Download as PDF, PPTX
![スキーマオンライトとスキーマオンリード
DWH中心← → データレイク中心
• ユーザによる活用 (分析)
シナリオを想定し、
そこからデータ蓄積先の
スキーマを設計
• 業務システムからは、
そのシナリオ実現のため
にETLで「データ」抽出
• 想定に含まれなかった
「データ」の周辺データは
埋没
Schema-on-Write
• 将来のあらゆる分析
要件に対応するために、
すべてのデータを、
可能な限りネイティブ
フォーマットのまま蓄積
• 利用時にはじめて
スキーマ・データ構造を
定義し、Read を実施
Schema-on-Read
abe, 95, 46, 85, 85
itoh, 89, 72, 46, 76,
34
ueda, 95, 13, 57, 63,
87
emoto, 50, 68, 38,
85, 98
otsuka, 13, 16, 67,
100, 7
katase, 42, 61, 90,
11, 33
{"name" : "cat",
"count" : 105}
{"name" : "dog",
"count" : 81}
{"name" : "rabbit",
"count" : 2030}
{"name" : "turtle",
"count" : 1550}
{"name" : "tiger",
"count" : 300}
{"name" : "lion",
"count" : 533}
{"name" : "whale",
"count" : 2934}
xxx.xxx.xxx.xxx - -
[27/Jan/2018:14:20:17
+0000] "GET
/item/giftcards/3720
HTTP/1.1" 200 70 "-"
"Mozilla/5.0
(Windows NT 6.1;
WOW64; rv:10.0.1)
Gecko/20100101
Firefox/10.0.1"
ネイティブフォーマットを、そのまま蓄積
SELECT ~~~ FROM ~~~
WHERE ~~~ ORDER BY ~~~;
利用時にデータ構造を定義
4
ストレージ総保有コスト
の低下](https://image.slidesharecdn.com/dataplatformsynapsedelta-210902105921/75/Synapse-Analytics-4-2048.jpg)
![[DI12] あらゆるデータをビジネスに活用! Azure Data Lake を中心としたビックデータ処理基盤のアーキテクチャと実装](https://cdn.slidesharecdn.com/ss_thumbnails/di12-170616053736-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DI03] DWH スペシャリストが語る! Azure SQL Data Warehouse チューニングの勘所](https://cdn.slidesharecdn.com/ss_thumbnails/di03-170605023803-thumbnail.jpg?width=640&height=640&fit=bounds)
![[db tech showcase Tokyo 2017] E35: 12台でやってみた！DWHソフトウェアアプライアンス Db2 Warehouse ～...](https://cdn.slidesharecdn.com/ss_thumbnails/e35-2-170913082538-thumbnail.jpg?width=640&height=640&fit=bounds)
![[de:code 2019 振り返り Night!] Data Platform](https://cdn.slidesharecdn.com/ss_thumbnails/20190610decode2019dataplatformrecap-190610113039-thumbnail.jpg?width=640&height=640&fit=bounds)
![[db tech showcase Tokyo 2018] #dbts2018 #E28 『Hadoop DataLakeにリアルタイムでデータをレプリケ...](https://cdn.slidesharecdn.com/ss_thumbnails/dbts2018e28hadoopdatalake-181004235141-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Oracle Innovation Summit Tokyo 2018] 水環境の持続を支えるクラウド型ICTプラットフォーム「Water Busine...](https://cdn.slidesharecdn.com/ss_thumbnails/ist18a-2-180822044642-thumbnail.jpg?width=640&height=640&fit=bounds)
![[C23] 「今」を分析するストリームデータ処理技術とその可能性 by Takahiro Yokoyama](https://cdn.slidesharecdn.com/ss_thumbnails/c23hitachiyokoyama-131215225816-phpapp01-thumbnail.jpg?width=640&height=640&fit=bounds)
データ基盤の従来～最新の考え方とSynapse Analyticsでの実現
- 1. データプラットフォーム概論サマリ Azure Synapse Analytics、PowerBI を効果的に利用するために 永田 亮磨 Twitter:@ryomaru0825 Linkedin:ryoma-nagata-0825 Qiita:qiita.com/ryoma-nagata
- 2. • ニーズ：サイロ化した業務システムの分析のためにデータを統合・集約した DWHが必要と なった • 問題：高コスト、スキーマオンライト（後述）、ML対応が困難 従来のDWH型情報基盤 • What is a Data Lakehouse? – Databricks データソース：サイロ化した業務システム 統合：様々なデータを抽出、変換、ロード（ETL） DWH：データマートの集合体としてRDBMSに保管 BI、可視化：ユーザライクなツールによるデータの分析
- 3. データプラットフォームの基本構成 インポート デ ー タ 統 合 インポート 直接クエリ Semantic Layer Data Warehouse Data Sources デ ー タ 準 備 BI Reporting DataMarts インメモリエンジン ダッシュボード 探索、発見 データ統合システム BIシステム 集める、貯める、整理する 整える、活用する SQL ア ク セ ス
- 4. スキーマオンライトとスキーマオンリード DWH中心← → データレイク中心 •ユーザによる活用 (分析) シナリオを想定し、 そこからデータ蓄積先の スキーマを設計 • 業務システムからは、 そのシナリオ実現のため にETLで「データ」抽出 • 想定に含まれなかった 「データ」の周辺データは 埋没 Schema-on-Write • 将来のあらゆる分析 要件に対応するために、 すべてのデータを、 可能な限りネイティブ フォーマットのまま蓄積 • 利用時にはじめて スキーマ・データ構造を 定義し、Read を実施 Schema-on-Read abe, 95, 46, 85, 85 itoh, 89, 72, 46, 76, 34 ueda, 95, 13, 57, 63, 87 emoto, 50, 68, 38, 85, 98 otsuka, 13, 16, 67, 100, 7 katase, 42, 61, 90, 11, 33 {"name" : "cat", "count" : 105} {"name" : "dog", "count" : 81} {"name" : "rabbit", "count" : 2030} {"name" : "turtle", "count" : 1550} {"name" : "tiger", "count" : 300} {"name" : "lion", "count" : 533} {"name" : "whale", "count" : 2934} xxx.xxx.xxx.xxx - - [27/Jan/2018:14:20:17 +0000] "GET /item/giftcards/3720 HTTP/1.1" 200 70 "-" "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:10.0.1) Gecko/20100101 Firefox/10.0.1" ネイティブフォーマットを、そのまま蓄積 SELECT ~~~ FROM ~~~ WHERE ~~~ ORDER BY ~~~; 利用時にデータ構造を定義 4 ストレージ総保有コスト の低下
- 5. • ニーズ：柔軟性の確保、 低コスト化（特に効果大）、MLのためのオブジェクトストレージアク セス •問題：サービス間ロードによるデータ鮮度の古さ、複雑さ、ファイル管理性、MLからのDWHア クセス非効率性 データレイク型情報基盤 （2層データレイク＋DWHアーキテクチャ • What is a Data Lakehouse? – Databricks データソース：構造化、非構造化データ データレイク：生データ、加工済みデータ（2層） DWH/リアルタイムDB：長所を組み合わせた構成 BI、可視化：DWHデータを利用 ML：データレイク上データを利用
- 6. Data Lake +DWH インポート デ ー タ 統 合 インポート 直接クエリ Semantic Layer Data Warehouse BI Reporting Data Marts インメモリエンジン ダッシュボード 探索、発見 データ統合システム BIシステム Data Lake MLシステム 訓練データ 生成 MLモデル デ ー タ 準 備 インポート 生データ 加工済みデータ Data Sources SQL ア ク セ ス MLアクセス
- 7. • DWHではできたSQLによる1行1行に対するUPDATEコマンドなどの修正も、 ファイル保管となるデータレイクでは不正データ1行を修正することは困難 （わらの中の針） データスワンプ（沼） 生データフォルダ/ ├ 2020-01-01/ ├2020-01-02/ │└ data-01.csv ├ 2020-01-03 │└ data-01.csv ・ ・ ・ DataLake ID eventtype data 1click AAA 2click BBB ID eventtype data 2click BBB' 3conversion CCC
- 8. • ニーズ：データレイク上のCRUDオペレーション、SQL,MLからの透過的なアクセス • 主要OSS：DeltaLake(from Databricks) , Iceberg(from Netflix) , Hudi(from Uber) レイクハウス型の情報基盤の到来 • What is a Data Lakehouse? – Databricks
- 9. OSSプロジェクト『Delta Lake』 • Databricks社が開発した、レイクハウス の中核を担うOSS •ファイルシステム上でSparkと共に動作 し、SQL API（UpdateなどのDMLや BIからのアクセス）、 python API（解析処理）の実行が 可能 • 実態はparquetファイルのため高圧縮 率 • https://delta.io/
- 10. Delta Lake ベネフィット例 -CRUDオペレーション • Update、Delete、 Mergeをサポートし、データの修正・削除Upsertを実行 • データレイク上でデータ管理タスクが完結 ID eventType timestamp 1 clck 2020/4/1 23:00 2 clck 2020/4/1 23:01 3 conversion 2020/4/1 23:02 UPDATE events SET eventType = 'click’ WHERE eventType = 'clck' ID eventType data 1 click AAA 2 click BBB 3 conversion CCC ID eventType data 3 conversion ccc' 4 conversion DDD MERGE INTO events USING updates ON events.eventId = updates.eventId WHEN MATCHED THEN UPDATE SET events.data = updates.data WHEN NOT MATCHED THEN INSERT (date, eventId, data) VALUES (date, eventId, data) ID eventType data 1 clck AAA 2 clck BBB 3 conversion ccc' 4 conversion DDD
- 11. • 分離されたクエリエンジンによりDWHを物理構成しなくてもデータの活用が可能。 • アドホックな分析や、BIインメモリモデルにインポートすることが主目的の場合、DWHの常時立ち上げが 不要→コスト柔軟性向上 DWH/レイクハウス 専用 ストレージ データレイク テーブル テーブル ファイル ファイル データレイク ファイル ファイル クエリ発行口 （URL） ＋ エンジン クエリ発行口 （URL） ＋ エンジン BI,SQL BI,SQL レイクハウス（論理DWH） =サーバーレスSQLプール DWH（物理DWH） ＝専用SQLプール •専用ストレージで最適化された 安定高速クエリ • データの実体はデータレイクに持ち、コスト柔軟 性、データの再利用性が向上 テーブル テーブル 仮想テーブル ロード アクセス
- 12. レイクハウス インポート デ ー タ 統 合 インポート 直接クエリ Semantic Layer Lake house Data Sources BIReporting インメモリエンジン ダッシュボード 探索、発見 データ統合システム BIシステム MLシステム 訓練データ 生成 MLモデル デ ー タ 準 備 インポート 未加工データ 加工済みデータ SQL ア ク セ ス MLアクセス データレイク上での更新を 含む統合処理 インポート 物理DWH 直接クエリ(論理DWH)
- 13. • 生データ→加工済みデータの概念を拡張 • ステージ毎のデータの役割明確化による、ガバナンスへの好影響 •利用者に必要なデータがステージとして整理されている＝責任、関心の分離 • ステージを遡れば、新たな知見を得るための元情報にアクセスできる 効果的なデータ管理 メダリオンアーキテクチャ • Delta LakeとLakehouseプラットフォームによるデータウェアハウス設計 - every Engineering Blog 生データ （Bronze） データマート的特化データ （Gold） 利用可能な クレンジング済み データ （Silver） 最発明を防ぐ 共通データ加工 分析シナリオごとの データ加工
- 14. Azure BIデータ基盤ソリューション例 Azure SynapseAnalytics Synapse Pipelines SQL Pool Spark Pool Data Lake Storage Spark ETL(GUI) データレイクに 直接 クエリ Spark ETL (コードファースト) Overview Data Develop Monitor Pipeline Manage Synapse Studio 統合管理 データCopy Power BI Report Power BI Dataset セマンティック層 論理DWH /物理DWH 可視化
- 15. インポート BI,MLデータプロセス全体像➀ PoC,スモールスタート段階 parquet Silver parquet インポート 直接クエリ （サーバレスSQL） DWH化対象 Native Format インメモリ エンジン デ ー タ 統 合 マ ッ ピ ン グ デ ー タ フ ロ ー デ ー タ 準 備 Power Query 直接クエリ （DAX） 各種 データソース システム 分 析 モ デ ル Power BI Dataset Bronze Landing SQL エ ン ド ポ イ ン ト インポート デ ー タ 準 備 ・ 学 習 ・ ラ べ リ ン グ ML デ ザ イ ナ ー ML モ デ ル MLDatasets （学習データ、 スコアリング済みデータ） 差分 蓄積 クレンジング タイムアウト=30分に注意 Delta Lake or フ ァ イ ル ア ク セ ス
- 16. インポート BI,MLデータプロセス全体像② データ準備の性能が足りなくなったら parquet Silver parquet インポート 直接クエリ （サーバレスSQL） DWH化対象 Native Format インメモリ エンジン デ ー タ 統 合 マ ッ ピ ン グ デ ー タ フ ロ ー デ ー タ 準 備 Power Query 直接クエリ （DAX） 各種 データソース システム 分 析 モ デ ル Power BI Dataset Bronze Landing インポート デ ー タ 準 備 ・ 学 習 ・ ラ べ リ ン グ ML デ ザ イ ナ ー ML モ デ ル MLDatasets （学習データ、 スコアリング済みデータ） 差分 蓄積 クレンジング Gold parquet 移管、大規模処 理化対応 Delta Lake or フ ァ イ ル ア ク セ ス SQL エ ン ド ポ イ ン ト
- 17. インポート BI,MLデータプロセス全体像③ データセットにデータがおさまらなかったら parquet Silver parquet インポート 直接クエリ 直接クエリ （サーバレスSQL） DWH化対象 Native Format インメモリ エンジン デ ー タ 統 合 マ ッ ピ ン グ デ ー タ フ ロ ー デ ー タ 準 備 Power Query 直接クエリ （DAX） 各種 データソース システム Gold 分 析 モ デ ル Power BI Dataset Bronze parquet Landing インポート デ ー タ 準 備 ・ 学 習 ・ ラ べ リ ン グ ML デ ザ イ ナ ー ML モ デ ル MLDatasets （学習データ、 スコアリング済みデータ） 差分 蓄積 クレンジング 併用して、データ量が多 いテーブルのみ直接クエ リで取得させる 少量のデータは引き続き インポート利用 Delta Lake or フ ァ イ ル ア ク セ ス SQL エ ン ド ポ イ ン ト
- 18. インポート BI,MLデータプロセス全体像④ 直接クエリの性能を安定させる場合 parquet Silver parquet インポート 直接クエリ 直接クエリ （サーバレスSQL） DWH化対象 Native Format インメモリ エンジン デ ー タ 統 合 マ ッ ピ ン グ デ ー タ フ ロ ー デ ー タ 準 備 Power Query 直接クエリ （DAX） 各種 データソース システム Gold 分 析 モ デ ル Power BI Dataset Delta Lake or フ ァ イ ル ア ク セ ス Bronze parquet Landing インポート デ ー タ 準 備 ・ 学 習 ・ ラ べ リ ン グ ML デ ザ イ ナ ー ML モ デ ル MLDatasets （学習データ、 スコアリング済みデータ） 差分 蓄積 クレンジング 併用して、データ量が多 いテーブルのみ直接クエ リで取得させる 少量のデータは引き続き インポート利用 インポート 専用SQL (物理DWH) SQL エ ン ド ポ イ ン ト
- 19. インポート 内製化に必要なスキル parquet Silver parquet インポート 直接クエリ 直接クエリ （サーバレスSQL） DWH化対象 Native Format インメモリ エンジン デ ー タ 統 合 マ ッ ピ ン グ デ ー タ フ ロ ー デ ー タ 準 備 Power Query 直接クエリ （DAX） 各種 データソース システム Gold 分 析 モ デ ル Power BI Dataset Delta Lake or フ ァ イ ル ア ク セ ス Bronze parquet Landing インポート デ ー タ 準 備 ・ 学 習 ・ ラ べ リ ン グ ML デ ザ イ ナ ー ML モ デ ル MLDatasets （学習データ、 スコアリング済みデータ） 差分 蓄積 クレンジング 併用して、データ量が多 いテーブルのみ直接クエ リで取得させる 少量のデータは引き続き インポート利用 インポート 専用SQL (物理DWH) SQL エ ン ド ポ イ ン ト SQL,データエンジニリングスキル Power Query モデリングスキル レポート作成 スキル データサイエンススキルスキル