データウェアハウス・BI・データ分析基盤——経営判断を支える情報活用 | 中小企業診断士1次試験経営情報システム

「データは山ほどあるのに、なぜ経営判断に使えないのか？」——その答えがデータウェアハウス（DWH）とBIツールにあります。バラバラなシステムのデータを統合・整理して経営の意思決定を支える情報基盤の仕組みと、試験頻出のOLAP・ETL・DWHの違いをしっかり整理しましょう。

企業では販売管理・在庫管理・会計システムなど、目的ごとに異なるシステムが稼働しています。これらのデータをバラバラのまま使っても、経営の全体像は見えません。データウェアハウス（DWH）は、複数のシステムからデータを集め、分析用に整理・統合した「経営判断のためのデータ倉庫」です。試験では4つの特徴（サブジェクト指向・統合・時系列・不揮発性）とOLAP・ETL・データマートとの違いが頻出です。

データウェアハウスとは——4つの特徴

DWHの定義（W.H.インモンの定義）：データウェアハウスとは「意思決定支援のために整備された、サブジェクト指向で、統合されていて、時系列で変化を記録し、不揮発性を持つデータの集合体」です。この4特徴はそのまま試験に出ます。

サブジェクト指向（テーマ別）

業務システムごとではなく、「顧客」「商品」「売上」などの経営テーマ（サブジェクト）別にデータを組み直して格納する

例：販売・在庫・会計の3システムにまたがる「顧客別売上」を統合して分析可能にする
業務処理の効率ではなく意思決定の目的でデータを設計する

統合（Integration）

異なるシステムからのデータを一貫したコード体系・形式に変換して統合する

例：販売システムの「男性」「M」と会員システムの「1」を「男性」に統一
データの意味・形式のばらつきを解消してから格納する

時系列・不揮発性

過去から現在までの時間の流れ（時系列）を保持し、一度格納したデータは削除・上書きしない（不揮発性）

業務システムでは最新データだけを保持するが、DWHはすべての履歴を蓄積する
「3年前と比べて売上がどう変わったか」というトレンド分析が可能になる

ETL——データをDWHに取り込む仕組み

ETLとは：業務システム（ソースシステム）からデータウェアハウスへデータを移行するプロセスです。E（Extract：抽出）→T（Transform：変換）→L（Load：格納）の3段階で構成されます。DWHの構築・運用において最も工数がかかるのがこのETLプロセスです（全体の70〜80%を占めるとも言われます）。

販売システム
在庫システム
会計システム

→

E：抽出
Extract

→

T：変換
Transform
（クレンジング）

→

L：格納
Load

→

データ
ウェアハウス

ETLの段階	内容	具体的な処理例
E：抽出（Extract）	業務システムのデータベースから必要なデータを取り出す	販売DB・顧客DBから昨日の取引データを一括取得
T：変換（Transform）	データのクレンジング・統合・形式変換を行う	「男」「M」「1」→「男性」に統一。日付形式をYYYY/MM/DDに統一。重複データの除去。欠損値の補完
L：格納（Load）	変換後のデータをDWHに投入する	夜間バッチ処理で前日分のデータをDWHに追加格納（差分更新）

OLAPとOLTP——2種類のデータ処理を比較する

OLAP（Online Analytical Processing）とOLTP（Online Transaction Processing）は試験でよく混同される対の概念です。OLTPは日々の業務処理、OLAPは経営分析のためのデータ処理という使い分けを押さえましょう。

項目	OLTP（オンライン取引処理）	OLAP（オンライン分析処理）
目的	日々の業務トランザクション処理（受注・入金・在庫更新）	経営意思決定のための多次元データ分析
使用システム	販売管理・在庫管理・会計・ERPなど業務システム	データウェアハウス・BIツール
操作の単位	1件1件のトランザクション（レコード単位）	大量データの集計・比較（テーブル全体や特定期間の集計）
処理の頻度	リアルタイム（1日に何千・何万件も発生）	定期的・不定期（週次レポート・経営会議前など）
データ量	処理は少量データ（最新の数件）	分析は大量データ（数年分の履歴全体）
データの更新	頻繁に追加・更新・削除を行う	基本的に読み取り専用（参照のみ）
典型的な質問	「注文ID:12345の注文状況は？」	「過去3年の地域別・商品カテゴリ別売上トレンドは？」

データマートとDWHの違い——全社倉庫と部門倉庫

データウェアハウス（DWH）

企業全体のデータを統合格納した「全社のデータ倉庫」
全部門・全テーマのデータを包含する
大規模・構築コストが高い
全社横断的な分析が可能
管理は情報システム部門が担う

データマート（Data Mart）

DWHから特定部門・テーマ向けに切り出した「小さな倉庫」
例：営業部門マート・マーケティングマート・財務マート
小規模・構築が比較的容易・応答速度が速い
部門ユーザーが使いやすい形に最適化されている

データレイク（Data Lake）

生データ（未加工）をそのまま大量に蓄積する貯蔵庫
構造化データ・非構造化データ（テキスト・画像・動画）もすべて格納
分析用に加工するのがDWH、生データのまま蓄積するのがデータレイク
ビッグデータ時代の新しいデータ基盤として普及

BIツールの機能——ダッシュボード・ドリルダウン・スライシング

BIツールの機能	内容	活用例
ダッシュボード	KPIやグラフを一画面に集約して表示するインターフェース。経営の現状を一目で把握できる	売上・在庫・受注残・顧客数をリアルタイムで1画面に表示
ドリルダウン（Drill Down）	集計データから詳細データへ段階的に掘り下げて分析する機能	全国売上→地域別→都道府県別→店舗別→担当者別と段階的に詳細化
ドリルアップ（Roll Up）	ドリルダウンの逆。詳細から集計レベルへ段階的に上がる操作	店舗別→地域別→全国売上へと集約して俯瞰する
スライシング（Slicing）	多次元データの特定の「断面（スライス）」を切り出して分析する操作	商品×地域×時期の3次元データから「東京のみ」というスライスを取り出す
ダイシング（Dicing）	多次元データから特定の条件で小さな立方体を切り出す操作	「東京・2024年・AカテゴリのみのKPI一覧」を取り出す
ピボット（回転）	多次元データの軸を変換して別の視点から見る操作	「商品別×月別」の表を「月別×商品別」に回転させて表示
レポーティング	定型・非定型のビジネスレポートを自動生成・配信する機能	月次売上レポートを毎月1日に経営陣にメール自動送信

試験対策——DWH・OLAP・ETL用語定義比較表

用語	正式名称	一言定義	試験で問われるポイント
DWH	Data Warehouse	意思決定支援のために複数システムのデータを統合格納する分析用DB	4特徴（サブジェクト指向・統合・時系列・不揮発性）の意味
OLTP	Online Transaction Processing	日々の業務トランザクション（受注・入金等）をリアルタイムで処理するシステム	OLAPとの違い。業務システムで使用
OLAP	Online Analytical Processing	大量データを多次元的に集計・分析する処理方式。DWH上で実行	ドリルダウン・スライシング等の操作名称と内容
ETL	Extract / Transform / Load	業務システムのデータをDWHに取り込むための3段階プロセス	各ステップの内容。変換（T）でのデータクレンジング・統合
データマート	Data Mart	DWHから特定部門・用途向けに切り出した小規模な分析用DB	DWHとの違い（全社vsテーマ特化）。DWHの下位概念
データレイク	Data Lake	構造化・非構造化データを生データのままに大量蓄積するストレージ	DWH（加工済み）との違い。ビッグデータへの対応
BI	Business Intelligence	データを分析・可視化して経営意思決定を支援するツール・手法の総称	ダッシュボード・ドリルダウン等の機能の意味

試験頻出の引っかけポイント：①「DWHでは更新・削除が日常的に行われる」→×（不揮発性：格納後は変更しない）②「OLAPは業務トランザクション処理に使う」→×（OLAPは分析処理、業務処理はOLTP）③「データマートはDWHよりも大規模」→×（データマートはDWHを絞り込んだ小規模なもの）④「ETLのTはTransfer（転送）の略」→×（Transform：変換・加工が正しい）

DWHの「不揮発性」とはどういう意味ですか？

不揮発性（Non-Volatile）とは、一度DWHに格納されたデータは削除・上書きされないという特性です。業務システムでは「在庫が変わったら最新の数値に上書きする」という処理が当然ですが、DWHでは「過去の在庫データもすべて保持して時系列で比較できるようにする」という設計思想です。これにより「去年同月比」「3年前から現在までのトレンド」といった分析が可能になります。

ドリルダウンとスライシングの違いは何ですか？

ドリルダウンは「集計の粒度を細かくしていく操作」です。全国売上→地域別→都道府県別という具合に、階層を掘り下げていきます。スライシングは「多次元データの特定の次元で断面（スライス）を切り出す操作」です。「商品×地域×時期」という3次元データから「2024年のみ」という時期次元で断面を切り出すのがスライシングです。ドリルダウンは「深さ方向への探索」、スライシングは「特定条件での絞り込み」です。

ETLの「変換（T）」では具体的に何をするのですか？

変換（Transform）では主に次の処理を行います。①データクレンジング：欠損値の補完・重複データの除去・誤入力データの修正。②コード統一：異なるシステムで違うコードを使っている場合の統一（「男性」「M」「1」→「男性」）。③日付・数値形式の統一：YYYY/MM/DDやYYYY-MM-DDなど形式をそろえる。④データの結合・集計：複数テーブルを結合したり、月次集計に変換したりする。この変換処理の品質がDWHの分析精度を決めるため、最も重要なステップとも言われます。

データレイクとDWHをどう使い分けるのですか？

データレイクは「とにかく生データを大量に保存しておく」用途です。構造化・非構造化データを問わず蓄積します。一方DWHは「分析目的が明確で、加工・統合されたデータを格納する」用途です。実際の企業では、まずデータレイクに生データをすべて格納しておき、分析に使うデータをETLでDWHに加工・格納するという二層構造が増えています。試験では「非構造化データも含めて生データのまま蓄積＝データレイク」という定義を押さえましょう。

ビッグデータの3Vとは何ですか？

ビッグデータを特徴づける3つのVです。①Volume（量）：従来のDBでは処理できないほどの大量データ。②Velocity（速度）：リアルタイムまたは高頻度で生成・更新されるデータ。③Variety（多様性）：テキスト・画像・動画・センサーデータなど多様な形式。さらに追加2Vとして④Veracity（正確性）⑤Value（価値）が挙げられることもあります。試験では3Vの内容と、ビッグデータがデータレイクという新しい基盤概念を生んだという背景の理解が重要です。