基本情報のデータレイクとは？DWHとデータマートの違い

基本情報技術者試験でデータレイクの特徴を問われたら、形式が異なる多様なデータを、将来の利用も見据えて蓄積する仕組みだと押さえましょう。表形式のデータだけでなく、ログ、画像、音声なども扱う点が判断の手掛かりです。

データウェアハウス（DWH）は主に分析しやすく整理したデータを蓄積し、データマートは特定の部門や目的に合わせてデータを用意する仕組みです。実際の製品には機能の重なりがありますが、試験では「どの段階のデータを何のために使うか」を中心に比べます。

基本情報のデータレイクとは

データレイクは、多様なデータをまとめて蓄積し、必要に応じて取り出して分析などに使うための仕組みです。「レイク」は湖を意味し、異なる場所から流れ込むデータをためるイメージで捉えられます。特定のレポートに必要な形へすべてを先に整えるのではなく、後の用途を見据えて生データを保持できることが特徴です。

たとえば店舗の販売表に加え、ウェブサイトのアクセスログや商品の画像を集める場面を考えます。売上の集計方法は決まっていても、画像を将来どの分析に使うかはまだ決まっていないかもしれません。形式や用途が異なるデータを蓄積し、必要なものを取り出して加工する用途にデータレイクが使われます。

IPAのDX白書のデータレイクの説明でも、構造化データと画像・音声などの非構造化データを扱い、データの来歴を共有する重要性が示されています。データレイクという言葉を「湖のようにデータを集める」と覚えつつ、何を保存し、いつ使い方を決めるかまで説明できるようにしましょう。

ただし「データレイクなら何でも無条件で保存してよい」という意味ではありません。個人情報や社内情報を含む場合には、利用目的、アクセス権限、保存期間などを決める必要があります。蓄積の柔軟さと管理の必要性は両立します。

例えば、後から来店状況と売上の関係を調べたい場合、当初の定型集計では使わなかった記録が役立つことがあります。ただし、将来役立つかもしれないからといって無期限に保存するとは限りません。収集する根拠や保存期間を、対象データに応じて決めることが必要です。

構造化データと非構造化データを区別する

構造化データは、決まった項目や形式に沿って整理しやすいデータです。例えば商品番号、販売日、数量を行と列に収めた販売表が挙げられます。各列の意味が明確なので、店舗ごとの売上を計算するような処理に使えます。

非構造化データの例には、画像や音声、自由形式の文章があります。表の列にそのまま収めて意味を扱うことが難しく、利用目的に応じた処理が必要です。JSONなど、一定の構造を持ちながら表の形に固定されないデータを半構造化データと呼ぶこともあります。

試験では、画像が一切整理できないとか、表形式のデータをデータレイクに入れられないといった極端な判断を避けます。データレイクの特徴は、構造化データを含めて多様な形式を扱えることです。個々のファイルの内容を分析しやすくするためには、別途、形式の確認や加工が必要になる場合があります。

例えば販売表の数量と商品の画像を一緒に利用したい場合、商品番号を対応付ける方法を決め、欠損や重複を確認します。保存しただけでデータ同士の意味が自動的に一致するとは限りません。データの種類と、その後に必要な処理を分けて考えてください。

データレイクとDWHの違い

データウェアハウスは、分析に利用するデータを整理して蓄積する仕組みです。複数の業務システムから販売実績などを集め、日付や商品コードの形式をそろえておけば、部門をまたいだ集計に使いやすくなります。DWHは英語のData Warehouseの略です。

対して、データレイクは用途が確定していないものも含め、多様な形式のデータを蓄積する考え方です。一般的な比較では、データレイクは生データ、DWHは分析用に加工されたデータに注目します。レイクから必要なデータを選んで加工し、DWHへ渡す構成もあります。

IPAのDX白書は、両者を用途に応じて使い分けられるものとして説明しています。どちらか一方しか使えない関係ではなく、目的やデータの状態に応じて組み合わせられることがポイントです。

ただし製品ごとの機能は進化しており、DWHでも半構造化データなどを扱えるものがあります。試験の基本的な区別は押さえつつ、現実の製品すべてに同じ制約があると断定しないようにしましょう。問題文が示す保存形式と利用目的を根拠に選びます。

データマートは特定の利用目的に合わせる

データマートは、特定の部門や目的に向けて利用しやすく用意したデータの集まりです。例えば全社の販売データから、営業部門が月別・地域別の売上を確認するために必要な項目を選び、参照しやすい形にする場合を考えます。

この例では、DWHに複数部門の分析用データが集められ、そこから営業向けのデータマートが用意されることがあります。ただし実際の構成は組織や製品によって異なり、データマートが必ずDWHからしか作れないと決めつける必要はありません。基本は「利用者や用途に焦点を合わせた範囲」を見ることです。

三つの役割を店舗の例で整理すると、形式が異なる販売情報や画像などを集めるのがデータレイク、複数店舗の実績を分析向けに整理するのがDWH、営業担当者が必要とする範囲へ絞るのがデータマートです。いずれもデータを扱いますが、想定する段階と利用目的が異なります。

選択肢に「特定部門の分析に必要なデータを切り出す」とあればデータマートを候補にします。「様々なデータを元の形式に近い形で蓄積する」とあればデータレイクを検討します。名前だけでなく、説明に書かれた対象範囲を確認しましょう。

蓄積から加工・分析までの流れ

データの活用は、保存した時点で終わりません。まず複数の場所からデータを集め、必要に応じて重複や形式の違いを確認します。その後、利用目的に合わせて加工し、集計や分析へ渡します。どの順序を採るかは仕組みによって異なりますが、それぞれの役割は分けて考えられます。

ETLは、データを抽出し、変換してから、格納先へ読み込む処理の呼び方です。抽出・変換・読み込みという工程の順番に注目します。データレイク自体を「ETLという分析手法」と覚えると、保存先と処理の名前が混ざってしまいます。

OLAPは、集計したデータを地域別や期間別などの切り口で分析する考え方です。例えば年別の売上から月別へ詳しく見るといった操作に使います。保存する場所と分析する操作の違いは、OLTPとOLAPの違いでも確認できます。

データマイニングは、大量のデータから規則性や関係を見つけるための分析手法です。どの分析をするかを判断する際は、データマイニングの手法と例題も参考になります。データレイク、ETL、OLAP、データマイニングは、同じデータ活用に関係してもそれぞれ役割が違います。

基本情報の選択肢と管理上の注意点

選択肢を解くときは、最初に動詞へ注目します。「様々な形式を蓄積する」ならデータレイク、「分析用に整理したデータを蓄積する」ならDWH、「特定の部門用に選ぶ」ならデータマートが候補です。「切り口を変えて分析する」ならOLAP、「規則性を見つける」ならデータマイニングを考えます。

たとえば、販売記録とセンサーデータを将来の分析のために集めたい場面では、多様な形式を保持するデータレイクの特徴が合います。一方、営業部門が決まった指標を見るためのデータを用意したい場面では、データマートの説明が合う可能性があります。実際の選択肢全体と問題文の条件を比べて判断してください。

大量のデータをためる場合、どのデータがどこから来たか分からなければ活用しにくくなります。名称、内容、取得元、更新日などを把握し、利用できる人を制限することが重要です。形式が自由であることと、データの説明や権限管理が不要であることは別です。

迷った場合は、対象が保存場所なのか、データを加工する工程なのか、分析の方法なのかを先に分けます。複数の用語が同じ選択肢に登場しても、目的が一致するとは限りません。設問が求める中心的な役割を一つ選び、残りの語との関係を確認しましょう。

復習するときは、身近な例を一つ選び、生のデータ、分析用に整えたデータ、特定の担当者が使うデータを分けてみましょう。そのうえで、保管、加工、分析のどれを問われているかを説明できれば、初めて見る組織の事例でも選択肢を整理できます。