• 目標を達成するためのアクション（イニシアチブ）を定義する
• 実行/測定計画

この2点を軸として、掘り下げた内容を解説していきます。

(参考元: Atwal, Harvinder “Chapter 2. 2. Data Strategy.” In Practical DataOps: Delivering Agile Data Science at Scale, edited by Atwal, Harvinder. Isleworth, UK: APRESS, 2020.)

目次

• データ戦略を実施する
  • キャプチャ段階のデータ
  • 保存(Store)の段階
  • 処理(Process)の段階
  • 共有(Share)の段階
  • データサイエンティスト、データアナリスト、分析チームのイニシアチブ
  • データタイフサイクルの目的
  • スキルの習得
  • パフォーマンスの向上
• 実行と測定計画 – 実行されているかどうかをどのように知ることができるか?
  • アジャイルアプローチの推奨
  • コミュニケーション計画
  • 測定計画
  • 測定のタイミング
  • データ戦略の目標とイニシアチブの目的の一貫性
  • フィードバックループ
  • データ戦略の開発手順と組織の目標との整合
• まとめ

データ戦略を実施する

データライフサイクルの各段階で定義されたデータ戦略の目標ごとに、複数のデータ戦略イニシアチブ (目標を達成するためのアクション) を作成する必要があります。

データ戦略イニシアチブには、短期的なものもあれば、長期的なものもあり、一連のイニシアチブの段階的なものもあります。

以下、データ戦略イニシアチブについて、テーマごとにポイントをおさえながら解説します。

キャプチャ段階のデータ

• プロジェクトが完了したと見なす前に解析内容からその同意を得て、可能な場合はイベントデータ形式でデータを取得する。
• 定義された命名、形式、および値の表現基準に準拠する。
• 内部データを強化するための外部データを取得する。

保存(Store)の段階

• 生データのソースアーカイブをネイティブ形式でクラウドストレージに作成する。
• 複数の既存ソースからの構造化データと半構造化データを組み合わせた「集中型分析データウェアハウス」をクラウドに作成する。
• データガバナンス：機密データへのアクセスをシステムまたは利用者権限ごとに制限する。

処理(Process)の段階

• データ品質を向上させ、ユーザーがデータの系統と来歴を追跡可能にする。
• 変更データキャプチャ(CDC) の実装、従来のデータウェアハウス(DWH)での挿入、更新、および削除の追跡をする。
• データの低速なバッチコピーを必要とせずにクラウドでデータを迅速に更新可能にする。
• 分析をクラウドに移行し、データストレージをコンピューティングから分離し、ETL処理を動的にスケーリングしてトランザクションの季節変動に対処する。

共有(Share)の段階

• データ管理の戦略的イニシアチブを持ち、メタデータ管理ソリューションを作成する。
• マスタ・データマネジメント(MDM)のソリューションを実装し、データカタログを生成して、データの検出と統合を容易にする。
• クラウドでは、一元化された分析DWHで共通の集計とソースデータにより、組織全体の複数のユーザーが、独自のロジックを作り直すことなく同じロジックを再利用可能にする。
  
• 参考記事：【用語集】DWH（Data Warehouse）

データサイエンティスト、データアナリスト、分析チームのイニシアチブ

• 分析チーム：コンピューティングおよびストレージ サービス、データ取り込み、データ処理、データ準備ツールなど、さまざまなクラウドサービスにアクセスができる。
• データサイエンティスト：ソフトウェア ツールとライブラリにアクセスして、個別にスケジュール、展開、監視できる再現可能なデータ製品を開発する。

データタイフサイクルの目的

データライフサイクルの各段階の目的は、阻害要因やボトルネックを取り除き、他の段階や組織の目標に利益をもたらすことです。

データ戦略のスポンサーが促進する定期的なレビュー、透明性のある計画、オープンなコミュニケーションにより、視点が分断されるリスクが軽減されます。ただし、データのライフサイクル全体をサポートするためには、さらなるプロジェクトが必要です。

スキルの習得

データ戦略をサポートするための新しいスキルが必要です。

データガバナンスにはデータスチュワードとデータ所有者が必要であり、データサイエンティストにはソフトウェア開発スキル、データエンジニアにはクラウドコンピューティングのスキルが必要です。

新しい需要に対応するために、社内の人員をトレーニングしたり、外部から採用したりするためのデータ戦略イニシアチブがあります。

• 参考記事：DataOpsチームを作る
• 参考記事：DataOpsの未来とトレンド

パフォーマンスの向上

プロセスを変更して、データライフサイクル全体のデータフローの速度、規模、および信頼性を向上させる必要があります。

パフォーマンスと可用性の所有権を持つSLA(サービスレベルアグリーメント)を作成するためのデータ戦略イニシアチブがあります。

実行と測定計画 – 実行されているかどうかをどのように知ることができるか?

データ戦略の目標とイニシアチブが策定されたら、組織はそれらを実現し、結果を測定するための現実的な実行計画を作成する必要があります。

以下図は、データ戦略のイニシアチブ、実行、および測定の手順をまとめたものです。

(画像引用元：Figure 2-4., Atwal, Harvinder “Chapter 2. Data Strategy.” In Practical DataOps: Delivering Agile Data Science at Scale, edited by Atwal, Harvinder. Isleworth, UK: APRESS, 2020.)

アジャイルアプローチの推奨

実行計画を提供するための推奨されるアプローチは、ウォーターフォールよりも、反復的でタイムボックス化されたアジャイルなアプローチを採用することです。限られた人員、予算、時間の中で、常に優先順位を付ける必要があります。

コミュニケーション計画

最新のデータ戦略を実現する上では従来のアプローチからの根本的な変化が起こりうるため、慎重なコミュニケーションが必要です。

実行計画の一部は、データ戦略のコミュニケーション計画ともいえます。変更に触れた同僚に説明し、調整し、やる気を促します。

コミュニケーション計画に加えて、データ戦略のスポンサーは、個人の目標とインセンティブが、データ戦略の価値に基づく成果指標と一致していることを確認する必要があります。

測定計画

実行計画に加えて、データ戦略が順調に進んでいるかどうかを知るための測定計画が必要です。測定計画には以下のポイントを押さえる必要があります。

• フレームワークの活用：バランス スコアカード、OKR、KPIなどを活用する。
• 活動ベースでなく、価値ベースのアウトプットに焦点を当てる。
• 品質、可用性、および信頼性に関するサービスレベルの測定だけでなく、速度と俊敏性の測定も含める。
• 何を測定するかだけでなく、誰が測定を行うか、いつ測定するか、戦略の実行が目標よりも大幅に遅れているか進んでいる場合に何が起こるかを指定する。

測定のタイミング

戦略的イニシアチブを毎月または四半期ごとに見直し、目標を毎年見直します。年末には、測定値が状況分析の次の反復にフィードされ、現実的な目標とターゲットが確実に設定されます。

データ戦略の目標とイニシアチブの目的の一貫性

データ戦略の目標とイニシアチブの目的は、組織の目標を達成するために分析イニシアチブから利益をもたらすことです。

したがって、分析プロジェクトの利益とデータ戦略イニシアチブの利益の両方を理解するために、分析プロジェクトの利益を追跡する必要もあります。

フィードバックループ

測定計画から、最終的な結果は、以下、低速(データに関する学習だけでなく、組織の戦略的目標についても学習)、中速ループ(データ戦略イニシアチブからの学習)、高速ループ(分析イニシアチブからの学習)の3 つのフィードバックループです。

各フィードバックループは、さまざまな時間枠で目標を達成する際の組織の有効性を最適化するのに役立ちます。

データ戦略の開発手順と組織の目標との整合

以下の図では、データ戦略の 1 つの反復を作成するために実行されるすべての手順を示しています。これは、組織の目標に沿っており、堅牢な状況分析によって支えられています。

(画像引用元：Figure 2-5., Atwal, Harvinder “Chapter 2. Data Strategy.” In Practical DataOps: Delivering Agile Data Science at Scale, edited by Atwal, Harvinder. Isleworth, UK: APRESS, 2020.)

このアプローチは、ビジネス戦略、顧客のニーズ、テクノロジー、および規制の変化に適応できるデータ戦略を提供します。メソッド自体は、組織のタイプ、業界、またはデータ分析の成熟度にとらわれません。

まとめ

組織におけるデータ戦略について、データ戦略イニシアチブとその実行・測定計画について解説をしましたが、データ戦略は「絵にかいた餅」ではなく、それを実行してフィードバックを得続けることに価値があります。その実行を成し遂げる際には、効率的なツールの活用が不可欠となります。

Reckonerは、直感的なインターフェースのクラウド型ETLにより、データ戦略の実行をサポートします。具体的な活用イメージや貴社のデータ活用課題などお気軽にお問い合わせください。

The post 組織におけるデータ戦略(4): データ戦略を実行する first appeared on Reckoner newSTG.

(参考元: Atwal, Harvinder “Chapter 2. 2. Data Strategy.” In Practical DataOps: Delivering Agile Data Science at Scale, edited by Atwal, Harvinder. Isleworth, UK: APRESS, 2020.)

目次

• データライフサイクルをギャップ分析する
  • 活用(Use)の段階
  • 共有(Share)の段階
  • 処理(Process)の段階
  • 保存(Store)の段階
  • キャプチャー(Capture)の段階
• データ戦略の目標を定義する
• まとめ

データライフサイクルをギャップ分析する

データライフサイクルとは、データの誕生（データの取得または生成）から死（アーカイブおよび削除）に至るまで、データの単位が通過する段階を指します。データガバナンスだけでなく、データ戦略全体の概念モデルを考える上で、データライフサイクルを以下のような段階を念頭に置くべきとされています。

• キャプチャー(Capture)：データの取得(最初のステップ)
• 保存(Store)：データの保存
• 処理(Process)：ETL、クリーニング、リッチ化などのプロセス経た処理
• 共有(Share)：システム間で共有または統合
• 活用(Use)：データ共有、もしくは分析(記述的分析、診断的分析、予測的分析、処方的分析)などのアウトプット
• データ利用の終了(End-of-Life)：規制要件、コスト、価値の低下などを理由とした終了

データ戦略を考える上で重要なのは、データライフサイクルは輪を描くように直線的に進むものではありません。

(画像引用元：Figure 2-1., Atwal, Harvinder “Chapter 2. Data Strategy.” In Practical DataOps: Delivering Agile Data Science at Scale, edited by Atwal, Harvinder. Isleworth, UK: APRESS, 2020.)

• 参考記事：【用語集】ELT（Extract Load Transform）

組織内のデータライフサイクルに対する戦略的な変更を特定するには、現在の能力と、潜在的な分析イニシアチブ(主導的取り組み)の提供を目的としたライフサイクルを通じて各データユニットが行うべき理想的な行程とのギャップを確認する必要があります。

この比較により、ライフサイクルの各段階で行うべき戦略的決定と、分析イニシアチブを効率的に提供するために、人・プロセス・テクノロジーをより適切にサポートするために必要な改善が決断されます。事前に行われた状況分析は、このプロセスを容易にするように設計されています。

分析イニシアチブごとに、データライフサイクルを一度に1つのステージずつ逆方向にパスして、各データユニットが現在どのように移動しているかと比較して、要件をよりよく理解します。

データライフサイクルの各段階におけるデータサイエンティスト・アナリストに期待される役割やデータのあるべき姿はどのようなものがあるでしょうか。以下、説明します。

活用(Use)の段階

データ サイエンティストの役割：

• 機械学習モデルを使用して、複数のソースからのデータを組み合わせて製品の提案を行う。
• モデルを構築するために十分なスペックの環境にいる。
• 本番環境におけるモデルの計画立案・展開を実行する。

データアナリストの役割：

• 結果を追跡するためにBIツールを使用してレポートを作成する。

共有(Share)の段階

データのあるべき姿：

• データはできればデータサイエンティストが必要とする形式 (構造化データの非正規化フラットファイルなど) で、複数のシステムから単一のシステムに移動する。

データ サイエンティストの役割：

• モデルの精度を向上させる可能性が高いため、多数のソースからのデータにアクセスする。
• データ、その場所、およびその内容を特定する。

処理(Process)の段階

データのあるべき姿：

• データは一連のステップで可能な限り迅速にある状態から別の状態に移動する。

データサイエンティストの役割：

• モデルを作成して実行し、測定値を取得するために使用する、データソースからターゲット システムへの ETL パイプラインを構築するデータエンジニアを配置する。
• 処理中に、データを必要な形式に変換し、クリーニングし、機密データをマスクまたは削除する。
• ビジネスイベントデータ形式のデータを持つ。

保存(Store)の段階

データサイエンティストの役割：

• タイムスタンプ、イベント名、イベントタイプ、イベントのトリガーとなった状態の変化の詳細を示すデータを入手している。

キャプチャー(Capture)の段階

データサイエンティストの役割：

• 追加のデータを取得して生成する。
• 新しいイベントデータや内部データを補強する外部データへのアクセスを可能にする。

これらのプロセスは、すべての分析イニシアチブ (または少なくとも十分な見積もられた利点があるすべてのイニシアチブ) に対して繰り返され、ギャップが見落とされないようにします。実践を終えた際には、データライフサイクルの各段階での理想的な要件と、現在の機能との相違点を十分に理解する必要があります。

参考記事：DataOpsチームを作る

データ戦略の目標を定義する

要件と現在の能力をよりよく理解することで、組織はデータ戦略の目的を検討し始めることができます。まず、データ ライフサイクル全体を順方向に進め、各段階で、特定されたギャップをできるだけ多く同時に埋めるために必要なデータ戦略の目標を決定します。

すべての組織は、特定の強みと弱みによって異なります。データ ライフサイクルの各段階での典型的な目的を示しています。

• キャプチャー(Capture)の目的：新しいデータをできるだけ簡単に取得できるようにすることです。これにより、ライフサイクルの残りの過程をできるだけスムーズに進めることができます。
• 保存(Store)：潜在的に有用なデータを、プロセス、共有、および使用ステージに役立つ場所、形式、およびストレージ ソリューションにできるだけ多く保存することです。
• 処理(Process)の目的：データ ストリームまたは格納されたデータをあらゆる形式で可能な限り効率的に処理して、使用のために確実に共有できる出力を生成することです。
• 共有(Share)の目的：開発者間でコードを共有するのと同じくらい簡単に、ユーザーとシステム間でデータを共有できるようにすることです。
• 活用(Use)の目的：データを結合し、特定した分析イニシアチブ用のデータ製品を作成し、それらを本番環境に展開し、パフォーマンスを監視するためのハードウェアおよびソフトウェア リソースを確保することです。
• データ利用の終了(End-of-Life)の目的：人為的な容量制限によってデータを制約するのではなく、有用である限りデータを保持することであり、アーカイブされたデータは簡単に取得できる必要があります。また、データ利用者は、データ主体がデータを削除する権利を含め、データを保持できる期間を制限する規制を確実に遵守する必要があります。

データ ライフサイクルの各段階でデータ戦略の目標を設定することで、誰もが何をすべきかを簡単に理解できるようになります。

• 参考記事：【用語集】データガバナンス

まとめ

データライフサイクルのギャップ分析およびデータ戦略の上でデータライフサイクルの各段階における目的の明確化の必要性について説明しました。データライフサイクルを実践していくには、効率的なツールの活用が不可欠です。

弊社が提供するETLツール「Reckoner」は、あらゆるデータソースに対応しており、ワークフローによる直感的な操作でデータ変換や分析が実施可能です。

データ統合に向けた製品の導入や戦略の立案でお悩みの組織様は、ぜひ一度お問い合わせください。ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post 組織におけるデータ戦略と実践(3): データライフサイクルを見直す first appeared on Reckoner newSTG.

目次

• ETLとはなにか
• なぜETLが必要なのか
  • 多数のデータを取得し結びつける
  • 多数のデータを変換する
  • 多数のデータを出力する
• ETLがないとどのような問題が生じるか
  • 手動作業による効率低下
  • 人力作業による作業ミス多発
  • データの信頼性低下
• ETLをどのように導入すればよいか
  • 専門的な知識がなくても使える製品を選ぶ
  • 多数のデータと接続できるものを選ぶ
  • コストパフォーマンスが高い製品を選ぶ
• IT知識がなくても使える「Reckoner」

ETLとはなにか

ETLとは「Extract （抽出）、Transform（変換・加工）、Load（格納）」の頭文字をとった言葉で、企業内に散在するデータを統合的に管理するための仕組みで、データの取得、取得したデータの変換や加工、変換・加工されたデータの格納といった一連の流れを提供しています。

ETLで格納されたデータは、「業務システムへのデータインポート」「部門ごとのレポート」「BIツールでダッシュボード作成」など、様々な用途で利用され、意思決定の質の向上に寄与します。

簡単な例を挙げてみます。例えば、Aシステムでは日付を「20221231」というように「ハイフン無し、YYYYMMDD」の順で管理しているが、別なBシステムでは日付を「12-31-2022」というように「ハイフン区切り、MM-DD-YYYY」の順で管理していたとします。

Aシステムのデータを、Bシステムにそのまま取り込むと日付の不整合が生じてしまいます。これを避けるために、ETLがAシステムのデータを抽出したうえで、日付をBシステムに合わせた形に加工、その上でBシステムへ出力することができます。

ETLによって、データ連携を統合管理することで、さまざまなデータ活用が可能となります。

• 参考記事: データ活用で経営課題を解決するための4つの視点

なぜETLが必要なのか

ETLが必要な理由には、主に以下の3点が考えられます。

• 多数のデータを取得し結びつける
• 多数のデータを変換する
• 多数のデータを出力する

それぞれの理由を解説しましょう。

多数のデータを取得し結びつける

組織内には、さまざまな場所に多くのデータが保管されています。

例えば、従業員の人事情報のデータ、製品の売上データ、今後の売上見込データ、原価データ、経理データ、顧客の個人情報データなどです。

これらのデータは、ただ散在しているだけでは活用できません。他のデータと組み合わせて分析をおこなったり、レポートとして出力されることで価値が生まれます。ETLは、こうしたさまざまなデータを結び付ける役割を持ちます。

多数のデータを変換する

ETLは、組織内に散在するデータを統一されたフォーマットへ変換する役割があります。取得したデータは、組織内で散在するデータを組み合わせて計算したり、複数のデータを基準に「顧客のレベルづけ」をするなど、新しい価値を与えることができるでしょう。

しかし、データ同士を組み合わせて活用するためには、対応する形式へと変換させる必要があります。ETLを使うと、データの加工や編集が可能となるため、さまざまな活用が可能です。

多数のデータを出力する

データは格納するだけではなく、実際に活用しないと意味がありません。別なシステムにデータを投入したり、Excelの形でレポートとして出力させたり、編集した内容で元のデータを上書きしたりするなどさまざまな活用方法があります。データを結びつけて変換し、そして最後は必要な形で出力することもETLでは実施可能です。

このように、ETLツールはデータのハブとなるためさまざまなメリットを得られます。詳しくは下記の記事をご覧ください。

• 参考記事:ETLツールが「データのハブ」となる本当のメリット 

ETLがないとどのような問題が生じるか

ETLがないと以下の問題が生じます。

• 手動作業による効率低下
• 人力作業による作業ミス多発
• データの信頼性低下

それぞれの問題を解説しましょう。

手動作業による効率低下

データの抽出から出力までの一連の流れは、ETLのように作業を自動化できないため、手動作業が必要となります。その結果、従業員がデータ処理に費やす時間が増加します。データ処理は重要な作業ですが、利益を生む作業ではありません。結果、時間あたりの生産性が低下するとともに、人件費が増加してしまいます。

人力作業による作業ミス多発

手動で作業を行うと、ヒューマンエラーは避けられません。例えば、間違ったデータを処理、間違った方法で処理、間違った出力先にロードといったエラーが発生しかねません。その結果、作業の手戻りによる工数増加が発生してしまいます。

データの信頼性低下

作業ミスに気づかないままデータが処理されることは、間違った経営判断が行われるリスクにつながります。そして、こうしたデータ処理ミスが続くと、「社内データは信頼できない」と認識され、データに基づく意思決定が行えない状況を招きかねません。

ETLをどのように導入すればよいか

ETLの導入時には、以下の観点が重要です。

• 専門的な知識がなくても使える製品を選ぶ
• 多数のデータと接続できる製品を選ぶ
• コストパフォーマンスが高い製品を選ぶ

それぞれの観点を解説しましょう。

専門的な知識がなくても使える製品を選ぶ

エンジニアのような技術的な専門知識を持った人材しか扱えないETLの場合、何か作業を行うたびにエンジニアに依頼しなければなりません。例えば、「新しいデータを取得する」「データの処理内容変更する」「データの出力先を変える」といった内容です。

こうした非エンジニア部門からの依頼に対して、十分に対応できるエンジニアがいればよいですが、そうでない場合は「エンジニアへの対応待ち」が発生し、必要なデータがすぐに利用できない状態が発生します。一度や二度であればよいですが、毎度こうした状態が続くと、「データを活用しようとすると長時間待たされるので、とりあえずは今手元にあるデータだけで意思決定しよう」というように、データ活用が制限されてしまう場合があります。

よって、非エンジニアであっても、必要なデータの処理が行える製品を選ぶべきです。

多数のデータと接続できるものを選ぶ

ETLは、多くのデータソースと接続することで真価が発揮できますが、製品により接続先の数が異なります。よって、自社で利用しているSaaSやシステムに対応した製品を選びましょう。また、ETL製品の「接続先対応リスト」に記載がないものを接続させたい場合は、どの程度の工数が必要となるか（またはそもそも無理なのか）について確認しましょう。

接続先が少ないETL製品を選ぶと、自社で開発しなければならない部分が発生し、かつ開発部分のメンテナンスも継続的に必要となるため、多くの工数がかかります。

コストパフォーマンスが高い製品を選ぶ

ETLは、「決められた処理を迅速かつ確実に行う」ことが目的の製品です。よって、別々のETL製品で同じ処理を実施しても、アウトプットは同じとなり、処理の品質に変わりはありません。つまり、「必要な機能や処理スピードを満たしている」のであれば、コストが低い製品を選ぶのが正解です。

ETLツールを選ぶときのポイントは下記の記事にまとめているので参考にしてください。

• 参考記事:ETLツールを比較検討するための5つのポイント

IT知識がなくても使える「Reckoner」

ETLは企業で取り扱うデータの運用コストを低減し、データの信頼性向上につながるシステムです。データドリブンな組織を目指す企業にとって、欠かせないシステムとなるでしょう。当社が提供するクラウドETL「Reckoner」を利用すれば、データ活用基盤の構築を短期間・低コストで実現可能です。

Reckonerは、SaaSで提供されているため低コストで導入可能です。多数のデータベースやSaaSアプリケーションとの接続が可能で、シンプルなGUIによりノーコードですべてを完結できることも魅力的です。さらに、フルマネージドサービスでの運用となるため、運用工数がゼロとなります。

現在Reckonerでは無料トライアルを受け付けているため、今後ETLを新たに導入検討する企業はぜひご参考にしていただければ幸いです。

The post [やさしく解説] ETLとはなにか ITに詳しくない方向けにわかりやすく解説します first appeared on Reckoner newSTG.

一方で、SaaSの導入が増えることで適切に管理できなくなっている企業も多く見られます。SaaSは、SaaS同士の連携によってより効果的に活用できるため、効率的な管理が必要です。当記事では、SaaSを効率的に管理する方法を解説します。

目次

• SaaS連携が必要となってきた背景
  • コア業務のSaaS移行
  • リモートワークの促進
  • データ活用の重要性の高まり
• SaaS連携をするための6つの手法
  • 手動連携
  • バッチ連携
  • 自社システムとAPI連携
  • FaaS連携
  • アプリに内包される機能での連携
  • ETL連携
• SaaS間のデータ連携なら弊社にお任せください

SaaS連携が必要となってきた背景

SaaS連携は、以下3つの背景から必要となってきています。

• コア業務のSaaS移行
• リモートワークの促進
• データ活用の重要性の高まり

それぞれの背景を解説します。

コア業務のSaaS移行

令和3年の総務省が発表した「情報通信白書」によると、2020年時点において、クラウドサービスを利用する企業の割合が約7割となっており、多くの企業で活用されていることがわかります。

また、多くの企業の基幹システムとして用いられているERPですが、最近ではオンプレ型のERPがSaaS型へのシフトが進んでいます。この「ERPのSaaS化」は、ERPと連携するシステムのSaaS移行を促進し、SaaS連携が求められる一因となっています。

リモートワークの促進

多くの組織において、リモートワークによってSaaSを使う機会が増加しています。SaaSであれば、サービスのセキュリティを業者側が担保してくれるため、VPNを利用することなく、セキュリティの高い状態でシステム利用ができます。

データ活用の重要性の高まり

競合他社との競争に勝ち抜くために、多くの企業がDXを推進しています。そのDXを支える柱の一つが「データ活用」であり、データを活用・連携しやすい基盤としてSaaSが利用されています。APIが利用可能で、多くのシステムや他SaaSと容易に連携できることがその理由です。データ活用の重要性については、下記の記事でも解説しているので是非ご覧ください。

• 参考記事:【データ分析の必要性】ビッグデータがもたらす3つの価値

SaaS連携をするための6つの手法

SaaS連携をするためには下記6つの手法があります。

• 手動連携
• バッチ連携
• 自社システムとAPI連携
• FaaS連携
• アプリに内包される機能での連携
• ETL連携

それぞれの手法を解説しましょう。

手動連携

手動連携は該当のシステムからCSVなどのファイルをダウンロードし、連携先にアップロードをする方法です。手作業が発生するため、多くの工数が必要となります。また、多くの場合はダウンロードしたCSVを連携先に合わせて変換処理をしなければならないため、より多くの時間がかかります。ヒューマンエラーが起きやすく、データの信頼性に影響を与える可能性も考えられます。

バッチ連携

バッチ連携は、手動連携をバッチ処理で実現する方法です。手動連携と比べて、連携部分を自動で実施してくれるため作業工数を減らせます。しかし、バッチ部分の作り込みが必要となり、エラー発生時には正しく検知できる仕組みを構築しなければなりません。もし、バッチの失敗を検知できないと、必要なデータを確保できないため、データ活用に大きな影響を与えてしまいます。

自社システムとAPI連携

API連携は、連携先が提供しているURLに対して、必要なパラメータを送ることでデータ連携を可能とする手法です。しかし、自社で持つシステムとSaaSをAPI連携するのはハードルが高いのが実情です。

具体的には、APIの認証方式や規格スキーマの定義などの知識が必要となること、新たにAPI連携を希望する場合にSaaS事業者に都度申請・許可を取らねばならないこと、SaaSによってはAPI連携時に高額な費用が必要となること、そして専門性がないと独自に実装することは難しいのがハードルとなります。

さらに、APIの提供側で仕様変更が発生すると、その都度修正が必要となるため、運用コストも大きく発生します。過去の記事でもAPI連携についてまとめているのでご参考ください。

• 参考記事:[CSVエクスポート vs. API連携] SaaSのデータ統合・データ取得について理解する

FaaS連携

FaaS（Function as a Service）は、サーバレスでアプリケーションの開発ができるサービスです。「AWS Lambda」や「Azure Functions」などが代表的なFaaSの例です。

FaaS連携は、データソースとデータ連携先を中継する役割があります。データの取得と加工を実施し、その加工データを連携します。ただし、トランザクション処理なども含めてコーディングをすると、開発コストに加えて仕様変更による修正コストも発生するでしょう。

• 参考記事:[データ整備のコスト比較] 手動コーディング vs. ETL利用

アプリに内包される機能での連携

SaaSによっては、クラウドサービス同士がAPI連携機能を内包しているケースがあります。外部ツールを利用せずにデータ連携が実施できるため、ユーザーにとっては管理する手間が減り、メリットが大きいでしょう。例えば、クラウドサービス内でSNSと連携する機能は、SaaS側でSNSのAPI機能を実装しています。

ETL連携

ETL連携は「Extract （抽出）、Transform（変換・加工）、Load（格納）」の略で、データ処理における必要な機能を持っています。ETLは、対応するSaaSとすでにAPI連携されており、設定情報のみ入力することで接続が可能です。導入前には、自社で利用しているSaaSがETLで対応しているかどうかを確認しましょう。

SaaS間のデータ連携なら弊社にお任せください

SaaS間のデータ連携にはさまざまな手法がありますが、「複数SaaSを接続する」「接続後のデータ処理まで一括で行う」ことを検討する場合、ETL連携が最も効果的です。当社が提供するクラウドETL「Reckoner」を利用すれば、データ連携基盤の構築を短期間・低コストで実現可能です。

ETLツールは、データの取得・加工・出力を自動化できるため、データの信頼性・作業の効率性が向上し、コスト削減にもつながります。また、多数のデータベースやSaaSアプリケーションとの接続が可能で、シンプルなGUIによりノーコードですべてを完結できることも魅力的です。さらに、フルマネージドサービスでの運用となるため、運用工数がゼロとなります。

現在Reckonerでは無料トライアルを受け付けているため、今後ETLを新たに導入検討する企業はぜひご参考にしていただければ幸いです。

また、ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post SaaS連携を行うための6つの手法【管理工数削減および効率化】 first appeared on Reckoner newSTG.

しかし、ERPなどの業務管理システムは工場や国・地域ごとの独立性が高く、グローバルで一元運用されている例が少ないのも実情です。また、ネットワークの問題などもあり、完全なリアルタイムでのデータ連携にも限界がある場合があります。

これらを踏まえて、海外拠点とのデータ連携について課題と対策を解説します。

目次

• 海外拠点とデータ連携するメリット
  • 海外拠点の状況がリアルタイムに把握できる
  • 海外拠点のナレッジを集約できる
  • 海外拠点を含めた企業全体の経営判断が可能になる
• 従来の海外拠点とのデータ連携の課題
  • IT管理者が不在のケースがある
  • ITインフラの環境の違い
  • 管理しているデータの違い
  • そもそも海外拠点とのデータ連携の仕方が分からない
  • タイムゾーン（時差）による緊急対応や深夜作業
• 海外拠点のデータ連携をクラウドETLで一元的に実施
  • 各現地法人のIT管理者の削減
  • 自動化によるデータの信頼性向上
  • 現地スタッフのデータ処理負荷の軽減
• クラウドでのデータ統合基盤の構築は弊社にお任せください

海外拠点とデータ連携するメリット

海外拠点とデータ連携するメリットには主に下記の3点が考えられます。

• 海外拠点の状況がリアルタイムに把握できる
• 海外拠点のナレッジを集約できる
• 海外拠点を含めた企業全体の経営判断が可能になる

それぞれ解説しましょう。

海外拠点の状況がリアルタイムに把握できる

データ連携により、海外拠点の状況がリアルタイムに把握できます。国内だけのデータ連携に限定すると、海外拠点の状況を把握するまでにラグが発生してしまい、リアルタイムの判断が難しくなるでしょう。

海外拠点の状況を知るためには、電話やメールなどで連携する必要が発生するため、作業工数も発生してしまいます。また、ヒューマンエラーの発生も考えられるため、データの信頼性が落ちるリスクもあります。

海外拠点のナレッジを集約できる

海外拠点のデータが国内に連携されることで、海外拠点ならではのナレッジを集約できます。海外拠点のデータ連携を実施しない場合、本来であれば海外で把握していた情報を国内の拠点に共有できず、販売や効率性向上の機会損失につながる可能性があります。海外拠点と同じデータ基盤を構築することで、リアルタイムな情報の連携が可能となるため、最新のデータをもとに業務を進められます。

海外拠点を含めた企業全体の経営判断が可能になる

グローバルに展開する企業は、国内だけではなく、海外拠点を含めた企業全体の経営判断が求められます。海外拠点とのデータ連携を実装できれば、国内と海外それぞれの情勢に合わせた経営判断ができるため、その場面に応じた最適な対策をとっていけるでしょう。

例えば、新型コロナウイルスのような社会全体に影響を与える問題が発生したときに、各国の販売状況などを常に把握しておくことで、今後の販売計画をリアルタイムに判断していけます。そのほか具体的な課題の解決については、下記の記事で詳しくまとめているのでぜひ参考にしてください。

• 参考記事:データ活用で経営課題を解決するための4つの視点

従来の海外拠点とのデータ連携の課題

海外拠点とのデータ連携にはさまざまなメリットがあります。一方で、国内だけのデータ連携では生じなかった以下の課題や問題点があります。

• IT管理者が不在のケースがある
• ITインフラの環境の違い
• 管理しているデータの違い
• そもそも海外拠点とのデータ連携の仕方が分からない
• タイムゾーン（時差）による緊急対応や深夜作業

それぞれ解説していきます。

IT管理者が不在のケースがある

IT管理者は、データ連携のモニタリング、バッチなどの管理、エラー発生時のリカバリー作業など専門知識を必要とする業務が発生します。しかし、海外拠点の規模によっては人材の確保が困難となるケースがあり、データ連携をスムーズに運用できない場合があります。

ITインフラの環境の違い

海外拠点によっては、国内よりもITインフラが遅れている可能性があります。また、国内よりも海外拠点のほうが事業規模が小さく、環境整備にコストをかけられないケースも多いでしょう。Excelなどを活用してメールやオンラインストレージでデータ共有をする方法もありますが、データ量や事業規模が拡大をし続けることで、作業コストが膨大になってしまう可能性が高いです。

管理しているデータの違い

海外拠点は言語や法律、商習慣などの違いで国内とデータフォーマットが違うケースが考えられます。たとえ同じERPシステムを導入していても、データの持たせ方に若干の違いがあり、データをそのままの状態で連携できるケースは少ないのが実情です。海外拠点からデータ連携をするときに、データ変換をしてから取り込みを実施する必要が出てくるため、多くの工数が発生します。データに対する考え方を統一するためには、企業内でデータガバナンスを定義する必要があるでしょう。

• 参考記事:[3分で理解] データガバナンスについて理解する

そもそも海外拠点とのデータ連携の仕方が分からない

海外拠点のデータをどのように連携させるのかわからない企業もあるでしょう。国内の場合は、VPNなどで拠点間を接続し、ツールやバッチなどを使ったデータ連携が可能です。しかし、海外拠点になると、国をまたぐためどのような手段で実施するべきか迷う場合が多いでしょう。

タイムゾーン（時差）による緊急対応や深夜作業

海外拠点の場合は、拠点間で時差が発生するケースもあるため、緊急対応や深夜作業への対応が課題です。あらかじめ深夜帯の人材を確保しておく必要があり、もしものときのために備えてかなければなりません。

海外拠点のデータ連携をクラウドETLで一元的に実施

海外拠点は、IT管理者不在、インフラ不足などにより、国内ほど十分なIT運用環境がありません。しかし、データ連携をグローバルでおこなうことは、経営全体の数値把握のために不可欠です。よって、海外拠点でデータを処理するのではなく、日本本社で一元的におこなう仕組みを構築するほうが、データ処理の信頼性や工数の観点からも望ましいでしょう。

このデータ処理、データ連携を実現する方法がクラウドETLです。ここでは、クラウドETLの活用で得られる3つのメリットを解説します。

各現地法人のIT管理者の削減

日本本社で一元的に処理をおこなうため、海外拠点に専門性の高いIT管理者を設置する必要がありません。海外拠点とデータ連携をするときには、日本本社側でデータソースの選択、加工・変換処理の実装、統合データベースへのロードといった一連の作業をします。そのため、海外拠点のIT管理者は決められた手順にしたがって必要なデータを抽出するだけで十分です。

自動化によるデータの信頼性向上

日本本社で一元的な処理かつ自動化されているので、ヒューマンエラーが削減されてデータの信頼性が向上します。各拠点で処理をする場合、担当者のスキルによってデータ処理の精度が異なる可能性があります。その結果、最終的に出力されるデータが異なってしまい、信頼性の低いデータを参考にしながら経営判断をしていかなければなりません。クラウドETLの導入かつ日本本社で一元処理をすることで、データ処理が統一されて信頼性の高いデータでさまざまな判断を行っていけるでしょう。

現地スタッフのデータ処理負荷の軽減

現地のスタッフは、必要なデータを簡単に抽出できるため、処理にかかる負担を削減できます。今までは、データ抽出はエンジニアなどに依頼して抽出してもらう必要があり、お互いに工数がかかっていました。クラウドETLでデータ連携を実施すると、現地スタッフはBIツールなどで自分の好きなデータを好きな形で抽出できるでしょう。

クラウドでのデータ統合基盤の構築は弊社にお任せください

海外拠点とのデータ連携は、企業全体の経営判断をリアルタイムにおこなっていけます。しかし、IT管理者の不在やインフラ不足などにより、データ連携をスムーズに実施できないと悩む企業が多く見られます。

当社が提供するクラウドETL「Reckoner」を利用すれば、クラウドでのデータ連携基盤の構築を短期間・低コストで実現可能です。

ETLツールは、データの取得・加工・出力を自動化できるため、データの信頼性・作業の効率性が向上し、コスト削減にもつながります。また、多数のデータベースやSaaSアプリケーションとの接続が可能で、シンプルなGUIによりノーコードですべてを完結できることも魅力的です。さらに、フルマネージドサービスでの運用となるため、運用工数がゼロとなります。

現在Reckonerでは無料トライアルを受け付けているため、今後ETLを新たに導入検討する企業はぜひご参考にしていただければ幸いです。

また、ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post 海外拠点とのデータ連携を行う上での課題とその対策 first appeared on Reckoner newSTG.

目次

• データレイクハウスとは
  • データレイクハウスの概要
  • データレイクハウスが生まれた背景
  • メリットとデメリット
• データレイクやDWH（データウェアハウス）との違い
  • データレイクとの違い
  • DWH（データウェアハウス）との違い
• データレイクハウスの機能
  • トランザクションサポート
  • スキーマの適用とガバナンス
  • BIサポート
  • コンピューティングとストレージの分離
  • オープン性
  • 構造化・非構造化データの多様なデータへの対応
  • 様々なワークロードのサポート
  • エンドツーエンドのストリーミング
• データレイクハウスがビジネスシーンへ与える影響
  • AI活用の本格化
  • プロセスのサイロ化の改善
• 信頼度の高いデータ基盤の構築は弊社にお任せください

データレイクハウスとは

ここでは、データレイクハウスの概要やメリット・デメリットを解説します。

データレイクハウスの概要

データレイクハウスは、DWHの分析機能と、データレイクの経済的かつ柔軟なデータリポジトリとしての機能を活用できる、データ基盤アーキテクチャです。

従来DWHが実施してきたビッグデータの管理や、ACIDトランザクションの機能に加えて、データレイクの柔軟性が機能として搭載されています。その結果、あらゆるデータのBI（ビジネスインテリジェンス）と機械学習を同じ基盤上で実現しています。

データレイクハウスが生まれた背景

近年、新型コロナウイルスをはじめとした不確実性の高い事象が発生し、市場に大きな影響を与えています。過去のデータを蓄積するDWHを用いたデータ活用では未来の予測には対応できず、加えてAIモデルの活用が重要視されています。そこで大量のデータから機械学習を行い、未来予測を行えるデータを扱うデータレイクの重要性が高まりますが、企業内ではデータのサイロ化によって一元的なデータ管理や分析を困難にしています。

このような課題を解決するためにデータレイクハウスが誕生しました。

メリットとデメリット

データレイクハウスは、データレイクとDWHを同じ基盤上で管理できるため、データ部門が複数のシステムへアクセスする必要がなくなり、データ処理が高速化します。

一方で、データレイクハウスは使いこなすまでに必要な教育コストがかかってくるため、現時点ではデータレイクやDWHよりも効率が落ちる可能性があります。しかし、これらの問題は技術が成熟していくことで解消されます。

データレイクやDWH（データウェアハウス）との違い

データレイクハウスは、データレイクやDWHと違った役割を持っています。ここでは、それぞれの違いを解説しましょう。

データレイクとの違い

データレイクとの違いは、データが「沼化」する心配がないことです。

データレイクは、定型データならびに非定型データをそのままの形で大量に格納できるため、「どんなデータが格納されているか分からない」「誰がどのような必要性でデータを保存しているか分からない」「必要なデータをすぐに入手できない」といった沼化するリスクを抱えています。

• 参考記事:【用語集】データレイク | Reckoner

一方で、データレイクハウスは沼化を解消するために、ACIDトランザクションによるデータの読み取りや書き込みを実施するため、データの一貫性を担保できます。

DWH（データウェアハウス）との違い

DWHとの違いは、機械学習で必要となるデータに直接アクセスできる点です。

DWHは、構造化データおよび特定の半構造化データの分析を可能とするシステムのため、機械学習のサポートが制限されています。しかし、データレイクハウスはオープンAPIを利用してデータへの直接アクセスを可能とし、PyTorch・Tensorflow・XGBoostなどのML及び、Python・R言語のライブラリをサポートすることで、データ分析と機械学習を可能としています。

DWHは、過去の記事で詳しく解説しているのでご参考ください。

• 参考記事:【用語集】DWH（Data Warehouse）

データレイクハウスの機能

データレイクハウスには、主に以下の機能が搭載されています。

• トランザクションサポート
• スキーマの適用とガバナンス
• BIサポート
• コンピューティングとストレージの分離
• オープン性
• 構造化・非構造化データの多様なデータへの対応
• 様々なワークロードのサポート
• エンドツーエンドのストリーミング

それぞれの機能を下記のページを参考に解説します。

（参考：databricks | What Is a Lakehouse?）

トランザクションサポート

データレイクハウスは、多くのデータパイプラインで同時にデータの読み取りと書き込みをおこないます。また、ACIDトランザクションのサポートによってデータの一貫性が保たれることも特徴です。

スキーマの適用とガバナンス

データレイクハウスは、DWHにデータを格納するときの構造となるスタースキーマ、スタースキーマを正規化するためのスノーフレークスキーマをサポートしています。さらに、DWHと同様にデータのアクセス制御、データ品質やコンプライアンスを管理するための仕組みも提供しています。

BIサポート

データレイクハウスはデータに対してBIツールを直接利用できます。その結果、データレイクとDWHの両方でデータを保持する必要性がなくなり、常にリアルタイムでデータを閲覧できるでしょう。

コンピューティングとストレージの分離

データを格納するストレージは別のリソースを利用するため、スケーラビリティの高い状態を保てます。データ量が増加すれば、ストレージを柔軟に拡大できるため、可用性を高めながらシステムを利用可能です。

オープン性

データレイクハウスは、APIの活用によって、機械学習やPythonやRなどのライブラリを利用したさまざまなツールやエンジンに直接アクセス可能です。

構造化・非構造化データの多様なデータへの対応

データレイクハウスは、画像・ビデオ・オーディオ・半構造化データ・テキストなどの非構造化データから構造化データまで、多様なデータの蓄積・変換・分析ができます。

様々なワークロードのサポート

データレイクハウスは、データ解析・機械学習・SQL分析などのさまざまなワークロードがサポートされています。これらのワークロードをサポートするためには、複数のツールが必要となるケースがありますが、データレイクハウスであれば一つの基盤ですべてを実現可能です。

エンドツーエンドのストリーミング

ストリーミングのサポートにより、リアルタイムでデータを把握できるため、アプリケーションごとの管理が不要となります。

データレイクハウスがビジネスシーンへ与える影響

データレイクハウスは、ビジネスシーンへ以下の影響を与えるといわれています。

• AI活用の本格化
• プロセスのサイロ化の改善

AI活用の本格化

現在、データの準備をするエンジニアとAIモデルの構築をするデータサイエンティストがタッグを組み、AIによる予測モデルの見直しを日々実施しています。しかし、データの準備と予測モデルの見直しは構造化されたデータをDWH、非構造化データをデータレイクでそれぞれ管理しているため、基盤が違うことでデータのサイロ化が進んでしまいます。データレイクハウスは、すべてのデータを一元管理できるため、データのサイロ化を防ぎつつAI活用の本格化に貢献できるでしょう。

プロセスのサイロ化の改善

データのサイロ化とともに発生するのがプロセスのサイロ化です。DWHの管理するデータアナリスト、ETLやデータレイクなどを構築するデータエンジニア、機械学習を担当するデータサイエンティストなど、業務ごとに利用するシステムが異なることでデータアーキテクチャを複雑にしています。データレイクハウスは、これらの機能を一つに集約できるため、プロセスのサイロ化の改善につながるでしょう。

信頼度の高いデータ基盤の構築は弊社にお任せください

データレイクハウスは、構造化データと非構造化データを一元的に管理できる仕組みのため、データの処理速度が向上します。しかし、データレイクハウスを構築するためには、信頼度の高いデータ基盤の存在が不可欠です。

当社が提供するクラウドETL「Reckoner」を利用すれば、信頼度の高いデータ基盤の構築を短期間・低コストで実現可能です。

ETLツールは、データの取得・加工・出力を自動化できるため、データの信頼性・作業の効率性が向上し、コスト削減にもつながります。また、多数のデータベースやSaaSアプリケーションとの接続が可能で、シンプルなGUIによりノーコードですべてを完結できることも魅力的です。さらに、フルマネージドサービスでの運用となるため、運用工数がゼロとなります。

現在Reckonerでは無料トライアルを受け付けているため、今後ETLを新たに導入検討する企業はぜひご参考にしていただければ幸いです。

また、ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post 【用語集】データレイクハウス first appeared on Reckoner newSTG.

目次

• データ連携基盤とは
  • 組織内の各種データを編集・共有するプラットフォーム
  • 官庁や自治体などが、組織横断的にデータをやり取りするためのデータ基盤
• データ連携基盤で必要となる要素
  • データの取得（自動抽出）
  • データの編集（自動加工）
  • データの出力（自動ロード・集計）
• データ連携基盤を利用すると得られるもの
  • 信頼性
  • 効率性
  • コスト削減
• EAIか、ETLか
• データ連携基盤の構築は組織に大きなメリット

データ連携基盤とは

データ連携基盤とは、あるシステムに蓄積したデータを収集・加工し、そのほかのシステムへ連携して活用するための仕組みです。

データ連携基盤というと主に以下2つの意味を指すケースが多いです。

• 組織内の各種データを編集・共有するプラットフォーム
• 官庁や自治体などが、組織横断的にデータをやり取りするためのデータ基盤

それぞれの特徴を詳しく解説しましょう。

組織内の各種データを編集・共有するプラットフォーム

1つ目は、組織内に存在する各種データソースのデータを自動的に加工したり、組織内で共有したりすることを目的としたものです。

これは主に「組織内」または「グループ企業間」において、データを活用するための基盤を意味します。単一の企業組織内、グループ企業内のデータ連携に加えて、利用するSaaSなどのクラウドサービスとの連携が想定されます。

官庁や自治体などが、組織横断的にデータをやり取りするためのデータ基盤

2つ目は、官公庁や地方自治体などの公共組織で取り扱うデータを、横断的にやり取りし加工することで、データ処理を効率化することを目的としたものです。現在、デジタル庁がリーダーシップを持ち、基盤整備を進めています。

こちらに関しては、非常に大きな取り組みであることから、実際に利用できるようになるまでには、かなりの時間が必要となります。

以下では、「組織内の各種データを編集・共有するプラットフォーム」に関するデータ基盤連携について、具体的に解説いたします。

データ連携基盤で必要となる要素

データ連携基盤は、主に以下3つの要素が必要です。

• データの取得（自動抽出）
• データの編集（自動加工）
• データの出力（自動ロード・集計）

それぞれの観点を解説します。

データの取得（自動抽出）

データ連携基盤は、各データソースに接続し、必要となるデータを抽出するまでを自動化します。これにより、データ取得業務の効率化ならびに自動化が実現できるでしょう。

自動化をしなければ、データソースからCSVなどを抽出してデータ連携基盤へのインポート作業が必要となります。手作業で実施をすると、人的リソースが必要になるだけではなく、ヒューマンエラーが発生することでデータの信頼性が落ちてしまい、意思決定時に悪影響を及ぼす可能性があるでしょう。

データ連携基盤を構築するときは、データの取得を自動で実施することを前提にするのが望ましいです。

データの編集（自動加工）

続いて、複数のデータソースから取得したデータを、あらかじめ登録されているロジックに従い、必要な形に加工します。自動での加工により、工数削減とヒューマンエラーの削減が実現できるでしょう。

同じ意味のデータだったとしても、データソースが異なることで違ったデータとして解釈されることがあります。例えば、2つのデータソースで同じ顧客データを扱っていたとします。片方のデータソースでは顧客データの主キーを顧客番号としていましたが、もう一つのデータソースでは会社名と主キーと設定するケースもあります。これらのデータは、人間が見れば同じデータだと認識しますが、システム側では違ったデータと判断する可能性が高いです。そのため、同じデータと認識されるためにも、決められたロジックにしたがった加工が必要となります。

データの出力（自動ロード・集計）

自動で取得・加工されたデータは、そのデータを必要とする人や組織に共有しなければなりません。共有する工程をデータのロードと呼んでおり、データ連携基盤でも自動ロード・集計を実現します。

加工されたデータをそのまま見るためには、DBの知識が必要となるケースが多いため、情報システム部門など専門的知識を有した人材でなければなりません。そのため、ユーザーや組織全体が閲覧できる形にデータを集計し、プラットフォーム上で提供する必要があります。

こうしたデータを閲覧するプラットフォームは、BIツールとして提供されることが多いです。

データ連携基盤を利用すると得られるもの

データ連携基盤を利用すると、下記の効果が得られます。

• 信頼性
• 効率性
• コスト削減

それぞれの効果を解説しましょう。

信頼性

データ連携基盤は、あらかじめ定められたロジックにしたがって確実にデータを処理するため、信頼性の向上が期待できます。

人力でデータを処理すると、ヒューマンエラーが起こってしまい、そのエラーに気づかないと間違ったデータのまま処理が進んでしまいます。最終的には、重要な意思決定時に間違えた情報で判断をすることになってしまうでしょう。自動化していればヒューマンエラーはゼロになります。より信頼を高めるためには、データガバナンスについても検討が必要です。

• 参考記事:[3分で理解] データガバナンスについて理解する

効率性

データ連携基盤は、各処理が自動でされることによって人が時間を割いて作業しなくてもよくなるため、高い効率性が実現されます。

例えば、これまで1時間かけてデータの収集から出力までをおこなっていたとしたら、その1時間がそのまま不要となり、より価値の高い作業に時間を割けられるようになるでしょう。

つまり、データの処理に関する部分はデータ連携基盤で自動化をし、その後のデータをもとにした企業戦略の立案や業務改革などに注力していく体制が整います。

コスト削減

データ連携基盤の構築により、データ処理作業に時間をかけなくても良くなるということは、その作業で発生する作業費・人件費が不要になります。実際に、データ基盤の構築でかかるコストについて、下記の記事でまとめているので参考にしてください。

• 参考記事:データ収集基盤にかかるコストを考える

組織はコスト削減が実現できるため、そのほかに投資していくべき事業の拡大にコストを使っていけるでしょう。

EAIか、ETLか

組織において、データ連携基盤の実現するにあたり、大きく2つのアプローチがあります。それは「EAI」と「ETL」です。

EAIは、連携するシステム間のデータをリアルタイムで連携する基盤としての役割が期待されています。一例ですが、「自動車メーカーと部品メーカーで、現在の在庫状況や製造状況、発注数量などのデータをリアルタイムで連携したい」といった場合に有効です。一度に連携するデータ量は非常に少ないですが、一日に数万件以上のデータ連携が行われるのも一般的であるため、膨大なトランザクションを確実にさばく能力が求められます。

これに対してETLは、リアルタイム性が求められることはなく、多くの場合「一日一回、または複数回程度、大量のデータをバッチで効率的に一括処理する」基盤としての役割が求められています。例えば、「Eコマース企業が、一日に一度、各販売チャネルごとの売上データを抽出、加工したのちに、基幹システムに投入する」ような場合に有効です。トランザクション数は少ないですが、大量のデータを短時間で処理する能力が求められます。

このように、EAIとETLでは、そもそも求められる性質が異なるため、「EAIにすべきか、ETLにすべきか」と悩むケースは少ないでしょう。

データ連携基盤の構築は組織に大きなメリット

お伝えしてきたように、データ連携基盤の構築は組織にとって大きなメリットを与えます。データ連携基盤を実現する方法として、EAIとETLについて解説しましたが、ETL利用を検討する場合、当社が提供するクラウドETL「Reckoner」を用いることで、データ連携基盤の構築を短期間・低コストで実現可能です。

ETLツールは、データの取得・加工・出力を自動化できるため、データの信頼性・作業の効率性が向上し、コスト削減にもつながります。また、多数のデータベースやSaaSアプリケーションとの接続が可能で、シンプルなGUIによりノーコードですべてを完結できることも魅力的です。さらに、フルマネージドサービスでの運用となるため、運用工数がゼロとなります。

現在Reckonerでは無料トライアルを受け付けているため、今後ETLを新たに導入検討する企業はぜひご参考にしていただければ幸いです。

また、ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post データ連携基盤とはなにか first appeared on Reckoner newSTG.

本記事では、脱Excelすべき理由や実現するための方法を解説します。

目次

• 「脱Excel」とはなにか
• 脱Excelすべき5つの理由
  • ヒューマンエラーによるデータ信頼性低下
  • 大量のデータ処理によるパフォーマンス低下
  • ブラックボックス化による属人化
  • 手作業のデータ編集による効率の低下
  • バージョン管理が難しく最新情報の随時更新には不向き
• どのように脱Excelを実現するか
  • ETLツールの利用
  • DBの利用
  • BIツールの利用
  • 統合ツールの利用
• 脱Excelを実現する「Reckoner」

「脱Excel」とはなにか

脱Excelとは「効率性・信頼性・管理性」の観点から、Excelを中心として行っている業務を別のツールやDBに移行することを指します。

脱Excelといっても、Excelを完全に利用しないわけではなく、「Excelを中心とした業務からの脱却」「社内の『Excelの達人』に依存した業務からの脱却」を意味するので、「自動化処理されたデータの表示ツールとしてExcelを引き続き使う」ようなケースが大半です。

例えば、今までマクロを使って大量のデータをExcelへ収集し、そのデータをExcel上で加工する業務があったとします。脱Excelをするのであれば、Excelを用いた大量のデータ収集・加工といった業務は、別の自動化ツールで行い、処理済みのデータを閲覧するときにのみExcelを利用します。

このように、脱Excelはあくまで「Excelでの大量データ処理からの脱却」を意味します。

脱Excelすべき5つの理由

脱Excelすべき理由には、主に以下の5つが考えられます。

• ヒューマンエラーによるデータ信頼性低下
• 大量のデータ処理によるパフォーマンス低下
• ブラックボックス化による属人化
• 手作業のデータ編集による効率の低下
• バージョン管理が難しく最新情報の随時更新には不向き

それぞれ詳しく解説しましょう。

ヒューマンエラーによるデータ信頼性低下

企業によっては「Excelの達人」のような人に業務を支えられているケースがあります。しかし、どれだけExcelに精通している人であっても、手動で作業をおこなっている場合、ヒューマンエラーは防げません。

例えば、関数を駆使してデータの加工をしても、参照先の間違いなどによって加工された値が異なってしまいます。このように、ヒューマンエラーが発生するとデータの信頼性が確保できなくなり、重要な意思決定に悪影響を及ぼす可能性があるでしょう。

大量のデータ処理によるパフォーマンス低下

Excelで扱えるデータは100万件までとなっているものの、大量のデータをExcelで処理するとデータ操作中のパフォーマンスの低下や操作フリーズが起きやすくなるため、100万件のデータをExcelで処理するのは現実的ではありません。Excelを業務で活用する前提であれば、Excelで扱うデータ量は数千件〜数万件程度が現実的です。

また、扱えるデータが100万行までしかない、というのもExcelのデメリットとなるでしょう。100万行より多いデータをExcelで扱えないため、日々データを蓄積していくような処理はいつか限界をむかえてしまいます。大量のデータを管理していくのであれば、ツールやデータベースの活用が欠かせません。

ブラックボックス化による属人化

「Excelの達人」のような人がいる職場では、そうした達人にExcelの難しい作業を任せてしまいがちです。しかし、誰かに依存してしまうと、業務がブラックボックス化してしまい、担当者が休んだときや退職した際に、他のメンバーが業務をおこなえないなどの問題が生じます。

例えば、複数のファイルを扱うマクロによって普段の業務が回っているとします。マクロの実施時には、特定のパスにファイルを格納し、決められた順番でマクロを実施していくケースが多いです。しかし、これらの手順はマニュアル化されていないことが多いため、担当者の不在時には業務が止まってしまい、多くの影響を与えてしまいます。

手作業のデータ編集による効率の低下

いまだ多くの企業では、データソースから取得したExcelを現場で編集して、定形レポートを作成しています。これは、繰り返しの定型作業を自動化させず、人がおこなうという効率が悪い業務をやめられないことを意味するでしょう。定型業務は、バッチ処理やRPAなどを活用することで自動化が可能です。

バージョン管理が難しく最新情報の随時更新には不向き

Excelを共同編集するような場合がありますが、そもそもExcelはバージョン管理に向いていません。そのため、どのバージョンが最新かを都度確認しないといけないような面倒が生じる場合があります。

Excelは最初に開いた人がファイルをロックしてしまうため、次に開いた人が編集した内容を反映できません。多くの方は、別ファイルとしてExcelを生成し、そこに反映した内容を最終的にマスタファイルへと統合します。しかし、こうした別ファイルが複数生成され続けることで、どれが最終的なバージョンなのかがわからなくなってしまうでしょう。ほかにも、さまざまなリスクが考えられます。

• 参考記事:Excelで大量データを操作する7つのリスクと解決策を理解する

どのように脱Excelを実現するか

脱Excelをするには、以下4つの方法が考えられます。

• ETLツールの利用
• DBの利用
• BIツールの利用
• 統合ツールの利用

ETLツールの利用

複数のデータソースから取得したデータを編集する際に、Excelを用いて手動でおこなうのではなく、ETLツールを用いることで「データ取得・データ加工・データ出力」のすべてを自動化できます。

ETLツールはExcelだけではなく、SaaSやDBなどさまざまなデータソースとの接続が可能です。さらに、データ加工が自由自在なため、データソースの修正に伴うプログラム修正も手軽に実現できます。

DBの利用

Excelで管理していたデータをDBで管理することで、より多くのデータを効率的かつ高い信頼性を持って管理できます。

Excelでの管理は、100万行までの制約があるのに加えて、データ量が多くなるにつれてパフォーマンスが低下してしまいます。これに対してDBを利用すると、パフォーマンスを下げずに大量のデータ管理が可能です。また、データ管理におけるヒューマンエラーによるデータ信頼性の低下も防げます。

また、BIツールを通じたデータ閲覧・確認も容易になります。

BIツールの利用

「脱Excel」は、あくまでExcel上での大量データ処理からの脱却を意味し、Excelでのデータ閲覧を問題としているわけではありません。しかし、煩雑なバージョン管理や、多数のデータソースからデータを取得して効率的に確認することを考えると、BIツールの利用が効率的です。

BIツールで作成されたダッシュボードを閲覧し、そこから必要な情報を絞り込んでいくことで、常に最新の情報を確認でき、また「Excelで複数のファイルを開いて、何度も画面を切り替えながら確認する」といった面倒が発生しません。

先述したETLツールで必要なデータを収集・加工し、BIツールにより透過的にデータにアクセスできるようにすることで、データ閲覧・確認作業も効率化できます。BIツールは、下記の記事でも詳しく解説しています。

• 参考記事:【用語集】BI（Business Intelligence）

統合ツールの利用

統合ツールとは、「DB」と「UI」の両方を提供するツールを指します。有名なものではサイボウズ社が提供する「kintone」があり、ツール内で効率的なデータ管理や運用が可能です。

統合ツールは、高い利便性がある反面、特定のベンダーにDBとUIの両方を委ねてしまうことを意味するため、統合ツールからの脱却が難しくなり、特定のベンダーにロックインされた状態となります。このため、統合ツールをある程度利用してから、「DBだけ変更したい」「UIだけ変更したい」といった際の移行が困難となります。このため、メリットとリスクの両方を勘案した上での利用を推奨します。

脱Excelを実現する「Reckoner」

脱Excelをするためには、今回紹介した4つの方法から自社に適したものを選定する必要があります。しかし、専門的な人材が不在の場合、どの方法を選択すべきか悩むでしょう。

弊社で提供するクラウド型のETLツールの「Reckoner」は、以下のケースに効果的です。

• データを手動でExcelに取得する（エクスポート、ダウンロードする）
• データを手動でExcel上で加工する
• データを手動で出力・ロードする

ETLツールは、上記の作業を自動化できるため「効率性・信頼性・管理性」を向上させながら脱Excelを実現できます。多数のデータベースやSaaSアプリケーションとの接続が可能で、シンプルなGUIにより、ノーコードですべてを完結できることも魅力的です。さらに、フルマネージドサービスでの運用となるため、運用工数がゼロとなります。

現在Reckonerでは無料トライアルを受け付けているため、今後ETLを新たに導入検討する企業はぜひご参考にしていただければ幸いです。

また、ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post 脱Excelはなぜ必要か 5個のポイントで理解する [Excelの達人依存からの脱却] first appeared on Reckoner newSTG.

(参考元: Atwal, Harvinder “Chapter 2. 2. Data Strategy.” In Practical DataOps: Delivering Agile Data Science at Scale, edited by Atwal, Harvinder. Isleworth, UK: APRESS, 2020.)

目次

• なぜユースケースの特定が重要か
• ユースケース分析における主要な4タイプ
  • 新製品の開発
  • 顧客体験(カスタマーエクスペリエンス)の向上
  • 運用効率の向上
  • データの収益化を含むデータの公開
• データ分析の４つの手法
  • 記述的分析
  • 診断的分析
  • 予測的分析
  • 処方的分析
• まとめ

なぜユースケースの特定が重要か

データ戦略を価値あるものにするためには、企業のミッション、ビジョン、戦略、KPIが一貫していなければなりません。組織の目標は通常、ミッションからビジョン、財務目標、部門目標、チームの具体的な目標へと連鎖していきます。データ戦略に取り組むうえで、まずハイレベルなテーマを明確にすることが重要で、その上で、具体的なデータのユースケースを詰めていく必要があります。

潜在的な分析ユースケースに対して、複数のデータ分析の選択肢を準備することは、データ戦略に沿った変更を行う目的を正しく理解すると同時に、データ戦略が当初の目的に合致しているかを確認するために重要となります。

将来どのような場面でどのような分析が必要になるかについて、組織はその全てを知ることはできません。しかし、現実的なユースケースをできる限り網羅する必要があります。

この段階では、分析の精度よりも、どれだけの量の分析の選択肢がカバーされているかが重要となります。

• 参考記事：データドリブンな組織と活用戦略

ユースケース分析における主要な4タイプ

ユースケースの特定とは、どのようなものでしょうか。例えば、新製品の開発、顧客体験(カスタマーエクスペリエンス)の向上、業務効率の改善、データパブリッシング（データの収益化を含む）が挙げられます。

これらの4つのタイプについて、事例を交えつつ解説します。

新製品の開発

デジタルツインとは、物理的な資産、プロセス、システム、環境などをもとに、仮想世界でそれを再現する技術を指します。この仮想の電子的な「双子」は、実世界の対応するものと外観や動作が同じです。デジタルツインは、データを取り込み、プロセスを複製することで、現実の製品が受ける可能性のあるパフォーマンス結果や問題を予測することができます。

デジタルツインは、エンジニアが発売前の製品の実現可能性をテストするのに役立ちます。テスト結果に応じて、エンジニアは生産を開始したり、実現可能な製品を作ることに焦点を移したりします。

顧客体験(カスタマーエクスペリエンス)の向上

Adobe社は顧客データのプラットフォームを構築し、取引、行動、人口統計などさまざまなソースからリアルタイムでデータを収集し、正規化することで、個人を1つに絞ったビューを提供します。取引、行動、人口統計など、さまざまなソースからリアルタイムにデータを収集し、個人を特定した単一のビューを提供します。

運用効率の向上

運用効率の向上では様々な事例がありますが、IIoT（Industrial Internet of Things）は、データの最適な活用の一つの事例といえます。今日のプロセスに関わる産業では、運用コストの面だけでなく、生産工場の可用性、安全性、セキュリティに関する要件が継続的に求められています。工場のプロセスの状態を安全に監視し、問題が発生する前に異常を特定することにより、コスト高となるプラントのダウンタイムを回避するための対策を、予防的に導入することができます。

データの収益化を含むデータの公開

Snowflack社では、データを活用した収益化に際して、APIベースのアプローチでなく、Snowflakeマーケットプレイスのような最新のデータ共有方法の導入を推奨しています。

APIベースのアプローチの課題として、アクセス可能なデータ量の制限、API開発・メンテナンスのための社内リソースの確保、データ利用者が使用できる分析の種類の制限、等が挙げられます。

Snowflakeマーケットプレイスでは、気象情報、医療情報等のデータ分析の売買を可能にしています。

• 参考記事：データガバナンスをどう守る？Snowflake編
• 参考記事：Snowflake vs BigQuery徹底比較

データ分析の４つの手法

データ分析においては、主に記述的分析、診断的分析、予想的分析、処方的分析の4つの手法があります。

この分析方法の違いについて説明し、この分析方法とユースケースを組み合わせることで、より高いレベルでのデータ分析ならびにデータ分析におけるオプションの準備が可能となります。結果、それらがデータ戦略の構築に寄与します。

以下、4つの手法について具体的に説明します。

記述的分析

記述的分析とは、データを集計して表やレポートを作成し、過去の行動パターンに関する情報を生成する分析です。

記述的分析は、分析の中で最もシンプルなタイプであり、他のタイプの分析の基礎となるものです。生データからトレンドを抽出し、何が起こったのか、あるいは現在起こっているのかを簡潔に説明することができます。記述的分析は、「何が起こったのか」という問いに答えるものです。

チャートやグラフ、地図は、データのトレンドや落ち込み、高騰を明確かつ容易に理解できるため、データの可視化は記述的分析のコミュニケーションに自然に適合します。

診断的分析

診断的分析とは、データのパターンと関係を見つけ出し、ある行動がなぜ起こるのかについての洞察を得ることができます。

診断分析では、「なぜこのようなことが起こったのか」という論理的な問いに取り組みます。さらに一歩踏み込んだ分析として、共存する傾向や動きを比較し、変数間の相関関係を明らかにし、可能であれば因果関係を特定することも含まれます。診断的分析は、組織の問題の根本を突き止めるのに有効です。

予測的分析

予測的分析とは、顧客や取引が最終的にどのような利益・損失になるかその可能性を判断する分析です。

予測分析は、将来のトレンドや出来事について予測するために使用され、「将来何が起こるか？」という質問に答えるものです。

過去のデータを業界のトレンドと合わせて分析することで、自社にとって将来何が起こりうるかについて、十分な情報を得た上で予測することができます。未来予測をすることで、可能性のあるシナリオを想定し、戦略を練ることができます。

処方的分析

処方的分析とは、課題に対する最適な決定を推奨する、「次に何をすべきか」という問いに答える分析です。

処方的分析では、シナリオで考えられるすべての要素を考慮し、実行可能な対策を提案します。このタイプの分析は、データ駆動型の意思決定を行う際に特に役立ちます。

まとめ

データ戦略の実践において、ユースケースの特定が重要であることについて説明しました。データ戦略を実践する上で、企業のミッション等のハイレベルな議論が重要ですが、それを前提としてユースケースをできるだけ多く、どう特定していくかが課題になると想定されます。

弊社で提供するクラウド型のETLツールの「Reckoner」は、プログラミングが不要、GUI上ですべてを完結できるため、データフローの構築をスムーズに実現できます。

現在Reckonerでは無料トライアルを受け付けているため、今後ETLを新たに導入を検討される企業様はぜひご参考ください。

また、ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post 組織におけるデータ戦略と実践(2): ユースケースを特定する first appeared on Reckoner newSTG.

(参考元: Atwal, Harvinder “Chapter 2. 2. Data Strategy.” In Practical DataOps: Delivering Agile Data Science at Scale, edited by Atwal, Harvinder. Isleworth, UK: APRESS, 2020.)

目次

• データ戦略の4つのポイント (1) データの重要性が増大
• データ戦略の4つのポイント (2) データライフサイクルを改善する
• データ戦略の4つのポイント (3) タイムスパン
• データ戦略の4つのポイント (4) スポンサーシップ
• まとめ

データ戦略の4つのポイント (1) データの重要性が増大

多くの企業では、「IT戦略」として、複数年のシステム投資、人材投資、リプレース対象となるシステムなどが共有されるとともに、「組織におけるITはどうあるべきか」「特に重要なシステムはどのような方向性で対応するか」「予算の大きなトレンドとその使い道」などが議論されます。

しかし、各業務システムを支えるデータに関しては、「戦略」と呼ばれるような方向性が示されることはほとんどありません。つまり、IT戦略の一部として、データ戦略が盛り込まれることはほとんどないといえます。

Harvard Business Review Analytic Servicesが公表している『マルチクラウド環境におけるより良いエンタープライズデータ戦略を実現するための重要な成功要因』というレポートでは、全世界の185社を対象に、「企業はデータ戦略を持っているか？もしないなら、何が阻害しているか?」というアンケートを実施しました。

その結果、回答の69％が、今後3年間の戦略目標を達成するために、自分の組織には包括的なデータ戦略が必要だと答えているにもかかわらず、組織のデータ分析とデータ管理能力が目標達成に向けて進んでいると答えたのは35％に過ぎないことがわかりました。

IDCが作成した調査レポート『データを再考する』によると、データ戦略を成功させるためには「データの生成者と、データ利用者をつなぐ手法であるDataOpsを組み込む必要がある」と考察しています。しかし、企業全体でDataOpsを導入できていると回答した企業は平均でわずか10%と、データ戦略への取り組みは不十分であると報告しています。

組織は、データ領域に限定した戦略を明確に打ち出し、DataOpsの体制を整えることで、データ連携、データ統合、データ品質の向上、データ分析、データの効率的な管理について、正しい方向性に進むことが可能となります。

• 参考記事：データ移行の戦略とベストプラクティス

データ戦略の4つのポイント (2) データライフサイクルを改善する

データライフサイクルとは、データの誕生（データの取得または生成）からデータの死（アーカイブおよび削除）に至るまで、データの単位が通過する段階を指します。

データ戦略を構築する上では、データライフサイクルを改善する必要があります。単にデータがデータライフサイクルに従って、収集、保存、プロセス、使用、使用終了（または削除）という手順を示すだけではなく、現状のデータライフサイクルにはどのような問題があり、どうすれば改善できるか（将来のデータライフサイクルはどうあるべきか）を戦略に含む必要があります。

• 参考記事：DataOpsがBIにもたらすメリットとは？

データの利用や管理に関する教育サービスを展開しているDataversityによると、データ戦略をデータライフサイクル全体に渡って適用する方法として、以下5点を挙げています。

• データ戦略を通じてデータ文化を構築：最高データ責任者（CDO）を採用
• データ活動の測定とテスト、およびKPIの設定
• 強力なデータ基盤のサポート
• DataOpsのような相互運用性の重視
• 利用事例を通じたデータライフサイクルとの整合

データ戦略の4つのポイント (3) タイムスパン

データ戦略は継続的なアプローチですが、期限を設定して取り組むべきです。理想的には2年から5年程度に設定することで、「戦略が短すぎて、短期的な目標に集中しすぎてしまう」リスクや、「戦略が長すぎて、未来予測が不確実になり、途中で目標が変更された結果、労力やリソースの多くが無駄になる」リスクを回避できます。

中朝的なデータ戦略を確実に進めるためには、定期的な測定とレビューが必要です。レビューは、組織が目標を実現する方法を変えたり、優先順位を変えたり、あるいは完全に別の方向に軸足を移す機会にもなります。

 データ戦略の4つのポイント (4) スポンサーシップ

データ戦略とは、データリソースを組織のミッションを達成するための成果に変える、非常に効率的なプロセスにつながる組織全体の目標の集合体です。

データ戦略を構築、実施していく上で、CIO （最高情報責任者）やCDO （最高データ責任者）といった、IT部門におけるトップ層にその必要性を認識してもらい、支援してもらう（スポンサーシップを得る）ことが必要です。

CIOやCDOなどとの定期的なレビューを設定し、フィードバックをもらい、それを日々の活動に活かすことで、信頼を得ることが重要です。

同様に、データのユーザーであるビジネス部門からのスポンサーシップも有効です。日々データを利用するビジネスユーザーと関わることで、データ戦略とその進捗について共有するだけでなく、ビジネス現場の情報を収集したり、必要なタイミングでビジネス部門からの支援が得られます。

• 参考記事：DataOpsチームを作る

まとめ

データ戦略の4つのポイントとして、データの重要性の理解、データライフサイクルの改善、データ戦略の適切な期間の設定、支援者(スポンサーシップ）を持つことについて記載しました。ここでも、DataOpsのようなデータの利用者とデータの提供者との間のやりとりを円滑にする手法が重要であることがわかります。

DataOps/クラウド型ETLサービスであるReckoner は、ユーザーにとって利用しやすいインターフェースおよび信頼度の高いインフラ環境において、データエンジニアリング/ETLチームメンバーからエンドユーザーまで活用が可能なETLツールを提供しており、データ戦略の実行を支援するためのツールです。

また、ETLツールについて詳しく知りたい、ETLツールの選び方を知りたいという方はこちらの「ETLツールとは？選び方やメリットを解説」をぜひご覧ください。

The post 組織におけるデータ戦略(1): はじめに把握すべき4つのポイント first appeared on Reckoner newSTG.