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