---
title: 【R-220105_6962473012】データレイクにおけるメタデータ管理の重要性
description: ビッグデータ解析のためのデータ格納場所として、多くの企業がデータレイクを導入しているが、適切なメタデータ管理を行わないと、必要なデータの特定ができなくなるデータスワンプ状態に陥る。本稿では、データレイクの特性を明確にしたうえで、陥りやすい課題とその解決策について解説する。
---

[レポート・ライブラリ｜株式会社アイ・ティ・アール ](https://www.itr.co.jp/report-library)

# [【R-220105_6962473012】データレイクにおけるメタデータ管理の重要性](https://www.itr.co.jp/report-library/r-220105)

 作成者: [株式会社アイ・ティ・アール](https://www.itr.co.jp/report-library/author/株式会社アイ-ティ-アール)｜Sep 17, 2023 2:28:10 AM

ビッグデータ解析のためのデータ格納場所として、多くの企業がデータレイクを導入しているが、適切なメタデータ管理を行わないと、必要なデータの特定ができなくなるデータスワンプ状態に陥る。本稿では、データレイクの特性を明確にしたうえで、陥りやすい課題とその解決策について解説する。

## データウェアハウスとデータレイクの違い

データウェアハウスとデータレイクは、ともにデータ分析に必要となる多種多様な大量のデータを1ヵ所に蓄積することを目的としているが、蓄積前後でのデータ収集と加工処理を行う順序が大きく異なる（図1）。

### 図1．スキーマ・オン・ライトとスキーマ・オン・リード

 出典：ITR

データウェアハウスでは、データ分析を行うユーザーの要件をあらかじめ定義したうえで、データモデルを設計し、それに合わせて必要なデータを収集、加工してから蓄積するという順序になる。このやり方は、データの蓄積（書き込み）の時点で、データベースの構造（スキーマ）がすでに決定されているという意味で、スキーマ・オン・ライト（Schema on Write）と呼ばれる。

一方、データレイクでは、ユーザー要件定義を行うことなく、収集可能なデータを全て未加工の状態で蓄積する。その後、データレイクのユーザーが、各自の要件に基づいて必要なデータを抽出し、自ら加工する。このやり方は、蓄積済みのデータをユーザーが抽出（読み込み）した後で、データベースの構造（スキーマ）が決定されるという意味で、スキーマ・オン・リード（Schema on Read）と呼ばれる。

[完全な記事を表示](https://www.itr.co.jp/report-library/r-220105)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "株式会社アイ・ティ・アール"
  },
  "dateModified" : "2023-09-25T01:27:26.126Z",
  "datePublished" : "2023-09-17T02:28:10Z",
  "headline" : "【R-220105_6962473012】データレイクにおけるメタデータ管理の重要性",
  "image" : {
    "@type" : "ImageObject",
    "height" : 60,
    "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png",
    "width" : 60
  },
  "mainEntityOfPage" : "https://www.itr.co.jp/report-library/r-220105",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60,
      "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png",
      "width" : 60
    },
    "name" : "レポート・ライブラリ"
  }
}
```