エンタープライズ データ ウェアハウス（EDW）

エンタープライズデータウェアハウス（EDW）とは何ですか？

エンタープライズ データ ウェアハウス (EDW) とは、組織のデータを統合・管理するために設計された、一元化された構造化リポジトリです。EDW の中核的なメリットは、異種のシステムからの情報が統合、標準化され、一貫性のあるレポート作成と分析のためにアクセス可能になる、ガバナンスの効いた環境を提供することです。

頭字語の EDW は、専門的および技術的な文脈で広く使用されていますが、データ ウェアハウス (DW) やデータ ウェアハウジング (DWH) など、同じ概念を指す他の用語に遭遇することもあります。しかし、「エンタープライズ」という言葉が重要な違いを生んでいます。DW や DWH はエンタープライズを指す場合もあれば、限定的な目的を果たすプロジェクト固有のウェアハウスを指す場合もあります。正確に知るためには、さらに詳しい文脈が必要です。

しかし、EDWは組織全体を網羅するように特別に設計されており、財務や業務などのさまざまな部門のデータを統合します。これにより、アナリティクスが断片化したり、矛盾したりすることがなくなります。たとえば、財務システムから取得した収益の数値をCRMプラットフォームで追跡される顧客アクティビティと整合させることで、矛盾したレポートのリスクを低減し、組織のデータに関する信頼できる唯一のソースを確立するというEDWの主要な目的を果たすのに役立ちます。

組織は多くの場合、一貫性のないメトリクス、重複したレコード、互換性のないレポート作成ツールに悩まされています。情報を1つのシステムに集約することで、EDWは経営幹部、アナリスト、運用チームが同じ定義とデータセットに基づいて作業することを確実にします。この一貫性は、正確な予測、法規制コンプライアンス、戦略立案に不可欠です。

これを達成するために、EDW は幅広いソースからデータを統合します。一般的な入力には、顧客関係管理 (CRM) システム、企業資源計画 (ERP) プラットフォーム、トランザクション データベース、最新の software-as-a-service (SaaS) アプリケーションなどがあります。抽出、変換、読み込み (ETL) またはより現代的なデータパイプラインのアプローチを通じて、これらのさまざまなデータフィードは統合ストレージソリューションに統合されます。このソリューションは、情報を保存するだけでなく、企業全体でガバナンス、品質、アクセシビリティの基準を適用します。

EDWを定義する主な特徴

EDWが小規模なデータウェアハウス アーキテクチャと異なる主な特徴は次のとおりです。

全社的なスコープ。データマートやチーム固有のリポジトリとは異なり、EDW は組織全体から情報を統合します。これにより、知見が分断されたサイロではなく、ビジネスの全体像を確実に反映するようになります。

一元化されたストレージ。一元化は、さまざまなソースのデータがさまざまな場所に存在することによって引き起こされる問題の解消に役立ちます。これにより、情報へのアクセスが向上し、使用されている情報が常に同じソースからのものであることが保証されます。

構造化とガバナンスウェアハウスに取り込まれるデータは、クレンジング、変換、標準化されます。品質管理とガバナンス ポリシーにより、情報の信頼性が確保され、意思決定を損なう可能性のあるエラーや不整合が削減されます。

信頼できる唯一のソース。標準を徹底し、データを統合することで、EDW は経営幹部からアナリストまで、すべてのユーザーが同じ検証済みの情報に基づいて作業できるようにします。この一貫性によって、出力の矛盾が生じる可能性が低減されるため、ユーザーが生成するレポートや閲覧するダッシュボードへの信頼が高まります。

アナリティクス用に最適化。EDW は、複雑なクエリー、集計、レポート作成向けに設計されています。また、日々のトランザクションを処理するオンライン トランザクション処理（OLTP）システムとは対照的に、傾向分析や予測に最適なオンライン分析処理（OLAP）もサポートしています。

ヒストリカルデータの保持。EDW は、最新のレコードと履歴レコードの両方を保持します。この不揮発性ストレージにより、組織は経時的な変化を追跡し、長期的な傾向を特定して、異なる期間のパフォーマンスを比較できます。

サブジェクト指向の設計。最後に、EDWは、顧客、製品、売上などの主要なビジネスサブジェクトを中心にデータを整理します。このサブジェクトに焦点を当てることで、分析がより直感的になり、ウェアハウスがビジネスの実際の運営方法と整合するようになります。

エンタープライズ データ ウェアハウスの仕組み

EDW の運用には、日常的なビジネス システムから、処理と分析が可能な一元化された環境にデータを移動させる、ほぼ継続的なプロセスが含まれます。このプロセスは、明確で再現可能なシーケンスに従います:

• 抽出
• 統合
• ロード中
• 分析

ソースシステムからのデータ抽出

EDWプロセスは抽出から始まります。抽出では、ビジネスアクティビティを記録するシステムからデータが取得されます。一般的なソースには、トランザクションデータベース、CRMプラットフォーム、ERPシステム、SaaSアプリケーション、その他の運用データベースなどがあります。データセット全体をコピーする完全抽出、新規または変更されたレコードのみをキャプチャする増分抽出、更新をリアルタイムで追跡するチェンジデータキャプチャ（CDC）など、さまざまな抽出方法が使用されます。

抽出によってソースシステムのデータが変更または削除されることはなく、バッチモード（夜間更新など）でスケジュールすることも、ストリーミング パイプラインを介して継続的に実行してほぼリアルタイムで統合することもできます。

データ統合: ETL および ELT プロセス

データが抽出されたら、統合する必要があります。従来、組織は抽出、変換、ロード（ETL）プロセスを使用してきました。このプロセスでは、データはウェアハウスに取り込まれる前にクレンジングおよび標準化されます。しかし、現在、多くのクラウド プラットフォームでは、最初に生データをロードし、次に変換フェーズを実行する、抽出、ロード、変換（ELT）プロセスを優先することが多くなっています。これにより、組織はデータ変換のためにウェアハウスのコンピュート能力を活用できます。これには以下が含まれます。 

• データクレンジング（重複の削除、エラーの修正）
• 標準化（日付、通貨、コードの一貫した形式を適用）
• 統合（複数のソースからの関連データを結合）
• ビジネスルールの適用（組織の定義とデータを整合させる）

データの保存と整理

変換後、データは分析に最適化された構造化形式で保存されます。EDW は多くの場合、顧客や製品などのサブジェクトを中心に情報を整理するディメンション モデルを使用します。また、クラウド環境ではストレージとコンピュートが分離されているため、それぞれを独立して拡張できることにも注意してください。

一度ロードされると、データは不揮発性になります。つまり、正確な傾向分析のために履歴レコードが保存されます。

データアクセスと分析

抽出、変換、読み込みが完了すると、ユーザーはビジネス インテリジェンス（BI）ツール、SQL クエリー インターフェース、またはセルフサービス アナリティクス プラットフォームを通じて EDW にアクセスします。ロールベースのアクセス制御（RBAC）により、従業員は閲覧を許可されたデータのみを閲覧できます。

EDWはアドホック分析と定期的なレポート作成の両方をサポートするため、複数の事業分野にまたがるデータを結合する複雑なクエリーを処理できます。クリーンで統合されたデータは、ダッシュボード、レポート、さらには高度な人工知能（AI）や機械学習（ML）モデルを強化し、生データを実用的な知見やデータドリブンな意思決定に変えます。

EDW と他のデータストレージ ソリューションの主な違い

EDWと他のストレージソリューションとの主な違いの1つは、EDWが独立したテクノロジーではないということです。EDWは、データウェアハウス、データレイク、データマートなどの複数のストレージソリューションを含む、より広範なデータエコシステムの一部と考えるべきです。EDWがこれらの関連ツールとどのように異なるかを理解することは、さまざまなユースケースに対して適切なソリューションを選択するのに役立ちます。

EDW 対 データウェアハウス（部門別）

前述のとおり、「データウェアハウス」という用語はEDWと同じ意味で使用されることがありますが、重要な違いがあります。部門別のデータウェアハウスは、マーケティングや財務など、単一の事業部門にのみサービスを提供しますが、EDWは定義上、組織全体にまたがります。したがって、EDWは次の点でアーキテクチャと機能が異なります。

• スコープ: EDW は全部門のデータを統合しますが、部門別ウェアハウスは 1 つの機能に特化しています。
• 統合: EDW は CRM、ERP、トランザクション データベースといった多様なエンタープライズ システムを統合します。一方、部門別のウェアハウスがデータを取得するソースは限定的であり、他のビジネスユニットとは統合されていません。
• ガバナンス: EDW は、企業全体のデータ品質とガバナンス基準を適用し、ビジネス全体の一貫性を確保します。部門別ウェアハウスは通常、その部門内でのみ統制を適用します。
• 用途: EDW は部門横断的なアナリティクスを可能にし、販売、財務、運用などの部門間の比較ができます。部門別ウェアハウスは、機能固有のレポート作成をサポートします。

EDW とデータレイクの比較

データレイクも一般的なストレージ ソリューションですが、以下の点で EDW とは大きく異なります。

• データ型: EDW は構造化された処理済みデータを保存しますが、データレイクはログ、画像、センサーフィードなどの、生の非構造化データや半構造化データを保持します。
• スキーマ: EDWはスキーマオンライトを使用します。これは、ロード前にデータが構造化されることを意味します。データレイクはスキーマオンリードを使用するため、クエリーが実行されたときにのみデータが構造化されます。
• データ品質: EDW には、キュレートされ、クリーンで、管理されたデータが格納されています。データレイクには、使用前に処理が必要な生データが格納されています。
• ユースケース: EDW は BI、ダッシュボード、レポート作成に最適です。データレイクは、データサイエンス、機械学習、探索的分析アクティビティに適しています。
• クエリー パフォーマンス: EDW は高速な分析クエリーに最適化されています。データレイクでは、パフォーマンス向上のために追加の処理が必要になることがよくあります。

なお、組織が実験用の柔軟なリポジトリとしてデータレイクを、本番運用のアナリティクス用にEDWを、というように両方を使用することは非常に一般的です。

EDW とデータマートの比較

データマートは EDW よりも小規模で、より焦点を絞ったソリューションであり、特定の部門のニーズに合わせて事前集計されたデータを提供します。データマートは多くの場合 EDW のサブセットですが、次のような点で EDW とは異なります。

• 範囲：データマートは通常、単一のサブジェクト エリアまたは部門に対応しますが、EDW は企業全体に対応します。
• ソース: データマートは多くの場合、EDW をソースとしています。これに対し、EDW は業務システムから直接データを取得します。
• 複雑さ: データマートは EDW よりもシンプルで、ソースの数も少なくなっています。EDW は企業全体のデータを統合するため、より複雑なアーキテクチャとインフラストラクチャが必要になります。
• デプロイ：データマートは迅速に実装できます。EDWは、その規模と複雑さから、より長いタイムラインを必要とします。

EDWアーキテクチャと主要コンポーネント 

EDWアーキテクチャは、データがソースシステムから、信頼性の高い方法で保存および分析できる構造化環境にどのように流れるかを定義します。歴史的に、EDWは当初オンプレミス環境でホストされており、ハードウェアとメンテナンスに多額の投資が必要で、スケーリングも困難でした。

ホスティング環境の進化とともにEDWアーキテクチャも進化し、従来の3層オンプレミスシステムから、エラスティックスケーリングとクラウドエコシステムとのシームレスな統合を可能にすることで、より高い柔軟性を提供するクラウドネイティブプラットフォームへと移行しています。この進化により、組織はコストを最適化し、ワークロードを動的にスケールアップ/ダウンさせ、大規模なインフラストラクチャ管理なしで高度なアナリティクスをデプロイできるようになります。

EDWアーキテクチャの以下の側面を理解することは、組織が適切なプラットフォームを選択し、特定のニーズに合わせてEDWパフォーマンスを最適化するのに役立ちます。

3層EDWアーキテクチャ

従来の EDW の設計は、下層、中層、上層の 3 層で構成されており、それぞれが異なる目的を果たします。

最下層はデータ統合レイヤーと見なされ、ここで生データがキャプチャされ、保存の準備がされます。ETLまたはELTプロセスは、ソースシステムからデータを統合し、EDWに移動します。Fivetran、Airbyte、Matillionなどの最新のデータパイプライン ツールは、CRMやERPシステム、トランザクション データベース、SaaSアプリケーションなどのデータソースへのコネクタを提供します。

中間層は、処理されたデータがウェアハウス自体に格納される、実際のストレージおよびデータベースレイヤーです。従来のEDWは、アナリティクス用に最適化されたリレーショナルデータベースを利用していました。主な手法には、カラムナストレージ（クエリを高速化するため、データを行ではなく列で格納）、圧縮（ストレージサイズを削減）、パーティショニング（データを管理可能なセグメントに分割）が含まれます。これらの機能により、分析ワークロードが効率的かつスケーラブルになります。

最上位層はクエリーおよびプレゼンテーション レイヤーであり、ユーザーはここで、さまざまな BI ツール、大規模並列処理を備えたクエリーエンジン、APIs、またはユーザー インターフェースを使用してデータと直接やり取りし、ダッシュボードを構築してレポートを生成します。

現在、多くの組織はクラウドプラットフォームを活用してストレージとコンピュートを分離し、3層アーキテクチャを拡張することも可能になっており、これにより各リソースを個別に拡張できます。そのため、必要に応じて、必ずしもコンピュートコストを増やすことなくストレージ容量を拡張でき、その逆も同様です。

最後に、3層アーキテクチャに加えて、ガバナンス層はEDWの重要なコンポーネントであり、セキュリティ制御、ロールベースのアクセス、メタデータ管理、データ品質モニタリングを収容して、EDWが信頼性が高く、コンプライアンスに準拠した安全な環境であり続けることを保証します。

データモデルと編成

EDWがどのように設計されているかは、ビジネス価値を最大化する上で重要な役割を果たしますが、EDW内でデータがどのようにモデル化され、整理されているかも同様に重要である可能性があります。なぜなら、効果的なデータモデリングは、クエリーの速度を劇的に向上させ、技術者以外のユーザーがウェアハウスをより簡単に操作できるようにするためです。

ほとんどのEDWはディメンションモデリングを使用します。これは、ファクトテーブルとディメンションテーブルを使用して、最適なクエリーパフォーマンスとユーザーの理解のためにデータを構造化するように設計されています。

ファクトテーブルには、売上収益、注文数量、販売個数など、測定可能なトランザクションやイベントのデータが格納されます。ディメンションテーブルには、顧客の所在地や年齢、注文履歴、注文日など、説明的なコンテキストを提供するデータが格納されます。

また、データは通常、財務や営業など、会社の運用構造を反映した事業部門に合わせたスキーマに整理されます。これにより、アナリストやマネージャーはより直感的にデータを扱うことができます。データがファクトテーブルとディメンションテーブルに整理されているため、地域、製品、または顧客セグメント別の売上比較などの分析活動をより簡単に行うことができます。

EDWを導入するメリット

EDW の中核的な機能は、データマネジメントと分析のための強力な基盤を組織に提供する能力です。ここでは、情報を統合することが、企業がデータからより多くの価値を引き出すのにどのように役立つかを詳しく見ていきます。

信頼できる唯一の情報源とデータの一貫性

EDW の最も重要な利点の 1 つは、過去の分析と未来の予測の両方において、信頼できる唯一のソースを確立するのに役立つことです。多くの組織では、部門がデータマネジメントとレポート作成に個別のシステムを使用しているため、出力に矛盾が生じることがあります。たとえば、マーケティング部門が BI にあるシステムを使用し、財務部門が別のシステムを使用している場合、算出される顧客生涯価値が異なる可能性があります。このような矛盾は、組織全体のデータ出力に対する信頼を損なう可能性があります。

しかし、EDWはすべての事業部門のデータを統合するため、ユーザーは社内のどの部署に所属しているかに関係なく、使用を許可された同じ検証済みの情報にアクセスできます。これにより、矛盾したアウトプットが減少し、信頼性が向上するため、リーダーは信頼性の高い統一されたデータに基づいて意思決定を行うことができます。

データ品質とガバナンスの向上

EDW のもう 1 つの利点は、その運用方法自体によって、重複レコードの削除、フォーマットの標準化、完全性を確保するための検証ルールなどのデータ品質基準の適用を支援できることです。品質基準に加えて、EDW には、データリネージ追跡、GDPR や HIPAA などの規制へのコンプライアンスサポート、RBAC、暗号化、監査ログ、列レベルのセキュリティなどの機密データを保護するための堅牢なセキュリティ対策といった、強力なガバナンス機能があります。

信頼性の高い品質と強力なガバナンスの組み合わせは、ユーザーが重要なビジネス上の意思決定に使用しているデータが信頼できるものであると確信するのに役立ちます。

強化されたBIとアナリティクス

より具体的なメリットとしては、EDW が BI の取り組みの基盤として機能する点が挙げられます。レポートやダッシュボードで一貫性のある正確なデータを利用することで、組織は部門の情報を組み合わせた部門横断的な分析をより容易に実施できます。また、履歴を追跡することで、戦略的および戦術的な意思決定の両方をサポートする傾向やパターンを特定するのに役立ちます。セルフサービス アナリティクスにより、ユーザーは IT サポートに頼ることなく独立してデータを探索でき、EDW のメリットをより多くの人々が利用できるようになります。

機械学習 と AI のサポート

組織が業務に 機械学習 や AI をより多く取り入れるにつれて、EDW は、正確なモデルのトレーニングに必要な、高品質で一貫性のある ヒストリカルデータ を提供できます。そして企業は、それらのモデルを利用して、需要予測、顧客離れの予測、不正行為の検出といった予測分析を行うことができます。

多くのクラウドベースの EDW は機械学習 プラットフォームと直接統合されており、中には組み込みの機械学習 機能を備えているものもあります。これにより、ウェアハウス自体でモデルをトレーニングして実行することが可能になります。

クラウド、オンプレミス、ハイブリッドの EDW デプロイ

EDWのデプロイ環境を選択することは、そのコスト、スケーラビリティ、管理に大きな影響を与える可能性があります。それぞれのアプローチにはさまざまなユースケースに対する利点と強みがありますが、その柔軟性と低い初期費用のため、現在ほとんどの企業がクラウドファースト戦略を支持しています。しかし、組織は、自社のニーズに最適なオプションを決定するために、クラウドベース、オンプレミス、ハイブリッドの各モデルのトレードオフを比較する必要があります。 

クラウドベースの EDW ソリューション

クラウドベースの EDW の利点は、ハードウェア管理の必要性をなくし、自動更新と柔軟なスケーリングを提供できる点に集約されます。価格は通常、従量課金制であり、費用を抑制できます。また、導入は他の選択肢よりも迅速で、オンプレミス プロジェクトでは数年かかるのに対し、多くの場合 6～12 か月で完了します。

クラウドベースのEDWは、一般的に、柔軟性、スケーラビリティ、低い初期費用を優先したい組織に最適です。また、クラウド ソリューションは、支出を設備投資から運用費にシフトさせるため、コストの予測が容易になり、企業は大規模なインフラ投資を行わずに、変化するデータ需要に迅速に適応できるようになります。

オンプレミスの EDW ソリューション

オンプレミスの EDW は、組織独自のデータセンター内にデプロイおよび管理されます。このアプローチの主な利点は、インフラストラクチャとデータを最大限に制御できるため、厳格なコンプライアンス要件や主権要件を満たすのに適していることです。制御が強化されることのトレードオフは、俊敏性と拡張性が制限されることが多く、イノベーションや変化への適応が遅れる可能性があることです。

もう 1 つのトレードオフは、他のアプローチよりも一般的にコストが高くなることです。初期投資は 50 万ドルから 500 万ドル以上で、さらに継続的なメンテナンス費用もかかります。オンプレミスでのデプロイは、拡張が困難な場合もあり、大規模な IT リソースと長いタイムライン（多くの場合 1 年、時には 5 年もかかる）を必要とします。

それでもなお、一部の組織は規制要件によりオンプレミスストレージの使用を義務付けられており、既存のインフラ投資がある組織も、オンプレミスのアプローチが最も実用的であると考える場合があります。

ハイブリッド EDW アプローチ

当然のことながら、EDWのハイブリッドモデルは、コントロールと柔軟性のバランスを取りながら、オンプレミスとクラウドの両方のデプロイメントの利点を組み合わせたものです。たとえば、データレジデンシー要件やその他のコンプライアンス上の理由から機密データをオンプレミスに保存する一方で、クラウドプラットフォームでスケーラブルなアナリティクスワークロードを処理することができます。

ハイブリッドモデルのトレードオフは、環境間の統合が必要になる場合があることです。これにより複雑さが増し、EDW の運用と管理がより困難になる可能性があります。したがって、ハイブリッド EDW は通常、レガシーシステムからクラウドに移行している組織や、データ主権とスケーラビリティの両方を必要とする組織に最適です。

実装に関する考慮事項とベスト プラクティス

EDW のデプロイは、技術的な複雑さ、タイムライン、複数チーム間の調整という点で大規模な作業です。現実的な期待値を設定することで、フラストレーションを軽減し、EDW が長期的な価値を提供できるようになります。以下のベスト プラクティスでは、よくある課題への対処法と、成功に向けた具体的なステップを説明します。

データ品質とスケーラビリティへの対応

EDWプロジェクトにおける最初の課題の1つは、適切なデータ品質を確保することです。ソースシステムには、重複、欠損フィールド、不整合なフォーマット、古いレコードなどが含まれていることがよくあります。これらの問題に対処しない場合、データがEDWに直接流れ込むにつれて問題が増幅し、信頼性が損なわれます。これを防ぐため、組織はデータをロードする前に、データ品質ルールと検証チェックを実装する必要があります。異常をアラートを出す継続的なモニタリングは、長期にわたる品質維持に役立ちます。

スケーラビリティも重要な考慮事項です。組織が成長するにつれて、データ量は必然的に増加します。EDW アーキテクチャは、この成長を念頭に置いて、当初から設計する必要があります。クラウド プラットフォームでは、エラスティック スケーリングが提供されるため、コンピュート能力とストレージ能力を必要に応じて拡張でき、これを容易に実現できます。データのパーティショニングとクエリーの最適化も、ワークロードの増加に伴うパフォーマンスの維持に役立ちます。

セキュリティとアクセス制御の確保

EDWは非常に多くの機密情報を1か所に集中させるため、強力なセキュリティ対策が不可欠です。最小権限の原則に従うRBACは、ユーザーが必要なデータ、および/または使用を許可されているデータのみを閲覧できるようにします。個人を特定できる情報（PII）などの機密性の高いデータについては、追加の保護のために、列レベルのセキュリティと動的データマスキングを適用することが推奨されます。

その他のセキュリティのベスト プラクティスは次のとおりです。

• 保存中および転送中のデータを保護するエンドツーエンド暗号化。
• すべてのクエリーとアクセス イベントを追跡する監査ログにより、コンプライアンスとディスカバリをサポートします。
• 不正なアクセスを防ぐための多要素認証（MFA）。
• 定期的なセキュリティ監査とコンプライアンスレビュー。

一般的な導入の課題を克服する

課題: デプロイ方法によっては、EDW プロジェクトが完全にデプロイされるまでに 1 年から 5 年かかることがあります。

ソリューション: それは困難に思えるかもしれませんが、段階的なアプローチは期待値を管理し、進捗を維持するのに役立ちます。ROIを実証し、そこから拡大するために、売上レポートなどの価値の高いユースケースから始めます。

課題: ユーザーが新しいツールやプロセスに抵抗がある場合、変更管理はもう1つの大きな課題となります。

ソリューション: トレーニングに投資し、経営層レベルのスポンサーシップを確保して周知し、初期の成功を祝って勢いをつけます。

課題: 組織は多くのシステムに依存しているため、データ統合は複雑になることがよくあります。

ソリューション：FivetranやAirbyteのような最新のパイプラインツールはこの作業を簡素化するため、チームは最も重要なソースを最初に優先すべきです。

課題: コストに関する懸念が導入の遅れにつながる可能性があります。

ソリューション: クラウド プラットフォームは参入のハードルが低く、早期の ROI を実証することで継続的な投資を正当化しやすくなります。

結論: データドリブンな意思決定の基盤としての EDW

組織全体のデータをまとめることで、EDW は、一貫性のないレポート、サイロ化したシステム、信頼性の低いデータといった企業によくある課題に対処し、レポート作成と分析のための一貫性のある信頼できる基盤となります。これらの機能により、EDW はデータ主導の意思決定における中核的な基盤となります。チームは自信を持って行動するために必要な、信頼性の高い情報を得ることができます。

さらに、EDWの利点はテクノロジーにとどまりません。全体的なデータ品質の向上、アナリティクス の強化、機械学習などの高度な機能のサポートが可能になる一方で、さまざまなデプロイ オプションにより、必要に応じてコスト、制御、コンプライアンスを優先する柔軟性が得られます。導入を成功させるには、現実的な期待、強力なデータ品質プラクティス、思慮深い変更管理が必要ですが、EDWは、組織がデータから価値ある知見を引き出すのに役立つ戦略的資産となり得ます。

EDW に関するよくある質問

EDW は何の略ですか？

EDWはエンタープライズデータウェアハウスの略で、組織全体からデータを集約し、データドリブンの意思決定のための信頼できる唯一のソースを提供する一元化されたストレージシステムを指します。

データウェアハウスとEDWの違いは何ですか？

データウェアハウス（DW）は通常、マーケティングや財務などの単一の部門や機能に対応しますが、EDW は多くのシステムからデータを統合し、エンタープライズ全体のガバナンスを適用し、部門横断的なアナリティクスをサポートします。

データウェアハウスにおける ETL と ELT とは？

ETL と ELT は、ソースから抽出されたデータを実際の warehouse に統合する 2 つの異なる方法を指します。ETL は、データをクリーンアップして変換してから warehouse にロードするプロセスを指します。ELT は順序が異なる同様のプロセスで、生データを最初に抽出してロードし、次に EDW のコンピューティング能力を使用してウェアハウス内で変換します。ETL は「従来型」のアプローチと見なされることが多いのに対し、ELT はより高速で拡張性が高いため、クラウド プラットフォームでホストされる EDW でより一般的です。

EDW にはどのようにアクセスしますか？

ユーザーは通常、BIツール、ダッシュボード、SQLクエリーツール、またはセルフサービスアナリティクスプラットフォームを通じてEDWにアクセスします。ほとんどの組織は、使いやすさのために安全なブラウザベースのアクセスを提供しており、アクセスはロールベースの権限によって制御されるため、ユーザーには表示を許可されたデータのみが表示されます。