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
-
プレミアムコンテンツ
[アイティメディア株式会社] AI活用を成功に導く「オブジェクトストレージ」 NAS/SANの限界を突破するには -
プレミアムコンテンツ
[アイティメディア株式会社] 「性能ならSSD」「大容量ならHDD」はもう古い? 変わるストレージの常識 -
プレミアムコンテンツ
[アイティメディア株式会社] 「オンプレミス回帰」がまさかの失敗に クラウドをやめずに安くする最適化手法 -
事例
[発注ナビ株式会社] AI活用を成功させる企業とそうでない企業の違いとは? -
製品レビュー
[発注ナビ株式会社] システム開発「はじめの一歩」 押さえておきたい基礎知識と失敗を防ぐ方法
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
SAP移行で1900億円の赤字 「ベンダー任せ」が招くERP崩壊と回避策
-
2
「VMware vCenter」でゼロデイ悪用、PHPも修正――今朝の情シスニュース
-
3
「Copilot利用率99%」デンソー驚異の定着術 3万人を動かした“社長賞”の舞台裏
-
4
「GPT-6.1 Terra」は半額 それでもなぜ企業はAIモデルを選べないのか?
-
5
「nginx」のHTTP/2脆弱性(CVSS 9.2)、パッチ適用までの緊急チェックリスト
-
6
積水化学工業が「SAP S/4HANA Cloud」の“全グループ導入”に踏み切った訳
-
7
AIに長文を入力する際の「コンテキストウィンドウ」の適切な扱い方はどれ?
-
8
“アジャイルの壁”に挑むオリックス生命がIBMの開発管理ツールを選んだ理由
-
9
「Chrome」「Edge」「Firefox」のメモリ使用量はどれだけ違う? 測定してみた
-
10
「Active Directory」復旧で“詰む”企業が続出 ランサムウェアに備える4対策
ホワイトペーパーランキング PR
-
1
「IT史に名を残すシステム障害」8選
-
2
SCS評価制度時代の「SASE選定」ガイド
-
3
Microsoft 365 Copilotを安全&効果的に活用するために必要な「2つの準備」
-
4
Microsoft 365のメールセキュリティ、3つの“死角”と追加で検討すべき対策とは
-
5
パスワード管理だけで十分? 特権アクセスを脅かす暗号鍵の放置リスクとは
-
6
すぐ分かる「AWS WAF」ガイド:特徴・運用課題・メリットを解説
-
7
マンガで解説:情シスの負担を減らす「MDRサービスのインシデント対応」の中身
-
8
「Copilot Cowork」でこう変わる AIエージェント時代の新たな働き方とは
-
9
AI活用で激化する外部・内部リスク、取引先へ波及する脅威から守る対策とは?
-
10
Microsoft 365 Copilotで実際何ができる? 回答の精度を高めるRAGとは?
TechTargetジャパン SNS
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