可能性を示唆しています。
求められるのは、「セキュリティ強化」か「業務効率化」かという二者択一ではありません。「操作ログ」「アクセスログ」「データ分類」といった客観的データに基づき、ガバナンスを維持しながら業務プロセスを最適化（自動化・簡素化）することこそが、真の課題解決につながります。
【テーマ2】データに基づくリスクアセスメントとインシデント対応
チェックリストを「リスクの定量評価」ツールとして活用する
厚生労働省が改訂した「医療機関におけるサイバーセキュリティ対策チェックリスト」は、単なる「実施/未実施」を記録するタスクリストではありません。これは、組織が保有するデータ（医療情報、個人情報）とシステム（電子カルテ、医療機器）を棚卸し、リスクアセスメントを行うためのフレームワークとして活用すべきです。
「限られた人員や予算」という制約の中で全ての項目を完璧に満たすことは非現実的です。重要なのは、「インシデント発生確率」と「発生時のビジネスインパクト（想定被害額、サービス停止期間）」を定量的に評価（スコアリング）し、優先順位（プライオリティ）をデータに基づいて決定することです。
“専門家任せ”というガバナンス不全：検証なき信頼のリスク
過去の医療機関におけるランサムウェア攻撃のインシデントデータを分析すると、深刻な被害に至ったケースの多くで、ガバナンス不全という共通点が浮かび上がります。
「専門家に任せている」状態を客観的なデータ（ログ、レポート）によって検証（Verify）するプロセスが欠如している場合、セキュリティリスクは著しく高まります。委託先ベンダーがSLA（サービスレベル合意）やセキュリティ要件を遵守しているかを定期的に監査し、データに基づいて評価する体制が不可欠です。
インシデントデータが示す、「安価で効果的な対策」の優先順位
ランサムウェア攻撃の攻撃チェーン（キルチェーン）を分析すると、侵入からデータの暗号化に至るまでには複数のステップがあり、それぞれの段階で検知可能なデータ（侵害の兆候＝IoC）が生成されています。
過去のインシデントデータは、「多要素認証（MFA）の導入」「特権IDの厳格な管理」「バックアップのオフライン化とリストア（復旧）テスト」といった、比較的低コストで実装可能な対策が、攻撃チェーンの初期段階で極めて有効であったことを示しています。
「チェックリスト」の項目と「過去のインシデントデータ」を突合させ、リスク低減効果（投資対効果）が最大化される対策から優先的に実行するロードマップの策定が、医療サービスの継続性を守る上で最も合理的なアプローチです。