データレイク（生データの保管庫）

📌

データレイクとは

データレイク（data lake、データの湖の意味）とは、構造化・非構造化を問わず、生データのまま大量に蓄積する保管庫のことです。整える前のデータを「とりあえず全部ためておく」のが特徴です。

身近な例で考えると、あらゆる支流が流れ込む大きな湖のようなものです。きれいに分類された倉庫（DWH）とは違い、川上から来る水（データ）を区別せず、すべて湖にためます。表のデータも、写真も、動画も、ログも、形を問わず受け入れます。

上の図解のように、入れる時点では加工せず、使うときに初めて目的に合わせて取り出して加工します（これを「スキーマ・オン・リード」と呼びます）。AI やビッグデータ分析の素材置き場として活躍します。

📌

生データ蓄積の利点

データには大きく2種類があり、データレイクはその両方をそのまま受け入れられるのが強みです。
・構造化データ：表（行と列）にきれいに整理できるデータ。売上表・CSV など
・非構造化データ：表に当てはまらないデータ。画像・音声・動画・自由記述のテキストなど

生のままためておく主な利点は次のとおりです。
・後からの活用が自由：用途を決め打ちしないので、将来思いついた新しい分析にも使える
・情報を失わない：先に加工して捨ててしまった項目を、後から「やっぱり必要だった」と困ることがない
・大量・多様でも安く保存：安価なストレージにまとめて置ける

料理に例えると、下ごしらえせずに食材をまとめて冷蔵庫に保存しておくイメージです。何を作るか決まっていなくても、いざ献立が決まったときに必要な分だけ取り出して調理できます。ただし整理されていない分、目的のデータを探す仕組み（カタログ管理）を整えないと「沼」になりやすい点には注意が必要です。

📌

DWHとの違い

データレイクはデータウェアハウス（DWH）とよく比較されます。最大の違いは「整えるタイミング」です。

DWH は「先に整えてからしまう」ので、すぐに集計・分析できる代わりに、入れられるデータの形が決まっています。一方データレイクは「先にためてから後で整える」ので、形を問わず受け入れられる代わりに、使う前にひと手間かかります。

どちらか一方ではなく、レイクに生データをためておき、そこから整えて DWH を作るという組み合わせもよく使われます。「まず湖に集めて、必要な分を倉庫に移す」と考えると役割分担が理解しやすいでしょう。

✏️

練習問題