Download as PDF, PPTX
データ分析を支える技術 データ分析基盤再入門
- 1.
- 2. 2 ⾃⼰紹介 • ⽒名 - ⽯川覚 (いしかわ さとる) • 所属 - データアナリティクス事業本部 インテグレーション部 - コンサルティングチーム - 札幌オフィス勤務 • 略歴 - メーカー系SIer、ITベンチャー企業、現在に⾄る • 担当業務 - データ分析基盤の設計・開発、コンサルティング • 好きなサービス - Amazon Redshift/Athena、Snowflake、Google BigQuery 2021 APN AWS Top Engineers 選出
- 3. 3 アジェンダ • データ分析基盤⼊⾨ • データ分析基盤の構成要素 •データ分析基盤のデータ処理 • データ分析基盤のデータ管理 • データ分析基盤の今後
- 4.
- 5.
- 6. 6 データ分析基盤とは データ分析基盤とは、蓄積した⼤量のデータを⾼速に分析して、 ビジネスに活⽤できるためのプラットフォーム • 様々な部⾨に分散したデータを集め • そのデータを分析しやすく変換 •分析の⽬的ごとにデータを作成・蓄積 • データを安全に⼀元管理しデータ提供する ※DX(DigitalTransforma/on)における「データ利活⽤基盤」とも呼ばれる
- 7. 7 データ分析基盤導⼊の⽬的 組織内の新たな洞察を導き、データ間の関係を発⾒して、新た な洞察や分析結果など、データに基づいた意思決定に活かす • 組織内に分散した様々なデータを⼀元的に集 めて分析する • 新たな洞察を導き、分析を⾏うことでデータ 同⼠の相関関係や因果関係を発⾒する •業務や組織を変化させたりすることで、企業 の成⻑を促し、競争⼒を強化する
- 8. 8 分析クエリの特性 データ分析基盤のデータの特性は、オンライン分析処理 （OLAP:OnLine Analytics Processing） •オンライン分析処理（OLAP） • ⼤量のレコード中の少数の列だけを読み出しが多い • 要約統計 (レコード数、合計、平均など)を計算した結果 をユーザーに返したり、テーブルに保存する • オンライントランザクション処理（OLTP）とは異なる
- 9.
- 10. 10 DWH（Data Ware House） DWHはデータウェアハウスの略（データの倉庫） 膨⼤な量のデータを分析しやすく検索できるように蓄積したデ ータベース •構造化データ・半構造化データの処理に適している • データはクレンジング、結合、変換が実施され、信頼できるデータ “Single Source of Truth”を蓄積する • 意思決定⽀援やBIツールにおいて利⽤する • 例．Amazon Redshift、Google BigQuery、Snowflake
- 11. 11 Data Lake Data Lakeは、あらゆる規模の構造化データおよび⾮構造化 データを管理、探索、共有、分析できる ⼀元管理された安全 なリポジトリです • Data Lakeは、データをそのままの形で蓄積する • Apache Hiveメタストアで構造化データとメタデータの関係を⼀元 管理すると、クエリエンジンによってデータをクエリできる • Data Lakeは、クエリエンジンや機械学習から利⽤されます • 機械学習の特徴量エンジニアリングにおいて、そのままの形で蓄積されたデ ータの⽅が向いている場合があります
- 12. 12 Data Lakeの課題と解決策 Data Lakeは、DWHのような分析⼒やトランザクションの サポート、データ品質の保証がない
- 13. 13 Data Lakeの課題と解決策 Data Lakeは、DWHのような分析⼒やトランザクションの サポート、データ品質の保証がない • この課題を解決すべく進化した製品やサービスも登場︕ • Apache Hudi • Databricks Delta Lake • AWS Lake Formation / Governed tables（Preview） AWS Lake Formation （Governed tables）
- 14. 14 DWHとData Lake の進化“Lake House” DWHとData Lakeの両⽅の特⻑を持ち合わせた新しいアーキ テクチャを Lake House Architecture と呼ぶ • DWHは、 Data Lakeのようなストレージとコンピューティングを 分離した柔軟かつコスト効率の良いアーキテクチャを採⽤し、デー タレイク上のデータやOLTPデータベースのライブデータに対して直 接クエリを実⾏してデータ統合できるように進化している • Data Lakeは、 DWHのようなトランザクションのサポート、デー タ品質の保証（スキーマバリデーション）、DWHのようにSQLによ る柔軟なUPSERTが可能 • 実際の Lake House Architecture はベンダーごとに機能が異なる
- 15. 15 データ分析基盤が担う範囲 • 狭義のデータ分析基盤は、DWHと ETLツールとBIツールでしたが、現在 は、Data Lakeを含むのが⼀般的 •分析データの⽤途は、すでにBIツール から機械学習に拡⼤している • 欲しいデータの所在や仕様の管理には データカタログで⼀元管理する • ソースデータからデータマートまでの データのトレースにはデータリネージ が⽤いられる • 今後、DXの流れで外部データの収集 やシステム連携まで広範囲になりうる Data Catalog / Data Lineage BI Tools & ML/DL ETL Tools & Job Scheduler Data Lake DWH & Data Mart
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25. 25 データの変換のパターン（ETL/ELT/ETLT） ETL（Extract, Transform andLoad） • データを抽出（Extract）して、データをツールなどで変換 （Transform）した後、データストアにロード（Load）します • 分析対象のデータの形式がデータストアにロード（Load）できない場合 は、事前に変換します ELT（Extract, Load and Transform） • ロード可能な形式でデータを抽出（Extract）して、データストアにロー ド（Load）した後、SQLなどでデータを変換（Transform）します ETLT（Extract, Transform, Load and Transform） • ETLした後に、SQLなどでデータを変換（Transform）します
- 26. 26 データの変換のパターン（ETL/ELT/ETLT） ETL（Extract, Transform andLoad） • データを抽出（Extract）して、データをツールなどで変換 （Transform）した後、データストアにロード（Load）します • 分析対象のデータの形式がデータストアにロード（Load）できない場合 は、事前に変換します ELT（Extract, Load and Transform） • ロード可能な形式でデータを抽出（Extract）して、データストアにロー ド（Load）した後、SQLなどでデータを変換（Transform）します ETLT（Extract, Transform, Load and Transform） • ETLした後に、SQLなどでデータを変換（Transform）します DWHのコンピューティングがスケールアウトに対応しました。 今後は、多くのエンジニアが馴染みがあるSQLでデータを変換する ELTやETLTでデータ変換することをおすすめします。
- 27.
- 28. 28 データ分析基盤のデータ管理 データガバナンス • データ（収集、保管、利⽤、保護、アーカイブ、削除）を取り巻く ⼀連の組織が、⽬標を達成する上で情報を効果的かつ効率的に使⽤ するための、プロセス、役割、ポリシー、標準、評価指標を定義す ること • ビジネスや組織全体で使⽤されるデータの品質とセキュリティを保 証するプロセスと責任を確⽴する •データガバナンスに従い、データスチュワードが⽅針策定、データ 利活⽤に関わる各組織（データ提供者、データ利⽤者、データ分析 基盤の運⽤・保守担当）に各種運営や会議体の推進を主導する
- 29. 29 データ分析基盤のデータ管理 個⼈情報やパーソナルデータの取り扱い • GDPRを前提にセンシティブなデータの取扱 を⾒直すことを推奨 • 個⼈情報やパーソナルデータを格納すると、 GDPRの要件に対応できるような対処、体制 が必要となる •分析⽤途では、匿名化、ハッシュ化したデー タで分析要件は満たせないか検討する • 例．ハッシュ化したキー情報と分析結果のみを連 携するなど
- 30. 30 データ分析基盤のデータ管理 Data Catalog • データソースとなるDBのメタデータを収集して、検索によって欲し いデータを探索するツール •各システムごとのデータの場所、意味、データ型（メタデータ）を 把握する • データの保存場所を知り、個⼈情報などのデータガバナンスが捗る Data Lineage • データの⽣成経路を明らかにして、データパイプラインの管理やガ バナンスを強化する • データの⽣成クエリ（SQL）を修正する際の影響範囲を特定できる ※ Data Catalogは、データソースという「点」の情報を収集し、Data Lineageは、 「点」と「点」の関係の情報を収集し、保存する
- 31.
- 32. 32 データ分析基盤の今後 データシェアリングは、データのコピーや移動することなく、 データを共有する、クラウドの強みを活かした機能 • データ分析基盤の物理的な統合から論理的な統合へ • 物理的にサイロ化しても論理的にデータ統合できれば問題なし •部⾨ごとにデータ分析基盤を運⽤して、他の部⾨のデータ分析基 盤との間で、互いに共有できる • ⼤規模データ分析基盤のHub-Spoke構成 • ハブになる環境と、データを利⽤する環境を分離する • データを利⽤する環境ごとのインスタンスのサイジングや利⽤費 を分けることができる • ハブになるデータ分析基盤のSLAに依存しない運⽤が可能
- 33. 33 データ分析基盤の今後 xOps（DataOps、MLOps等） • DevとOpsのように対⽴しやすい関係にあった両部⾨が協調すること により、開発をスムーズにする取り組みを指さすDevOpsのカルチ ャーとプラクティスをデータ分析・機械学習分野に応⽤したのが、 DataOpsやMLOpsです。 • システムの継続的インテグレーション（CI）、継続的デリバリー （CD）、継続的トレーニング（CT）の実装と⾃動化を含む場合もあ ります。 •DataOps（データオプス）とは 「組織全体におけるデータ管理から データ利⽤者までのデータの流れについてコミュニケーション、統 合および⾃動化の改善を⽬的とした協調的なデータ管理⼿法」です。
- 34.
- 35. 35 まとめ • データ分析基盤とは、蓄積した⼤量のデータを⾼速に分析 して、ビジネスに活⽤するためのプラットフォームです。 • 組織内の新たな洞察を導き、データ間の関係を発⾒して、 新たな洞察や分析結果など、データに基づいた意思決定に 活かすことが⽬的です。 •データ分析のデータの特性は、基幹のDBと異なるため、デ ータ分析基盤にデータを集め、分析する必要がある
- 36. 36 まとめ • データの利活⽤が進み、データガバナンスの重要性やData Catalog/Data Lineageの期待が⾼くなっている •個⼈情報やパーソナルデータを取り扱う場合は、GDPRの要 件を鑑みて検討が必要 • データ分析基盤のアーキテクチャは、DWHやData Lake か ら、Lake Houseが主流になることが予想される • データシェアリングは、データのコピーや移動することな く、データを共有によってサイロ化の軽減が期待できる
- 37.
- 38.