正確さ（veracity）も鍵となる。分析するデータの質が低ければ、結果の質も低くなる。従って、ビッグデータシステムではどんなものであれ、分析するデータの品質をチェックするか、ソースから上がってくるデータの品質を保証できなければならない。

　最後の「V」は価値（value）を指す。どんなビッグデータ活動においても原動力となるのはこの要因であり、実際にはこれが第1の「V」になるはずだ。ビッグデータ分析を行うという意思決定は、結果から導き出される価値に基づいて判断しなければならない。この分析は行う価値があるのか？　事業活動や成功に及ぼす真の影響は？　英調査会社Quocircaによると、中には「いいアイデアに思える」という理由でビッグデータ分析が行われているケースもある。だが、ITリソースを利用するためには事業上の確固たる理由がなければならない。

　従って、自分の組織にビッグデータシステムを売り込んでくるサプライヤーは、それぞれの「V」について伝えたいことがあるはずだ。全てのデータを何もかもリレーショナルデータベースに送って、構造化されていないデータもBLOB（バイナリラージオブジェクト）として無理やり取り込むやり方は、ビッグデータの対応としてふさわしくない。

　同様に、現実を知らない相手は、リレーショナルデータベースの時代は終わったとか、今や何もかもHadoopストアかNoSQLデータベースで処理できると主張する。だが現時点でそれは間違っている。

　一方で、個々に切り離された専用のデータシステムのアプローチもうまくいかない。例えばMapReduceを使ってデータを減らすための非永続Hadoopシステムと、リレーショナルおよび非リレーショナル永続ストアが別々にある場合、ビッグデータで求められる速度のニーズに対応できない。

分析に対する単一のアプローチ

　真のビッグデータ分析を可能にするためには、それぞれの「V」に対応し、実際のビジネス分析に対する単一のアプローチを実現できるやり方でデータを取りまとめる必要がある。

　そこで登場するのがアプライアンスのアプローチだ。同じアプライアンスの中でHadoop環境をリレーショナルおよび非リレーショナルデータストアと混在させることにより、インテリジェンスをシステム全体に組み込んで、適切なデータが適切なストアに適切なタイミングで存在することを保証できる。分析に必要な層は最適化して、用途に合わせた性能を保証できる。前述したサプライヤーは全てこの戦場で戦っている。

　それでもまだ、ビッグデータアプライアンスの導入を検討する場合に注意すべき点はある。

　ほとんどの組織にとって、ビッグデータは大量のデータを伴う。望ましい分析速度を提供するために、大半のビッグデータアプライアンスは大容量メモリを搭載し、インメモリ分析に対応している。

　従って、導入を検討する場合はアプライアンスに十分なメモリがあるかどうか確認することが重要だ。アプライアンスはいずれ拡張が必要になる。導入時の搭載メモリが少なすぎるとシステムが想定よりも低速になり、速度の遅いストレージシステムとの間でデータを交換しなければならなくなる。

　純粋なHDDベースのアプライアンスは注意を要する。データを取り出す速度は大幅に向上したものの、依然としてインメモリシステムに比べればはるかに下回る。

　最上級のSSDと下位のHDDを組み合わせたハイブリッドシステムにも気を付けた方がいい。データの保存場所を管理するインテリジェントソフトウェアがない限り、分析システムがメモリからデータを引き出そうとする際に、メモリにデータがなければSSDに行き、そこにもなければHDDに行って、そこからデータを引き出してメモリに取り込むことになり、パフォーマンス上の重大な問題が生じるかもしれない。

今後の展望

　目を向けるべきは「Hadoop」とNoSQL、リレーショナルのアプローチを組み合わせたシステムだが、同時に未来にも目を向ける必要がある。Quocircaは、以前からHadoopを持続ストアとしては使わないよう助言してきた。それよりも、あらゆる環境でMapReduceの機能を活用してデータフィルターの機能を持たせ、分析するデータの量を減らすようアドバイスしている。「MapR」は「Apache Drill」プロジェクトをリードし、米Hortonworksには「Hive Stinger」がある。いずれもHadoopストアに対してSQLクエリを実行することの有望性を示している。

　IBMや、「Vortex」を擁する米Actianといったサプライヤーの商用Hadoop・SQL製品は、持続ストアとしてのHadoopが現時点で抱える速度の問題にある程度対応している。

　データストアのNoSQL側では、米Basho Technologiesが他社とは違うアプローチを採る。NoSQLデータベース「Riak」のノードのメッシュを有効にして、それぞれビッグデータの違う局面に対応させることで「リング1つで全てを支配」、すなわち多様な種類のデータに対して高速でデータ量の削減に対応できるデータベースの構築を目指している。

　最後に、特定の作業方法に縛られないシステムを探す必要がある。今あるビジネスインテリジェンス（BI）システムの利用を前提として確立されたスキルを捨て、新しいスキルを習得する事態は避けなければならない。選定するビッグデータシステムは、今あるBIツールの層をかぶせることに対応できる必要がある。

　ビッグデータ分析の世界はまだ比較的成熟度が低い。自分で構築するアプローチでは費用対効果が得られる公算は小さく、専用アプライアンスでは短期的な問題しか解決できない可能性がある。支出に見合った十分な価値が確実にもたらされるよう、アプライアンスは慎重に選ぶ必要がある。