まずはデータソースの洗い出しから
BIを支えるデータ統合の実践ポイント
BIプロジェクトでは、データ統合を的確に行わなければ何種類ものデータを管理することになり、深刻な文化的問題に直面してしまう。
ビジネスインテリジェンス（BI）の取り組みを阻害する要因はいろいろある。だが、その最たるものは、最初の段階でデータ統合に関する重要な考慮事項を検討しないことだ。
専門家によると、データソースとデータ利用者を結ぶデータ統合は、まさにBIの基盤を成すものだ。だが、データ統合を成功させるのは容易なことではない。お粗末なデータフィールドラベルの設定やデータソースの散在といった問題が成功の障害になる。BIを適切に行うには、データ品質に特に注意しながらデータソースを慎重に選択するとともに、データが最終的にビジネスでどのように利用されるかを理解しなければならない。
「BIではデータ統合が肝心だ」と、コンサルティング会社Conversion Services Internationalの情報管理担当上級副社長ウィリアム・マックナイト氏は語った。「的確にデータ統合を行わなければBIの効果は得られない。何種類もの帳簿を管理することになり、意味上の問題など、BIの成功を妨げるさまざまな深刻な文化的問題に直面してしまうだろう」
BIの取り組みを成功に導くには、データ統合に関する重要な考慮事項に注意しなければならないと、マックナイト氏とBIコンサルティング会社Athena IT Solutionsの創業者リック・シャーマン氏は話している。
厳密なデータ定義
BIユーザーは多くの場合、ビジネスへの洞察を深めるためにデータをドリルダウンしようとする。BIのデータ統合プロジェクトの最初のステップは、自社データを細部まで理解した上で、データ定義を社内で統一することだと、マックナイト氏は語った。そうすれば、ユーザーはデータを掘り下げる際、共通の枠組みに依拠することになる。
例えば小売業者の場合、「顧客」は具体的にどのように定義されるのか。個人か、あるいは世帯全体か。既存購入者の世帯のほかのメンバーが購入した場合、その人は新しい顧客なのか、あるいは世帯単位の既存の顧客アカウントの一部なのか。BIシステムにデータを統合する前に、こうした問題に答えを出さなければならないと、マックナイト氏は述べた。どのような答えを出すかは、主に会社のビジネスモデルや企業文化に左右される。
データソース間の違いの吸収
次のステップは、データベース、データウェアハウス、スプレッドシートなど、データソースを洗い出すことだ。異なる部門が重複する情報を含む独自のデータベースやスプレッドシートを使っている場合が多く、その実態を把握することは重要だ。こうしたデータソースはデータ品質の問題を招きやすいからだ。
「データの一元管理を行わずに成長してきた企業が、ビジネスを包括的に可視化するためにデータ統合に取り組もうとするケースが多い」とマックナイト氏は語った。「こうした企業では、部門ごとに異なる形式で運用されているデータがあり、各部門が正式に、あるいは勝手にIT担当部門を設置していることもある」。データ統合を行う前に、こうしたさまざまなデータソースを調整しなければならないという。
Athenaのシャーマン氏も、データ統合の取り組みにおけるデータ品質の重要性を強調した。BIシステムの導入前は、個々のビジネス部門のユーザーが、目的に合わせて日常的にデータに変更を加えているだろうが、それらの変更はほかの部門には反映されていないだろう、と同氏は指摘した。そうしたデータが部門内でのみ使われるなら、それでも問題はない。だが、全社のデータにアクセスするBIシステムは、そうしたデータをそのまま受け入れると台無しになってしまう。
「BIシステムはデータを操作し、データ品質の問題、つまりデータの不整合や、特定したデータエラーを修正する」とシャーマン氏。「BIの取り組みを始めると、さまざまなシステムからのより詳細なデータを調べたくなる。そこでデータ品質の問題が浮上してくる」
BIステークホルダーの声を反映する
データ品質の問題に対処するとともに、経営幹部とアナリストの声に耳を傾け、彼らがBIのリポート、分析機能、ダッシュボードをどのように利用しようとしているかを見極める必要もある。
「こうしたBIのステークホルダーのためにデータソースを適切に選択しなければならない」とマックナイト氏。「また、社内で利用できるデータソースの選択肢をステークホルダーに理解してもらうことも必要だ」
データがどのように利用されるかを理解することは、BIのデータ統合の成功に不可欠だと、シャーマン氏も口をそろえる。だが、データのライフサイクルを理解することも同様に重要だという。
「データのライフサイクルは、ビジネスプロセスと非常に密接に関連している」とシャーマン氏。例えば、メーカーが利用するデータの作成から廃棄までのプロセスは、小売業者が利用するデータとは非常に異なる。同じ業種内でも、データライフサイクルは大抵の場合、企業によってさまざまだ。シャーマン氏とマックナイト氏は、BIのためのデータ統合をライフサイクルのどの段階で行うべきかを知ることは、大きな成功要因の1つだと語った。
両氏は、「データソースの選択肢が明確になり、データ品質の問題が解決され、BIがビジネスでどのように利用されるかが確定して初めて、企業はBIシステムへのデータ統合を実際に開始できる」という認識で一致している。
一部のBIプロジェクトが非常に長期化し、場合によっては9カ月から1年、あるいはもっとかかるのは、「データの定義や使い方をビジネスユーザーに決めてもらうことに加え、データ品質の確保、そしてデータガバナンスのルール策定に手間取るからだ」とシャーマン氏。「これは、BIでは極めて高度なデータ統合が必要なためだ」
Copyright © ITmedia, Inc. All Rights Reserved.
この記事の著者
関連記事
新着ホワイトペーパー PR
-
事例
[株式会社キーエンス] PCが苦手でも自動化できる ポポラマーマなど4事例に学ぶ「ナビ搭載型RPA」活用 -
製品資料
[株式会社クレオ] IT部門を“価値創造組織”へ転換 IT管理プロセスの改革で戦略的リソースを確保 -
製品資料
[株式会社クレオ] Excel管理が限界に――ITサービス管理の脱・属人化と運用高度化を実現する方法 -
製品資料
[株式会社クレオ] 西武グループやイオングループも実践 事例に学ぶ「ITサービスデスク業務」改善 -
製品レビュー
[株式会社クレオ] 「使われないITシステム」から脱却 現場が求める業務改善を実現する方法
こんなメディアも見られています
TechTargetジャパンに関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
ベンダーコンテンツ PR
From Informa TechTarget
SpecialPR
アクセスランキング
-
1
なぜ「Gemini 4 Argon」は出遅れたのか？ Googleが狙う“逆転のシナリオ”
-
2
法務と開発者で「言葉が通じない」問題 トヨタやソニーが語るOSS管理の真実
-
3
ChatGPTは“検索しまくり”でGeminiは“淡泊”？ データが明かすAIの裏側
-
4
情報漏えいはなぜ繰り返されるのか 今すぐ見直すべき「境界」
-
5
「レガシーシステム・老朽化システムの運用課題と刷新」に関するアンケート
-
6
年収が増えても幸せになれない 給与増でエンジニアが直面する「幸福度の壁」
-
7
1回で分かる：仮想マシンを丸ごとバックアップする「VADP」の仕組み
-
8
生成AIが普及しても「技術書」を手放せないエンジニアの本音
-
9
「Windows」の不要なファイルを安全に消して容量を空ける方法
-
10
世界PC出荷数が20％急減 情シスを直撃するPC先行調達の反動と価格高騰
ホワイトペーパーランキング PR
-
1
不審メールの経路や見せ方に変化？ 2026年夏の3事例から見えた動向と対処方法
-
2
家庭用Wi-Fiルーターの業務利用は危険？ 避けるべき理由と具体的な対策
-
3
システムの保守がモダン化を阻む？ 「変えない判断」から脱却する方法とは
-
4
AI駆動攻撃にどう対抗する？ 超速の攻撃からエンドポイントを保護する方法
-
5
プログラミング不要で誰でも実現できる、ネットワーク運用管理の自動化とは
-
6
なぜRPA導入は頓挫する？ シナリオ作成の壁を乗り越える解決策とは
-
7
東大教授と考える、AI時代の「データ主権」「信頼性」「ガバナンス」の在り方
-
8
Linux初心者でも知らないとまずい「RHEL」「SLES」の違いとは？
-
9
「オンプレミス回帰」せざるを得ない“合理的な理由”
-
10
ランサムウェア攻撃“究極の対策”はこれだ
TechTargetジャパン SNS
@techtarget_itmをフォロー
インフォメーション
注目情報をチェック
TechTargetジャパンをフォロー