The Doppler Quarterly (日本語) 夏 2016 | Page 38
範囲の決定と
プランニング
• キックオフと
リソース計画
• 範囲と成果物の決定
• リソーススケジュール
データ
インベントリ
• 現在の記録システムの
レビュー
• データガバナンスに
関する現在の企業の
基準のレビュー
• 詳細なプロジェクト計画 • インバウンドデータに
関する企業の品質基準
の文書化
アプリケーション
インベントリ
インフラストラク
チャインベントリ
ビッグデータの
ビジョンと
ビジネスケース
実装戦略
• BI、分析、レポート作成、 • インフラストラクチャテク • クラウドのエンドポイン • プラットフォームエンド
およびDWに関連する既
存のシステムのインベン
トリの作成
ノロジーポートフォリオ
• SDLC環境
• 既存のシステムのワーク • シャドーITの分析
フローとデータの関係
のモデル化
• 現在のモデルの管理
および実行手法の
アセスメント
• 容量と成長性の分析
• 運用モデルとコスト
• サービス層
トとサービス層
• クラウドの指針
• リファレンスアーキテク
チャーと機能
移行戦略
• 迅速な実装の計画
• 制約と依存関係 • 予算とリソース
• ビジネスの推進要因 • 実装のロードマップ
と機会
• 変更管理 • リスク
• テクノロジーポート • ビジネスケース
フォリオ
ポイント戦略
• アプリケーション
• 運用モデル
• 運用組織
• コストモデル
図1: 分析機能の展開戦略
機械学習はテクノロジー分野の新たなトレンドですが、新しいテクノロジーではなく、
その機能は成熟したテクノロジー組織で数十年にわたって研究が続けられ、長年活用
されてきました。今日の機械学習は、より多くの組織が、簡単に利用可能な API や特
定の分野向けに事前に強化されたモデルなど、機械学習コミュニティの成果物を活用
できる点でこれまでと異なります。機械学習は、結果や推奨事項の精度を向上させ、
それらが人、組織、分野、目的に合わせて高度にパーソナライズされるようにすること
により、予測分析の領域で増え続ける作業を補完します。
クラウドでのデータレイクの構築には特別な配慮が必要です
が、データレイクを構築すれば、柔軟性、自動リカバリ、
マル
チゾーンの可用性、データを使用するためのPaaSベースの分
析サービスなど、オンプレミスの環境ではコストをかけなけ
れば実現/使用できない、高度な機能が提供されます。
今後は、多くの組織でデータレイクを展開するのに最適な場所の評価が行われるよう
になると思われますが、現在使用している多数のシステムのデータを取り込んで統合す
る必要があることから、データレイクの場所と接続性は、その効果と使い勝手を向上
させるための重要な要素となります。クラウドベースのデータレイクは、新しいリソース
を迅速にスピンアップ/ ダウンしたり、さまざまなネットワークやデータソースに接続し
たり、そして最も重要なポイントとして、提案を行うとともに、世界規模の複雑なサー
ビスの実行で実績のある、
強力なツールや専門知識を活用したりできるという点でメリッ
トがあります。
36 | THE DOPPLER | 2016年夏号