[C32] 正確でスピーディーな決断を促す、日立の高速データアクセス基盤~性能検証事例と活用効果~ by Taichi Ishikawa
Upcoming SlideShare
Loading in...5
×
 

[C32] 正確でスピーディーな決断を促す、日立の高速データアクセス基盤~性能検証事例と活用効果~ by Taichi Ishikawa

on

  • 631 views

 

Statistics

Views

Total Views
631
Views on SlideShare
630
Embed Views
1

Actions

Likes
1
Downloads
7
Comments
0

1 Embed 1

http://s.deeeki.com 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    [C32] 正確でスピーディーな決断を促す、日立の高速データアクセス基盤~性能検証事例と活用効果~ by Taichi Ishikawa [C32] 正確でスピーディーな決断を促す、日立の高速データアクセス基盤~性能検証事例と活用効果~ by Taichi Ishikawa Presentation Transcript

    • db tech showcase 2013 Tokyo 配布版 正確でスピーディーな決断を促す、 日立の高速データアクセス基盤 ~性能検証事例と活用効果~ 2013/11/15 株式会社 日立製作所 情報・通信システム社 ITプラットフォーム事業本部 ビッグデータソリューション部 石川 太一 © Hitachi, Ltd. 2013. All rights reserved.
    • Contents 1. 本日、皆様と共有したいこと 2. なぜ、データ処理の高速化が必要か 3. 事例に見る、利活用の阻害要因 4. データマートレス化が生み出す価値 5. データマートレス化を実現する、高速データアクセス基盤 6. 高速化は手段であり、目的じゃない © Hitachi, Ltd. 2013. All rights reserved. 1
    • 1. 本日、皆様と共有したいこと © Hitachi, Ltd. 2013. All rights reserved. 2
    • 1-1 ビッグデータ時代に求められるIT基盤 取り扱うデータ処理要件に応じて、適材適所の ソリューションを選択し、課題を解決したい。 ノンストップDB 可用性を高めます 現実世界 事務所 工場 店舗 Hitachi Advanced Data Binder プラットフォーム *1 / ORACLE トランザクション情報 基幹系 グリッドバッチ マーケティング 経営/業務 情報系 調達 DB 製造 DB 販売 DB : DB 素早くフィード バックします マートレスで データを活用 できます 高速データアクセス基盤 加工・収集 ETL 分析・活用 セントラル DataStage DWH ORACLE RAC on FLASH 基幹バッチ ストリームデータ処理基盤 本日のテーマ バッチ時間を 短縮します 消費者 履歴情報 報告書 センサー SNS 収集 DB 大量データを 一次処理できます インメモリデータグリッド 集計 DB 蓄積 非構造データを 素早く集計します かんたんHadoop *1: 内閣府の最先端研究開発支援プログラム「超巨大データベース時代に向けた最高速データベースエンジンの開発と当該エンジンを核とする戦略的社会サービスの実 証・評価」(中心研究者:東大喜連川教授)の成果を利用。 履歴DB 事実データと、 トレーサビリティの確保 効率よく 蓄積できます 時系列データ処理基盤 © Hitachi, Ltd. 2013. All rights reserved. 3
    • 1-2 ビッグデータ時代に、日立が注目した技術 SQLか、NoSQLなのか? それは取り扱うデータの種類によって決まります。ビジネス判断を行なうためには、 非構造データも、最終的にデータを構造化して扱えるようにする必要があります。 構造化データ 契約 受発注 売上 基幹系 調達 DB 製造 DB 判断 RDBMSの技術が進化 情報系 マート 稼働ログ 選択する技術の考え方 販売 DB : DB 非構造 セントラル DWH 収集 ファイル 集計 蓄積 ファイル 履歴 ファイル Hadoop、インメモリデータグリッド、等の技術が進化 非構造データ SQL 構造化 内部 ファクト ETL NoSQL 外部 加工・収集 SNS センサー ! サマリ 速度 精度 出典:日立製作所 http://www.hitachi.co.jp/products/it/bigdata /column/column01.html 日立は、ビジネス判断に直結する セントラルDWH、つまりSQLの高速化技術に着目 © Hitachi, Ltd. 2013. All rights reserved. 4
    • © Hitachi, Ltd. 2013. All rights reserved. 5
    • 2. なぜ、データ処理の高速化が必要か © Hitachi, Ltd. 2013. All rights reserved. 6
    • 2-1 企業がおかれている環境 グローバル化の進展により、市場競争が激化。 5割の企業が、10社以上と競合。 主要な競合数 Q. (n=216) 貴社がおかれている 競争環境として、 最も当てはまるものは? 出典: JEITA/IDC Japan 「IT経営に対する日米企業の相違分析」 (2013年10月) 0% 20% 40% きわめて限定的(数社程度) 60% 5~9社程度 80% 10~49社 100% 50社以上 競争が激しい状況下で、ITに何を期待しますか? © Hitachi, Ltd. 2013. All rights reserved. 7
    • 2-2 競争環境において、ITに期待する効果 市場変化への迅速な対応、意思決定の迅速化など、 新たなIT活用への期待が高まっている。 ITに期待する効果 Q.(n=216、3つを選択) 今後、貴社やあなたの 部門が競争していく上で、 ITに期待する効果は? 社内業務効率化/労働時間減少 市場環境変化への迅速な対応 意思決定の迅速化 新規顧客の獲得 顧客の嗜好やニーズの把握 製品/サービス提供迅速化/効率化 人件費の削減 出典: JEITA/IDC Japan 「IT経営に対する日米企業の相違分析」 (2013年10月) 新規製品/サービスの開発 既存顧客の維持 社内情報共有の容易化 調達費用のコスト削減 将来の市場動向/トレンド予測 社外情報提供効率化/提供量増大 0% 10% 20% 30% 40% 50% 60% 新たなITの活用。次は何に取り組みますか? © Hitachi, Ltd. 2013. All rights reserved. 8
    • © Hitachi, Ltd. 2013. All rights reserved. 9
    • 2-4 新たな価値を創造するために 約60%の企業が、ビッグデータ利活用を 自社の検討課題と認識。 ビッグデータへの取り組み Q. 貴社ではビッグデータ活用が、 組織的な検討課題に あげられていますか? 出典:株式会社野村総合研究所 2012年12月25日 ビッグデータの利活用に関するアンケート調査 http://www.nri.co.jp/news/2012/121225.html 具体的な事例から見える、利活用の阻害要因とは? © Hitachi, Ltd. 2013. All rights reserved. 10
    • 3. 事例に見る、利活用の阻害要因 © Hitachi, Ltd. 2013. All rights reserved. 11
    • 3-1 なぜ今、データが爆発的に増えるのか? 流通業におけるビッグデータへの期待と課題 チャンスロスを削減し、お客さまへの気の利いたサービス、情報を提供したい。 さらには顧客情報を掛け合わせ、顧客単位のサービスを提供したいのだが・・・。 単品販売情報 (POS売上明細) •会社 •店 •ライン •クラス •棚 •単品 × 時系列 •年 •期 •四半期 •月 •週 •日 •曜日 •時間帯 × 店舗販売 単品販売情報 顧客情報 単品販売情報 階層 Omni-channel アプローチ One to One マーケティング チャンスロス削減 気の利いたサービス 原因究明 顧客接点 未来予測 強化 顧客単位サービスの拡大 利用チャネル •会員種別 •年代 •性別 •居住エリア •ロイヤリティ •家族、収入 など CRM × Access Log サイト訪問履歴 商品参照履歴  ×  問い合わせ、 会話内容 クレーム つぶやき、 コメント、 情報発信 × データの掛け合わせで、 処理データ量が飛躍的に増加。 EC, ネットスーパー コンタクト センター活用 SNS 経営者 CRM: Customer Relationship Management © Hitachi, Ltd. 2013. All rights reserved. 12
    • 3-2 データ件数の増加で表面化する課題の典型例 日々、さまざまな角度からデータを分析したいが・・・。 □分析軸は多様。軸が増えれば、レポート作成処理も増大。 例えば分析軸が3次元になれば、合計165種(※1)のレポートを作成する必要がある。 ※1 165種=時間軸(6)×商品軸(7)×組織軸(4)-3 □分析処理に時間がかかり、タイムリーにレポートできない。 1種の分析処理に40分程度かかるもの(※2)もある。 ※2 26億件の売り上げ明細から得意先を分析するSQL処理。 □そこで、レポートごとに事前集計(データマートを作成)する 夜間バッチ処理を走らせているが、このバッチ処理に13.5時間かかっている。 データマート数 165種 商品軸 【課題】 顧客 データ データマートの作成に13.5時間 タイムリーな意思決定ができない。 組織軸 データマートを作る方式は 一般的なのか? 時間軸 © Hitachi, Ltd. 2013. All rights reserved. 13
    • 3-3 DWHで典型的な、データマートアーキテクチャ 目的別にデータを事前集計することで、 データ分析者に対する操作性を高める方式。 基幹システム POSシステム セントラル DWH 目的別 データマート 時系列に蓄積 商品別に売り上げを知りたい。 店舗別に売り上げを知りたい。 日々再作成 CRMシステム 顧客 マスター 商品 マスター 調達システム 顧客別の購入 商品TOP10は? 顧客 データ 売上 明細 データ 店舗 マスター データ分析 地域 マスター ある商品の店舗別、 月別売上げの推移は? 利点 定型的な分析(定点観測)は、素早くできる 課題 データ量に比例してマート作成時間が増大 © Hitachi, Ltd. 2013. All rights reserved. 14
    • 3-4 データマートアーキテクチャの、もう一つの課題 定型分析業務に向くアーキテクチャだが、 変化と競争の激しい環境では課題がある。 □組織や商材の変化に対応し難い ・データマートの再設計が必要など、維持コストが増加する。 □仮説検証型の非定型分析が苦手 ・データマートの設計と開発を伴うため、仮説検証に時間もコストもかかる。 ・バッチ突き抜け問題で、新たなデータマートを追加し難い。 ・SNSや操作ログなどの新しいデータ(視点)を取り入れにくい。 目的別データマート 組織や商材が変化する 度に、再設計が必要 顧客 データ 新たな分析視点を増やすたびに マートの設計と開発を伴うため、 仮説検証型の非定型分析が苦手 組織や業務の変化に追従し難く、新たな価値を生み出し難い © Hitachi, Ltd. 2013. All rights reserved. 15
    • 3-5 新しいデータを活用し、新たな価値を創造するには 試行錯誤で分析できないと、価値創造は進まない。 離反顧客の分析、需要分析、クレーム分析など新しいデータを 新しい視点で掛け合わせ、仮説検証を繰り返したいのだが・・・。 単品販売情報 (POS売上明細) •会社 •店 •ライン •クラス •棚 •単品 × 時系列 •年 •期 •四半期 •月 •週 •日 •曜日 •時間帯 × 単品販売情報 顧客情報 単品販売情報 階層 Omni-channel アプローチ One to One マーケティング チャンスロス削減 気の利いたサービス 原因究明 顧客接点 未来予測 強化 顧客単位サービスの拡大 利用チャネル •会員種別 •年代 •性別 •居住エリア •ロイヤリティ •家族、収入 など × Access Log サイト訪問履歴 商品参照履歴  × 問い合わ せ、 会話内容  クレーム  つぶやき、 コメント、 情報発信 × データの種類、件数が増大しても、 データマートを作らずに、非定型的な分析ができないか? © Hitachi, Ltd. 2013. All rights reserved. 16
    • 3-7 マートレス化を実現する、高速データアクセス基盤 業界標準ベンチマーク「TPC-H@100TB」で世界初登録※1 日立の高速データアクセス基盤 Hitachi Advanced Data Binderプラットフォーム※2 □多種多様なデータ結合処理(JOIN)を高速化 □大量データのローディングを高速化 高速検索 契約 多種データ 売上 SNS 収集/加工 受発注 高速データアクセス基盤 Hitachi Advanced Data Binder プラットフォーム 超高速データベースエンジン Hitachi Advanced Data Binder (RDBMS) ※3 データ ソース BI ツール JDBC/ODBC/CLI (SQLインタフェース) ※4 ※5 ※6 ※7 日立サーバ 業務 アプリケーション センサー 稼働ログ 価値を創造 大量データ 日立ストレージ 具体的に、どのような価値を生み出す基盤なのか? ※1 TPC-H - Top Ten Performance Results Version 2 Results(http://www.tpc.org/tpch/results/tpch_perf_results.asp) ※2 内閣府の最先端研究開発支援プログラム「超巨大データベース時代に向けた最高速データベースエンジンの開発と当該エンジンを核とする戦略的社会サービスの実証・評価」 (中心研究者:喜連川 東大教授/国立情報学研究所所長)の成果を利用。 ※3 RDBMS : Relational DataBase Management System ※4 JDBC : Java Database Connectivity ※5 ODBC : Open Database Connectivity © Hitachi, Ltd. 2013. All rights reserved. ※6 CLI : Call Level Interface ※6 SQL : Structured Query Language 17
    • 4. データマートレス化が生み出す価値 © Hitachi, Ltd. 2013. All rights reserved. 18
    • 4-1 もし、データマートレス化を実現できたら? セントラルDWHの性能を飛躍的に高め、さらに データの種類、量が増大しても、その性能を維持できたら? セントラル DWH 基幹システム POSシステム 時系列に蓄積 CRMシステム 顧客 マスター 調達システム コンタクトセンタ WEB アクセスログ クレーム コメント 店舗 マスター 商品 マスター 売上 明細 データ アクセス ログ 地域 マスター SNS コメント 目的別 データマート データ分析 □従来までのデータ集計を高速化 □新しいデータの掛け合わせを高速化 □データの量が増えても性能維持 顧客 データ セントラルDWHを ダイレクトに分析 クレーム分析から、 死に筋商品の原因は? 離反顧客の一覧は?その対策は? SNSを掛け合わせた需要予測は? 効率化と共に、新商品やサービスなどの新しい価値の創造を促進 © Hitachi, Ltd. 2013. All rights reserved. 19
    • 4-2 マートレス化で、既存業務を改善 - 流通業 40分かかっていた分析処理を、22秒に短縮。 165種のデータマートを、6個に削減し、 ※26億件の売り上げ明細から 得意先を分析するSQL処理 13.5時間かかっていたバッチ処理を、7.5分に短縮。 □バッチ突き抜けを解消し、素早くレポートを作成。タイムリーな意思決定が可能に。 □組織や商材の変化にも柔軟に対応できる。 □新しいデータを、新しい視点で掛け合わせ、試行錯誤で仮説検証を繰り返せる。 基幹システム POSシステム CRMシステム セントラル DWH 目的別 データマート データ分析 目的別データマート を削減し、 顧客 データ セントラルDWHを ダイレクトに分析 新しい視点での仮説検証で得られた効果とは? © Hitachi, Ltd. 2013. All rights reserved. 20
    • 4-3 業務改善例 - 流通業 □「日別」集計から「時間帯」別集計へ。 品切れや余剰の防止と、食品の作る/見切るタイミングを調整。 □顧客の併売分析の実現(バスケット、買い回り) ターゲット商品を決めて、顧客の併売分析をすることで、セット商品化、 プロモーション、店舗改善などに活かす。 日別から「時間帯別」集計へ 商品A 商品A 商品A 単価 単価 10月 単価 販売個数 10月 販売個数 10月1日 1日 販売個数 1日 在庫 在庫 在庫 単価 単価 10月 単価 販売個数 10月 販売個数 10月2日 2日 販売個数 2日 在庫 在庫 在庫 9時 9時 9時 10時 10時 10時 品切れ 品切れ 品切れ 0 ・・・ ・・・ ・・・ 顧客の併売分析の実現 20時 20時 20時 時間軸で見える 00 項目が見える 項目が見える 項目が見える 余剰 5 55 レシート 059 顧客番号 A03 レシート 123 顧客番号 A03 x社ランドセル … y社羊羹 … 同一顧客の 複数レシートを 組み合わせて判断 ランドセルと一緒に購買されているものは? (祖父・祖母へのお返しもあるのか?) データマートレス化により、 開発、維持コストを削減しつつ、品ぞろえ、対面サービスを改善 © Hitachi, Ltd. 2013. All rights reserved. 21
    • 4-8 データマートレス化で進む、ビッグデータ利活用 仮説検証の試行錯誤を容易にし、価値創造を促進。 非定型分析を高速化することが、利活用の鍵。 1 2 3 4 業務課題の整理と解決方法の仮説立案 データを集める。データを概観する。加工して使えるようにする。 仮説とデータを突き合わせる データを分析(試行錯誤)する。解決方法を絞り込む。 データマートレスでの 非定型分析が必要 アクション 業務改善を実施する。改善結果の評価データを収集する。 結果を評価し、フィードバックをかける 評価データを定点観測し、効果の有無を確認する。 定型分析の 高速化が必要 © Hitachi, Ltd. 2013. All rights reserved. 22
    • 5. データマートレス化を実現する、 高速データアクセス基盤 ~性能検証事例と、アーキテクチャ~ © Hitachi, Ltd. 2013. All rights reserved. 23
    • 5-1 販売管理モデル -性能検証事例 検証協力:株式会社 DTS 投影のみ 検証環境と、測定シナリオ Hitachi Advanced Data Binder プラットフォーム □システム構成 ・サーバ BladeSymphony BS520 (16コア、メモリ96GB) ・ストレージ Hitachi Unified Storage 130 ・データベース Hitachi Advanced Data Binder V1 CSV ① □データモデル □性能検証のシナリオ ・販売管理モデル テーブル名 分類 ② データ件数 レコードサイズ 売上情報 TRN 66億件 150バイト 商品分類マスタ MST 7件 52バイト 商品マスタ MST 528件 86バイト 担当者マスタ MST 12件 111バイト 店舗マスタ MST 3575件 426バイト エリアマスタ MST 4件 103バイト センターマスタ MST 3件 ①データロード時間 66億件(8年分相当)のデータを 一括ロードする時間を計測。 54バイト ②データ検索時間 66億件(8年分相当/約1TB)のデータ から100万件(1日分)のデータを検索 する時間を計測。 © Hitachi, Ltd. 2013. All rights reserved. 24
    • 5-2 性能検証結果 - ①データロード時間 投影のみ Hitachi Advanced Data Binder プラットフォーム 検証結果 CSV ① ② ①データロード時間 66億件(8年分相当/約1TB)のデータを一括ロードする時間。 合計 取込処理時間 インデックス作成時間 スクリーンをご覧ください。 4時間9分48秒 2時間24分20秒 1時間45分28秒 数年分相当の大量データでも、夜間運用で十分処理可能 © Hitachi, Ltd. 2013. All rights reserved. 25
    • 5-3 性能検証結果 - ②データ検索時間 投影のみ Hitachi Advanced Data Binder プラットフォーム 検証結果 CSV ① ②データ検索時間 ② 66億件(8年分相当/約1TB)のデータベースに格納された7つの表を、 結合(JOIN)、グルーピング(GROUP BY)、集計(SUM)、ソート(ORDER BY) した結果、100万件(1日分)のデータを抽出する時間。 4.7 平均 スクリーンをご覧ください。 秒 STAFF_ID 売上データ 地区マスタ センターマスタ SHOP_ID 担当者マスタ 店舗マスタ AREA_ID CENTER_ID AREA_ID RELAY_ID SHOP_ID 商品区分マスタ 商品マスタ STAFF_ID CLASS_ID GOODS_ID GOODS_ID CLASS_ID 大量データからの部分抽出、集計処理を高速化し、 データマートレス化を実現できます © Hitachi, Ltd. 2013. All rights reserved. 26
    • 5-4 どんな技術で高速化したのか? 非順序型実行原理 に基づいて設計された、 超高速データベースエンジン。 ※ 従来、決定的な順序性だったデータアクセス処理(SQL)を、 並列実行単位に自動分割し、非決定的な処理順序で実行。 大量の非同期I/Oを発行し、データアクセス処理性能を高める技術。 ※喜連川 東大教授/国立情報学研究所所長・合田東大特任准教授が考案した原理。 従来のDBMS(順序型) 従来型 データベースエンジン 非順序型DBMS 超高速 決定的な 処理順序 時間 同期入出力 発行 I/O処理完了の待ち時間が、 CPU実行時間の多くを占める。 データベースエンジン 非決定的な 処理順序 時間 超大量 SQLの多重実行 度を高めやすい 非同期入出力 発行 I/O処理完了を待たずに、 次の処理を実行できる。 © Hitachi, Ltd. 2013. All rights reserved. 27
    • 5-5 大量の非同期I/Oを発行し、性能を向上 SQLを並列実行単位に自動分割することで、I/O発行数を 2桁増加させ、自社従来比約100倍 のアクセス性能を発揮。 ※1 【従来方式】:順序型実行方式 サーバ ストレージ 検索処理(μs) 検索処理(μs) 【新方式】:非順序型実行原理 サーバ パーティショニング不要。 分割キー不要でSQLを 高多重に自動分割。 同期I/O処理(ms) 同期I/O処理(ms) ストレージ 多重度を高めるには、パーティショニングや スケールアウトなどのチューニングが必要。 秒あたりのI/O回数 数100回 ▽ 15,000回超 タスク割当 検索処理 I/O完了待ち ディスクI/O 検索実行時間 900秒 ▽ 9秒(100倍) ※1 当社従来製品との比較。解析系データベースに関する標準的なベンチマークを元に作成した、各種のデータ解析要求の実行性能を計測。データ解析要求の種類に よって高速化率には差が見られるが、データベースにおいて特定の条件を満たす一定量のデータを絞り込んで解析を行うデータ解析要求を対象とした結果。 © Hitachi, Ltd. 2013. All rights reserved. 28
    • 5-6 大量なI/Oを発行 - デモンストレーション 投影のみ デモンストレーションでご確認ください。 © Hitachi, Ltd. 2013. All rights reserved. 29
    • 5-7 スケールアップ型だから、シンプルに高速化できる データ量の増加や性能低下に伴う、パーティショニングやス ケールアウトの設計、運用、チューニングが不要。 スケールアウト型 (構成が複雑) 従来方式 スケールアップ型 (シンプル) 新方式 トータルコストを 抑えられる 複雑な構成だから、 設計も、運用も難しい データ データ データはストライプ化論理ボリュームに分散配置し、物理的なデータの偏りは ストレージ層で自動再配置して解消する。 © Hitachi, Ltd. 2013. All rights reserved. 30
    • 5-8 Hitachi Advanced Data Binder プラットフォーム ※1 超高速データベースエンジンと、事前検証済みのサーバ、 およびストレージとを組み合わせたベストプラクティスモデル 販売開始:2013年10月30日 出荷開始:2013年12月末日(予定) ※2013年10月現在の仕様となります。製品の仕様は予告無く変更される場合がございます。 モデル名 エントリーモデル スタンダードモデル ユーザデータ容量 3.3 TB 9.0 TB 18.0 TB CPUコア 6コア 8コア 20コア メモリー 基本構成 デスクサイドモデル 96GB 96GB 192GB ユーザデータ容量の拡張 不可 運用管理機能 なし 価格(サポート別) 1,050万円 (税抜1,000万円) 可能(オプション) あり (統合システム運用管理JP1を同梱) 個別見積もり ※1 内閣府の最先端研究開発支援プログラム「超巨大データベース時代に向けた最高速データベースエンジンの開発と当該エンジンを核とする戦略的社会サービスの実証・評価」 (中心研究者:喜連川 東大教授/国立情報学研究所所長)の成果を利用。 © Hitachi, Ltd. 2013. All rights reserved. 31
    • 6. 高速化は手段であり、目的じゃない © Hitachi, Ltd. 2013. All rights reserved. 32
    • 6-1 ビッグデータ利活用の、落とし穴 ビッグデータの利活用は手段のひとつ。 業務課題を整理し、仮説を立てない限り活用は進まない。 1 2 3 4 でも、 どうすれば? 業務課題の整理と解決方法の仮説立案 データを集める。データを概観する。加工して使えるようにする。 仮説とデータを突き合わせる データを分析(試行錯誤)する。解決方法を絞り込む。 データマートレスでの 非定型分析が必要 アクション 業務改善を実施する。改善結果の評価データを収集する。 結果を評価し、フィードバックをかける 評価データを定点観測し、効果の有無を確認する。 定型分析の 高速化が必要 © Hitachi, Ltd. 2013. All rights reserved. 33
    • 6-2 日立のデータアナリスティクス マイスターサービス ビッグデータ利活用の専門家がビジョン構築から システム要件の定義まで、トータルサポート。 お任せ ください! データ・アナリティクス・ マイスター 【URL】http://www.hitachi.co.jp/products/it/bigdata/approach/service.html お客さまの課題を解決できるITシステムを、実現するには? © Hitachi, Ltd. 2013. All rights reserved. 34
    • 6-3 日立の高速データアクセス基盤をご活用ください。 業務課題の整理から、課題解決を行なう基盤の提供まで、 トータルに支援させていただきます。 情報活用がリードする ビジネスと社会 データ・アナリティクス・ マイスター ビッグデータ利活用 高速データアクセス基盤 © Hitachi, Ltd. 2013. All rights reserved. 35
    • END 正確でスピーディーな決断を促す、 日立の高速データアクセス基盤 ~性能検証事例と活用効果~ 2013/11/15 株式会社 日立製作所 情報・通信システム社 ITプラットフォーム事業本部 ビッグデータソリューション部 石川 太一 © Hitachi, Ltd. 2013. All rights reserved.
    • 他社所有名称等に関する表示 ・ ・ ・ ・ 製品の内容・仕様は、改良のために予告なしに変更する場合があります。 Hadoop は,Apache Software Foundationの商標です。 OracleとJavaは,Oracle Corporation 及びその子会社,関連会社の米国及びその他の国における登録商標です。 本資料に記載の会社名,製品名は,それぞれの会社の商標もしくは登録商標です。 © Hitachi, Ltd. 2013. All rights reserved. 39