データウェアハウス/OLAP分析について

(1)

データウェアハウスについて　　　　

　　　　　　／

分析について

日本オラクル株式会社

「データウェアハウスについて」「OLAP分析について」　データウェアハウス（Data Warehouse）の概念をわかりやすく説明した資料です。　「データウェアハウスってなに？」という方を対象に、概念にとどまらず、データウェアハウスを取り入れた「意志決定支援システム」・最近のトレンド・システムの使用用途などについても理解していただける内容になっております。　作成当時（1999年1月）に比べて古い情報もあるかと思いますが、概念自体は変わっておりませんので、参考資料としてご覧いただけると幸いです。【補足作成：2000年8月】

(2)

OLAP分析について分析について分析について分析について－　－　－　－　OLAPとはとはとはとは OLAP分析方法分析方法分析方法分析方法－　－　－　－　OLAPの機能の機能の機能の機能－　スライスシング－　スライスシング－　スライスシング－　スライスシング－－－－ダイシングダイシングダイシングダイシング－　ドリルダウン・ドリルアップ－　ドリルダウン・ドリルアップ－　ドリルダウン・ドリルアップ－　ドリルダウン・ドリルアップデータの格納方法データの格納方法データの格納方法データの格納方法－－－－ R-OLAP vs M-OLAP －－－－トレード・オフトレード・オフトレード・オフトレード・オフ－－－－ Hybrid-OLAP ～～～オラクルでは～～オラクルでは～オラクルでは～オラクルでは～－－－－まとめまとめまとめまとめ

アジェンダ

データウェアハウスについてデータウェアハウスについてデータウェアハウスについてデータウェアハウスについて－　データウェアハウスとは－　データウェアハウスとは－　データウェアハウスとは－　データウェアハウスとは－　意思決定支援システム－　意思決定支援システム－　意思決定支援システム－　意思決定支援システム－　－　－　－　業務系システム業務系システム業務系システム業務系システムVS 意思決定システム意思決定システム意思決定システム意思決定システム－　－　－　－　身近なシステム活用例身近なシステム活用例身近なシステム活用例身近なシステム活用例－－－－データウェアハウスとデータマートデータウェアハウスとデータマートデータウェアハウスとデータマートデータウェアハウスとデータマート－－－－データウェアハウスのデータウェアハウスのデータウェアハウスのデータウェアハウスの構築のトレンド構築のトレンド構築のトレンド構築のトレンド－－－－データウェアハウス・ツールデータウェアハウス・ツールデータウェアハウス・ツールデータウェアハウス・ツールのトレンドのトレンドのトレンド ①のトレンド①①① －－－－データウェアハウス・ツールデータウェアハウス・ツールデータウェアハウス・ツールのトレンドデータウェアハウス・ツールのトレンドのトレンドのトレンド－－－－意思決定の手法について意思決定の手法について意思決定の手法について意思決定の手法について ①①①① －－－－意思決定の手法について意思決定の手法について意思決定の手法について意思決定の手法について ②②②② －－－－OLAP分析分析分析分析VS データマイニングデータマイニングデータマイニングデータマイニング－－－－まとめまとめまとめまとめ

(3)

データウェアハウスについて

(4)

データウェアハウスとは

定義

企業内外の情報を

意思決定支援

のために集

積し、戦略的に活用していくことを目指した企

業システムの概念

特徴

サブジェクト志向

統合性

恒常性

時系列性

活用目的別

運用

DBの形式を統一

履歴データを保持

時間とのつながり

【データウェアハウスとは】【データウェアハウスとは】【データウェアハウスとは】【データウェアハウスとは】データウェアハウスは、企業内外の情報を意思決定支援のために集積し、戦略的に活用していくことを目指とした企業システムの概念と捉えることができます。提唱者であるビル・イモン氏によると、その特徴は以下の４つに分類することができます。・活用目的別に整理された「サブジェクト志向」・様々な形式を持つ運用DBのデータを変換して統一する「統合性」・履歴データを保持する「恒常性」・時間とのつながりを持つ「時系列性」企業内に蓄積された大量の電子データを有効活用できるかどうかが、企業の競争力を左右するキーポイントとなります。なぜなら、売上げを伸ばすヒントがそうしたデータに隠れているからです。しかし、従来の部門単位や業務単位で構築されたシステムでは、全社的に統一されたデータとして参

(5)

意思決定支援システム

データの分析に基づいた業上の

意思決定をサポート

販売

マーケティング

_戦略管理

製品計画

【意思決定支援システム】【意思決定支援システム】【意思決定支援システム】【意思決定支援システム】意思決定支援システムとは、企業にとって有用な情報をデータの分析、検索から引き出すことを目的に構築するシステムです。意思決定支援システムを使用することで、経営者の直感だけでなく、確かなデータに基づいたビジネス決定を下すことができます。意思決定支援システムが適用される分野は、「販売」、「マーケティング」、「戦略管理」、「製品計画」など広範囲に及びます。例えば、昨年、一昨年という過去の中から今後の需要を予測し、販売計画や製品計画につなげるという使い方ができます。

(6)

業務系システム

意思決定システム

–

日常業務の遂行が目的日常業務の遂行が目的日常業務の遂行が目的日常業務の遂行が目的

–

詳細データ詳細データ詳細データ詳細データ例）販売データ、在庫データ例）販売データ、在庫データ例）販売データ、在庫データ例）販売データ、在庫データ

–

頻繁なデータ更新頻繁なデータ更新頻繁なデータ更新頻繁なデータ更新最新データのみ保存最新データのみ保存最新データのみ保存最新データのみ保存

–

オンラインのデータ保存期間オンラインのデータ保存期間オンラインのデータ保存期間オンラインのデータ保存期間が短いが短いが短いが短い

–

データの分析と検索が目的データの分析と検索が目的データの分析と検索が目的データの分析と検索が目的

–

詳細データとサマリーデータ詳細データとサマリーデータ詳細データとサマリーデータ詳細データとサマリーデータデータは時系列で格納データは時系列で格納データは時系列で格納データは時系列で格納

–

定期的なデータ更新定期的なデータ更新定期的なデータ更新定期的なデータ更新更新済、更新後のデータを保存更新済、更新後のデータを保存更新済、更新後のデータを保存更新済、更新後のデータを保存

–

過去と現在のデータの比較が可能過去と現在のデータの比較が可能過去と現在のデータの比較が可能過去と現在のデータの比較が可能例）前年売上比、前月売上構成比例）前年売上比、前月売上構成比例）前年売上比、前月売上構成比例）前年売上比、前月売上構成比

業務系システム

意思決定システム

【業務系システム【業務系システム【業務系システム【業務系システムVS 意思決定システム】意思決定システム】意思決定システム】意思決定システム】業務系システムは、日常業務目的としたシステムで主に販売データ、在庫データといった刻一刻と変化するデータを扱います。更新されるタイミングが早く最新データのみを保存するのが特徴です。一般的に大量のデータ処理を短時間で行なうといったパフォーマンスが求められます。一方、意思決定支援システムは、データの分析と検索のために構築され、その目的は業務系システムとは異なります。詳細データとサマリーデータを時系列で格納し、データの更新は定期的に行われます。構築後の年数が経てば、経つほどデータ量は増え、その中から目的に沿った形でデータを取り出す処理に高性能なパフォーマンスが求められます。また、意思決定支援システムでは、データが更新された場合は更新前のデータも一緒に保存されます。これにより、例えば半年前と現在の状況を比較することが可能です。つまり、運用DBは日々の業務活動を支える現在形DBですが、データウェアハウスは、過去形DBであると言えます。

(7)

身近なシステム活用例

クレジット・

カード会社

業務系システム業務系システム業務系システム業務系システム業務系システム業務系システム業務系システム業務系システム意思決定支援システム意思決定支援システム意思決定支援システム意思決定支援システム意思決定支援システム意思決定支援システム意思決定支援システム意思決定支援システム

－利用金額データ

－支払い方法

－信用情報チェック

－利用限度額の決定

－ダイレクト・メール

－エリア・マーケティング

【身近なシステムの活用例】【身近なシステムの活用例】【身近なシステムの活用例】【身近なシステムの活用例】クレジット・カード会社の例を使用して、業務系システム、意思決定支援システムの違いを説明します。例えは、デパート会員つきのクレジット・カードを持っていたとします。そのカードを使って買い物をするたびに、まずは使用しているカードの信用情報がクレジット・カード会社の業務系システムに照合されます。そして、支払い金額、支払い方法等に関するデータが記録されます。カードを申し込み時に記入した個人情報や購買記録は、意思決定支援システムで使用されています。例えば、あなたが支払い期日を守る優良顧客である場合、カード利用限度額が引き上げられるでしょう。また、日頃の購買記録に従って、あなたの趣味にあった店またはイベントのダイレクトメールが送られてくるでしょう。さらに、支店ごとの顧客年齢層や性別を調べることによって、経営者は、より効率的な販売計画を立てることが出来ます。

(8)

セントラル・ウェアハウスとデータマート

セントラルセントラルセントラルセントラルウェアハウスウェアハウスウェアハウスウェアハウス RDB RDB RDB RDB データマートデータマートデータマートデータマートセントラル・ウェアハウスからユーザの目的別セントラル・ウェアハウスからユーザの目的別セントラル・ウェアハウスからユーザの目的別セントラル・ウェアハウスからユーザの目的別にデータを抽出した小型データベースにデータを抽出した小型データベースにデータを抽出した小型データベースにデータを抽出した小型データベースデータマートデータマートデータマートデータマート目的別にデータを抽出目的別にデータを抽出目的別にデータを抽出目的別にデータを抽出セントラル・セントラル・セントラル・セントラル・ウェアハウスウェアハウスウェアハウスウェアハウス・企業データを正確に・企業データを正確に・企業データを正確に・企業データを正確にアクセスできる唯一のアクセスできる唯一のアクセスできる唯一のアクセスできる唯一の共有場所を提供する共有場所を提供する共有場所を提供する共有場所を提供する・トランザクションシス・トランザクションシス・トランザクションシス・トランザクションシステムからテムからテムからテムからDSSDSSDSSDSSの負荷をの負荷をの負荷をの負荷を取り除く取り除く取り除く取り除く・・・・TBTBTB（TB（（（テラバイト）レベテラバイト）レベテラバイト）レベテラバイト）レベルのスケーラビリティルのスケーラビリティルのスケーラビリティルのスケーラビリティデータマートデータマートデータマートデータマート・情報を敏速簡単にエ・情報を敏速簡単にエ・情報を敏速簡単にエ・情報を敏速簡単にエンドユーザに提供するンドユーザに提供するンドユーザに提供するンドユーザに提供する・知的労働者に実行可・知的労働者に実行可・知的労働者に実行可・知的労働者に実行可能な決定力を与える能な決定力を与える能な決定力を与える能な決定力を与える・数十・数十・数十・数十GBGBGBのスケーラビGBのスケーラビのスケーラビのスケーラビリティリティリティリティ目目目目的的的的 MDB MDB MDB MDB ユーザーが実際にアクセスし、ユーザーが実際にアクセスし、ユーザーが実際にアクセスし、ユーザーが実際にアクセスし、データを検索し情報を分析する場所データを検索し情報を分析する場所データを検索し情報を分析する場所データを検索し情報を分析する場所 ※ ※ ※ ※DSS 意思決定支援システム意思決定支援システム意思決定支援システム意思決定支援システム【セントラル・ウェアハウスとデータマート】【セントラル・ウェアハウスとデータマート】【セントラル・ウェアハウスとデータマート】【セントラル・ウェアハウスとデータマート】データウェアハウスの話と平行して登場する言葉にデータマートがあります。データマートは、企業全体ではなく、部門ごとに作られる部門専用のデータウェアハウスです。一方、企業全体のデータを格納するのがセントラル・ウェアハウスです。セントラル・ウェアハウスは、企業データの統合データベースで、財務、会計、売上、顧客といったデータが整理・統合され保存されます。つまり、企業の根幹を成すデータ群が、集中管理されている唯一のデータ共有場所です。データマートは、セントラル・ウェアハウスから目的別にデータを抽出した、目的指向のデータベースと考えて下さい。データマートのデータは、特定の分野に焦点を絞って収集したデータであり、その情報は業務上の個々の分野において意思決定のサポートに使用されます。部門単位や業務単位で構築されるデータマートを使用することでデータ検索・分析により発生するマシン負荷を取り除き、パフォーマンスの向上を期待することができます。

(9)

データウェアハウス構築のトレンド

全社

部門

A

部門

B

部門

C

Mart A Mart A Mart B Mart B

部門

D

開発開発開発開発独立型開発独立型開発独立型開発独立型開発運用運用運用運用運用運用運用運用フィードバックフィードバックフィードバックフィードバックセントラル･セントラル･セントラル･セントラル･セントラル･セントラル･セントラル･セントラル･ウェアハウスウェアハウスウェアハウスウェアハウスウェアハウスウェアハウスウェアハウスウェアハウス独立型開発独立型開発独立型開発独立型開発 Mart A Mart A Mart B Mart B Mart C Mart C Mart D Mart D 従属型開発従属型開発従属型開発従属型開発運用運用運用運用【データウェアハウス構築のトレンド】【データウェアハウス構築のトレンド】【データウェアハウス構築のトレンド】【データウェアハウス構築のトレンド】データウェアハウスの開発には決まりきったルールがありません。設計を100%決めていては、構築した時点でビジネス要求が変化した場合に柔軟に対応できない可能性があります。そこで、このような特徴を考慮しながらデータウェアハウスを開発するために、「小さく始めて（セントラル・ウェアハウス）を大きく育てる」という前提をもとにデータマートとセントラル・ウェアハウスの同時開発という手法が注目されています。まず、最初の3ヶ月～6ヶ月の短期間でユーザのニーズに応じたデータマートを構築し、一方でセントラル・ウェアハウスの構築も同時に進めていきます。データマート開発で得たノウハウをフィードバックしながらセントラル・ウェアハウスの開発に役立てます。1年～1年半でセントラル・ウェアハウスが完成したら、それまでに構築したデータマートをセントラル・ウェアハウスに合わせて再構築します。【補足】

IAFコンサルティング様の管理ツール「OLAP Coaster」では、分析モデルをメタレイヤ（Meta Layer）として、RDBMS（データウェアハウス）のデータをMDB（データマート）に自由に切り出して作成するというような運用が可能です。

ビジネスモデルを用いてデータマートを構築・運用を行うという、画期的なツールです。詳しくはIAFコンサルティング様のホームページをご参照ください。

(10)

データウェアハウス・ツールのトレンド ①

カスタマイズ

テンプレートを含む

パッケージ製品

＋

従来のパッケージ

製品

業務別、業種別の

アプリケーションに特化

したデータウェアハウス

ソリューション

共通課題に

応えるため

のノウハウ

【データウェアハウス分析ツールのトレンド①】【データウェアハウス分析ツールのトレンド①】【データウェアハウス分析ツールのトレンド①】【データウェアハウス分析ツールのトレンド①】最近のデータウェアハウス分析ツールのトレンドについて紹介します。現在、多くの企業は、データマートに注目しており、そのパッケージ製品に即効性のあるソリューションを期待しています。これまでに流通している製品は、相当のカスタマイズが必要とされるものがほとんどでした。そこで、いま企業が必要としているのは、業務別、あるいは業種別のアプリケーションに特化したデータウェアハウス・ソリューションです。汎用性はなくとも、特定の業種や業務を対象とした製品ならユーザ企業はより短期間により低コストで、データウェアハウスを導入することができるからです。個々の業界が直面する様々な共通課題に応えるため、テンプレートを含む製品が登場しています。【補足】

オラクルでは、Oracle Applicationsと密接に統合された管理会計ツール「Oracle Financial Analyzer R6.3.0」がこの「テンプレート」に相当します。予実管理、予算作成、経営分析、経営指がなどの用途が挙げられます。

(11)

データウェアハウス・ツールのトレンド ②

開発期間開発期間開発期間開発期間短縮短縮短縮短縮カスタマイズカスタマイズカスタマイズカスタマイズ作業作業作業作業運用面の運用面の運用面の運用面の簡素化が可能簡素化が可能簡素化が可能簡素化が可能特有ルールに特有ルールに特有ルールに特有ルールに従った入力操作従った入力操作従った入力操作従った入力操作短期の導入期間短期の導入期間短期の導入期間短期の導入期間導入コスト削減導入コスト削減導入コスト削減導入コスト削減長期の導入期間長期の導入期間長期の導入期間長期の導入期間多大な導入コスト多大な導入コスト多大な導入コスト多大な導入コスト

テンプレート

自社開発

メリットメリットメリットメリットメリットメリットメリットメリットメリットメリットメリットメリット【データウェアハウス分析ツールのトレンド②】【データウェアハウス分析ツールのトレンド②】【データウェアハウス分析ツールのトレンド②】【データウェアハウス分析ツールのトレンド②】パッケージ製品と自社開発のどちらが良いかは、企業の業務体系や導入計画によって異なります。両者の長所と短所を図にまとめてみました。

(12)

意思決定の手法について ①

ＯＬＡＰ（

Online Analytical Processing））））

状況把握や問題追求を行なう分析手法

4 44 4月月月月商品別売上商品別売上商品別売上商品別売上商品商品商品商品売上売上売上売上前月比前月比前月比前月比 A 3,000 A 3,000A 3,000 A 3,000万円万円万円 100%万円 100%100%100% B 5,000 B 5,000B 5,000 B 5,000万円万円万円 70%万円 70%70%70% C 4,000 C 4,000C 4,000 C 4,000万円万円万円万円 95%95%95%95% ・・・・・・・・… 4 44 4月月月月店舗別商品店舗別商品店舗別商品B店舗別商品BBB売上売上売上売上店舗店舗店舗店舗売上売上売上売上前月比前月比前月比前月比用賀用賀用賀用賀 1,3001,3001,3001,300万円万円万円万円 95%95%95%95% 赤坂赤坂赤坂赤坂 950950万円950950万円万円万円 60%60%60%60% 中野中野中野中野 1,7001,7001,7001,700万円万円万円万円 120%120%120%120% ・・・・・・・・… 4 44 4月月月赤坂店月赤坂店赤坂店赤坂店商品商品商品商品B B B B 個人別個人別個人別個人別名前名前名前名前達成率達成率達成率達成率山田山田山田山田 110%110%110%110% 鈴木鈴木鈴木鈴木 40%40%40%40% 佐藤佐藤佐藤佐藤 100%100%100%100% ・・・・…・・・・

前月より売上げが急

激に落ち込んでいる

製品Ｂを発見

!

赤坂支店に

問題がある

事が分かる

セールスマン鈴木

の売上げが

40%し

し

か達成されていない

【意思決定の手法について①】【意思決定の手法について①】【意思決定の手法について①】【意思決定の手法について①】意思決定をサポートする情報処理では、OLAPとデータマイニングが必ずといっていいほど対になって語られます。ここで、混同され易いOLAPとデータマイニングについて説明します。 OLAPとは、サマリデータからデータを素早く検索し、比較を中心とした分析を行なうことで特殊な要求に対応する分析手法です。例えば、ある小売の製品別の売上げ分析から、売上げが前月に比べて著しく落ち込んでいる製品Bが発見されたとします。売上げ減少の原因を追求するために製品Bの売上げを店舗別に見てみると、赤坂支店では前月に比べて60%の売上げしか達成していないことが分かります。更に、赤坂支店の売上げをセールスマン別に調べると、セールスマン鈴木の販売成績が芳しくないという原因を発見することができます。製品別売上げ分析など、よく使われる分析視点をあらかじめ分析メニューとして用意すれば、あまりコン

(13)

意思決定の手法について ②

データマイニング

大量データから規則性や因果関係を発見する分析手法

スナック菓子の

購入者

（

（（

（

20万人）

万人）

カセットテープのカセットテープのカセットテープのカセットテープの購入者購入者購入者購入者 (5万人万人万人万人) スナック菓子スナック菓子スナック菓子スナック菓子&テープテープテープテープの購入者（の購入者（の購入者（の購入者（2万人）万人）万人）万人）【意思決定の手法について②】【意思決定の手法について②】【意思決定の手法について②】【意思決定の手法について②】一方、データマイニングは、ツール自らが特定の分析手法を持つことで、より大量のデータからOLAP では見つけることのできなかった予期しない規則性や因果関係を発見する分析手法です。データマイニングの基礎的な技術要素は必要なデータだけに注目し､多段階クロス分析を行ない、データ属性間の相互作用、相関関係を自動分析し、パターンを見つけ出すことです。データマイニングによる代表的な分析には以下のような例が挙げられます。・商品間の相関関係を導き出す「相関関係分析」・顧客が時系列に行動する購買パターンを見つける「時系列分析」・過去の類似した現象から規則性を導き出す「類似性時系列分析」例えば、コンビニエンス・ストアの売上げ製品の相関関係をデータマイニングを使って行い、「カセットデープの購入者はスナック菓子も同時に購入する確率が高い」という顧客の購買パターンを発見したとします。この分析結果をもとにスナック菓子とカセットテープを近くの棚に陳列することで売上げの向上を期待することができます。

(14)

データマイニング

((((データ検索

データ検索

データ検索))))

データ検索

OLAP

（

（（

（データ分析）

データ分析）

分析対象

要約データ

詳細データ

目的

現状把握

発見

分析技術

スライス＆ダイス、スライス＆ダイス、スライス＆ダイス、スライス＆ダイス、スライス＆ダイス、スライス＆ダイス、スライス＆ダイス、スライス＆ダイス、相関関係分析、相関関係分析、相関関係分析、相関関係分析、相関関係分析、相関関係分析、相関関係分析、相関関係分析、ドリルダウンなどドリルダウンなどドリルダウンなどドリルダウンなどドリルダウンなどドリルダウンなどドリルダウンなどドリルダウンなど時系列分析など時系列分析など時系列分析など時系列分析など時系列分析など時系列分析など時系列分析など時系列分析など

成熟度

成熟

発展中

分析結果

主観的

客観的

【【【【OLAPとデータマイニングの比較】とデータマイニングの比較】とデータマイニングの比較】とデータマイニングの比較】成熟度に関してデータマイニングはまだまだ発展途上の段階にあります。思いもよらない因果関係や相関関係の事例が報告される一方で、実際の分析結果のほとんどは、当たり前の事柄かまったく使えないルールであることも少なくありません。OLAPは、状況把握、問題追及を行なう基本的な機能はすでに備わっており、現在はデータにもとづいて予測を立てるような機能も含まれています。

(15)

まとめ

－意思決定支援のためのＯＬＡＰ－

意思決定支援のためのＯＬＡＰ－

ユーザーは様々な分析ニーズを持っているはず！

OLAP

((((Onl

Onl

Onlｉｎｅ

Onl

ｉｎｅ

ｉｎｅ Analytical Processing

ｉｎｅ

Analytical Processing

Analytical Processing）

））

）

DWH DWH DWH DWHの活用の活用の活用の活用意思決定意思決定意思決定意思決定実行実行実行実行効果検証効果検証効果検証効果検証分析分析分析分析仮説・検証の繰り返し仮説・検証の繰り返し仮説・検証の繰り返し仮説・検証の繰り返し _{データから情報への変換}_{データから情報への変換}_{データから情報への変換}_{データから情報への変換} •分析の切り口は、多次元･階層的分析の切り口は、多次元･階層的分析の切り口は、多次元･階層的分析の切り口は、多次元･階層的 •同じ切り口でも、見方一つで、様々な解釈ができる同じ切り口でも、見方一つで、様々な解釈ができる同じ切り口でも、見方一つで、様々な解釈ができる同じ切り口でも、見方一つで、様々な解釈ができる •操作が簡単である操作が簡単である操作が簡単である操作が簡単である e.t.c e.t.c e.t.c e.t.c ････････････

様々なユーザが様々なユーザが様々なユーザが様々なユーザが様々な視点で様々な視点で様々な視点で様々な視点で分析ができなくてはならない！分析ができなくてはならない！分析ができなくてはならない！分析ができなくてはならない！【意思決定支援のための【意思決定支援のための【意思決定支援のための【意思決定支援のためのOLAP】】】】 ここまでのスライドでデータウェアハウスの概念や、意思決定支援システムにまつわる用語を説明しました。データウェアハウスは、ユーザに活用されてこそ意義のあるシステムです。ここからは、意思決定支援システムを支える上で最近注目されているOLAPに的を絞って説明します。なせOLAPが情報分析に適しているのでしょうか？それは、OLAPが情報分析をすることを目的として作られたものだからです。データ分析において分析→意思決定→実行→検証といった作業が繰り返し行われます。この様な分析サイクルの中で、単なるデータが意味のある情報と変換されていきます。分析するユーザは、一つの見方（切り口）だけでなく、様々な解釈をし、整理することでデータから情報へと変換していきます。そのため、情報分析に必要な要素として、多次元でデータが構成され、切り口の変更が容易にできることがあげられます。こういった分析ニーズに応えられるテクノロジーとして、OLAPがよく用いられます。

(16)

分析について

(17)

とは

OLAP OLAP OLAP

OLAP（（（（Online Analytical ProcessingOnline Analytical ProcessingOnline Analytical ProcessingOnline Analytical Processing））））

多次元分析。スライシング（キューブの断面を見る）やダイシング（分析視点の切り替え）の手法を用いて、様々な角度から柔軟なデータ分析が可能。

OLAP OLAP OLAP

OLAP（（（（Online Analytical ProcessingOnline Analytical ProcessingOnline Analytical ProcessingOnline Analytical Processing））））

多次元分析。スライシング（キューブの断面を見る）やダイシング（分析視点の切り替え）の手法を用いて、様々な角度から柔軟なデータ分析が可能。地域マネージャー地域マネージャー地域マネージャー地域マネージャーの視点の視点の視点の視点製品マネージャー製品マネージャー製品マネージャー製品マネージャーの視点の視点の視点の視点製品地域地域地域地域時間時間時間時間売上分析売上分析売上分析売上分析売上分析売上分析売上分析売上分析アドホックな視点アドホックな視点アドホックな視点アドホックな視点財務マネージャー財務マネージャー財務マネージャー財務マネージャーの視点の視点の視点の視点 TIME 【【【【OLAPとは】とは】とは】とは】現在OLAPという言葉が広範囲で使用されていますが、広い意味でのOLAPとは、多次元で各次元が階層構造であるデータ構成に各々のユーザーが、それぞれの視点でアクセスできるシステムをOLAPと呼んでいます。 OLAPで使用するデータベースは、よく多次元構造である多次元データベースが用いられます。下の図のように、多次元データベースは、よくキューブにたとえられます。 OLAPでは、「製品マネージャー視点」の例のようなキューブの断面を分析するスライシングと呼ばれる手法や、「アドホックな視点」の例のようなキューブを分割するダイシングと呼ばれる手法が用いられます。アドホック検索とは、非定型分析で、次元、次元値、データのレイアウトを変更して行なう検索方法です。軸交換を行ってデータのローテーションを行ないます。

(18)

分析方法

(19)

の分析手法

地域次元地域次元地域次元地域次元ダイスダイスダイスダイススライススライススライススライスドリルダウンドリルダウンドリルダウンドリルダウン売上売上売上売上売上売上売上売上////////予算予算予算予算予算予算予算予算地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 160 290 225 120 90 200 115 123 190 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘC 地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 110 80 145 120 90 220 115 123 146 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘB 時間次元時間次元時間次元時間次元地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 150 140 145 120 170 200 115 123 154 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 150 140 145 120 170 200 115 123 154 店舗店舗店舗店舗A 店舗店舗店舗店舗B 店舗店舗店舗店舗C 40 55 80 50 65 65 30 50 55 ドリルアップドリルアップドリルアップドリルアップ・原因をその場で追跡・原因をその場で追跡・原因をその場で追跡・原因をその場で追跡地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 420 510 515 500 550 620 450 550 490 時間次元時間次元時間次元時間次元地域次元地域次元地域次元地域次元ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 4月月月月 5月月月月 6月月月月 720 700 850 400 450 470 500 490 530 時間次元時間次元時間次元時間次元製品次元製品次元製品次元製品次元ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘC ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘB 地区地区地区地区A 地区地区地区地区B 地区地区地区地区C ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 420 510 515 500 550 620 450 550 490 製品次元製品次元製品次元製品次元地域次元地域次元地域次元地域次元ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘBｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘC ・様々な視点でデータを分析・様々な視点でデータを分析・様々な視点でデータを分析・様々な視点でデータを分析【【【【OLAPの分析手法】の分析手法】の分析手法】の分析手法】 OLAPの基本的な分析手法には、ダイシング、スライシング、ドリルダウン&ドリルアップといったものがあります。各手法については後のスライドで説明します。（これらの操作はマウスによるクリック、ドラック&ドロップで簡単に行うことができます）。

(20)

スライシング

時間次元時間次元時間次元時間次元地域次元地域次元地域次元地域次元地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 160 290 225 120 90 200 115 123 190 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘC 地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 110 80 145 120 90 220 115 123 146 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘB 地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 150 140 145 120 170 200 115 123 154 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA

スライス

地

域

時間

製品製品製品製品

キューブの断面を切り出し

分析すること

【スライスシング】【スライスシング】【スライスシング】【スライスシング】スライシングとは、キューブの断面を切り出し分析することです。キューブが数枚のページが重なってできたものと考えれば、その中の1ページを取り出すようなイメージです。この例では、地域、製品、時間から構成されるキューブから製品次元のカテゴリA,B,Cに関する地域次元と時間次元から構成される売上げデータをそれぞれ取り出しています。

(21)

ダイシング

地

域

時間

製品製品製品製品

_ダイス

地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 420 510 515 500 550 620 450 550 490 時間次元時間次元時間次元時間次元地域次元地域次元地域次元地域次元ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 4月月月月 5月月月月 6月月月月 720 700 850 400 450 470 500 490 530 時間次元時間次元時間次元時間次元製品次元製品次元製品次元製品次元ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘC ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘB 地区地区地区地区A 地区地区地区地区B 地区地区地区地区C ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 420 510 515 500 550 620 450 550 490 製品次元製品次元製品次元製品次元地域次元地域次元地域次元地域次元ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘBｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘC ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 地区地区地区地区A 4月月月月

キューブ全体から各次元要素

を切り出し、組み合わせて分析

すること

【ダイシング】【ダイシング】【ダイシング】【ダイシング】ダイシングとは、キューブ全体から各次元要素を切り出し、組み合わて分析することです。キューブから小さなキューブを取り出すようなイメージです。例えば、キューブ全体から、地域次元→地区A,B,C、製品次元→カテゴリA,B,C、時間次元→4月、5月、6月の売上げデータを含む小キューブを取り出します。図のように、軸交換、軸移動することで、「製品カテゴリAの地区A,B,Cに関する4月、5月、6月の売上げ」といった見方や、「地区AのカテゴリA,B,Cに関する4月、5月、6月の売上げ」といった見方など、さまざまな視点に変えながら売上げデータの分析を行うことができます。

(22)

ドリルダウン・ドリルアップ

時間次元時間次元時間次元時間次元地域次元地域次元地域次元地域次元

ドリルダウン

ドリルアップ

地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 150 140 145 120 170 200 115 123 154 店舗店舗店舗店舗A 店舗店舗店舗店舗B 店舗店舗店舗店舗C 40 55 80 50 65 65 30 50 55 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 地区地区地区地区A 地区地区地区地区B 地区地区地区地区C 4月月月月 5月月月月 6月月月月 150 140 145 120 170 200 115 123 154 ｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘｶﾃｺﾞﾘA 時間次元時間次元時間次元時間次元地域次元地域次元地域次元地域次元

ドリルダウンはサマリーデータ

から詳細データを取り出すこと

ドリルアップはその逆

【ドリルダウン・ドリルアップ】【ドリルダウン・ドリルアップ】【ドリルダウン・ドリルアップ】【ドリルダウン・ドリルアップ】ドリルダウンとは、集計されたデータから、より詳細なレベルのデータを掘り下げて取り出すことです。図では地区Bからドリルダウンしてより詳細なレベルのデータである店舗A,B,Cについて月別の売上げデータを取り出しています。ドリルアップは、その逆で、上の階層の集計されたデータを取り出すことです。

(23)

データの格納方法

(24)

M M M

M----OLAPOLAPOLAPOLAP（（（（MultiMultiMultiMulti----Dimensional OLAP)Dimensional OLAP)Dimensional OLAP)Dimensional OLAP) RR-RR---OLAPOLAPOLAP（OLAP（（（Relational OLAP)Relational OLAP)Relational OLAP)Relational OLAP)

特徴：特徴：特徴：特徴：･多次元構造の･多次元構造の･多次元構造の･多次元構造のMDBMDBMDBMDB ････夜間バッチなどであらかじめデータをロード夜間バッチなどであらかじめデータをロード夜間バッチなどであらかじめデータをロード夜間バッチなどであらかじめデータをロード･一般的にレスポンスが良い･一般的にレスポンスが良い･一般的にレスポンスが良い･一般的にレスポンスが良い･分析用関数の実装･分析用関数の実装･分析用関数の実装･分析用関数の実装･データが･データが･データが･データがRDBRDBRDBとRDBとととMDBMDBMDBMDBで重複するで重複するで重複するで重複する･次元の変更に柔軟に対応できない･次元の変更に柔軟に対応できない･次元の変更に柔軟に対応できない･次元の変更に柔軟に対応できない･小規模･小規模･小規模･小規模DWHDWHDWH向き（＜数十DWH向き（＜数十向き（＜数十向き（＜数十GBGBGBGB））））特徴：特徴：特徴：特徴：････RDBRDBRDB上のデータを多次元的に表現して利用RDB上のデータを多次元的に表現して利用上のデータを多次元的に表現して利用上のデータを多次元的に表現して利用･分析の種類や容量によっては検索に時間がかかる･分析の種類や容量によっては検索に時間がかかる･分析の種類や容量によっては検索に時間がかかる･分析の種類や容量によっては検索に時間がかかる･データは･データは･データは･データはRDBRDBRDBに一元化RDBに一元化に一元化に一元化･様々なツールが使用可能･様々なツールが使用可能･様々なツールが使用可能･様々なツールが使用可能･中大規模･中大規模･中大規模･中大規模DWHDWHDWH向き（数十DWH向き（数十向き（数十向き（数十GBGB∼GBGB∼∼TB∼TBTB）TB）））マネジメント層向きマネジメント層向きマネジメント層向きマネジメント層向き比較的定型分析向き比較的定型分析向き比較的定型分析向き比較的定型分析向き小規模小規模小規模小規模DWH（（（（マート）マート）マート）マート）アナリスト、パワーユーザー向きアナリスト、パワーユーザー向きアナリスト、パワーユーザー向きアナリスト、パワーユーザー向きアドホックな分析アドホックな分析アドホックな分析アドホックな分析中大規模中大規模中大規模中大規模DWH（（（（セントラル）セントラル）セントラル）セントラル）ユーザーは？ユーザーは？ユーザーは？ユーザーは？分析内容は？分析内容は？分析内容は？分析内容は？データ量は？データ量は？データ量は？データ量は？どちらを使えば良いか？どちらを使えば良いか？どちらを使えば良いか？どちらを使えば良いか？ MDB MDBMDB MDB MDB MDB MDB MDB RDBRDBRDBRDBRDBRDBRDBRDB 【【【【MOLAP VS ROLAP】】】】 データの物理的格納方法の違いによりOLAPは、２つの主要なアーキテクチャに分類することができます。一つは多次元構造の多次元データベースにデータを格納し、アクセスするマルチデｨメンショナル OLAPといわれるM-OLAPです。もう一つは、リレーショナルデータベースにあるデータを多次元的Viewとして表現して、アクセスするリレーショナルOLAPといわれるR-OLAPです。それぞれの特徴は図のようになっています。使い分けは、特徴からも分かる通り、分析を行う対象・用途・目的・データ量によって異なり、分析要件にあった形態を選択することが望まれます。

(25)

トレード・オフ

リレーショナルリレーショナルリレーショナルリレーショナルリレーショナルリレーショナルリレーショナルリレーショナルデータベースデータベースデータベースデータベースデータベースデータベースデータベースデータベース多次元データベース多次元データベース多次元データベース多次元データベース多次元データベース多次元データベース多次元データベース多次元データベースクエリー・パフォーマンスクエリー・パフォーマンスクエリー・パフォーマンスクエリー・パフォーマンスクエリー・パフォーマンスクエリー・パフォーマンスクエリー・パフォーマンスクエリー・パフォーマンスデータセット・サイズデータセット・サイズデータセット・サイズデータセット・サイズデータセット・サイズデータセット・サイズデータセット・サイズデータセット・サイズシンプルシンプルシンプルシンプルシンプルシンプルシンプルシンプル分析能力分析能力分析能力分析能力分析能力分析能力分析能力分析能力 MOLAP ROLAP 早い早い早い早い遅い遅い遅い遅い大大大大小小小小【トレード・オフ】【トレード・オフ】【トレード・オフ】【トレード・オフ】ポイント： M-OLAPは、あらかじめ集計されたデータを保持しているため、問い合わせに対するレスポンスが早いのが特徴です。また、RDBMSでは限界とされる高度な計算機能（移動平均・予測分析など）を、関数を用いて実現することができます。 R-OLAPは、現存しているデータを対象として問い合わせをすぐに実行することができます（Simple）。一方、M-OLAPはデータを多次元の構造にロードしておく必要があります。 M-OLAPには、処理できるデータセットに物理的なサイズの制限があるがR-OLAPは大規模なデータセットに対し処理を実行できます。【補足】 Oracle8i 8.1.6よりサポートされた分析関数を用いると、いままでRDBMSでは複雑・困難とされた「移動平均・統計」「TopN件検索」「累計計算」が簡単に実現できます。

(26)

～オラクルでは～

Oracle8 スタースキーマスタースキーマスタースキーマスタースキーマスタースキーマスタースキーマスタースキーマスタースキーマリポジトリリポジトリリポジトリリポジトリ一時ｷｬｯｼｭ一時ｷｬｯｼｭ一時ｷｬｯｼｭ一時ｷｬｯｼｭ永続キャッシュ永続キャッシュ永続キャッシュ永続キャッシュ OLAP Server RAM/RAA RAM/RAA RAM/RAA RAM/RAA Hybrid-OLAP M-OLAPととととR-OLAPの長所を取り入れたデータの物理的格納方法持つの長所を取り入れたデータの物理的格納方法持つの長所を取り入れたデータの物理的格納方法持つの長所を取り入れたデータの物理的格納方法持つアーキテクチャ。アーキテクチャ。アーキテクチャ。アーキテクチャ。参照頻度の高いサマリーデータを予め参照頻度の高いサマリーデータを予め参照頻度の高いサマリーデータを予め参照頻度の高いサマリーデータを予めMDB中に格納し中に格納し中に格納し中に格納し時々参照するサマリーデータはその場で計算する。時々参照するサマリーデータはその場で計算する。時々参照するサマリーデータはその場で計算する。時々参照するサマリーデータはその場で計算する。【【【【Hybrid OLAP ～～～～オラクルでは～】オラクルでは～】オラクルでは～】オラクルでは～】一般的な多次元データベースでは、明細データからサマリーデータの全てが格納されます。通常、 MDBのデータソースは、リレーショナル・データベースから抽出するので、データの二重化が発生し、データベース・ファイルが大きくなってしまします。小規模の多次元データベースの場合、それほど問題になりませんが、中規模～大規模多次元データベースになると、物理格納領域の不足等の問題が生じてきます。その解決策としてオラクルが提唱しているのがHybrid OLAPです。 ROLAP、MOLAPに関しては業界としてが準的な定義が定まりつつありますが、Hybrid OLAPに関しては、ツールを提供しているベンダーによって定義が微妙に異なっています。ここではオラクルの場合を紹介します。

オラクルでいうHybrid OLAPとは、明細データ→Oracle８、サマリーデータ→Oracle8とOLAP Server に置くという考え方です。OLAP分析で頻繁に検索要求が発生するデータは多次元データベースに格納し、明細データや分析要求の少ないサマリーデータはリレーショナル・データベースに格納します。 Oracle８とOLAP Serveを使用すると分析アプリケーションから透過的に多次元データベースまたはリレーショナル・データベースにアクセスし検索することができます。

(27)

まとめ

ROLAP

データ量の増加を防げる

アドホックな検索が可能

MOLAP

問い合わせのレスポンスが早い

高度な計算機能

HOLAP (Hybrid OLAP)

ROLAP、

、

MOLAPの

の

“良いとこどり

良いとこどり

“

＋

MDB MDB MDB MDB MDB MDBMDB MDB RDB RDBRDB RDB RDB RDB RDB RDB RDB RDB RDB RDB RDB RDBRDB RDB MDBMDBMDBMDB_MDB_MDB_MDB_MDB 【まとめ】【まとめ】【まとめ】【まとめ】

(28)