Tableau でプラットフォーム間のデータの一貫性を確保する

学習の目的

この単元を完了すると、次のことができるようになります。

プラットフォーム間でデータの一貫性を維持する重要性を説明する。
セマンティックモデルの概要と、プラットフォーム間でデータを利用する際の役割を説明する。
すべての Tableau 製品で 1 つのセマンティックモデルを使用するメリットを説明する。
Tableau Semantics でセマンティックモデルを作成する手順を説明する。

プラットフォーム間のデータの一貫性が重要な理由を確認する

Tableau Next と Tableau Classic (Tableau Cloud と Tableau Desktop を含む) の連携が強化され、データがどこにあっても、これまで以上にデータ分析がしやすくなりました。

次のような場合には、データの保存場所とは別の環境で分析を行いたいことがあります。

特定のプラットフォームに慣れていて、そちらのほうが操作しやすい。
特定のプラットフォームでしか利用できない機能を使用する必要がある。
分析結果を利用するユーザーがいる環境で分析を行いたい。

どのプラットフォームで分析を実行する場合でも、データの一貫性を維持する必要があります。Tableau では、エコシステム全体をつなぐ共有レイヤーを構築することで、この一貫性を実現します。

Tableau でプラットフォーム間のデータの一貫性を確保する仕組みを理解する

セマンティックモデルを使用すると、データの一元化された情報源を作成して、Tableau エコシステム全体で利用できます。

セマンティックモデルの基本

セマンティックモデルとセマンティック定義で構成されるセマンティックレイヤーにより、データは、一貫性と信頼性が確保され、安心して利用できるアセットへと変わります。各セマンティックモデルはデータソースとエンドユーザーの間に位置し、複雑なデータ構造を、業務で使うわかりやすい用語で表します。

たとえば、データベースに cust_ord_yr_2024 というテーブルがあり、o_id や o_amt という列ヘッダーがあるとします。セマンティックモデルでは、これらが「2024 年の顧客注文」、「注文 ID」、「注文金額」のようなわかりやすい名前に変換されます。セマンティックモデルには、階層、書式設定、計算など、データに関するすべてのメタデータも含まれます。

セマンティッククエリでは、データの結合方法や集計方法などの取得手順を指定せず、必要なデータだけを要求します。実際の取得方法は、ソースのセマンティックモデルによって決まります。そのため、「収益」として何を扱うかといったビジネス上の定義が分析時にも一貫して適用され、常に同じ基準で結果を得られます。たとえば、Tableau Agent や Agentforce のような AI エージェントに「長期間更新されていないサポートケース」を探すよう依頼すると、セマンティッククエリによって、事前に定義したセマンティクスに従って条件に合うデータが取得されます。たとえば「指定した日付より前のケース」という定義がそのまま適用されるため、正確で信頼できる回答が得られます。

Tableau Semantics レイヤー

Tableau Next または Data 360 で Tableau Semantics を使用して構築したセマンティックモデルは、Tableau Cloud と Tableau Desktop でも利用できます。Tableau Semantics は、Tableau Next と Data 360 に統合されているセマンティックレイヤーです。詳細は Tableau Semantics をご覧ください。

セマンティックモデルを使用するメリット

すべての Tableau 製品で 1 つのセマンティックモデルを使用すると、次のようなメリットがあります。

信頼性: 組織の全員が同じデータと計算を使用するため、Viz (ビジュアライゼーション) の一貫性と正確性を確保できます。
効率性: ワークブックごとに同じデータモデルを作り直す必要がありません。一度作成すれば、すべての Viz で再利用できます。
アジリティ: セマンティックモデルを変更しても、そのモデルを使用する各ワークブックを個別に更新する必要はありません。最新のデータに合わせて Viz を簡単に更新できます。
セキュリティ: セマンティックモデルにパーミッションを設定して、データにアクセスできるユーザーを制御できます。これにより、データのセキュリティを確保し、規制に準拠できます。
コンテキスト認識 AI: セマンティック定義を作成すると、その定義を利用する AI エージェントがビジネスコンテキストを把握できるようになります。これは、「第 1 四半期の ACV に最も貢献した製品は?」のような曖昧な質問をエージェントが理解するうえで非常に重要です。★

セマンティックモデルで AI エージェントの能力を引き出す

AI エージェントの能力を最大限に引き出すには、信頼できるデータ基盤となるセマンティックモデルが不可欠です。セマンティクスによってデータオブジェクト、計算、階層を定義しておくことで、エージェントは複数ステップのタスクを確実に実行できます。

たとえば、ビジネスユーザーが「今月のコンバージョン率が低い原因は何ですか? また、どう対処すべきですか?」という複雑な質問をしたとします。この場合は、次のような処理が行われます。

エージェントは自然言語の質問を処理し、セマンティックモデルを使って、「コンバージョン率」、「今月」、「低い」 (コンバージョン率) を自社の標準ビジネスロジックに従って解釈します。
エージェントは、必要なデータ分析のためのクエリを実行します。
エージェントは、分析結果からパターンを特定します。たとえば、特定の商品ページを閲覧したものの、商品をカートに追加しなかった顧客では、コンバージョン率が大きく低下しています。
エージェントはビジネスコンテキストを活用し、次のように具体的な対応につながる回答を提示します。「商品 X のランディングページのコンバージョン率は、先週 10% 低下しました。推奨アクション: ページを閲覧したものの [Add to Cart (カートに追加)] をクリックしなかったユーザーを対象に、自動フォローアップメールキャンペーンを開始してください。」

Tableau Semantics でセマンティックモデルを作成する

多くの場合、既存のセマンティックモデルに接続できます。プロジェクトが新しい場合や、独自の会計年度体系など特殊なセマンティクスが必要な場合は、新しいセマンティックモデルの作成が必要になることがあります。

セマンティックモデルを最初から作成するには、次の手順を実行します。

データオブジェクトを選択する: Data 360 で [Data Model (データモデル)] タブに移動し、セマンティックモデルに必要なデータオブジェクトがあることを確認します。
新しいモデルを作成する: [Semantic Layer (セマンティックレイヤー)] タブに移動し、[New Model (新しいモデル)] をクリックして、[Start with a New Model (新しいモデルから開始)] を選択します。
データオブジェクトを追加する: 取引先、売上、商品、ケースなど、モデルに含めるデータオブジェクトを選択します。
モデルの詳細を定義する: セマンティックモデルの一意の名前、API 参照名、任意の説明を入力します。
リレーションを構築する: セマンティックモデルビルダーを使用して、データオブジェクト間のリレーションを手動または Semantics AI で定義します。

セマンティックモデルビルダーのユーザーインターフェイス。

詳しい手順は、「Tableau Semantics でセマンティックモデルを作成する」を参照してください。

次の単元では、セマンティックモデルへの接続方法を学びます。

予想時間

トピック

ヘルプをお探しですか?

Tableau のリソース