エンタープライズアナリティクスとは？
エンタープライズアナリティクスは、運用上および戦略的な意思決定をサポートするため、複数のビジネスシステムにわたるデータの統合、処理、分析を組織全体で行う実践です。孤立したレポート作成イニシアチブとは異なり、エンタープライズアナリティクスは部門、プラットフォーム、データ環境を横断し、統一された分析フレームワークを構築します。
これには、エンタープライズリソースプランニング (ERP) プラットフォーム、顧客関係管理 (CRM) アプリケーション、サプライチェーンシステム、クラウドサービス、コネクテッドデバイスなどのシステムからのデータ集約が含まれます。このデータは、スケーラブルなインフラストラクチャと高度な分析技術を使用して処理され、長期戦略の策定、運用最適化、組織パフォーマンスの向上に役立つインサイトを生成します。
エンタープライズアナリティクスは、スケール、統合、部門横断的な可視性を重視します。これには、連携されたデータ管理、分散コンピューティングリソース、高スループットストレージシステム、セキュアなネットワーキングアーキテクチャが必要です。データライフサイクル全体にわたるため、単一のアプリケーションやレポートツールではなく、インフラストラクチャに依存するワークロードカテゴリとして理解するのが最適です。
エンタープライズアナリティクス vs ビジネスインテリジェンス
エンタープライズアナリティクスとビジネスインテリジェンス (BI) は関連する分野ですが、範囲、アーキテクチャ要件、分析の深さにおいて異なります。
BIは従来、履歴データを要約するレポートやダッシュボードを中心に据えています。これは、主要業績評価指標 (KPI) や運用指標を監視するために、部門レベルで導入されることがよくあります。BI環境は主に、リレーショナルデータベースやデータウェアハウスに保存された構造化データを処理します。
エンタープライズアナリティクスは、レポーティングの範囲を超えています。これは、予測モデリング、高度な統計分析、意思決定の最適化をサポートするために、事業部門やシステム全体でデータを統合します。ログファイル、センサーデータ、ドキュメント、ストリーミング入力など、構造化データと非構造化データの両方を組み込みます。その結果、エンタープライズアナリティクスは、部門横断的なワークロードをサポートするために、より広範なデータ統合、スケールアウトストレージ、およびスケーラブルなコンピューティングインフラストラクチャを必要とします。
エンタープライズアナリティクスの種類
エンタープライズアナリティクスは、意思決定のさまざまな段階をサポートする複数の分析アプローチを包含しています。これらのアプローチは相互に構築され、組織が履歴レポーティングから将来を見据えた最適化へと移行するにつれて、複雑さとインフラストラクチャの要求が増大します。
- 記述的アナリティクス - このタイプは、何が起こったかを理解するために履歴データを分析します。これには、ERPやCRMプラットフォームなどのシステム全体のパフォーマンス指標を可視化するダッシュボード、レポート、要約統計が含まれます。
- 診断的アナリティクス - イベントがなぜ発生したのかを判断するためにデータを調査するこのタイプのアナリティクスは、ドリルダウン分析、相関技術、データディスカバリツールを使用して、根本原因と寄与要因を特定します。
- 予測的アナリティクス - 統計モデルと機械学習アルゴリズムを使用して、このタイプは将来の結果を予測するために使用されます。モデルのトレーニングと展開には、大規模なデータセット、スケーラブルなコンピューティングリソース、そして多くの場合、分散処理環境が必要です。
- 処方的分析 - 処方的分析は、予測的洞察に基づいて行動を推奨するタイプです。企業規模での戦略的および運用上の意思決定を導くために、最適化アルゴリズム、シミュレーションモデル、意思決定フレームワークを組み合わせます。
エンタープライズ分析環境のアーキテクチャ
エンタープライズ分析環境は、運用ソースから分析消費へとデータを移動させる階層型システムとして設計されています。各アーキテクチャ層は異なる機能を実行し、大規模なパフォーマンスは、これらの層がどれだけ効果的に統合され、バランスが取れているかに依存します。
データソース
このアーキテクチャは、企業全体の異種データソースから始まります。これらには一般的に以下が含まれます。
- ERPシステム
- CRMプラットフォーム
- モノのインターネット ( IoT ) デバイスとセンサー
- クラウドアプリケーションと運用データベース
これらのシステムは、構造化されたトランザクションデータ、半構造化されたログ、および非構造化コンテンツを生成します。この層における課題は、フォーマット、速度、および所有権の多様性にあります。エンタープライズ分析環境は、一貫性とトレーサビリティを維持しながら、継続的なデータ生成をサポートする必要があります。
データ統合
統合層は、データを標準化し、一元化された、またはスケールアウト型のリポジトリへ転送します。この層には通常以下が含まれます。
- 抽出、変換、ロード (ETL) パイプライン
- ストリーミング取り込みフレームワーク
- アプリケーションプログラミングインタフェース (API)
- ワークフローオーケストレーションエンジン
統合プロセスは、データを保存する前にクレンジングおよび正規化します。エンタープライズ規模では、このレイヤーはバッチおよびリアルタイムの取り込みをサポートし、スキーマの進化を管理し、ガバナンス制御を適用する必要があります。ここでのボトルネックは、分析環境全体を制約する可能性があります。
ストレージレイヤー
統合されたデータは、分析アクセス用に設計されたスケーラブルなストレージシステムに永続化されます。アーキテクチャには、多くの場合以下が含まれます。
- 生データおよびマルチフォーマットデータセット用のデータレイク
- マルチノードストレージシステム
- スケールアウト容量向けのオブジェクトストレージプラットフォーム
- 構造化クエリワークロード向けに最適化されたデータウェアハウス
エンタープライズ環境では、さまざまなワークロードタイプをサポートするために、通常、複数のストレージモデルを組み合わせています。生データは分散データレイクに保存される場合がありますが、キュレーションされたデータセットはウェアハウス構造で最適化されます。ストレージ設計は、クエリパフォーマンス、同時実行性、および長期的なスケーラビリティに直接影響します。
コンピュートレイヤー
コンピュートレイヤーは、クエリ、変換、統計モデル、および機械学習ワークロードを実行します。一般的に以下で構成されます。
- 大規模なデータセットにわたる並列処理をサポートするように設計された、高コア数、マルチソケットサーバー
- インメモリー分析を可能にし、ディスクI/Oを削減するためのテラバイト規模のメモリー構成
- クラスターノード間でワークロードを分散するスケールアウト処理フレームワーク
- 高コア密度サーバー - サーバーの平方フィートあたりの高密度ですか、それとも多数のコアまたは多数のGHzですか？
- インメモリー処理のための大容量メモリー構成 = TB + ?
- スケールアウト処理フレームワーク
- グラフィックス処理ユニット（GPU）による高度な分析および機械学習ワークロードの高速化。これは、GPU最適化ソフトウェアフレームワークによってサポートされ、ソフトウェアがGPUを活用するように設計されている場合に実現されます。
このレイヤーは、大規模なデータセットと複数のユーザーグループにわたる並列実行をサポートする必要があります。予測分析および処方分析が拡大するにつれて、コンピュート需要が増加し、ワークロードの分離を維持しながら水平方向にスケーリングするインフラストラクチャが必要になります。
アクセスレイヤー
アクセスレイヤーは、分析出力をユーザーおよびアプリケーションに提供します。以下が含まれます。
- ダッシュボードおよび可視化プラットフォーム
- セルフサービス分析ツール
- レポートシステム
- データサイエンスおよび自動化のためのプログラマティックインタフェース
ユーザー向けではありますが、その性能は完全に上位アーキテクチャに依存します。ストレージのレイテンシー、メモリーの制限、またはネットワークの混雑が、応答性とユーザーエクスペリエンスに直接影響を与えます。
エンタープライズアナリティクス向けインフラ要件
エンタープライズアナリティクスはインフラ集約型です。その性能と拡張性は、分散型およびデータ量の多いワークロードをサポートできる、バランスの取れたコンピューティング、ストレージ、およびネットワーキングアーキテクチャに依存します。
コンピューティング
アナリティクス環境では、同時クエリ、大規模な変換、およびマルチノード処理フレームワークをサポートするために、高いコア密度が必要です。アナリティクスがデータベースおよびERPシステムと並行して実行される場合、競合を防ぐためにリソース分離が不可欠です。
大容量のメモリーは、インメモリー処理とキャッシングにとって不可欠であり、ディスクI/Oへの依存を減らし、クエリ性能を向上させます。ワークロードが予測モデリングへと進化するにつれて、クラスターノード間での並列実行が標準となります。アーキテクチャは、タスクを効率的に分散するために、しばしばマルチプロセッサーラックマウントサーバーに依存し、高度なアナリティクスと機械学習のためにGPUアクセラレーションが統合されています。
ストレージ
エンタープライズアナリティクスは、拡大するデータセット全体で持続的な読み書きアクティビティを生成します。ストレージは、取り込み、クエリ、およびモデルのトレーニング中にコンピューティングのボトルネックを防ぐために、一貫したスループットを提供する必要があります。大規模環境では、ストレージ性能は、I/O制約により高価値のコンピューティングリソースがアイドル状態になるのではなく、完全に活用されるようにするために不可欠です。
履歴データの保持とAI駆動型ワークロードにより、ペタバイト規模の成長が一般的です。環境によっては、分散オブジェクトストレージや、高い並行性と並列アクセス向けに設計された専用のAIストレージシステムが組み込まれる場合があります。スケールアウトストレージアーキテクチャは、コンピューティング集約型ワークロードをサポートするために必要なデータレートを維持しながら、水平拡張、冗長性、およびフォールトトレランスを可能にします。
ネットワーキング
分散アナリティクスワークロードは、内部ネットワーク設計に大きな要求を課します。取り込みパイプライン、ストレージクラスター、およびコンピューティングノード間でデータを移動するために、高帯域幅の接続が必要です。ワークロード要件に応じて、環境は大規模なデータ転送とクラスター処理をサポートするために、高速イーサネットまたはInfiniBand (IB) インターコネクトを利用する場合があります。
低レイテンシーインターコネクトは、密結合コンピューティング環境および並列処理フレームワークにとって特に重要です。データセンター内で東西トラフィックが増加するにつれて、予測可能な性能と効率的なワークロード分散を維持するために、内部ファブリック設計と輻輳管理が不可欠になります。
スケーラビリティ
エンタープライズアナリティクスインフラストラクチャは、データ量とワークロードの複雑さが増加するにつれて、段階的に拡張する必要があります。モジュラーサーバープラットフォームは、アナリティクスの需要が増大するにつれて、コンピューティングおよびストレージリソースの段階的な拡張を可能にします。
ラックレベルの計画により、電力、冷却、およびネットワーク容量が増加するシステム密度に対応できることが保証されます。多くの環境では、予測可能な性能で高スループットの分散ワークロードをサポートするために、エンタープライズ向けに最適化されたストレージアーキテクチャが導入されます。
クラウドおよびハイブリッド環境におけるエンタープライズアナリティクス
エンタープライズアナリティクスは、ハイブリッドおよびマルチクラウド環境全体で運用されることが増えています。組織は、多くの場合、コアシステムをオンプレミスに保持しながら、弾力性と地理的分布をサポートするために、アナリティクスワークロードをパブリッククラウドプラットフォームに拡張します。
ハイブリッドクラウドアナリティクスは柔軟性を可能にしますが、マルチクラウドデータ統合、ガバナンス、および性能の一貫性において複雑さをもたらします。データエンジニアリングなどの分野は、環境全体でデータを移動、変換、同期し、断片化やボトルネックを生じさせないパイプラインを設計するために不可欠です。
データセットが地域、クラウドプロバイダー、エッジロケーションに分散されるため、データ局所性は追加の課題を提示します。分散ワークロードは、集中型データセンター、クラウドプラットフォーム、またはラックマウントエッジサーバーを使用してデータ出典により近い場所で実行される場合があります。
これらの環境をサポートするには、不要なデータ移動を減らしながらスループットと回復力を維持する、協調的なマルチクラウドネットワーキング戦略と分散ストレージアーキテクチャが必要です。インフラ計画では、帯域幅、レイテンシー、レプリケーションポリシー、およびプラットフォーム間の相互運用性を考慮する必要があります。
エンタープライズアナリティクスとAI
エンタープライズアナリティクスは、履歴レポートを超えて予測モデリングと自動意思決定支援へと移行するために、機械学習をますます取り入れています。大規模なデータセットでモデルをトレーニングするには、実質的なコンピューティング容量、高いメモリー帯域幅、および構造化データと非構造化データの連続ストリームをアナリティクスエンジンに供給できる最適化されたデータパイプラインが必要です。
AIリテールなどの業界アプリケーションは、トランザクションデータ、行動データ、およびサプライチェーンデータを大規模に組み合わせて、インテリジェントストアソリューションなどのユースケースを含むリアルタイムの洞察を生成できることを示しています。これらのワークロードは、トレーニング時間を短縮し、反復的なモデル開発をサポートするために、GPUアクセラレーションされたアナリティクスインフラストラクチャに依存します。
AIの導入が拡大するにつれて、インフラストラクチャの要求は激化します。分散環境全体でモデルのトレーニングと推論を維持するためには、GPU密度の高いシステム、高スループットストレージ、および低レイテンシーインターコネクトが必要です。エッジAIなどの新たなユースケースは、中央のアナリティクスプラットフォームとの同期を維持しながら、データ出典により近い処理を必要とするため、追加の複雑さをもたらします。
高密度展開では、熱管理が設計上の考慮事項となり、持続的な計算負荷の下で性能と効率を維持するために、高度な液冷ソリューションが実装される場合があります。
エンタープライズアナリティクスにおける課題
その戦略的価値にもかかわらず、エンタープライズアナリティクスは慎重に管理する必要がある運用上およびアーキテクチャ上の課題をもたらします。考慮すべき一般的な事項は次のとおりです。
- データサイロ – 部門や地域にまたがる切断されたシステムは、可視性を制限し、部門横断的なアナリティクスイニシアチブの有効性を低下させます。
- 性能のボトルネック – コンピューティング、ストレージ、およびネットワーキングリソース間の不均衡は、クエリ実行、モデルトレーニング、およびリアルタイムデータ処理を制約する可能性があります。
- ガバナンスの複雑さ – 拡大するデータ環境は、分散システム全体でのコンプライアンス、アクセス制御、リネージ追跡、および監査可能性の維持をより困難にします。
- インフラストラクチャの制約 – レガシーハードウェア、限られたスケーラビリティ、または不十分な帯域幅は、高度な分析ワークロードをサポートする能力を制限する可能性があります。
- 急速なデータ増加 – 構造化データセットと非構造化データセットの継続的な拡張は、特に金融サービスにおけるAIのような高度なユースケースにおいて、ストレージ容量、バックアップ戦略、長期的なインフラストラクチャ計画に持続的な圧力をかけます。
結論
エンタープライズアナリティクスは、システム間でデータを統合し、運用上および戦略的な意思決定をサポートする組織全体の規律です。孤立したレポート作成環境とは異なり、連携されたコンピューティング、ストレージ、ネットワーキングの設計を必要とするインフラストラクチャ集約型のワークロードとして機能します。パフォーマンスは、スケーラブルな処理、高スループットストレージアーキテクチャ、および分散ワークロードをサポートできる低遅延接続に依存します。
企業が予測モデリングと機械学習を導入するにつれて、インフラストラクチャの要求はさらに増加し、特にハイブリッドおよびマルチクラウド環境で顕著です。したがって、持続可能なエンタープライズアナリティクスは、分析ツールだけでなく、データ量が増加し続ける中でスケーラビリティ、信頼性、一貫したパフォーマンスを可能にする堅牢なアーキテクチャ基盤にも依存します。
よくある質問
- エンタープライズアナリティクスはハイブリッドクラウド環境で運用できますか？
はい。エンタープライズアナリティクスは、オンプレミス環境とクラウド環境にまたがることが多く、一貫したパフォーマンスを維持するために、連携されたデータ統合、分散ストレージ、マルチクラウドネットワーキングを必要とします。 - エンタープライズアナリティクスのパフォーマンスを制限する要因は何ですか？
パフォーマンスは通常、ストレージスループット、ネットワーク遅延、不十分なメモリー、または同時分析ワークロードをサポートするクラスターシステム全体でのコンピューティングの不均衡によって制約されます。 - エンタープライズアナリティクスとビジネスインテリジェンスのどちらが優れていますか？
どちらか一方が常に優れているわけではありません。ビジネスインテリジェンスは部門レポートをサポートしますが、エンタープライズアナリティクスは、より広範なインフラストラクチャサポートを必要とする組織全体の予測的および処方的なインサイトを提供します。