Excelデータ分析で学ぶディメンショナルモデリング～アジャイルデータモデリングへ向けて～ by @Kazaneya_PR / 20251126

Excelデータ分析で学ぶディメンショナルモデリング～アジャイルデータモデリングへ向けて～ 2025-11-26 Modeling Forum 2025 技術講演株式会社風音屋横山翔（Sho
Yokoyama） @yuzutas0

1. はじめに

注意事項 1. 本資料は許諾した範囲内でのみご利用ださい。無断転載ならびに複写を禁じます。 2. 本資料に記載されている会社名・製品名などは、一般に各社の登録商標または商標、商品名です。資料内では ©, ®, ™
マーク等は省略させていただいてります。 3. 本資料は特定企業の情報公開や称賛・批判を意図するものではありません。社名提示されていないケーススタディやシステム構成は、原則的に複数企業の事例を踏まえたダミー情報となります。 4. 説明を簡略化するために、用語やツールの紹介は厳密な定義に則っていない場合あります。ご自身や所属チームでの理解・解釈紹介内容と異なる場合は、適宜読み替えていただけると幸いです。 3

本講演について # 開始目安所要時間アジェンダ ① 14:20 3分はじめに ②
14:23 5分 Excelでデータ分析をはじめよう！ ③ 14:28 5分営業地域別のデータｖｓ業種別のレポート ④ 14:33 5分どのデータをどう組み合わせるの？ ⑤ 14:38 5分欲しいのは「切り口」と「集計対象」だ！ ⑥ 14:43 5分ビジネスイベントをモデル化しよう ⑦ 14:48 5分 5W1Hをモデル化しよう ⑧ 14:53 5分チーム変わる、データモデル変わる ⑨ 14:58 5分ビジネス変わる、データモデル変わる ⑩ 15:03 5分 AIエージェントを信頼するために ⑪ 15:08 2分わりに　　　　　　　　　　　　　　　　　　　　＜概要＞データ分析に適したテーブル設計の手法としてディメンショナルモデリングあります。この講演では「Excelでのデータ分析」を題材にして、初学者の方々にディメンショナルモデリングの概要をご紹介でればと思います。　　　　　　　　　　　　　　　　　　　　＜目次＞　 4

登壇者横山翔（@yuzutas0） • リクルートやメルカリにてデータ活用を推進した後、AWSを経て独立し、株式会社風音屋を創業 • 広告配信の最適化、店舗営業のインセンティブ改善など、データ分析によって数億円規模のインパクトを創出 • 独立行政法人情報処理推進機構（IPA）にて情報処理技術者試験委員を兼任（2025〜） •
東京大学経済学研究科金融教育研究センター特任研究員を兼任（2023〜2025）主な登壇・発表 • Pythonのカンファレンス「PyCon JP 2017」にてベストトークアワード優秀賞 • 翔泳社主催「Developers Summit 2018 Summer」にてベストスピーカー賞 • Google主催「Google Cloud Day」（‘21, ‘23）,「Google Cloud Next Tokyo」（‘23, ‘25） • 日本統計学会第16回春季集会主な執筆・翻訳・出版 • 講談社サイエンティフィク『アジャイルデータモデリング』 • 技術評論社『実践的データ基盤への処方箋』 • 技術評論社『Software Design 2020年7月号 - ログ分析特集』『同 2025年7月号 - SQL特集』 • 風音屋『データマネジメント 30分でわる本』 • 内閣府「経済分析第208号 - 景気動向分析の新たな潮流」主なコミュニティ活動 • Google 認定する技術エキスパート「Google Cloud Champion Innovator / Google Developer Experts」に選出（2023〜） • 1,800人以上参加するSlackコミュニティ「datatech-jp」の立ち上げ・運営 • 延べ参加者15,640人以上の勉強会「Data Engineering Study」の立ち上げ・モデレーター（2020〜2025） • 国内最大規模の技術カンファレンス「Developers Summit」コンテンツ委員会（2022〜2026） 5

大手らスタートアップまで幅広いクライアント企業のデータ活用を支援するITコンサルティング企業。 100社のデータ経営を実現し、諸産業の活性化に貢献することをミッションとして掲げています。データエンジニアたち技術相談やノウハウ共有しあう副業ギルドとして始まり、日本全国ら多数のご相談・ご要望を受けて法人化。ステークホルダーの皆様にご協力いただなら、会社組織としてアジャイルに成長して
ました。スタートアップCEO らの推薦コメント風音屋（ざねや） 6 ご支援先（一部抜粋）　　　　 • ランサーズ株式会社 • エイベックス株式会社 • 株式会社クラシコム • 株式会社商船三井 • 株式会社ビズリーチ • NE株式会社 • 株式会社リクルート • 福岡地所株式会社 • 住友化学株式会社

データコンサルタント＆データエンジニアを募集中！ 7

風音屋提供するサービス 8 データ基盤構築データ分析

「Excelで学ぶデータマネジメント入門」研修＆風音屋データマネジメント検定 9 【研修実績】 • 全社研修：500名の社員にデータマネジメントの全体像と勘所をインプット • 新入社員研修：ゼミのレポートを題材として、データ管理の Do’s
& Don’ts を学習 • IT部門研修：データ基盤の実践的なシステム構成例、開発・運用プロセスまで踏み込んでご紹介【ポイント①】Excelファイルに例えならデータマネジメントの作法を解説 • 「Excelファイルで◯◯を工夫するのと同じように、本格的なITシステムでは〜」フォーマットで説明 • 業務部門とIT部門スムーズに連携でるように知識の橋渡しを行う【ポイント②】理解度チェックテスト（風音屋データマネジメント検定）を活用した柔軟な研修デザイン • 講義の前と後にテスト → 研修による学習効果を計測・評価 • 分割講義で都度テスト → 講義内容の理解をサポート • 満点獲得まで繰り返し → 講義内容の理解を徹底強制し、セキュリティテストと同じ位置付けに • 講義の後に単発テスト → 組織アセスメントや人事評価、配属検討に利用可能

風音屋のWebサイトにて研修実績を一部公開。データモデリング研修 10

データモデリング研修（受講者の感想①） 11

データモデリング研修（受講者の感想②） 12

採用文脈でオンライン講座を提供 13

累計260ページ・18万文字の超豪華な研修教材を読み、データ基盤構築のハンズオンを行います。データ基盤構築のインプット＆ハンズオン 14

データエンジニアへの転職は無理なの！？ 15

2. Excelでデータ分析をはじめよう！

構造化データ • 行（横）と列（縦）のテーブル（表）で表現でるデータ。 • 従来のデータベース前提としている形式であり、最も安定してデータを管理・利用でる。非構造化データ •
表形式で表せないデータ。画像、動画、音声、PDFなど。 • AI技術の発展に伴い、非構造化データを扱うツール急進化している、どれもまだ発展途上。 • プログラムでのテキスト処理簡単なJSONやXMLを「半構造化データ」と区別することもある。今回は構造化データを扱うことを想定 17 id 決済日付決済利用者加盟店金額 100 2022-03-01 Aさんいろは商店 900円 101 2022-03-02 Bさんいろは商店 700円 102 2022-03-03 Cさんにほへ屋 1,100円 103 2022-03-04 Dさんにほへ屋 800円レコード (行) カラム (列)

テーブルの関係性を表現したER図 • データ同士の関係性を図示したものをER図（Entity Relationship Diagram）と呼ぶ • 「ID」や「コード値」と呼ばれる情報で複数のテーブルを結合でるようにする • なるべ
細テーブルを分けてい（正規化する）とデータの更新箇所最小限で済む例：購買履歴データのER図 18 ゆずたそ（共著）『実践的データ基盤への処方箋』より引用

3つの抽象度抽象度高い順に概念モデル・論理モデル・物理モデルの3つに分類される。 • 概念モデル：データの全体像。エンティティとエンティティ同士の関係を特定する。 • 論理モデル：エンティティ持つ属性、主キーや外部キー、リレーションシップを特定する。 • 物理モデル：データベースの実装に落とし込む。カラム名や型を決める。
19

データ項目の正規化（normalization） • データの重複や不整合を防、効率的なデータ管理を実現するために行う。 • 第一正規化ら第五正規化まで段階あり、条件をみたすようにテーブルを分解する。 • 第N正規化された状態のことを第N正規形と呼ぶ。
第一正規化 1つのセルに 1つの値だけを持たせる第二正規化主キーの一部だけに関係する情報を分ける第三正規化主キー以外の列他の列に依存しない 20

• データの可視化や統計処理のために、ローデータを貼り付けて、必要なテーブル形式に変換する。 • 最終的なテーブルの形（データモデル）は正規形ではな、分析要件にもとづものになる。 Excelでのデータ分析にけるテーブル作成 21 月次集計テーブル（シート③）
注文年月カテゴリ名注文件数_総計注文金額_総計 xxx xxx xxx xxx xxx xxx xxx xxx 商品テーブル（シート②）商品id 商品名カテゴリ名 xxx xxx xxx xxx xxx xxx 園芸品ローデータ集計データ可視化調理器具清掃注文テーブル（シート①）注文id 顧客id 商品id 注文日時注文金額 xxx xxx xxx xxx xxx xxx xxx xxx xxx xxx シート④

本講演について 22 # 開始目安所要時間アジェンダ ① 14:20 3分はじめに
② 14:23 5分 Excelでデータ分析をはじめよう！ ③ 14:28 5分営業地域別のデータｖｓ業種別のレポート ④ 14:33 5分どのデータをどう組み合わせるの？ ⑤ 14:38 5分欲しいのは「切り口」と「集計対象」だ！ ⑥ 14:43 5分ビジネスイベントをモデル化しよう ⑦ 14:48 5分 5W1Hをモデル化しよう ⑧ 14:53 5分チーム変わる、データモデル変わる ⑨ 14:58 5分ビジネス変わる、データモデル変わる ⑩ 15:03 5分 AIエージェントを信頼するために ⑪ 15:08 2分わりに　　　　　　　　　　　　　　　　　　　　＜概要＞データ分析に適したテーブル設計の手法としてディメンショナルモデリングあります。この講演では「Excelでのデータ分析」を題材にして、初学者の方々にディメンショナルモデリングの概要をご紹介でればと思います。　　　　　　　　　　　　　　　　　　　　＜目次＞　

3. 営業地域別のデータｖｓ業種別のレポート

1週目 2週目 3週目 4週目 5週目 • 地域別でデータを作成・管理 ◦ 営業組織（担当エリア制）に合わせてエリア別でフォルダを管理 ◦
年月ごとにシートを管理 • 【地域ｘ年月】でモニタリング ◦ 【この部署ｘこの月】の営業活動順調に進んでいる？ ◦ 【この部署ｘこの月】の予算目標を無事に達成でる？日々の業務要件に適した形（＝営業地域別）でデータを管理しち 24 京都府大阪府兵庫県滋賀県奈良県 1月 2月 3月 n月 1月 2月 3月 n月 1月 2月 3月 n月 1月 2月 3月 n月 1月 2月 3月 n月和歌山県 1月 2月 3月 n月リード商談契約京都支部 110 65 10 奈良支部 80 40 20 大阪支部 200 120 55 予算実績トレンド

マーケット変化への適応「これまでは営業組織に合わせてエリア別で数字を見ていた」「新型コロナの影響あるはずなので業種別で数字を見たい」「飲食業など店頭サービス業での利用は減少した」「それらの店舗に対して何支援を提供でない」
「逆にこの状況で伸びている業種はあるのだろう」「これまでと違った利用の急な増加に備えるべ」当初は想定していなった観点（＝業種別）でレポートを作りたなる 25 京都府大阪府奈良県 1月 2月 3月 n月 1月 2月 3月 n月 1月 2月 3月 n月顧客id 社名地域業種 xxx xxx xxx xxx xxx xxx xxx xxx 顧客id 社名地域業種 xxx xxx xxx xxx xxx xxx xxx xxx 顧客id 社名地域業種 xxx xxx xxx xxx xxx xxx xxx xxx 全シートを開いて業種列を抽出

これまでの観点と違う新しい観点でデータを見る「当初の要件を満たすテーブル」ではな「切り口を柔軟に変更でるテーブル」必要 26 繊維工業卸小売飲食業
宿泊業チームA 京都府 80 40 60 60 チームB 大阪府 60 60 80 80 チームC 兵庫県 20 80 80 60 チームD 滋賀県 40 20 20 20 マーケット変化への適応「これまでは営業組織に合わせてエリア別で数字を見ていた」「新型コロナの影響あるはずなので業種別で数字を見たい」「飲食業など店頭サービス業での利用は減少した」「それらの店舗に対して何支援を提供でない」「逆にこの状況で伸びている業種はあるのだろう」「これまでと違った利用の急な増加に備えるべ」市場環境の変化これまでと違う観点でのデータ分析社内外のデータ根拠のある意思決定変化に適応失敗を検知

（一般的に）データ分析では複数の元データを組み合わせる • 「駅近店舗の雨天時の注文数」を分析するなら「駅」「店舗」「天気」「注文」のデータを集める。 • 住所と緯度・軽度を変換するといった前処理必要になり、そのための変換データを取り寄せる。 27 データの入口店舗マスタ ——————
- 店舗名 - 住所社内 Excel 駅マスタ —————— - 駅名 - 住所国土地理協会国土交通省気象記録 —————— - 日付 - 天候気象庁購買記録 —————— - 日付 - 店舗名 - 来客数 POSレジ - 店舗名 - 緯度 - 経度 - 駅名 - 緯度 - 経度店舗単位で集計 ———————— - 店舗名 - 駅との距離* ———————— *店舗ごとに距離一番小さい値（＝最も近い駅との組み合わせ）だけを絞り込む - 日付 - 天候 - 店舗名 - 来客数統合・変換 ———————— - 日付 - 天候* - 店舗名 - 駅との距離** - 来客数 ———————— * 1日の最大降水量 ◯mm以上を「雨」、それ以外を「晴れ」と判別する ** ◯km以内を「近い」、それ以外を「遠い」と判別するデータの出口データの繋げ方や加工方法店舗と駅の組み合わせ ——————————— - 店舗名 - 駅名 - 距離* ——————————— *計算式は √((店舗の緯度-駅の緯度)^2 + (店舗の経度-駅の経度)^2) 集計結果 ——————— - 天候 - 駅との距離 - 平均来客数* ——————— * 合計来客数÷（日付ｘ店舗数）で平均値を計算する変換データ —————— - 住所 - 緯度 - 経度位置天候来店数想定要因駅から近い店舗晴れ 100人徒歩で来店雨 50人駅から遠い店舗晴れ 80人自動車で来店雨 80人雨天限定クーポンを実施したら効果ありそう？

データは事前に統合されて、一元管理されている状態望ましい • データ基盤とは「複数のユースケース」（利用者）と「複数のデータソース」（情報源）をリボンのように結びつける一連の（ITシステムに閉じない）サービス群である。 • 以下は風音屋にける業務委託（準委任）の請求管理シート。 ◦
2021年当時の設計。各シートのデータを統合している。 28

4. どのデータをどう組み合わせるの？

シートを細分化すれば「エリア」→「業種」の切り替えは（理屈上は）可能になる ……？正規化すれば解決？ 31

ユーザー分析やモニタリングを行う度に、以下のような対応必要となる。 • （毎回）ER図を読み返す。 • （毎回）数十枚のシートを連携する。 • （毎回）結合時の注意点を確認する。 •
（毎回）日付計算の処理を行う。毎回のように「どのデータをどう組み合わせる」を考えることになる。正論と言えば正論ではあるのだ、これだとユーザーのデータ活用は進まない。「この分析のとは、これとこれとこれとこれを結合して……」「ややこしい！分らない！」ユーザーは手元でカスタマイズして自分用の「使いやすいシート」を作るはず。例えば「顧客一覧」「業種一覧」「都道府県一覧」の3つのシートを分けずに、 1つの「顧客一覧」シート内で「業種」「都道府県」を管理するのではない。 ⇒だったらそのシートを最初らモデラー提供すべでは？データ分析のためのテーブル設計必要 32

このらいのシート管理だと使いやすそう！ • fct（ファクト） ◦ 集計対象となる出来事 ≒ トランザクション ◦ 【例】fct_契約シート：合計で◯◯万円の契約になった
• dim（ディメンション） ◦ 比較の切り口となる観点 ≒ マスタ ◦ 【例】dim_顧客：業種別、エリア別の契約金額 ◦ 【例】dim_従業員：部署別の契約金額（営業成績） ◦ 【例】dim_カレンダー：今月の契約金額 • データ分析では「日付」結合キーになりうる。 • 「従業員」と「部門」の関係は「主務」のみ抽出した。 ◦ 多対多の設計は応用編なので書籍を参照。 ⇒ファクトとディメンションを組み合わせて使うだけ！トランザクションとマスタで分ける 33

• ディメンション（分析の切り口）とファクト（集計対象）を提供するテーブル設計手法。 ◦ これらを組み合わせてデータ分析を行う。詳細は後述。 • 風音屋監訳『アジャイルデータモデリング - 組織にデータ分析を広めるためのテーブル設計ガイド』ディメンショナルモデリング
34

5. 欲しいのは「切り口」と「集計対象」だ！

売上高◯◯円という事実（Fact）を3つの次元（Dimension）で分解する分析軸で「分けて」、集計対象を「比べる」株式会社風音屋（監訳）『アジャイルデータモデリング』より（網掛けは本資料での追記）この期間での売上 2億円この製品での売上 5,000万円この店舗での売上 800万円売上累計
30億円 37

• 以下は『アジャイルデータモデリング』に掲載されているクラシコム様の事例 • BIツールの画面上で組み合わせを指定して、欲しいデータを集計する FactとDimensionの組み合わせを選ぶだけで集計でるの理想株式会社風音屋（監訳）『アジャイルデータモデリング』より 38

ディメンショナルモデリングによるデータ分析のプロセス型化 39 分析テーマの設定比較軸（Dimension）の特定ビジネスイベント（Fact）の特定注文：注文金額、注文UU（人数）、注文点数、注文回数 Where（店舗）、What（商品）、Who（顧客属性）、When（季節）新型コロナで注文の傾向変わった確認したい
• ディメンショナルモデリングの発想を知ると、データ分析の手順明確になる • 依頼者ヒアリングや作業の見積もり（＝データ分析の要件定義）容易になる

BEAM✲は「データ要件を定義するためのフレームワーク」であり、書籍『アジャイルデータモデリング』にて提唱されている。 • Business Event：ビジネスイベントら • Analysis：要件を分析して • Modeling：テーブルを設計（モデリング）することで
• ✲：スタースキーマを構築する BEAM✲にもとづ、ステークホルダーと協調して「ブレインストーミング」を行いなら「データモデリング」を進めるアプローチを「モデルストーミング」と呼ぶ。 BEAM✲ = Business Event Analysis and Modeling 株式会社風音屋（監訳）『アジャイルデータモデリング』より 40

• ステークホルダーと会話をしなら、具体例をテーブル（表形式）で記載する • 「Fact」や「Dimension」としてまとめるべ項目を明確にする ◦ データソースらFactとDimに分けるのではな、分析ニーズ
らFactとDimを描 ◦ 描いたFactとDimを実現でるように、複数データソースを組み合わせてデータを加工する具体例をBEAM✲テーブルとして書出す株式会社風音屋（監訳）『アジャイルデータモデリング』の図2-1を元に一部改変。風音屋アドバイザー打出氏「30分でわるアジャイルデータモデリング」より顧客は製品を注文する注文日に販売拠点で［誰］［何を］［いつ］［どこで］一郎さん iPip Blue Suede 2011年5月18日 POMStore 表参道二郎さん POMBook Air 2011年6月29日 POMStore 表参道三郎さん iPip Blue Suede 10年前 store.POM.com 四郎さん iPOM Pro 昨日 Amazon.com BEAM✲テーブル「顧客の注文」最大で10年前まで遡りたい最短で翌日に分析したい物理店舗と自社ECと外部EC をまたいで分析したい 41

Fact と Dimension を「イベントマトリクス」としてペラ1にまとめる 42 株式会社風音屋（監訳）『アジャイルデータモデリング』より • Factを左、Dimensionを上に書いて表（マトリクス）で取りうる組み合わせをまとめる ◦
Kimball Groupだと「バスマトリクス」と呼ぶ • データチームの定期ミーティングでイベントマトリクスを更新したり、データ整備やデータ分析のTODOに反映する

風音屋式イベントマトリクス以下の組み合わせをまとめると、 1つのアウトプットで情報を網羅すること可能となる • Fact：出来事>指標>計算方法 • Dimension：5W1H x 階層化
• ✔：結合可能な組み合わせ →この内容に沿ってテーブルを整備し、　データを分析することでる。注1：複数のFactと結合可能なDimensionを「Conformed（適合）Dimension」と呼ぶ。注2：マトリクスを書いて抜け漏れあれば各ステップに戻ってブラッシュアップする。 43 風音屋の研修「K-DEC Tutorial」より

• dim（ディメンション） ◦ 比較の切り口となる観点 ≒ マスタ ◦ 【例】dim_顧客：業種別、エリア別の契約金額 ◦ 【例】dim_従業員：部署別の契約金額（営業成績） ◦ 【例】dim_カレンダー：今月の契約金額 • データ分析では「日付」結合キーになりうる。 • 「従業員」と「部門」の関係は「主務」のみ抽出した。 ◦ 多対多の設計は応用編なので書籍を参照。 ⇒ファクトとディメンションを組み合わせて使うだけ！【再掲】トランザクションとマスタで分ける 44

6. ビジネスイベントをモデル化しよう

分析対象のモデル化ビジネス構造、業務の流れやユーザーの行動を図示するカスタマージャーニーマップとは？ UX向上を達成する7つの事例と作成方法 https://webtan.impress.co.jp/e/2014/03/24/16722 風音屋の研修「K-DEC Tutorial」より 47

集計対象（Fact：出来事>指標>計算方法）の洗い出しモデル化した図（例：業務フロー図）らビジネスイベントを洗い出すビジネスイベントら指標を洗い出す指標ら計算方法を洗い出す（※BIツールやシートでの集計に任せるケースもある）来店注文発送
返品注文件数人数商品数金額注文件数総計 1人あたり 1商品あたり YoY増加率 48

• ビジネスにいて発生する出来事（ビジネスイベント）存在する • 一つ一つのビジネスイベント連なってビジネス実現される • ビジネスを改善するとは、一つ一つのビジネスイベントを改善すること
◦ 例：来店を増やす、注文を増やす、発送を早するビジネスイベント（出来事）来店注文発送返品集計対象（fact） Event 来店 Metric 件数集計対象（fact） Event 注文 Metric 金額 Calc 総計 Calc 総計 49

• ビジネスイベントを定量的に評価するための指標を定める • そのイベント「どうなってほしい」「どうなると困る」を表現する ◦ 多い⇔少ない：件数、人数、商品数、金額 ◦
長い⇔短い　：時間、距離 ◦ 重い⇔軽い　：生産量、輸送量ビジネスイベントにける指標集計対象（fact） Event 来店 Metric 件数集計対象（fact） Event 注文 Metric 金額 Calc 総計 Calc 総計注文件数人数商品数金額 50

• 指標をどのように計算するを定める ◦ BIツールに任せるケースもある • 四則演算で済ませる現場多い：構築ラク、解釈ラク、管理
ラク ◦ 値、個数、総計 ◦ 割合、平均（per 件数、per 人数、per 商品数） ◦ 変化量、変化率（YoY：昨年対比、MoM：月、WoW：週、DoD：日）指標の計算方法注文件数総計 1人あたり 1商品あたり YoY増加率集計対象（fact） Event 来店 Metric 件数集計対象（fact） Event 注文 Metric 金額 Calc 総計 Calc 総計 51

7. 5W1Hをモデル化しよう

【分けて】5W1Hで分析の切り口を定める【比べる】分析軸による差異を比較する • 「都心の店舗」は「郊外の店舗」より（客数多い｜少ない） • 「今年」は「去年」より（注文総額多い｜少ない） • 「バッグ」は「衣類」より（平均単価
高い｜低い） • 「高単価の商品」は「低単価の商品」より（レビュー評価高い｜低い） • 「リピーター」は「新規顧客」より（1度の注文点数多い｜少ない）分析軸で「分けて」「比べる」今月 When 切り口（dim） Who 新規顧客今月 When 切り口（dim） Where 渋谷店 What バッグ Where 店舗（≠EC） Who 誰 What 何を When いつ Where どこで Why なぜ How どのように 55

ビジネスイベントをどのような軸で「分けて」「比べる」洗い出す分析軸（Dimension：5W1H）の洗い出し分析軸（Dimension） Who What Where Why & How
集計対象（Fact）イベント指標顧客従業員商品店舗配送住所クーポン受注ID 顧客来店人数 ✔ ✔ 顧客注文件数 ✔ ✔ ✔ ✔ ✔ ✔ ✔ 商品発送期間 ✔ ✔ ✔ ✔ ✔ 株式会社風音屋（監訳）『アジャイルデータモデリング』より 56

分析軸（Dimension：5W1H）の洗い出し（Tips）業務フローら洗い出す具体例ら洗い出す Who 店頭スタッフ What 各商品の在庫を When
毎日20:00閉店後に Where 店舗で商品・A ・B 共通ジャンル・衣類 What 商品カテゴリ差異シーズン・夏物・冬物 When 販売時期営業・Cさん・Dさん共通所属・営業2部 Who 企業 > 部門差異担当エリア・□市・☆市 Where 都道府県 > 市区町村 Who 誰 What 何を When いつ Where どこで Why なぜ How どのように 57

階層図の洗い出し最小粒度（グレイン）でデータを管理して、後ら必要な粒度で集計する。株式会社風音屋（監訳）『アジャイルデータモデリング』より風音屋の研修「K-DEC Tutorial」より商品ディメンション商品id 商品名
カテゴリid サブカテゴリid 価格価格帯（1万円単位） xxx xxx xxx xxx xxx xxx xxx xxx xxx xxx xxx xxx 58

Dimensionをどこまで細する【よある質問】　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 Q. 「2024-08-01 13:29:11.555」をDimensionテーブルに切り出すべ？【回答】　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 A.
Dimensionは「単に5W1Hで分けたもの」ではな、あまで「分析軸」である！ ①「0.555秒であること」を軸にしてカウントしたい？ ⇒大抵の場合はNO。センサー機器 0.555秒のとだけ異なる挙動をする可能性もあるもしれない、　そこまで来るとアドホック分析で個別にクエリを書いたほう良い。 ②「8月1日であること」を軸にしてカウントしたい？ ⇒大抵の場合はYES。日付らロールアップして「8月」「月初」「夏」「◯曜日」なども見たい。　したって「Dim_カレンダー」を作成し、日付ごとに1レコードのテーブルとする。 ③「13時であること」を軸にしてカウントしたい？ ⇒あり得る。「昼の時間帯」や「13時台」の客数を集計したなる可能性はある。　②とは別に「Dim_時計」を作成する。日付（YYYY-MM-DD）は付与せずに HH:mm のみ持たせる。　分析ニーズに応じて1レコードの単位を1分、10分、30分、1時間のいずれとする。 60

8. チーム変わる、データモデル変わる

経営陣「データをモニタリングでるようにしたい」コンサルタント「ERPを整備して収支や在庫などの経営資源をモニタリングするの大事ですよ」経営陣「なるほど！」経営資源のモニタリング大事？ 63 ※仮想ケースです

経営陣「取締役会リソース調整の議題ばりになって、ビジネスを成長させる場になっていないな」　　　「（そういうものだと言えばそういうものだけど、本当にこのままでいいんだっけ…？）」事業部長「WEB経由の申し込みに事業の予算達成左右されていますね。こっちを見るべでは？」経営陣「それだ！」事業成長のエンジンをウォッチすること大事？
64 ※仮想ケースです

経営陣・事業部長「WEB経由の申し込み数だけを見てもイマイチ分らんな」マーケター「アクセス解析ツールで内訳を見ましょう。どの工程で止まる、どの経路活発 ……」経営陣・事業部長「これなら具体的な会話でる！」課題特定や施策立案につな
る解像度の高さ大事？ 65 工程1 工程2 工程3 工程4 工程5 経路1 経路2 経路3 経路4 経路5 ※仮想ケースです

経営陣・事業部長「この日はどうして上ったんだろう？この日はどうして下ったんだろう？」マーケター「この日は人気YouTuber 商品に言及してSNSで話題になったようですね！」　　　　　「アクセス解析ツールだと指名検索の判定です、この日もYouTuber効果もしれません！」経営陣・事業部長「コラボや広告を打診するぞ！」想定外の要素
キードライバーだったということもあり得る？ 66 ※仮想ケースです

経営陣・事業部長「データを一元管理して社員全員モニタリングでるようにしたいな」エンジニア「SNS投稿を含めて関連データを横断参照でるようにデータ基盤を作ってました！」マーケター「これを見なら全社員でマーケティングをやっていましょう！」会社全体で追うべ
データは当初の想定とは違うものになるも？ 67 ※仮想ケースです

経営陣・事業部長「ということで我社モニタリングすべはYouTubeとSNSのデータになりました」コンサルタント「経営陣はもっと普遍的な経営資源をモニタリングすることに集中すべでは？」　　　　　　　「そこまで細い話になるなら事業部やマーケターに任せれば良いのでは？」社長「考え方は色々あるけど、デジタル時代に伸びている会社の一部は、経営細
見ているんだよね」チーム何を重視するのは本人たちですら事前には予期でない 68 https://note.com/masa_kazama/n/nf70ba7dccd4a Indeed CEO（現リクルートCEO）一休 CEO https://bcg-jp.com/article/7942/ ※仮想ケースです

• チームの考え方はフェーズによって変わる。 • 当然なら見るべデータも変わる。 • 当然ならデータモデルのあり方も変わる。モデルストーミングを継続的に繰り返し、アジャイルなデータモデリングを実現する
69 株式会社風音屋（監訳）『アジャイルデータモデリング』をもとに一部改変データ整備・分析要求の見直しアジャイルな仮説検証サイクルを回し、データモデルを継続的に改善することで要求の変化に対して迅速に適応する。

9. ビジネス変わる、データモデル変わる

• 乗り物の部品を作っている町工場のメーカー • 売上高は堅調だ、近年の物価高騰で粗利は苦し、主要販売先や銀行らプレッシャーを受ける • 販路開拓の余地を探るために、展示会で新素材を体験してもらう！
• デモンストレーションとして体験型の運転シミュレーションゲームを設置 • ものづり好な技師ゲームの細部までこだわって最高のクオリティに仕上げる • 展示会にゲスト参加した海外の著名人 SNSで「これはすごいぞ」と言及して世界中で話題に • 試しにゲームを販売したら、世界中で飛ぶように売れる • 海外購入者（円安）とソフトウェア産業（原価少ない）の恩恵で収益率の高い事業となる • 数年後には部品の利益を超える • 部品メーカーとして20年使えるはずのデータモデルを設計してERPを導入した …… • ゲームメーカーとして “プレイヤーの利用状況” や “SNSで話題になっている箇所” を分析するほう経営陣にとって重要になる自動車メーカーらゲームメーカーに転身？ 72 ※仮想ケースです

• 最初は物珍しさでゲーム売れた、数年後、徐々にそれだけでは売れななってしまう • むしろ他のゲームメーカーら「ゲーム内の乗り物のCGを作ってれない」と相談を受ける
• CG制作会社として大活躍！ゲームだけではな映像作品でも引っ張りだこに！ • 日本のアニメーション映画世界でヒットしているトレンドに乗って「あのシーンはすごった」と海外のあらゆる映像関係者感激 • 今度はCG制作会社としてのKPIモニタリングを行うことになる • 映画特集のTV番組にゲスト出演した社員「まるで俳優」とSNSで話題になり、各番組に呼ばれる • CG制作で専門知識や英語を使っているため、対応の幅も広、次々に社員たち各番組で活躍する • 年末年始のこの会社の特番に出ること芸能界で活躍するための登竜門となる（昔のミスコン枠） • いつのまに日本有数の芸能プロダクションとして有名になり、KPIモニタリングの内容また変更 • 自動運転やAI技術の進歩につれて「シミュレーション空間での運転テスト」の重要度増し、高度なCG技術とリアルな描画に強いこの会社世界的に引っ張りだこになる • 地球温暖化や宇宙進出による生活圏の変化により、伝統的な乗り物と異なる New Vehicle 台頭！自動運転のシミュレーションについてもこれまでとは違う観点求められるようになり（以下略ゲームメーカーらCG制作会社に？芸能プロダクションに？ 73 ※仮想ケースです

• 「はた織り機」を作っている会社「自動車」を作り始める（トヨタグループ） • 「アニメーション映像」を作っている会社「テーマパーク」を始める（ディズニー） • 「花札」を作っている会社「ビデオゲーム」を作り、ストリーミング販売に対応する（任天堂） •
「広告雑誌」を作っている会社「POSレジ」や「結婚相談所」を始める（リクルート） • 「専門書の物販」を行っている会社「データセンター」を建設する（Amazon） • 「進学塾」を提供していた会社「ホテル」などの不動産事業に切り替える（代々木ゼミナール） • 「フリマアプリ」を作っている会社「決済アプリ」を作り始める（メルカリ）ビジネスは変わる 74 「スピード」と「品質」のスイッチング～事業成長を支える生存戦略～ https://speakerdeck.com/yuzutas0/20210218c1

• マーケットやビジネスは変わり続ける。 • 当然なら見るべデータも変わる。 • 当然ならデータモデルのあり方も変わる。再掲：モデルストーミングを継続的に繰り返し、アジャイルなデータモデリングを実現する
75 株式会社風音屋（監訳）『アジャイルデータモデリング』をもとに一部改変データ整備・分析要求の見直しアジャイルな仮説検証サイクルを回し、データモデルを継続的に改善することで要求の変化に対して迅速に適応する。

10. AIエージェントを信頼するために

生成AIによるデータ分析の自動化ジュニア分析者より正確で、シニア分析者より早い＆安いアウトプット 1. 大手クラウドベンダーはデータウェアハウスとのネイティブ連携強み。以下はGoogle Cloudの例。 a. GeminiチャットやNotebookLMによるデータ分析レポートの作成。 b. LookerやLooker
Studio ProといったBIツールの対話エージェント機能。 2. Claude Desktopといった独立ツールらクラウドデータウェアハウスに接続する事例 a. 本資料作成時点で主流なのはMCPを経由してデータを参照する方法。 78

生成AI データを正し使うためには、データの整備必要 50個の「売上テーブル」存在していたら、生成AIはどの「売上」で分析すれば良い判断でない。そもそも考え方や用途によって「売上」の定義は変わる。 •
消費税を含む？ • 途中解約はどこに計上する？ • 年間契約は月次で按分する？ • 割引はどこで差し引？ • 返金は後で差し引？購入時に遡って差し引？ • 通販サイトやアプリ決済の決済手数料を含む？年間契約を行った場合、ある分析では「今月の売上」大幅に向上したと報告しても、別の分析だと月次で按分しているので1/12の数字になる。 AI 生成した2つのレポートを見比べると「今月の売上」 10倍近ズレることになる。 79

「fct_xxx」と「dim_xxx」のテーブル用意されている。つまりこれはディメンショナルモデリングで作られたテーブルだ。 • 集計対象 fctで、切り口 dimだろう。 • それらのテーブルは「xxx_id」列で結合すれば良いのだろう。 •
1 らAI 集計するのではな、既に整備されている「按分売上」や「消費税抜」列を使えば良いのだろう。 • AI 事業年度を「4月〜翌3月」と推測するのではな、整備されている「事業年度」列を使えば良いのだろう。生成AIによるデータ分析の品質安定し、従業員カジュアルに生成AIに頼ることでるようになる。テーブルの形式明確だと生成AI 推論しやすい 80

他の有識者たちの資料 Microsoft PowerBI はディメンショナルモデリング前提となる。Copilot 機能を使う場合もまた然り。 https://www.docswell.com/s/yugoes1021/KRXVY2-2024-05-08-213110 メルカリ社のSocrates（分析AIエージェント）はBasic Tables（信頼でるテーブル）に依拠している。
https://note.com/mercari_data/n/n247a65af9bf5 81

生成AIの活用効果「期待以上」となる要因の2位は日米ともに「データ品質」 82 PwCコンサルティング「生成AIに関する実態調査2024 春米国との比較」 https://www.pwc.com/jp/ja/knowledge/thoughtleadership/generative-ai-survey2024-us-comparison.html

AIを活用する上で、データの質・量不十分日本国内686社の調査で、データ活用の課題2位として「質・量を備えたデータの取得」挙げられている。 NEDO（2019）「産業分野にける人工知能及びその内の機械学習の活用状況及び人工知能技術の安全性に関する調査」ならびに https://ainow.ai/2020/07/05/224999/ 83

データのサイロ化（分断）アジア太平洋よび欧州中近東の企業調査にて、テクノロジー部門の上級意思決定者670人中73% 、データのサイロ化によって「必要とするデータを提供でていない」「目標を達成でていない」と回答。 Oracle Corporation (2020)
“Moving the Needle: Data Management for the Multi-Hybrid Age of IT” ならびに https://prtimes.jp/main/html/rd/p/000000003.000057729.html 84

SSoTの担保 • SSoT（Single Source of Trust ＝信頼でる単一の情報源）の担保鍵となる。
• データ分析者「ここを見れば必要なデータ揃う」と信頼でる「寄る辺」必要とされている。 https://techcrunch.com/2017/06/23/five-building-blocks-of-a-data-driven-culture/ ならびに https://jp.techcrunch.com/2017/06/25/20170623five-building-blocks-of-a-data-driven-culture/ ※閉鎖済事実の単一情報源を持っている場合には、アナリストや他の意思決定者といったエンドユーザーたちに、優れた価値を提供することでる。彼らは組織内でデータを探す時間少なて済むようになり、データの利用により多の時間を割ことでるようになるらだ。 When you have a single source of truth,you provide superior value to the end user: the analysts and other decision makers. They’ll spend less time hunting for data across the organization and more time using it. Additionally, the data sources are more likely to be organized, documented and joined. Thus, by providing a richer context about the entities of interest, the users are better positioned to leverage the data and find actionable insights. 85

• ステークホルダー全員共通のキューブ（立方体）を多様な軸でスライス（切断）でる状態。 • 売上高◯◯円という事実（Fact）を3つの次元（Dimension）で分解する。 SSoTの概念イメージ（再掲） 86 株式会社風音屋（監訳）『アジャイルデータモデリング』より（網掛けは本資料での追記）この期間での売上
2億円この製品での売上 5,000万円この店舗での売上 800万円売上累計 30億円

SSoTの画面イメージ（再掲） • 画面上で組み合わせを指定して、欲しいデータを集計でている状態。 • 以下は『アジャイルデータモデリング』に掲載されているクラシコム様の事例。2022年上場。 87 株式会社風音屋（監訳）『アジャイルデータモデリング』よりクラシコム社の事例

ローデータらFactとDimensionを整備する • 前処理を行い、加工ロジックを経て、データ利用者向けのFactとDimensionを整備する。 • 以下は『アジャイルデータモデリング』掲載、リクルート様の事例にける説明図ら一部抜粋。 88 株式会社風音屋（監訳）『アジャイルデータモデリング』よりリクルート社の事例

11. わりに

今回は取り扱わなった課題例えば…… • ファクトやディメンションの実践的なテーブル設計例は？ • 多対多の関係を表現するには？ • マスタ（ディメンション）の値変わる場合は？
◦ 例：ユーザー静岡県ら東京都に引っ越した。そのままマスタの値を上書してしまうと、去年の購入は静岡県ではな東京都に計上されてしまう。ぜひ『アジャイルデータモデリング』を読んでいただければと！ 91

ご清聴ありとうございました改善サイクルを回し、今日よりも良い明日を。 https://kazaneya.com/contact 92

Excelデータ分析で学ぶディメンショナルモデリング ～アジャイルデータモデリングへ向けて～ ...

Excelデータ分析で学ぶディメンショナルモデリング ～アジャイルデータモデリングへ向けて～ by @Kazaneya_PR / 20251126

More Decks by 風音屋 (Kazaneya)

Other Decks in Technology

Featured

Transcript

Excelデータ分析で学ぶディメンショナルモデリング～アジャイルデータモデリングへ向けて～ ...

Excelデータ分析で学ぶディメンショナルモデリング～アジャイルデータモデリングへ向けて～ by @Kazaneya_PR / 20251126