---
title: 分かった気になれるレイクハウスアーキテクチャ
tags: 
author: [jyuch](https://docswell.com/user/jyuch)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/DJY465XP7M.jpg?width=480
description: 分かった気になれるレイクハウスアーキテクチャ by jyuch
published: October 17, 26
canonical: https://docswell.com/s/jyuch/51Q872-2026-10-18-180000
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/DJY465XP7M.jpg)

分かった気になれるレイクハウスアーキテクチャ
Ibaraki.dev #21 もくもく会
@jyuch


# Page. 2

![Page Image](https://bcdn.docswell.com/page/V7NYZN1ME8.jpg)

自己紹介
• 普段はデータ基盤 のワンオペしています
2


# Page. 3

![Page Image](https://bcdn.docswell.com/page/YJ9PZR5W73.jpg)

アジェンダ
• これまでのデータ基盤の課題
• レイクハウスアーキテクチャが解決してくれる未来
• AI時代にデータ基盤が備えるべきこと
• おまけ
3


# Page. 4

![Page Image](https://bcdn.docswell.com/page/GJ8D1WYRJD.jpg)

これまでのデータ基盤の課題
4


# Page. 5

![Page Image](https://bcdn.docswell.com/page/LJLMQN42ER.jpg)

従来のデータ基盤アーキテクチャ
今までのデータ基盤は大きく
• データウェアハウス（
• データレイク（
2つのアーキテクチャに分類できる
Data Warehouse ）
Data Lake ）
5


# Page. 6

![Page Image](https://bcdn.docswell.com/page/47MY1XK97W.jpg)

データウェアハウスの特徴
データを統合し、意思決定支援・分析に活用する
ETLツールが正規化・クレンジングを担当
基幹システム
データウェアハウス
生データ
ETLツール
正規化データ
データキューブ
複数のデータソースを統合した分析
高度なクエリサポート・強力なアクセス権の制御が可能
アナリスト
キューブ化などの事前処理による分析の高速化
6


# Page. 7

![Page Image](https://bcdn.docswell.com/page/P7R9LNX9E9.jpg)

データウェアハウスの課題
基となっている RDBMS の性能の限界がデータサイズの限界
スケールアップ戦略もいずれ限界が来る
クレンジングロジックが散逸
基幹システム
データウェアハウス
生データ
ETLツール
正規化データ
データキューブ
アナリスト
キューブ化されていない処理は遅い
非構造化データは別管理・アクセス権制御の範囲外
7


# Page. 8

![Page Image](https://bcdn.docswell.com/page/PJXQWN637X.jpg)

データウェアハウスの課題
実際に言っているところを見た
営業と 『 売上』 が一致しない
経理
分析軸の定義がブレる
今月の『 売上』 はこれです！！
営業
複雑に相互参照し、“真実”が社内に分散する
製造
ボトムアップ導入で部門ごとに乱立する
8


# Page. 9

![Page Image](https://bcdn.docswell.com/page/3JK9VN1NJD.jpg)

データレイクの特徴
機械学習に耐えられる大規模なデータ基盤を構築する
オブジェクトストレージ
生データ
オブジェクトストレージ使い、安価に大量のデータを保存
中間データ
だがこっちにはこっちの
分散処理ミドルウェアである
中間データ
結果データ
クラウドにはクラウドのやり方がある
モアコアだ
そしてモアメモリ
Hadoop / Spark クラスタを（クラウドに）展開し、スケールアウトで大規模データに対応する
9


# Page. 10

![Page Image](https://bcdn.docswell.com/page/LE3WMVQZE5.jpg)

データレイクの課題
データサイエンティストの世界
オブジェクトストレージ
ビジネスアナリストの世界
処理が失敗して中途半端に壊れたデータ
フワッとしたアクセス権管理
生データ
中間データ
結果データ
ETLツール
アナリスト
アナリストが使うなら別途取り込みが必要
詳細は不明だが長年使われてきたデータ
アナリストサイドは
退職した人が変換処理
を作ったデータ
だがこっちにはこっちの
コードで書かれるとアナリストは
読めない・書けない
データウェアハウス
クラウドにはクラウドのやり方がある
モアコアだ
そしてモアメモリ
データサイエンスとアナリストで異なるデータ基盤
⇒ 結局は『 真実』 が分散する
SQL


# Page. 11

![Page Image](https://bcdn.docswell.com/page/8EDK68947G.jpg)

レイクハウスアーキテクチャが解決してくれる未来
11


# Page. 12

![Page Image](https://bcdn.docswell.com/page/V7PKY8ZVJ8.jpg)

レイクハウスの特徴
データウェアハウスとデータレイクの両方の特徴を持つ
Cloud Platform
仮想マシン
オブジェクトストレージ
データカタログ
基幹システム
半正規化データ
データをそのまま取り込み
ガバナンスレイヤーでアクセス権を制御
正規化データ
Open Table Format でACIDを保証
アナリスト
内部でクレンジングを実施
SQLと Python のシームレスな統合
生データもアクセス権を制御
生データ
機械学習モデル
12


# Page. 13

![Page Image](https://bcdn.docswell.com/page/2JVVGNWRJQ.jpg)

メダリオンアーキテクチャと
Single Source of Truth
型を適切な形に置き換えたり異常データを除去
用途に特化しないクリーンなデータ
データカタログ
基幹システム
Bronze
外部から取り込んだデータをそのままの形で保存
Silver
Gold
アナリスト
用途に最適化されたビジネス向けのデータ
段階を踏んだ精錬で、データの分散を防ぎつつ
最適化されたデータを作る
13


# Page. 14

![Page Image](https://bcdn.docswell.com/page/5EGL8KD6JL.jpg)

AI時代にデータ基盤が備えるべきこと
14


# Page. 15

![Page Image](https://bcdn.docswell.com/page/4JQY9N127P.jpg)

データですべてを解決できるか？
Q. データが揃えば AIはユーザからの問いに答えられるか？
A. 無理
15


# Page. 16

![Page Image](https://bcdn.docswell.com/page/K74WXGRPE1.jpg)

なぜか？
• 現実のデータはそこまで単純ではない
• 売上にキャンセル分は含む？
• 送料は？
• アナリストは暗黙的なドメイン知識を元にデータを使用
ドメイン知識を
AIに渡せる形で整備する
16


# Page. 17

![Page Image](https://bcdn.docswell.com/page/LJ1YNDQXEG.jpg)

取説としてのセマンティックレイヤー
• セマンティックレイヤーとしてビジネス指標を整備する
• メジャー（数値指標）とディメンション（分析軸）を定義する
• シノニムとしてビジネス用語の揺らぎを吸収する
• 抽出条件とビジネス上の定義を関連付ける
データカタログ
Bronze
Silver
Gold
セマンティック
レイヤー
17


# Page. 18

![Page Image](https://bcdn.docswell.com/page/GJWG4YMK72.jpg)

まとめ
• データレイクでデータは集約出来た
• 今後はデータの意味を集約する段階に入る
• 仕事が減らねぇ・・・
18