今回は、私たちが日々取り組んでいる「印刷物のデータ化」についてお話しします。
これは自動組版の話に限らず、「非構造データをどうやって構造化するか」という視点での内容です。
こんな方におすすめ
印刷やデザイン業界でデータ整理に関わっている方、デジタルアーカイブや自動組版に興味がある方、情報設計・ナレッジマネジメントの現場で働いている方におすすめです。
概要
印刷物のデータ化は、非構造データを整理・構造化する作業です。目的や活用方法を明確にし、最小単位や必要項目を定義することで再利用性の高いデータに変換します。視覚と構造の両面から確認し、効率的に運用するための工夫が求められます。
ポイント
- 非構造データをどう構造化するか：印刷物を情報のかたまりとして分解し、データとして整理する視点が重要。
- 用途に応じた項目設計と優先順位付け：印刷物、Web、システムなど各用途に応じて項目を最適化し、過不足なく管理。
- 視覚によるフィードバックと柔軟な運用：自動組版などを使い、見た目とデータの整合を取りながら運用を改善。
目次
- はじめに
- 1. 基本要件の確認
- 2. 全体像の把握
- 3. データの最小単位を特定する
- 4. アイテムの情報要素を抽出する
- 5. 他システムとの項目の比較・確認
- 6. 項目リストの作成
- 7. 在版データの抽出準備
- 8. データ抽出作業
- 9. 質問事項の整理と対応
- 10. デザインパターンの適用（DOT3）
- 11. 確認と修正
- おわりに
はじめに
私は「COTENラジオ」が大好きでよく聴いているのですが、面白いだけでなく、歴史をデータベース化する取り組みにとても惹かれています。
以前の回で、データエンジニアの仕事内容について語られていたのですが、その中で紹介されていた作業内容が、私たちが行っている印刷物のデータ化と、方法や苦労の点でとても似ていると感じました。
たとえば、年号・人物・地名などの情報にタグを付けて分類していく作業。ただ分ければいいという話ではなく、歴史の知識を踏まえて「どのように位置づけるのが正しいか」を考えながら作業するのは、非常に大変そうだなと想像しています。
印刷物のデータ化は、歴史のデータベースほど複雑ではないかもしれませんが、「非構造データをどう構造化するか」という点では共通しています。今回はその手順や考え方を紹介していきます。
1. 基本要件の確認
まず、データベースに格納した情報をどのように活用したいかを、現時点で把握できる範囲で確認します。
- 現行の印刷物にのみ使うのか
- 過去の印刷物も対象にするのか
- Webコンテンツの素材として使うのか
- Webサイトや業務システムと連携させるのか
目的が曖昧なままだと、データを整理する際に迷いが生じ、チーム間でも解釈のズレが出て混乱します。
私たちのやり方では、自動組版を活用してデータを視覚化しながら確認することで、構造化の精度を上げています。また、情報の入れ替えやカテゴリ変更といった柔軟な更新が前提なので、「データをゆるく固めておく」こともポイントです。
用途や優先度をあらかじめ整理しておくことで、判断基準を明確にできます。
2. 全体像の把握
データ化する印刷物を受け取ったら、聞き取りを行いながら基本情報を整理します。
- タイトル
- シリーズものか単体か
- 発行間隔（データのライフサイクル）
- カテゴリ構成（ラベル付けや階層）
3. データの最小単位を特定する
データを一覧表示する際の「最小単位（アイテム）」を定義します。
カテゴリを掘り下げて、管理対象となる最小の単位を明確にし、そこに情報を付加していくイメージです。
例：
- 商品カタログ → 商品
- 読み物 → 記事タイトル
- 企業紹介 → 企業
この際、データ上ではアイテムを基点とし、カテゴリや階層は「タグ」として持たせるようにするのがポイントです。階層構造に縛られすぎると運用が硬直化します。
4. アイテムの情報要素を抽出する
次に、最小単位に紐づく情報を洗い出し、整理・グルーピングします。
例：商品カタログの情報構成（丸付き数字は図内番号）
- 商品名（基本／読み）③④
- ブランド・メーカー②
- SKU（商品コード、JANコード、カラー、価格）⑤〜⑨
- キャッチコピー①
- スペック情報⑩
- 商品説明⑪
- 写真（画像・キャプション）⑫⑬
- マーク・アイコン⑭
※たとえば「税込価格」は計算で出せるため、保持する必要はありません。このように「持たなくていい情報」を見極めることも重要です。
5. 他システムとの項目の比較・確認
印刷物だけでなくWebや基幹システムでもデータを活用する場合は、それらのシステムと項目の整合性をチェックします。
- 同じ要素があるか
- 分類の仕方に違いはないか
- フィールド名は一致しているか
6. 項目リストの作成
他システムのデータも踏まえて、「持つべき項目」と「持たない項目」を分別します。
例：印刷物では使わないが、Web検索で必要な品番など
ただし、すべてを取り込むのではなく、マスター管理が別に存在する場合は、連携のしやすさや保守性も考慮する必要があります。
7. 在版データの抽出準備
いよいよ実作業に入ります。
「在版データ」とは、DTPの元データやPDFのことです。共同作業のためスプレッドシートを準備します。
最初から全項目を入力するのではなく、まずは整理した人がテスト抽出を行い、どのパターンから進めるべきかを見極めます。
最初に取りかかるべきは、全体の6割以上をカバーできる代表的なパターンです。
8. データ抽出作業
スプレッドシートを使って、複数人でデータを抽出していきます。
印刷物のカテゴリによって特徴が異なるため、担当者を分けると効率的です。
抽出中は「これはどう処理すべきか？」というケースが頻出します。私たちの場合は、迷う項目は一旦後回しにして、まずは全体像を把握することを優先します。
後で見返すと、迷うケースにも一定の傾向が見えてきます。
9. 質問事項の整理と対応
印刷物を正確にデータ化するには、掲載されている情報についての知識も必要です。
分からない点は、詳しい人に確認しながら、徐々に理解を深めていきます。
質問事項が出てきたら、判断できるメンバーで対応し、必要に応じて項目の追加や細分化を行っていきます。
10. デザインパターンの適用（DOT3）
ある程度データが整ったら、DOT3に投入してデザインパターンを適用し、PDF化します。
ここで求められるのは「完璧なデータ」ではなく、基本データが登録できているレベルでOKです。細かい調整はDOT3上で行います。
11. 確認と修正
自動組版で生成されたPDFを確認し、誤りや不備がないかをチェックします。
在版データの状態によっては、ある程度の機械抽出も行いますが、最終的には人の目で確認が必要です。
チェックについては、価格など重要な情報は、後で別システムと照合した方が間違いがないので、機械的にチェックできる部分は後回しにしてもいいと思います。
おわりに
私たちは日常的に、直感的に視覚から得た情報を整理したくなる性質を持っています。
印刷物のデータ化は大変な作業ではありますが、構造化によって再利用できる形に変えていくこのプロセスは、とても面白く、社会的にも意義ある取り組みだと思っています。
いつか、COTENさんの歴史データベースを使って、自動組版でPDFを出力してみたいですね。そんな日が来ることを楽しみにしています。
