複雑なデータも、多次元構造分析に帰着すれば分析しやすくなる

　消費者行動分析では、顧客が特定された（ID付）購買履歴が基本になります。そこに多くのディメンジョンを付加できれば、それだけ多様な分析ができるわけです。

　データ・マイニングを実施する際には、複数のキーとバリューで1レコードを構成する多次元構造化を行ってデータを整えることを考えます。その際、データベースからOLAPキューブを構成することにより、ディメンジョンを明示的に操作しながら（スライス＆ダイスなど）、マイニングを実施することができます（下図①）。

　多変量解析や時系列分析と合わせて、分析結果の可視化も重要です。決定木（ツリー構造）、クラスター分析（樹形図）、グラフ理論（ネットワーク図）、コレスポンデンス分析（クロス表のマッピング）、因子分析（ディメンジョンの集約と因子得点を用いた知覚マップ）など、さまざまな方法があります。雑駁ではありますが、これが従来のデータ・マイニングのステップです。

　この原則は、トランザクション・データに限らず、（データ量増大の問題はありますが）Webログ、GPSログ、VOCのテキスト・データなどのデータ・ソースの違いによりません。

　たとえば、図のテキスト・データでは個々の文に現れる注目語の有無（０／１で格納）から単語の共起関係を分析することができますし、Webログ解析では、滞在時間をバリューに入れて滞在時間の特性を分析することができます（上図②③）。要するに、データの種類は何であれ、多次元構造に帰着させることで、データは格段に扱いやすくなるわけです。

従来のデータかビッグデータか、意識せずに操作できるのが理想

　ところが一般に、従来のDWHにビッグデータをそのまま格納していくことはできません。ビッグデータ処理で注目されているHadoop（分散処理フレームワーク）とその処理系であるMap/Reduceは、HDFSと呼ばれる別ファイルシステムの配下で動くため、従来の基幹系、情報系のデータとビッグデータ関連のデータ・ソースをどのように連携させていくかが焦点になります。

　現在、各ベンダーはそれぞれの強みを生かしたデータ連携の仕組みを提案しており、Hadoopで＜Key, Value＞のセットを集約してからデータを統合する、あるいは従来のSQLと同じイメージで、アドホックにビッグデータ処理をHadoopに依頼するなどのアイデアで実装していくことになります。

　このとき、利用者にとって最も望ましいことは、従来のデータかビッグデータ（非構造化）かを意識せずにデータを操作できることです。先述の「楽天スーパーDB」はそれを実現した、統合化の先進例といえます。