それはともかく、そもそもビッグデータとは何か？　IT専門誌『eWeek』の最近の記事では、米調査会社Gartnerの定義をベースに「ビッグデータとは、ネットワークを通してプロセッサやストレージに送り込まれる構造化および非構造化データの量、多様性、速度を指すとともに、それらのデータを企業に対するビジネス上の助言に変換したもの」としている。

　この定義は、データマネジメントや分析技術という意味においては当たっているが、ビッグデータを取り巻く経営課題の根本的な側面を見逃している。それは複雑性だ。例えば、ビッグデータインストレーションは、しばしばSNS、電子メール、Webアクティビティログ、その他のデータソースの情報を含むが、これらは伝統的なデータウェアハウス（DWH）システムに容易にはフィットしない。

　また多くの場合、そうした多様なデータが、より幅広いレベルで意味を成すためには、統合される必要がある。そこには、ビジネスルール、テーブル結合、その他のビッグデータアナリティクスシステムがからんでくる。ビッグデータの複雑性は、ストレージやクエリ管理などの局面で、従来型データのそれとは大きく異なる。それこそが、ビッグデータに取り組む企業を助けるために、アナリティカルデータベースやアナリティクスソフトウェアベンダーがビジネスをステップアップしなければならなかった主な理由だ。

　企業が技術ニーズを検討し、ビッグデータ計画を実行に移すためには、最初のステップとして、まずビッグデータを理解することから始めなければならない。その次は、膨大で多様なデータセットからビジネス価値、競争優位性を見いだそうとする企業をとりまく市場と最新トレンドを理解することだ。

ビッグデータアナリティクスプロジェクトのビッグアジェンダ

　もちろん、これまでも企業の多くは巨大なデータセットと向き合ってきた。しかし今日さらに多くの企業が、Tバイト、さらにはP（ペタ）バイトレベルの情報を抱えつつある。加えて、企業は日常的に何回も、あるいはリアルタイムで、それらの中から重要なデータを引き出す必要性を感じている。それは、週ベースや月ベースでヒストリカルデータを分析する従来型のBIプロセスから大きく踏み出さなければならないチャレンジだ。

　ビッグデータアナリティクス戦略において、テクノロジーベンダーらはそうしたニーズにさまざまな手法で立ち向かっている。多くのデータベース、DWHベンダーが、大規模で複雑なデータをタイムリーに処理できる能力にフォーカスしている。

　例えば、インメモリアナリティクスツールは、ディスクドライブからのデータ転送を少なくし、分析プロセスのスピードアップに役立つだろう（関連記事：インメモリデータベースで高速処理化が進む最新OLAP分析ツール）。またデータ仮想化ソフトウェアやその他のリアルタイムデータ統合技術は、多様なデータソースから情報を瞬時に集めるために利用できる。日常的にビッグデータを処理する電気通信、金融サービス、オンラインゲーム産業などの垂直市場向けに、さまざまなレディーメイドのアナリティクスアプリケーションが開発されている。データ可視化ツールを利用すれば、ビッグデータアナリティクスクエリの結果を、企業の幹部に分かりやすく提示することが可能になる。

　これらの技術が自社のデータ、アナリティクスニーズに適合する企業は、実装計画の立案やビッグデータインフラを選択する前に、以下の課題から検討を始めるべきだろう。

• データに求められるタイムリー性。全てのデータベースがリアルタイムでデータを提供できるわけではない
• データの相互関連性とビジネスルールの複雑性。さまざまなデータソースをリンクして、業績、販売機会、顧客動向、リスク、その他のビジネス要因を概観するときに必要となる
• 分析に用いられるヒストリカルデータの量。データソースが2年分の情報しか持っていないのに、5年分の情報を要求することはできるだろうか？
• 自社の産業分野においてビッグデータアナリティクスに経験のあるテクノロジーベンダーはどこか？　彼らの業績は？
• 多様なデータエンティティに責任を持つのは誰で、どのようにビッグデータアナリティクスイニシアチブに関与させるか？（関連記事：ビッグデータ活用の成功を左右するのは「人」──米調査会社）

　こうした検討課題は、必ずしも詳細な要求仕様を構成するものではない。だが、ビッグデータアナリティクスシステムの導入、そのための最適な技術の選択に向けてステップを踏み出すとき、必ず役に立つだろう。