BI Whitepaper

Size: px

Start display at page:

Download "BI Whitepaper"

まれあさわまつ
5 years ago
Views:

1 ホワイトペーパー : ビジネスインテリジェンスにおけるデータモデリングの利点ビジネスインテリジェンスにおけるデータモデリングの利点 2008 年 12 月

2 目次概要 1 セクション 1 2 はじめに 2 セクション 2 2 BI 用のデータモデリングが必要な理由 2 セクション 3 4 情報の意味を理解する 4 セクション 4 7 レポート作成を支援する 7 セクション 5 8 まとめ 8 Copyright 2008 CA. All rights reserved. 本書に記載された全ての製品名サービス名商号およびロゴはそれぞれ各社の商標またはサービスマークです本書は情報提供のみを目的としています準拠法により認められる限り CA は本書を現状有姿のまま提供し商品性特定の使用目的に対する適合性第三者の権利に対する不侵害についての黙示の保証を含むいかなる保証もしません本書の使用が直接または間接に起因し逸失利益業務の中断営業権の喪失業務情報の損失等いかなる損害が発生しても CA は責任を負いません CA がかかる損害について明示に通告されていた場合も同様とします

3 1 概要課題ビジネスインテリジェンス (BI) は今や多くの組織で欠かせないものとなっています膨大なデータが蓄積される中で課題となるのはデータの意味を理解してビジネスに役立つ情報を見つけ出すことですデータベース開発者がビジネスの要件を理解し物理データベースシステムへ実装するにはデータモデルが重要なコミュニケーションツールとなりますそのためには次のような課題があります重要なビジネス用語の意味を理解するレポート作成の要件を満たしユーザーが正確な情報を使用して柔軟なクエリーを作成できるようにする成果データベース開発者がビジネスの要件を物理データベース設計に正しく反映すると実装されたシステムを通じて組織が保有する大量のデータから必要な情報を見つけ出すことができるようになりますそれによって次のような成果が期待できます詳細情報から要約レベルに至るまで任意のレベルで組織の業績に関する正確なレポートを作成できる過去の実績から将来の出来事を正確に予測しビジネスユーザーは組織の戦略を決定するために必要な情報を得ることができる利点 BI システムのデータモデリングを通じてデータ処理に関する多くの課題を解決できます BI システムの論理および物理モデリングを活用するとビジネスに関する正確な情報をビジネスユーザーに提供できます主な利点は次のとおりですソースシステムを詳しく理解することができ BI システムの開発期間が短縮される BI システムからより正確な結果を取得できるビジネスユーザーと開発者の双方が利用可能な情報を分かりやすい形式で確認できる

2 セクション 1 はじめにビジネスインテリジェンス (BI) はその名前が示すとおりビジネスに役立つ情報を取得するための手法です BI システムからの出力は企業が最高レベルの組織戦略を構築するために使用されます BI は大きな利益をもたらす可能性がありますが一方でデータの解釈に誤りがあると大きなリスクにつながりますそのようなリスクを避けるには

4 2 セクション 1 はじめにビジネスインテリジェンス (BI) はその名前が示すとおりビジネスに役立つ情報を取得するための手法です BI システムからの出力は企業が最高レベルの組織戦略を構築するために使用されます BI は大きな利益をもたらす可能性がありますが一方でデータの解釈に誤りがあると大きなリスクにつながりますそのようなリスクを避けるには使用するデータについて詳しく理解しておくことが不可欠ですその点でデータモデルはビジネスユーザーと IT 技術者とのコミュニケーションを効果的に行うために有用です BI システムのために構築されるデータベースには正しい情報がビジネスで利用できる形式で格納されている必要がありますビジネスユーザーは通常 BI システムの出力をレポートやデジタルダッシュボードの形式で確認しますがこれらのシステムはオンライン分析処理 (OLAP) キューブによって実現されています OLAP キューブにはあらかじめクエリーの結果が集計されており本来は数時間かかるような処理であってもわずか数秒で結果を生成できますこのホワイトペーパーではさまざまな BI コンポーネントの出力を文書化説明および明確化する上でデータモデリングが果たす役割について説明します各コンポーネントは構造が異なるためデータモデルの作成者はコンポーネントごとに別々のアプローチをとる必要がありますしかしモデリングツールを注意深く使用すれば情報の誤りを避けるだけでなくシステムの設計を十分に理解できるという利点も得られます注意 : 本書では分かりやすさを重視した単純なモデルを使用しています実際のモデルには通常さらに多くのエンティティと属性が含まれていますセクション 2 BI 用のデータモデリングが必要な理由例として食料雑貨の国際企業を考えてみましょう毎週月曜日の朝に取引チームはピボットテーブルを使用して価格と数量からなる総売上高を確認します売上高は製品グループ個々の製品地域および店舗のレベルまで細分化されていますこのピボットテーブルを作成するにはデータベースでクエリーを実行して数百万ものレコードを集計する必要があります情報を異なる基準 ( 月次ではなく週次など ) で集計する必要が生じるたびに非常に負荷の高いクエリーを再実行することになります OLAP はこのような問題に対処するためのものです OLAP ストレージはリレーショナルシステムとはまったく異なります OLAP を視覚化するもっとも簡単な方法はキューブ ( 立方体 ) のような多次元構造として表すことですキューブの軸はディメンション ( 次元 ) を表し各ディメンションメンバーの交わる部分が集計結果となります図 1 に 3 次元のキューブを示します図 1: OLAP キューブストア製品時間製品ストアおよび時間のディメンションから構成された OLAP キューブ

5 3 実際にはより多くのディメンションが使用されることがありますが図式化するのが困難になるため OLAP の構造はディメンション数に関わらず常にキューブとして表されます各製品は製品軸のカラム ( スライス ) に対応します同様に各ストアはストア軸のスライス各日付は時間軸のスライスに対応します製品ストアおよび日付の値を指定するとセルの座標が決まりますこのセルには指定したディメンションのメンバーに対応するファクトテーブルが存在しそれぞれのメジャーによる集計値が格納されていますディメンションは通常フラットな構造ではなく階層構造になりますたとえば時間ディメンションには日週月四半期および年のレベルを含めることができすべてのレベルで値を集計できますさらに時間ディメンションは単一の階層構造にはなりません週レベルは月レベルにぴったり収まらないためこのディメンションには複数の階層構造が必要です OLAP の設計は複雑な作業なので処理対象のデータについて十分に理解しておく必要がありますそのために論理モデルを作成するとデータウェアハウスの物理モデル構造よりも作業に役立ちます物理モデルはデータ型やインデックスなどデータベースのメタデータを正確に記述します一方論理モデルは物理モデルの上位にある抽象レイヤーであり他のユーザーにとって分かりやすい構造ですモデルに含まれるエンティティに詳細情報を追加することも重要です通常エンティティには単純な名前が付けられることが多いためそのエンティティについての疑問が出てきますたとえばシステム内で時間の構造はどのようになっているのか? ストアとは何か? 実際の店舗が必要なのかあるいはオンラインの Web サイトでもいいのか? 製品は買ったものなのか売ったものか? などです実際に役立つ BI 出力を作成するには扱うデータについて完全に理解しておく必要がありますシステムを正しくモデル化することによりわずか数秒で必要としている結果を得られるような OLAP キューブを生成することができます

6 4 セクション 3 情報の意味を理解する再び例として食料雑貨の国際企業を考えてみます顧客には会社および実店舗とインターネットで購入する個人がいますこれらの顧客タイプは一律に顧客として記述されていますがそれぞれ異なるソースシステムで処理されていますこのような状況からビジネスユーザーが使用するピボットテーブルに無効な顧客データが追加されるという問題が BI システムに発生しましたこの問題を解決するには論理モデルに詳細情報を記述するべきであり設計時に次のような事柄を考慮すべきですたとえば顧客とは何か? という問題です顧客は個人なのかそれとも会社なのか? 顧客が会社であれば会社に属する個人の情報も記録する必要があるのか? 製品とサプライヤなどのディメンション間のリレーションシップはあるのか? これらの疑問をあらかじめ解消しておけば作成する論理モデルに OLAP キューブの各要素の関係および機能を記述できます食料雑貨の国際企業の例ではビジネスユーザーはピボットテーブルを利用できますがピボットテーブルが作成される仕組みを理解する必要はありません求められるのはビジネスユーザーとデータモデル作成者との間で顧客ストア製品月または販売単位などの定義が同一であることです図 2 に示す論理モデルには OLAP キューブの作成時に必須となる詳細レベルが追加されています図 2: エンティティ定義エンティティ定義が追加された論理モデル

5 さらにビジネスレポートの作成に役立つモデルも作成する必要がありますそれというのも先に説明したとおりディメンションは通常フラットな構造ではなく階層構造だからです集計はディメンションのすべてのレベルで実行されるためディメンションを標準的なトランザクションテーブルとして扱うことはできません同様に

7 5 さらにビジネスレポートの作成に役立つモデルも作成する必要がありますそれというのも先に説明したとおりディメンションは通常フラットな構造ではなく階層構造だからです集計はディメンションのすべてのレベルで実行されるためディメンションを標準的なトランザクションテーブルとして扱うことはできません同様にファクトテーブルも標準的なトランザクションテーブルとして扱うことはできませんファクトテーブルのメジャーとなる属性はどれかを知りまた各メジャーが加算的 (additive) 準加算的 (semiadditive) または非加算的 (non-additive) であるのかを理解する必要があります図 3 に示すのは典型的な非多次元モデルにおける顧客テーブルのプロパティです図 3: 非多次元モデルファクトテーブルの属性が表示された非多次元モデル

6 図 4 も同じテーブルを表していますが多次元モデリングが使用されておりテーブルのモデリングロールをディメンションテーブルとして定義できます図 4: 多次元モデルファクトテーブルの属性が表示された多次元モデル OLAP システムから出力された構造はソースとなるデータウェアハウスとは大きく異なっているため OLAP データを使用する開発者にとって

8 6 図 4 も同じテーブルを表していますが多次元モデリングが使用されておりテーブルのモデリングロールをディメンションテーブルとして定義できます図 4: 多次元モデルファクトテーブルの属性が表示された多次元モデル OLAP システムから出力された構造はソースとなるデータウェアハウスとは大きく異なっているため OLAP データを使用する開発者にとってデータウェアハウスの物理設計はほとんど役に立ちませんそのため OLAP 構造へマッピングされる論理モデルを作成することが不可欠です OLAP キューブの結果を使用する開発者はデータウェアハウスの物理モデルや論理モデルを理解できませんその構造が大きく異なっているためですそこで OLAP キューブの結果を表す論理モデルを作成する必要がありますたとえばデータウェアハウスには売上および売上日の値が含まれていますが週次売上の概念はありませんしかし OLAP データを使用する開発者にとってはそのような情報が重要になります図 5 に示すのは OLAP 出力を表す論理モデルの例ですこのホワイトペーパーの他の図と同じシステムに基づいています図 5 から分かるのは OLAP 出力の論理モデルはデータウェアハウスの論理モデルや物理モデルとは大きく異なるということですさらに OLAP キューブの構造を理解するには論理データモデリングが不可欠であることが分かります正しいモデルを作成して詳細情報を記述すれば会社は情報を誤って解釈することなく正確で有益な情報を得ることができますはじめにビジネス側がレポートの要件を定義しその要件に基づいてデータモデリングのチームが各エンティティを定義してビジネスユーザーがそれを確認するという手順を踏むことで情報が誤って解釈されることはなくなりますデータモデリングのチームはビジネスの要件を満たしビジネスの基本構造が反映された論理モデルを作成することができますこのようなプロセスによって曖昧さや混乱を避けることができユーザーに正確な情報を届けることができます

9 7 セクション 4 レポート作成を支援する先に説明したとおり例として挙げた食料雑貨の国際企業ではビジネスユーザーはピボットテーブルを利用してビジネスの業績を分析できますこのニーズには応えることができていても一部のビジネスユーザーは他にどのような情報が利用できるかを知りたいと思っています彼らには企業のエンタープライズデータの論理モデルが提供されたもののモデルの構造がどのようにピボットテーブルやその他のレポートと関連しているかを理解することができませんそこでモデルをピボットテーブルを作成するアプリケーション開発者に渡しましたが開発者が必要とするモデルではありませんでした OLAP の論理モデルだけでなくレポート入出力の論理モデルを作成することもまた重要ですレポートで使用されるデータは OLAP やデータマイニングクエリーの出力であるためその論理モデルのエンティティはリレーショナルストレージ設計とは異なります前のページで OLAP システムやデータマイニングの出力を表す論理モデル作成について説明しましたがレポート作成システムでもこの論理モデルのデータが使用されますたとえば月間売上高はデータウェアハウスには保存されていませんその属性はデータウェアハウスの論理モデルにも物理モデルにも存在しません図 5 に OLAP 出力の論理モデルを示しますこのホワイトペーパーの他の図と同じシステムに基づいていますがディメンションは各階層に分割されて表示されていますたとえば顧客ディメンション (Customer) にはポイントカードのアカウント (LoyaltyCardAC) を表す階層がありますポイントカードは家族で共有されるためです所得層 (IncomeGroup) や居住地域 (Town County...) を表す階層もありますが個々の顧客についての記録はありません OLAP キューブではそのレベルの詳細情報が要求されることはほとんどないためです他にもこの論理モデルでは OLAP キューブでは使用されない多くの属性が削除されていることが分かります図 5: OLAP 出力モデル OLAP 出力モデル

10 8 レポートを設計する際には図 5 に示すような論理モデルが役立ちますレポートで使用できる情報が一目で分かるためですまたアプリケーション開発者がピボットテーブルを作成したりビジネスユーザーがピボットテーブルで利用できる情報を確認したい場合にもこのモデルの構造が役立ちますセクション 5 まとめビジネスインテリジェンスには非常に大きな利点がありますが同時に大きなリスクを伴いますビジネスユーザーはレポートに記載された情報を事実として受け取りそれらの事実は経営上の意思決定を左右しますそのため情報が不正確な場合は誤った決定がなされる可能性があります BI システムを注意深くモデル化すればこの問題を避けることができますさらに開発者とビジネスユーザーの双方にとって情報へのアクセスが容易になるという利点もありますデータモデリングは情報の正確さと可用性を高め開発時間を短縮することができ BI 開発において重要な役割を果たします

11 9

目次はじめに... 3 仮想化環境上の仮想マシン保護方法... 4 ( 参考 )Agent for Virtual Machines での仮想マシンのバックアップ... 8 まとめ改訂履歴 2011/04 初版リリース 2012/10 第 2 版リリースこのドキュメントに含まれる特

目次はじめに... 3 仮想化環境上の仮想マシン保護方法... 4 ( 参考 )Agent for Virtual Machines での仮想マシンのバックアップ... 8 まとめ改訂履歴 2011/04 初版リリース 2012/10 第 2 版リリースこのドキュメントに含まれる特解決!! 画面でわかる簡単ガイド : 仮想環境データ保護 ~ 仮想マシンの保護方法について ~ 解決!! 画面でわかる簡単ガイド CA ARCserve Backup r16 仮想環境データ保護 ~ 仮想マシンの保護方法について ~ 2012 年 10 月 CA Technologies 1 目次はじめに... 3 仮想化環境上の仮想マシン保護方法... 4 ( 参考 )Agent for Virtual