データ分析基盤を構築するうえで知っておきたい
4つのポイント

データ分析をするために例えば、工場の機器に設置されているIoTセンサーから稼働状況を取得する、物流関係業者の施設に設置したセンサーから気象データを取得するなど、さまざまな情報源からデータを収集・蓄積します。いわば素材を集める段階です。
収集してきたデータはデータレイクに蓄積していきます。この段階のデータは、まだ加工などを施されていない生の状態です。

次に第二段階として、データレイクに蓄積された生データを分析しやすいように加工し、データウェアハウスに保管します。
データウェアハウスに保管された加工データを、売上分析や顧客行動の分析といった具体的な目的や用途に沿って抽出し、保管する場がデータマートです。
それぞれのデータマートに保管されたデータはそれぞれの分析を行う目的のために細分化されていることから、高速分析が可能となります。

データマートに保管された加工データとはいえ、私たちが意思決定する材料としては利用しづらいため、最後に可視化して分析する工程が必要です。たとえばチャートやグラフによる可視化が代表的な方法でしょう。

以上のようなプロセスを経ることで、目的に沿ったデータ分析ができるようになります。また、実際にデータ分析をするには、蓄積・加工・分析（可視化）などのさまざまなツールが必要です。

それを踏まえたうえで、次章ではデータ分析基盤構築のためのポイントを紹介します。

データ分析基盤を構築するためにまず押さえておきたいポイントは、データアセスメントです。情報などのデータを客観的に評価することを指します。
データアセスメントを行うことで、データ分析・加工を行う目的や、データの現状などを客観視できるようになり、データ活用の成功に結びつきます。

次のポイントは、ユースケース（use case）の洗い出しです。ユースケースとは、システムの利用者が何らかの目的を達成する際に、どのような振る舞いがされたのかを明確にしたものを指します。
データ分析基盤を構築する際には、データの利用者がこのユースケースを把握していることが求められます。なぜなら、ユースケースを把握していればデータの効率的な利用法が見えてくるからです。また、汎用性が高いユースケースなら複雑なデータ分析にも利用できるため、そうしたユースケースを抽出できるかどうかが重要になってきます。

その次のポイントは、データフローの統一です。データフローがバラバラだとデータを自動で抽出できず、マンパワーに頼ることになってしまうからです。人手に頼ると時間がかかるのはもちろん、どうしてもミスが生まれ、データ活用の安定化が図れなくなってしまいます。
またデータ更新の流れが双方向的だと、更新の際にデータの状態が不安定化するリスクもあります。そのため、データフローを一方向にする操作も必要です。
以上のことから、データフローの統一は安定的なシステム運用にとって不可欠な工程だといえます。

最後のポイントが、データスキーマに則した蓄積・加工です。データスキーマはデータベースの設計図であり、スキーマの定義の仕方により、データをどのように格納するかが決まります。
データウェアハウスに保管された非構造化データは、定義されたデータスキーマに則した形で構造化されます。データスキーマをどう定義するかはシステム担当者が決めますが、スキーマの数が増えるほど管理コストは増大していきます。
注意点として、データソースの変更に対応しやすくなるよう、データの加工ロジックをデータ間で密接に依存させすぎないようにすることがあります。

以上で解説したポイントを踏まえ、次章ではデータ分析基盤の構築に必要なツールの選定方法について紹介します。