The Doppler Quarterly (日本語) 夏 2016

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

The Doppler Quarterly (日本語) 夏 2016 | Page 38