%20(%E8%83%8C%E6%99%AF%E3%81%82%E3%82%8A).png?width=130&height=39&name=%E6%9C%80%E7%B5%82Start%20Link%20(500%20x%20150%20px)%20(%E8%83%8C%E6%99%AF%E3%81%82%E3%82%8A).png "StartLink"){kind=logo}
title: "企業データ基盤の構築方法｜DWH・データレイクの設計とクラウド活用ガイド"
slug: "hubspot-ai/data-legacy/data-platform-dwh-datalake"
metaDescription: "企業のデータ基盤（DWH・データレイク）の構築方法を解説。BigQuery、Snowflake等のクラウドDWH比較、アーキテクチャ設計、データパイプラインの構築手順をまとめます。"
featuredImage: "https://www.start-link.jp/hubfs/blog-featured-images/dx.webp"
blogAuthorId: "166212808307"
contentGroupId: "166203508570"
keywords: ["データ基盤", "DWH", "データレイク", "BigQuery", "Snowflake", "データウェアハウス"]
category: "BC_data-legacy"
DXの推進に伴い、CRM、ERP、MA、Webアナリティクスなど多数のシステムにデータが分散する企業が増えています。各システムのデータを統合的に分析するには、全社データを集約する「データ基盤」の構築が不可欠です。
データ基盤とは、企業内の様々なデータソースからデータを収集・統合・蓄積し、分析・活用できる状態にするための技術基盤です。本記事では、DWH（データウェアハウス）とデータレイクの違い、クラウドDWHの選定、データパイプラインの構築方法を解説します。
DWHとデータレイクの違い
| 比較項目 | DWH | データレイク |
|---|---|---|
| データの種類 | 構造化データ | 構造化+半構造化+非構造化 |
| スキーマ | 事前定義（Schema on Write） | 利用時定義（Schema on Read） |
| 用途 | 定型的な分析・レポーティング | 探索的分析、機械学習 |
| データ品質 | クレンジング済みの高品質データ | 生データを含む |
| ユーザー | 経営層、ビジネスアナリスト | データサイエンティスト、エンジニア |
| コスト | 中〜高 | 低〜中 |
近年は両者の境界が曖昧になり、「レイクハウス」と呼ばれるDWHとデータレイクを統合したアーキテクチャが主流になりつつあります（Databricks、Delta Lake等）。
クラウドDWHの主要製品比較
| 製品 | 提供元 | 特徴 | 価格モデル | 適する企業 |
|---|---|---|---|---|
| BigQuery | Google Cloud | サーバーレス、SQL対応、高速 | 従量課金（クエリ量） | 全規模 |
| Snowflake | Snowflake | マルチクラウド、コンピュートとストレージ分離 | 従量課金（使用量） | 中堅〜大企業 |
| Amazon Redshift | AWS | AWS統合、高パフォーマンス | 固定+従量 | AWS環境の企業 |
| Azure Synapse | Microsoft | Microsoft統合、PaaS | 従量課金 | Microsoft環境の企業 |
中小企業への推奨
多くの中小企業にはBigQueryが最も適しています。理由は：
- サーバーレスで運用管理が不要
- 月10GBまでのストレージと1TBまでのクエリが無料
- Looker Studioとの統合でBIダッシュボードが構築しやすい
- SQLで操作できるため、学習コストが低い
データ基盤のアーキテクチャ設計
3層アーキテクチャ
| 層 | 役割 | 構成要素 |
|---|---|---|
| データソース層 | データの発生源 | CRM、ERP、Webサイト、SaaS各種 |
| データ統合層 | 収集・変換・格納 | ETL/ELTパイプライン、DWH |
| データ活用層 | 分析・可視化・活用 | BIツール、機械学習、レポート |
ETLとELTの違い
| 方式 | 処理順序 | 特徴 | 適する場面 |
|---|---|---|---|
| ETL | Extract→Transform→Load | 変換してからDWHに格納 | データ品質を重視 |
| ELT | Extract→Load→Transform | まずDWHに格納し、DWH上で変換 | BigQuery等のクラウドDWH向け |
クラウドDWHの計算能力を活用するELTが現在の主流です。dbt（data build tool）はELTのTransform部分を効率化するツールとして広く使われています。
データパイプラインの構築
CRMデータの統合例
CRM（HubSpot等）のデータをBigQueryに集約し、BIダッシュボードで可視化する構成です（関連記事: CRM × データウェアハウス連携の設計）。
構成:
- HubSpot API → Fivetran（ETLツール）→ BigQuery
- freee API → Fivetran → BigQuery
- BigQuery上でdbtを使ってデータモデリング
- Looker Studio/Tableauでダッシュボード作成
主要なETL/ELTツール
| ツール | 特徴 | 価格 |
|---|---|---|
| Fivetran | マネージドETL、300+コネクタ | 従量課金 |
| Airbyte | オープンソース、自前運用可 | 無料〜 |
| trocco | 日本製、国内SaaS対応 | 月額5万円〜 |
| Stitch | シンプル、Talend傘下 | 従量課金 |
データ基盤構築のロードマップ
| フェーズ | 期間 | 内容 |
|---|---|---|
| Phase 1 | 0〜3ヶ月 | CRMのダッシュボード活用（DWH不要） |
| Phase 2 | 3〜6ヶ月 | CRM + 会計データのDWH統合 |
| Phase 3 | 6〜12ヶ月 | 全社データの統合、高度な分析 |
| Phase 4 | 12ヶ月〜 | AI/ML活用、予測分析 |
中小企業はPhase 1から始めて十分です。CRMの標準ダッシュボード機能でかなりのデータ分析が可能です（関連記事: CRM導入の進め方完全ガイド）。データ量やユースケースが増えた段階でDWHを導入するのが、コスト効率の良いアプローチです。
株式会社StartLinkは、事業推進に関わる「販売促進」「DXによる業務効率化（ERP/CRM/SFA/MAの導入）」などのご相談を受け付けております。 サービスのプランについてのご相談/お見積もり依頼や、ノウハウのお問い合わせについては、無料のお問い合わせページより、お気軽にご連絡くださいませ。
著者情報
