Part 2: Data & AI 基盤 (製造リファレンス・アーキテクチャ勉強会)

Azure
2020年7月
(MPNパートナー様向け配布用)
Tech Briefing:
製造リファレンス・アーキテクチャをベースとした
システム構築を行うための基盤技術トレーニング
福原毅 ( tfukuha )
日本マイクロソフト株式会社
パートナー事業本部パートナー技術統括本部第二アーキテクト本部
シニアクラウドソリューションアーキテクト ( Azure Data & AI )
～ Part 2: Data & AI 基盤

Part 0: 製造リファレンスアーキテクチャについて
Part 0.5: 事例を中心としたユースケース
Part 1: IoT 基盤
Part 2: Data & AI 基盤
Part 3: サーバーレスとシステム間連携基盤
Part 4: Power Platform / Dynamics 365 概説
Part 5: “製品の変革” を支える基盤サービス
製造リファレンス・アーキテクチャをベースとした
システム構築を行うための基盤技術トレーニング (座学)

製造リファレンス・アーキテクチャの技術要素のうち、
Data & AI 基盤の概要を理解する
本セッションの目的

インテリジェントクラウド + インテリジェントエッジによる
デジタルフィードバックループ・フレームワーク
THINGS – データ収集 INSIGHTS – データ蓄積・分析 ACTIONS – 業務適用
Power BI
Surface 他
各種スマートデバイス
業務デバイス
• 共通の
データモデル
• 構造化・非構造化
データ格納
• Azure AD による認
証・アクセス制御
機械学習モデル
開発・管理
Azure Machine Learning
業務アプリケーション
Power
Automate
Cognitive Services
• IoT データ収集
• デバイス管理・プ
ロビジョニング
• 通信規格対応
(HTTP, AMQP,
MQTT)
データ蓄積
(データレイク)
人
各種スマートデバイス
データ保護 - ID / Security
機器/
センサー GitHub
Azure Active Directory
ユーザー管理・認証・アクセス制御
データ収集・
連携
DB
Azure
IoT Hub
Azure
Data Factory
(Synapse Pipeline)
学習済み AI モデル
Microsoft Teams
Azure
Data Lake Storage
Gen2
PowerApps
外部データ
(非構造化)
Azure Security Center
脆弱性チェック、脅威検出・レポート
• ノンコーディングで
アプリ・ビジネスロジック・レポート作成
• デバイスをを問わないビジネスチャット、オンライン
会議、ファイル共有
• 現場や人に関連するデータ収集
Dynamics
365
Azure
Logic Apps
Azure
Functions
Azure
App Service
Azure
Kubernetes
Service
• Serverless とPaaS、コンテナーオーケストレーター
データ処理・
分析
Azure Synapse Analytics
Azure Cosmos DB
Azure
DevOps
Bonsai
Azure Sphere
セキュア
MCU
セキュア
OS
10 年間
セキュリティ更新
組み込み
IoT デバイス
• OPC- UA 接続
• リアルタイム
データ処理
• 機械学習モデル
による推論実行
• 継続セキュリティ
保護
Azure
IoT Edge

アジェンダ
クラウドスケールの分析基盤
• 蓄積: Azure Data Lake Storage
• 収集 ( & 前処理 ): Azure Data Factory
• 前処理: Azure Databricks
• 分析: Azure Synapse Analytics
• 共有: Azure Data Catalog と、Azure Data Share
• 見える化: Power BI
AI 基盤
• 機械学習: Azure Machine Learning
• 学習済モデル: Cognitive Service
• AIの民主化: Power Platform
Azure Storage の基本
• なぜ、クラウドストレージなのか？
• Azure Storageのアーキテクチャ
• Azure Blob Storage / Azure Data Lake Storage
オペレーショナルデータベース基盤
• SQL Server: Azure SQL Database
• オープンソースRDBMSサービス:
Azure Database for PostgreSQL / MySQL / Maria DB
• NoSQLサービス: Azure Cosmos DB
Appendix
1. Dynamics 365 Customer Insights & Azure Synapse Analytics
2. SAP上のデータとの連携

アジェンダ
• 蓄積: Azure Data Lake Storage
• 収集 ( & 前処理 ): Azure Data Factory
• 前処理: Azure Databricks
• 分析: Azure Synapse Analytics
• 共有: Azure Data Catalog と、Azure Data Share
• 見える化: Power BI
AI 基盤
• 機械学習: Azure Machine Learning
• 学習済モデル: Cognitive Service
• AIの民主化: Power Platform
Azure Storage の基本
• なぜ、クラウドストレージなのか？
• Azure Storageのアーキテクチャ
• Azure Blob Storage / Azure Data Lake Storage
オペレーショナルデータベース基盤
• SQL Server: Azure SQL Database
• オープンソースRDBMSサービス:
Azure Database for PostgreSQL / MySQL / Maria DB
• NoSQLサービス: Azure Cosmos DB

製造業向けリファレンスアーキテクチャの技術要素の前に、なぜクラウドストレージなのか？
フルマネージドDBの利点
さまざまなデータソース（BLOB、テーブル、リレーショナル、NoSQLなど）にそれぞれのストラテジを
自動バックアップとリカバリ
ストレージの層
レプリケーションや複数データセンターによる、世界中からの迅速な
アクセス
監視、トラブルシューティング、および管理を大規模に
予測可能なパフォーマンスを得るためのデータベースのチューニングとメンテナンス
データの種類やデバイスを意識せずに、データのアクセス/共有/更新を行う
データの永続性、アクセス性、安全性を維持することは自明
クラウドベースのストレージは、データにアクセスするための標準
APIを提供

現代のデータ資産
オンプレミス
オペレーショナルデータベース
データウェアハウス
データレイク
ハイブリッド
クラウド
オペレーショナルデータベース
データレイク
セキュリティとパフォーマンス選択の柔軟性
その場所でデータを
利用する理由に合わせて展開
R JAVA

コスト効果:
信頼性:
ストレージのタイプ:
Azure Data Storage vs オンプレミスストレージ

Azure Storage のアーキテクチャ
インテリジェントクラウド
Azure Data Box ファミリー
データのインポートとエクスポート
Azure APIs on the edge
Azure Backup
Azure Site Recovery
Azure File Sync
Azure とデータセンターの統合
ハイブリッドストレージ
バックアップと災害対策
長期アーカイブ
ストレージパートナーエコシステム
インテリジェントエッジ
Azure Stack ファミリー
Azure IoT Edge
Azure IoT Sphere
単一のストレージアーキテクチャ
耐久性、保管時の暗号化、強い一貫性のあるレプリケーション、耐障害性、自動ロードバランシングアーキテクチャ―
ADLS Gen 2
(File Namespace)
ストレージサービス Azure Blob Storage Azure Disk Storage Azure File Storage
Object REST HDFS SMBBlock NFS
Temperature tiers
Ultra / Premium から Archive までのストレージ階層
Azure HPC Cache
データのワークロード
Backup
& Archive
Application
& User
Analytics HPC, IoT, AI
NFS

Data Workloads
Applications
High Scale Web &
Mobile
CDN – Web & Video
Interactive (low-
latency)
Analytics
Spark (Databricks) &
Hive
Hadoop Ecosystem
(HDFS)
Machine Learning
Data Warehouse
HPC
Autonomous Driving
Oil & Gas
Genomics
EDA
Cloud Burst
Media transcoding
Finserv & Insurance
Cold
Backup & DR
Logs
Media Archives
Medical Imaging

Storage services
Blobs
REST経由でアクセスする
オブジェクトストレージ
ストリーム及びランダムな
オブジェクトアクセスの
シナリオ
Files
SMB/REST経由で
アクセスする
ファイルストレージ
リフト & シフトの
シナリオ
Tables
NoSQLストレージ
KeyValue ストア
Queues
信頼性の高い
メッセージング
非同期タスクを
スケジューリング
Disks
REST経由で、IaaS
仮想マシンVHDディスク
アクセス
仮想マシン用
永続ディスク
Premium オプション

Temperature tiers
サーバーのバックアップ
リポジトリ
医療情報の
アーカイブ
クラウドネイティブ
アプリケーションのデータ
インターラクティブ
トランザクション
テレメトリー
ArchiveCoolHotPremium
2019年7月現在の東日本リージョンでの提供価格。最新の価格は、以下のURLをご確認ください。
https://azure.microsoft.com/ja-jp/pricing/details/storage/blobs/➔

Temperature tiers
ストレージのアクセス層
Premium ストレージ: 頻繁にアクセスするデータ
向けの、高いパフォーマンスのハードウェアを提供
ホットストレージ: 頻繁にアクセスするデータを保
存するために最適化
クールストレージ: 少なくとも30日間は保存し、
それほど頻繁にアクセスされないデータを保存す
るために最適化
アーカイブストレージ: 柔軟な遅延要件 (数時
間の単位)で、少なくとも180日間は保存し、
稀にしかアクセスされないデータの保存に最適
化

Temperature tiers
アーカイブストレージ
Point
ストレージ料金は非常に安価
ホット、クール、アーカイブの3層間で移動可能
最低180日以上保持
用途
長期間のバックアップやセカンダリバックアップ
長期間保存が必要で、かつアクセスされることがないコン
プライアンスやアーカイブデータ
利用する上での注意
アーカイブストレージのデータ読み取りのためには、一度
ホットかクールに変更する必要があります（リハイドレート
処理）。最大15時間かかる場合もあります。
アクセス層を変更する場合に課金が発生します。
ホットクールアーカイブ
最初の 50 テラバイト
(TB)/月
¥2.24/GB ¥1.68/GB ¥0.28/GB
次の 450 TB/月 ¥2.16/GB ¥1.68/GB ¥0.28/GB
500 TB 超/月 ¥2.07/GB ¥1.68/GB ¥0.28/GB
移行元と移行先課金
よりクール層
への移動
ホット→クール
ホット→アーカイブ
クール→アーカイブ
移動先のアクセス層への書き込
み操作課金
よりホット層へ
の移動
アーカイブ→ホット
アーカイブ→クール
クール→ホット
移動元のアクセス層からの読み
取り操作課金

Architecture
冗長性とレプリケーション
LRS ( Locally Redundant Storage )
99.9% の Read / Write SLA
※クールアクセスレベルでは99％
リージョン内3レプリカ
ディスク、ノード、ラックレベル障害
への保護
全レプリカがコミットでACK
データ耐久性
99.999999999 (11ナイン)
GRS ( Geo-Redundant Storage )
2 リージョン、6 レプリカ
広域災害の保護
セカンダリへの非同期書き込み
( ペアリージョン間でコピー作成 )
データ耐久性
99.99999999999999 (16ナイン)
RA-GRS ( Read Access – Geo-Redundant
Storage )
99.99 ％の Read SLA
※クールアクセスレベルでは99.9％
GRS + セカンダリの読み取り機能
セカンダリエンドポイントの分離
ゾーン 1
ZRS ( Zone-Redundant Storage )
3 ゾーン、3 レプリカ
ディスク、ノード、ラック、ゾーンレベル障
害への保護
3つのゾーンへの同期書き込み
データ耐久性
99.9999999999 (12ナイン)
ゾーン 2 ゾーン 3
※耐久性とSLAは異なります。

Azure Storage API on the Edge
シナリオに合わせて、適切な利用環境を選択可能
Azure
Storage
Blob
REST APIセンサー
Azure Storage SDK
によるカスタムモジュール
Azure IoT Edge デバイス
Azure Blob
Storage
on IoT Edge
データ処理
エッジ側の
ローカル
blob
記憶域
https://docs.microsoft.com/ja-
jp/azure/iot-edge/how-to-store-data-blob➔

https://docs.microsoft.com/
ja-jp/azure/storage/
/Docs について

Azure Data Services
Azure Data Services
オペレーショナルデータベースデータレイクと分析
リレーショナルデータ用
Azure SQL Database
どんなサイズ、形状、速度の
データも処理し、分析できる
Azure Data Lake
非リレーショナル/NoSQLデータ用
Azure Cosmos DB
オープンソース
Azure Database for MySQL、
PostgreSQL、およびMariaDB
ビッグデータ分析および
AIソリューション用
Azure Databricks
オープンソースベースの分析
Azure HDInsight
ペタバイトのデータに対する複雑なクエリ用
( Formerly Azure SQL Data Warehouse )

Azure SQL Database
既存のSQL Server のクラウド化では最適で最も経済的
シームレス及び
互換性
競争力の高い
TCO
ビルトインされた
インテリジェンス
画期的な
生産性と
パフォーマンス
業界トップクラス
のセキュリティ

エンタープライズグレードのセキュリティ
多層防御

Azure SQL Database マネージドインスタンス
SQL Serverの優れた機能と、フルマネージドでインテリジェントなサービスの利点を融合

Azure SQL Edgeプレビュー
一貫性のあるデータ & 分析エンジンをエッジに提供
SQL Server Azure SQL Database新製品
既存の Azure IoT Edge サービスを補完
接続状態またはオフラインで実行される、
省スペース、ターンキー、ML 対応を特長とするエッジ向けの
データエンジン
ミッションクリティカルなワークロードに
対応する、完全な AI/ML 機能を備えた、
業界をリードするデータエンジン

Azure SQL Edgeプレビュー
フットプリントが小さく、エッジ向けに最適化され、AI が組み込まれている
プラットフォームの選択肢 AI の組み込み
エッジ
時系列の組み込み
データセンター/
クラウド
アプリを一度開発すれば、任意の場所に展開可能
フットプリントが
小さいエンジン
(500 MB)
組み込みの
時系列ストリーミング
および分析
待ち時間の短い分析の
ための機械学習
ターンキー管理
1 つの管理画面で
展開 & 更新
比類ないパフォーマンスとセ
キュリティ
最高のセキュリティと
業界をリードする
オールインワンのローカルストリーミング、
ストレージ、分析
SQL
時系列
0
20
40
60
80
100
120
140
160
180
200
1 2 3 4 5 6
脆弱性(2010～2018)
ARM64 x64

エッジコンピューティング導入以前は、クラウドでの分析が問題を指摘した時
点で、応答時間と、場合によっては製品を無駄にしていました。Azure SQL
Edgeにより、応答時間と必要なサイクル数の両方を削減します。
MAXIMILIAN STUETZ
IT Solutions Manager, ZEISS
従業員の
働き方支援
製品の
変革
オペレーション
の最適化

光学系メーカーのZeissは、生産ラインのマシンで Azure SQL
Edgeを使用して IoT テレメトリデータを処理および保存します。
推論アルゴリズムは、モデルとストリームデータを使用して、異常
を自動的に検出して警告し、生産パラメータを調整し、必要な
メンテナンスを予測します。

各工場にビッグデータクラスターを展開し、すべての Azure SQL Edgeの
データベースからのデータを処理および格納します。
データ仮想化により、生産ラインのマシンからのデータとビジネスアプリケー
ションデータベースのデータをダッシュボードに簡単に結合できます。
予測分析の機械学習モデルは、Spark を使用してこれらの結合されたデー
タソース全体でトレーニングされます。

Azure SQL Edgeを利用したアーキテクチャ
エッジ-クラウド-オンプレミスデータセンターが接続されている場合

SQL Server 2019 ビッグデータクラスター
SQL Server、PolyBase、HDFS、Spark、機械学習の組み合わせを 1 つのソリューションで提供
構造化データと非構造化データの
両方を管理
データ間の障壁を取り除く組込みの機械学習機能
SQL Server マスターインスタンス
…
ストレージプールを使用するデータレイク
コンピューティングプールによるパフォーマンスのスケーリング
…SQL コンピューティング
ノード
SQL コンピューティング
ノード
SQL コンピューティング
ノード
HDFS
SQL
Server
Spark
分析カスタムアプリ BI
外部データソース
HDFS
SQL
Server
Spark
HDFS
SQL
Server
Spark
…
ツール
Kubernetes
データプールによる
データマートのスケールアウト
PolyBase

SQL Server 2019
業界をリードするパフォーマンスとセキュリティ、すべてのデータについてのインテリジェンス
0
20
40
60
80
100
120
140
160
180
200
1 2 3 4 5 6
脆弱性(2010～2019)
Power BI Report Server による
Power BI と SQL Server
Reporting Services の長所
No.1 の OLTP パフォーマンス1
1 TB2、10 TB3、および
30 TB4 において No.1 の
DW パフォーマンス
インテリジェントなデータベース
プライベートクラウドパブリッククラウド
最も一貫性のあるデータプラットフォームすべてのワークロード間でインメモリ
Oracle の 10 分の 1 のコスト
T-SQL
Java
C/C++
PHP
Node.js
C#/VB.NET
Python
Ruby
あらゆるデバイスで
洞察を数分で取得
好みのプラットフォーム、
言語、およびコンテナー
過去 9 年間にわたり5
最も安全
業界をリードする
パフォーマンスと可用性
すべてのデータについての
インテリジェンス
SQL と Spark の力を利用したすべ
てのデータでの AI および機械学習
エッジ
すべての TPC データは 2019 年 9 月 23 日現在のものです。
1 http://www.tpc.org/4081、2 http://www.tpc.org/3331、3 http://www.tpc.org/3336、4 http://www.tpc.org/3337、5 米国国立標準技術研究所 (NIST) Comprehensive Vulnerability Database

SQL Server 2019
すべてのデータのハブとして機能

Azure Database Services for MySQL、PostgreSQL、およびMariaDB
Azureのエコシステムとサービスへのさらなる選択肢と完全な統合
マネージドなコミュニティ版
MySQL、PostgreSQL、
およびMariaDB
組み込み済みの高可用性、
秒単位のスケール
セキュリティとコンプライアンスお好みの言語とフレームワーク業界トップクラスの
グローバルリーチ
容易なリフト＆
シフト
エンタープライズで
利用可能
My

データベースではなく、
アプリケーションに集中
エンタープライズクラスで、クラウドネイティブな、
PostgreSQL / MySQL / MariaDB の
マネージドサービス
オンプレミス
PostgreSQL
IaaS
Azure VM
PostgreSQL
PaaS
Azure Database for
PostgreSQL,
MySQL, MariaDB
データセンター管理
Hardware
オペレーティングシステムの
展開と更新
データベースの展開、
更新、スケーリング
Virtualization
データ
アプリケーション
高可用性、災害対策、
バックアップ
Hardware
仮想化
オペレーティングシステム
データ
バックアップ
データ
Hardware
仮想化環境
オペレーティングシステム
バックアップ
インテリジェント
Microsoft による運用
お客様による運用
機械学習による機能
インテリジェント
セキュリティ

標準で99.99%のSLA
レプリカを作る必要のない高可用性
…
Azure Storage
MySQL or
PostgreSQL
Server
セキュアなコンテナー
XMySQL or
PostgreSQL
Server
セキュアなコンテナー
X
PostgreSQL: 5432
MySQL: 3306
クライアント
Azure
データの冗長化のために
3つのコピーを保持
コンピュータの冗長化

標準で、クィックにスケーリング
従来の仮想マシンによるスケーリングの先を行く柔軟なスケーリングを実現
メリット
• 秒単位でコンピューターを
スケールアップ、スケールダウン
• ストレージを瞬時に拡張
PostgreSQL: 5432
MySQL: 3306
Azure Storage
MySQL or
PostgreSQL
Server
MySQL or
PostgreSQL
Server
セキュアなコンテナーセキュアなコンテナー
クライアント
Azure

Oracle から PostgreSQL | なぜ？
• この2年間で、私たちは多くの顧客がOracle によるアプリケーションのホスティングから離れ、他の RDBMS
データストアに移行するケースを目にしています
• お客様がOracleから遠ざかっている理由は当然のことながら、ライセンスコストとサポートコストの節約が最も
大きなトリガーです
• PostgreSQLはオープンプラットフォームであり、そしてOracleをはるかに上回るオープンソースのメリットを享受
できます
一般的に、Oracle の代替データベースとして PostgreSQL を推奨する理由は 5 つあります。
I. PostgreSQLは機能豊富なデータベースであり、エンタープライズ対応の信頼性を高めています
II. 総所有コスト(TCO)を削減できます
III. オープンソースへの移行を促します
IV. OracleとPostgreSQLの類似点により、移行作業は容易です
V. Azure では、Azure Database for PostgreSQL を使用した柔軟なスケーリングと組み込みの HA を
提供しています

• Ora2pgツールで Oracle から Postgre に移行
• ora2pg は Oracle カタログを読み取り、同等の Postgres オブジェクト (テーブル、ビュー、シーケン
ス、インデックス) を作成し、ユニーク、プライマリ、外部キー、およびチェック制約を文法的な落とし
穴にはまらないように作成します
• データ移行にも使用する場合、ora2pgはOracleに接続し、Postgres互換フォーマットでデータをダ
ンプします (高度に設定可能で、Postgresに接続し、その場ですべてを移行します)
• Azure DMS はもう一つのデータ移行方法（オンライン）です
https://docs.microsoft.com/ja-jp/azure/dms/tutorial-oracle-azure-postgresql-online
• Ora2pg は移行評価レポートを提供します
• Ora2pg は移行プロジェクトを作成します
• すべてのトリガー、関数、プロシージャー、およびパッケージがエクスポートされ、PLPGSQL に変換され
ます
• 複雑なプロシージャは手動で変換する必要があるかもしれません
• Oracle固有のコードは常に書き換える必要があります
• 外部モジュール (DBMS、UTL、.)
• CONNECTED BY (CTE “WITH RECURSIVE" を使用)
• OUTER JOIN (+)
• DECODE
• Oracle Spatial から PostGis へのエクスポート
• Ora2Pg のインストール手順と構成のサンプルは以下のリンクから
移行 | Ora2pg を使用してアセスメントとスキーマを移行
http://ora2pg.darold.net/

• https://docs.microsoft.com/ja-
jp/azure/sql-database/
jp/azure/postgresql/
jp/azure/mysql/
jp/azure/mariadb/
/Docs について

クラウドのイノベーションを保護するために
Microsoft Azure IP Advantage (AIPA)
Azure 上のお客様のアプリケーションMicrosoft*
Online
Services
特許の選択
Patent Pick
特許ライセンスの提供
Springing License + LOT
上限なしの補償
Uncapped Indemnification
⚫ 知財リスクに対する業界トップレベルの保護
⚫ マイクロソフトによってAzureサービスに組み
込まれたOSSもカバー
1
⚫ 既定でMicrosoft Cloudのすべてのお客様が対
象
⚫ 特許訴訟を抑止して防ぐ
⚫ マイクロソフトの1万件の特許から1件の特許を
選択
⚫ Azureを使用されているすべてのお客様が利
用可能
2
⚫ 将来的な特許の保護によって安心を確保
⚫ 将来的にマイクロソフトがNPEに特許を販売し
た場合でも、お客様にライセンスを提供
⚫ Azureを使用されているすべてのお客様が利
用可能
3
https://azure.microsoft.com/en-us/overview/azure-ip-advantage/
1. ご契約条件が適用されます
2. (i) 過去3か月にわたってAzureを1か月あたり1,000ドル利用していること、(ii) 過去2年間以内にAzureの他のお客様に対してそのお客様のAzureワークロードに関する特許侵
害訴訟を起こしていないこと、(iii) Microsoft Azure Advantageの開始後に発生した現行の特許訴訟に関する証拠を提示すること
3. (i) 過去3か月にわたってAzureを1か月あたり1,000ドル利用していること
* 中国では、21Vianetが運
営し、上限なしの補償を提
供しています

Azure Hybrid
Azure であらゆる場所を革新
Management | Security + Identity | App + Data Services | Dev Tools + DevOps
New!
Microsoft Azure

Azure Arc
お客様のユースケース
https://azure.microsoft.com/ja-jp/blog/azure-services-now-run-anywhere-with-new-
hybrid-capabilities-announcing-azure-arc/

Azure Arc: アーキテクチャ
Management
experiences
Azure Portal
Azure CLI
Azure SDK
Azure Arc
technologies:
Azure
Identity
RBAC
Policy
Index
Groups
Etc.
Azure Resource
Manager
Azure Arc data
RP
Container
registry
Azure Arc
K8s RP
Azure Arc
server RP
Azure Data Services
Wave 1
• SQL
• PostgreSQL
Azure Arc data controller
Kubernetes
Azure PaaS
Control
K8s Cluster
Azure Arc data
agent
GitOps
Manager
Azure Arc K8s
agent
Servers
Linux
Windows
Server
Azure Arc
server agent
Resource specific tools
Azure Data Studio
Cluster provisioning
Cluster upgrade and patch
management
Cluster lifecycle management
Cluster monitoring
K8s Native Tools
Server Admin Tools
Customer locations

Azure Arc: Azure data services anywhere
Azure data services anywhere:
https://azure.microsoft.com/ja-jp/services/azure-arc/hybrid-data-services/

Azure Arc: Azure data services anywhereプレビュー
今後、他の Azure Data Services も追加の予定
Azure Arc上の
Azure Database for
PostgreSQL Hyperscale
Azure Arc上の
Azure SQL Database

Azure Arc: Azure data services anywhere – 全体像
アプリケーションと BI
カスタム
アプリ分析BI
AKS
…
あらゆる Kubernetes
あらゆるハードウェア
Azure Data Services
Microsoft
Azure Site
Recovery
OEM ハードウェア
Azure Arc による管理
Kubernetes OPENSHIFT
Azure Site RecoveryAzure MonitorAzure Security
展開
HA/DR
スケーリング
アップデート
バックアップ
診断
Azure Stack

Azure Arc data controller
バックアップ監視とログ
制御 API Azure Arc 統合 HA/DR スケーリング
パッチ適用とアップデート
展開
永続ストレージ
ノードノードノードノードノードノード
Azure Data Studio
ID
Azure RBAC & Policy
高度なデータセキュリティ
展開
リソースのインベントリー
ログとテレメトリー
バックアップと保持期間
利用
azdata CLI
kubectl CLI
Microsoft Container
Registry
SQL DB SQL DB (HA付)
Azure ポータル
Azure Data Studio
CLI
サードパーティ
Kubernetes
API
PostgreSQL Hyperscale* データベースサービス分析サービス
Azure Arc: Azure data services anywhere アーキテクチャ

オンプレミスとハイブリッドのデータをモダナイズ
Azureによる、あらゆる場所での革新
Azure SQL DB Edge
データインテリジェンスをエッジに拡張
SQL Server 2019
オンプレミスのデータ資産のハブ
エッジ
ハイブリッド
オンプレミス
Azure Arc
あらゆる場所でAzure Data Services

Azure Cosmos DB
グローバル分散型のマルチモデルデータベースサービス
MongoDB
テーブル
API
ターンキーグローバル分散
ストレージとスループットの弾力的なスケールアウト
99thパーセンタイルでの低レイテンシーの保証
包括的なSLA
明確に定義された5つの整合性モデル
ドキュメントカラムファミリ
キー値グラフ
コア（SQL）
API

グローバルソリューション
Azure Cosmos DB は、最新のアプリパターンとユースケースをサポート
これにより、業界をリードする組織はデータの価値を解放し、グローバルな顧客や変化するビジネスダイナミクスに
リアルタイムで対応できるようになります
世界中に分散され、
利用可能なデータ
ユーザーがいる場所にデータ
を配置します
リアルタイムのカスタマー
エクスペリエンスの構築
遅延の影響を受けやすい
パーソナライゼーション、入札、
および不正検出を可能に
します。
ゲーム、IoT、eコマースに
最適
トラフィックが急増した場合
でも予測可能で高速な
サービス
サーバーレスアーキテクチャ
による開発の簡素化
柔軟なコンピューティング
能力を備え、フルマネージ
ドでイベント駆動型の
マイクロサービス
オペレーショナルデータに
対するSpark 分析の
実行
高速でグローバルなデータ
に対してすばやくインサイト
を提供
NoSQL データのリフト&
シフト
MongoDBおよび
Cassandraのワークロード
のリフト＆シフト

高可用性
自動および手動フェールオーバー
マルチホームAPI により、アプリケーションの再デプロイが不要に
低レイテンシー（世界中どこでも）
パケットは光の速度よりも速く移動できません
理想的なネットワーク条件下でも世界中にパケットを送信するには、
100ミリ秒かかります
データの局所性を利用して、光の速度の制限を乗り越えることができます
• CDN は、静的コンテンツに対して解決します
• Azure Cosmos DB は、動的コンテンツに対して解決します
グローバル分散

一貫性と信頼性のある
グローバルサービス
ユーザーのいる場所にデータを配置し、すべて
の製造とオペレーションのイベントを透過的に、
リアルタイムに提供
あらゆる世界のAzure リージョンにわたる、
ターンキーのデータレプリケーショ
低遅延のエクスペリエンスを世界中のユーザーに保証
高可用性と障害復旧のための回復性
Cosmos DBの一般的なユースケース:
https://docs.microsoft.com/ja-jp/azure/cosmos-db/use-cases

リアルタイムのカスタマー
エクスペリエンスの構築
最も負荷の高い期間に、同期を維持して、
あらゆるツールを自由に
瞬時にエラスティックにスケーリングし、需要変動を処理
中断のないグローバルなユーザー体験
大規模に変動するユーザーに対して、低遅延のデータアクセスと処
理を提供
複数データセンターにわたり、高可用性を提供

IoT データから実行可能な
洞察を抽出
問題発生前に、機器の状況を分析、
予測することで、俊敏性を維持
機械学習済みモデルが、物理プロセス全体にわたる推奨事項を生成
大量のIoTデータをミリ秒分析
低遅延により、世界中で高いアプリケーションのパフォーマンスと、
瞬間的に効率的な洞察を保証
迅速な洞察のために、データの一貫性モデルをチューニング

IoT テレメトリを活用し、差別化されたエクスペリエンスを構築
予測できないほど大量のリアルタイムデータを、
ビジネスを中断することなしに処理
• テレマティクスは、正確な診断のためにリアルタイムクエリとインデ
キシング機能を提供
• 書き込みの多いワークロードを扱うために、瞬時の柔軟なスケーリ
ング
• SLAによって保証された推測可能なパフォーマンス
Azure Cosmos DB
(Telemetry & device state)
Apache Storm on
Azure HDInsight
Azure Storage
(archival)
Azure Web Jobs
(Change feed
processor)
Logic apps
Azure IoT Hub
Azure Cosmos DB was chosen due
to its ability to ingest data at
massive scale with high availability
guarantee.

オペレーショナルデータに対するSpark 分析の実行
リアルタイム分析アーキテクチャ
https://github.com/microsoft/MCW-Cosmos-DB-Real-Time-Advanced-Analytics より抜粋

サーバーレスアーキテクチャ
で、イノベーションを加速
市場投入までの時間を短縮し、
スケーラビリティを強化し、
さらに、イベント駆動型マイクロサービスにより、
開発者をフレームワークの管理から解放
あらゆるデータの出力、もしくはデータ量をシームレスに処理
データをすぐに利用可能にし、自動的にインデックス付け
安定した収集とクエリーパフォーマンスを提供しつつ、毎秒、多量の
書き込み
リアルタイムで、回復性のある変更フィードを継続的に記録し、いつ
でもアクセス可能
Azure Functionsとネイティブに統合
ドキュメント

スマートでスケーラブルな
SCM
高いスケーラビリティと
回復性のあるアーキテクチャにより、
適切な部品を適切なタイミングで生産
適切な一貫性、可用性、およびパフォーマンスを
Azure Cosmos DB が提供
コンポーネントを独立してスケール
信頼性を高めるイベントベースのマイクロサービス
ドキュメント

NoSQL データの
リフト& シフト
NoSQLワークロードをシームレスにクラウドへ移
行することで、簡単にデータモダナイゼーション
現在稼働中のNoSQLからアプリケーションデータを移動し、Cosmos
DB APIs が、MongoDB, Cassandra, および SQL (Core) によるア
クセスを提供
既存ツール、ドライバー、およびライブラリを活用し、既存アプリケー
ションの現在のSDKsを継続して利用
ターンキーのジオレプリケーション
インフラも仮想マシンの管理も不要
MongoDB
Couchbase
CouchDB
Neo4j
HBase
Cassandra
DynamoDB

世界に広がる採用事例

Azure Cosmos DBを使用する10の理由
異なる形式のデータ
マルチテナントとエンタープ
ライズグレードのセキュリ
ティ
ターンキーのグローバル分
散機能
ミッションクリティカル
大規模なストレージとスケー
ラビリティのあるスループット
スピードとコ
ストを最適化
5つの明確に定義された整
合性モデル
分析に対応し、イベ
ント駆動型アーキテクチャ
世界の99%のパーセンタイ
ルで、一桁ミリ秒の遅延
高可用性と信頼性と共に、
ビッグデータ

https://docs.microsoft.com/ja-
jp/azure/cosmos-
db/introduction
/Docs について

Azure Data Services
Azure Data Services
オペレーショナルデータベースデータレイクと分析
リレーショナルデータ用
Azure SQL Database
どんなサイズ、形状、速度の
データも処理し、分析できる
Azure Data Lake
非リレーショナル/NoSQLデータ用
Azure Cosmos DB
オープンソース
Azure Database for MySQL、
PostgreSQL、およびMariaDB
オープンソースベースの分析
Azure HDInsight
ビッグデータ分析および
AIソリューション用
Azure Databricks
ペタバイトのデータに対する複雑なクエリ用
( Formerly Azure SQL Data Warehouse )

蓄積
前処理提供収集
( & 前処理 )
Azure
Data Factory
Azure Data Lake Storage
Azure
Databricks
クラウド上のデータ
SaaS 上のデータ
オンプレミス上のデータ
デバイスからのデータ
Power BI
Azure
Machine Learning
(Formerly Azure SQL DW)

“Gartner Magic Quadrant for Analytics and Business Intelligence Platforms” で、12年連続リーダーポジション
https://info.microsoft.com/ww-landing-gartner-mq-bi-analytics-2019.html?LCID=JA-JP

サブシナリオ2: 見える化 / サブシナリオ3: 工程間情報統合
Factory of the Future
• Azure Data Lake Storage ( Azure Storage )
• Azure Databricks
• Azure Synapse Analytics (旧SQL DWH)
• Azure Data Factory
• Power BI
• Azure Data Share / Azure Data Catalog
2 Data Lake
3 データ加工
4 Synapse Analytics / BIツール

リファレンスアーキテクチャ
Factory of the Future:
2. 工場モニタリング (見える化)
3. 簡易工場デジタルツイン作成
Expectation for Partners
• 装置ログなどから有意なデータ構造を見出すデータ加工（❸）
• 分散処理PaaS等を利用した大規模データ処理ソリューション（❸）
• 工程横断データ分析ソリューション（❹）
IoT Hubから受け取った製造記録（装置ログ・検査結果など）を時系列データの
まま格納する。
格納の時点では対象装置や検査工程ごとのデータであり、製造対象品ごとに紐づ
いていない。
Data Lake2
データ加工結果をBIツールで見える化し、不良要因分析や傾向分析を行う。
Synapse Analytics / BIツール4
Edge PC / Gateway Device1
製造装置のログやセンサデータ、検査結果を時系列で取得し、IoT EdgeからIoT
Hubに送信する。
Data Lake に蓄積された大規模データを Synapse Analytics 上の Apache
Spark で分散処理することにより、高速に構造化データに加工できる。
データ加工の例
• 正規化: 手入力データやアナログ値データを整形し、データ間の比較を可能に
する。
• 変化点検出: 時系列データが変化するタイミングに対してイベントを定義する。
• 工程別データの紐付け: 製造対象品毎に工程、検査などのデータを紐付け、
トレーサビリティ管理が可能なデータ構造にする。
データ加工3
RFID/QRリーダ
装置ログ/
センサデータ
製造・組立装置
Power BI
テレメトリ
製造履歴
装置設定検査実施
Azure Data Lake
StorageAzure Stream Analytics
生技品管
IoT Hub
センサデータ
ストリーム
1
製造指示・指図
テレメトリ
検査結果
製造ログ
BOM/BOP
2
4
X
X
X
X
:
時刻
加工前データ
A
工程1
A
B
B
:
型番
a
工程2
a
a
b
:
合格
検査結果
OK
NG
可
:
X
X
X
X
:
加工後データ
A
工程1
A
B
B
:
型番
a
工程2
a
a
b
:
OK
検査結果
OK
NG
OK
:
変化点
変化点
IoT Hub
Gateway
Device
IoT Edge Runtime / Agent
OPC
Twin & Proxy
OPC
Publisher
On-premise
data gateway
IoT Hub
Gateway
Device
Azure Synapse
SQL
Azure Synapse
Pipeline
3

2. 工場モニタリング (見える化)
3. 簡易工場デジタルツイン作成
品管担当者などが不良要因分析を実施
適正温度範囲
各Edge PCから
データ収集
検査結果／センサデータを蓄積
工程別の時系列データや
検査結果データなどを
製造業の標準的データモデルに
あてはめて一連のデータセットに
紐づける
BIツールで
不良要因分析の
データアクセス手段を提供
S/N 1 S/N 2 S/N 3
不良
検査結果検査画像
リフロー炉
温度
不良画像

サブシナリオ3: 工程間情報統合 – 補足
品質管理が抱える課題
歩留まり
熟練工
AI & IoTの活用

データがバラバラだと...
工程1 工程2 工程3 工程N・・・原材料
データソース
?
?
どこの工程が原因か
わからない...データがバラバラで
関係性がすぐにわからない...

統合データ
工程1 工程2 工程3
統合データ
工程N・・・
各工程データを上手に結合することで、
工程をまたがった品質把握が可能に！
原材料
運転条件外部環境
作業員特性
`

結合データの例
ID 品質工程1-温度工程2-粘度工程2-外気温
1111 OK 23.2 89 30
1112 NG 24.3 86 29
1113 OK 23.3 75 31
1114 OK 25.6 79 31
1115 OK 23.0 88 29
1116 NG 23.0 80 31
1117 OK 22.6 90 28
工程3-振動数
1200
1197
1220
1201
1173
1185
1233
※分析要件やデータの特性によって作成方法は異なります。

品質管理のロードマップ
データ可視化
1変数の解析
多変数の解析
予測
最適化・自動化
工程能力指数
コスト(クレーム、人件費、欠品)
稼働率
箱ひげ図
ヒストグラム
検定
回帰分析
相関分析
主成分分析
外観検査
品質特性値予測
製造工程
自動化
リソース最適化
Mixed Reality
ソフトセンサー
クレーム率
製造プロセスの統合データがあれば、
要因探索から最適化までスムーズに
ステップアップが可能に
統合データ

1. Connected Sales
Product as a Service
• Power BI
3 顧客情報の集約

Product as a Service:
1. Connected Sales
• 営業情報や製品利用状況を活用したマーケティングエンジン（❶❷❸）
• マーケティングオートメーションやSFA、最適レコメンデーションなどの既存ソリュー
ションとMSプラットフォームとの連携強化（❹❺）
コアとなる顧客情報は Dynamics 365 の DB で管理し、顧客との関係構築を行
いつつ営業情報を管理する。また、Workplace Analytics や Teams を組み合わ
せ、提案資料や製品設計情報などの関連資料の共有やチーム活動の加速を行う。
営業支援・ナレッジシェアリング2
顧客環境での製品稼働状況や営業情報、営業関連資料を収集すると共に、顧
客の外部情報をパブリックDMPなどから収集し、顧客を軸として集約・紐付けする
ことによって、顧客の購買・利用行動をデータ上で表現する。
顧客情報集約3
一元管理された多数の顧客行動データを Customer 360 によって分析することに
より、顧客のセグメンテーションやモデル化を行う。
外部システムと連携しつつ、製品リストと顧客モデルのマッチングやダイナミックプライ
シングを行うことで、顧客ごとの推薦商品、推薦時期を計算する。
顧客のモデル化と最適提案4
計算された推薦商品や時期などの提案計画を顧客へのアクションに結びつけるた
め、適切な関連システムへのインプットを行う。例えば、Dynamics 365 を経由して
営業担当の活動に結びつける、顧客に製品案内を送信する、などのアクションが
考えられる。
営業活動の計画自動化5
顧客に提供したコネクテッドプロダクトから稼働状況を収集・蓄積する。
製品からの稼働状況収集1
SharePoint
Power Platform
Office 365
Teams
SQL Server
Dynamics 365
IoT Hub
2
Azure Data
Lake Storage
Logic AppsAzure Machine
Learning
分析者
Customer 360
営業顧客設計営業
営業計画営業活動実績・製品情報製品稼働
状況
製品稼働
状況
パブリック
DMP
(顧客情報など)
外部システム
(ダイナミック
プライシングなど)
1
3
4
5
Azure
Synapse
Analytics Apache Spark PipelineSQL
Dynamics 365
Customer
Insights

1. Connected Sales
顧客における製品の利用状
況をIoT Hubで収集・蓄積。
利用状況に応じたOne2One
の提案のインプットにする。
数多くの商品から構成されるソリューション商材であっても、CPQエンジンの自動見積・価格決定機
能と連携することで、営業担当者の手間を最低限に抑えながら、合理的・かつ高速に自動で見積
もり作成と価格の決定を行うことができる。
結果、従来日本企業が苦手としていた、見積もりの短期提出が可能になり、外資系競合に対する
競争力がアップする。
前回訪問時のメモなども共有
されており、チーム内で案件進
捗・顧客の反応は共有済。
推奨製品と提案タイミングを
Dynamics365に登録し、営
業担当に通知
これまでの提案状況（SFA）、
DMPから得られる顧客/業種
の関心仮説等を一元化し、
顧客軸でデータを紐づける
Teamsに蓄積・共有されてい
る提案書や営業活動実績か
ら、担当している企業に似た
案件での成約事例を抽出し
ておく。

1. Connected Sales
顧客における製品の利用状
況をIoT Hubで収集・蓄積。
当該製品の実動における稼
働環境（温度・稼働時間な
ど）を把握する。
アフターセールスや製品利用状況から、顧客への提案タイミングを検知。
類似顧客の関心のある製品群や対象顧客の製品稼働環境に合わせ、リーズナブルな製品構成を
自動的に推定。
提案書や営業活動実績を
Teamsで共有。
関連製品の他社向け営業担
当者との情報連携を行う
推奨製品と提案タイミングを
Dynamics365に登録し、営
業担当に通知
提案状況や製品利用状況を
顧客を軸に紐付け管理。
さらに、DMPを活用して類似
顧客が関心のある製品情報
を収集。

Intelligent Supply Chain
• Power BI
2 サプライチェーンデータの一元管理(データオーケストレーション)

リファレンスアーキテクチャIntelligent Supply Chain:
Azure Machine
Learning
外
部
最
適
化
エ
ン
ジ
ン
生産計画
分析モデル開発者
Cognitive
Text Analytics
Cognitive
Text
Learning
分析モデル
SQL
Azure Logic AppsAzure API Management
Azure Blockchain
Service
Azure
Security
Center
Azure
Active
Directory
設計情報
生産計画
システム
サプライヤーの
物流・調達
システム
調達
システム
Dynamics 365SharePoint
サプライヤ調達販売計画
1
2
3
4
5
Azure Data Lake
Storage
Azure
Synapse
Analytics
Azure Functions
• サプライチェーンプラットフォームを利用する各種サービスの開発（❶）
• サプライチェーンプラットフォームの開発・インプリ（❷）
• SCMにおける最適計画立案・最適化エンジンの開発（❸）
• ブロックチェーン等によるSCM技術の確立（❹）
各システムから収集した調達・出荷に関するデータをスケーラブルなデータベースに格納す
る。長期に渡って格納されたデータはサイズが肥大化するが、Synapse Analytics の
Apache Spark や Pipeline の組み合わせなどにより、高速な紐付けや整形を行うこと
でサプライチェーンデータとして構造化できる。
サプライチェーンデータの一元管理(データオーケストレーション)2
分析モデルの開発者が Azure ML 上で蓄積データを参照し、最適在庫量計算などの
元となる分析モデルを作成する。作成された分析モデルに基づいて Azure ML で定常
的かつ自動的にデータ分析を実行する。需要予測や在庫水準最適化など様々な分
析が考えられ、必要に応じて Logic Apps で外部の最適化エンジンと連携することで
実現する。
分析モデルの作成／最適計画立案（アナリティクス）3
一元管理されているサプライチェーンデータや最適化計画は既存システムへの反映の他、
必要に応じて権限管理しながら外部のサプライヤ等と連携するアプリや API を公開す
る。また、Blockchain 上のスマートコントラクトと組み合わせると厳密な契約／履歴管
理を行うことができる。
ワークフロー実行／スマートコントラクト4
これらのシステムをAzure上に構築することで、Azure Active Directory による社内外
のユーザアクセス権やシステム間連携の権限管理、Azure Security Center等による挙
動監視が可能となり、多要素認証へも対応したセキュアなプラットフォームを構築できる。
セキュリティ5
生産計画や調達など既存の関連システムからデータを収集する。また、最適計画の立
案結果などを各システムに配信する。 Function Appsや Logic Apps と Azure API
Management を活用し、柔軟なインタフェース構築が可能となる。業務上不適切な
発注を行うAPI呼び出しなどを検知するために、すべてのAPI Management を経由し
たAPI 呼び出しをストリームすることも可能。
関連システムとのデータインタフェース（インターフェース）1
Spark Pipeline
Azure Service Bus

Azure Data Lake Storage Gen2 – 蓄積
Object Tiering と
Lifecycle Policy Management
AAD 統合, RBAC,
ストレージアカウントセキュリティ
ZRS と RA-GRS による
HA/DR サポート
Common Blob Storage Foundation
Blob API Gen2 API
サーバーバックアップ,
アーカイブストレージ,
半構造化データ
非構造化
オブジェクトデータ
Hadoop ファイルシステム,
ファイルとフォルダーの階層,
粒度の高い POSIX準拠のACL,
ファイルトランザクション
分析データ

Azure Data Lake Storage Gen2 – 蓄積
Preview Coming Soon: Public Cloud Object storage access through NFS v3 is an industry first
Object Tiering と
Lifecycle Policy Management
AAD 統合, RBAC,
ストレージアカウントセキュリティ
ZRS と RA-GRS による
HA/DR サポート
Common Blob Storage Foundation
Blob API NFS v3
サーバーバックアップ,
アーカイブストレージ,
半構造化データ
非構造化
オブジェクトデータ
HPC データ、規模の大きいシーケンシャル
リードデータセットをNFS v3で利用する
ファイル
データ
Hadoop ファイルシステム,
ファイルとフォルダーの階層,
粒度の高い POSIX準拠のACL,
ファイルトランザクション
分析データ
Gen2 API

蓄積
前処理分析収集
( & 前処理 )
Azure
Data Factory
Azure Data Lake Storage
Power BI
Azure
Machine Learning
(Formerly Azure SQL DW)
Azure
Databricks

Azure Databricks – 前処理
Azure 上の Apache Spark の位置づけ
最大の制御簡単に使える
インストールベース。
カスタマイズされたインフラ
運用負荷の少ない、
最適化された Spark クラスター
Azure Databricks
IaaS クラスター管理されたクラスター
Azure Virtual Machine
(VMSS, VNet, 他)
ワークロードに最適化された
マネージドクラスター
Azure HDInsight
管
理
の
削
減
Azure Data Lake Store
Azure Storage
ス
ト
レ
ー
ジ
層
分
析
層

Apache Spark on Azure – 前処理
Azure HDInsight

を利用するモチベーション
従来のアプローチ: 複雑なMapReduceジョブ、対話型のクエリー、(遅い)ディスクI/Oを多く含んだ、オンラインイベントハブ処理
HDFS
Read
HDFS
Write
HDFS
Read
HDFS
Write
CPU
Iteration 1
Memory CPU
Iteration 2
Memory

を利用するモチベーション
HDFS
Read
HDFS
Write
HDFS
Read
HDFS
Write
CPU
Iteration 1
Memory CPU
Iteration 2
Memory
HDFS
Read
Input
CPU
Iteration 1
Memory CPU
Iteration 2
Memory
ネットワークやディスク
より10～100倍速い
Minimal
Read/Write Disk
Bottleneck
Chain Job Output
into New Job Input
解決策: 新しい分散処理エンジンで、データをメモリー内に保持
従来のアプローチ: 複雑なMapReduceジョブ、対話型のクエリー、(遅い)ディスクI/Oを多く含んだ、オンラインイベントハブ処理

Azure Databricks
Azure リソースマネージャ
ワークスペース、リソース、ロックさ
れたリソースグループの作成
VM の作成/削除

Azure Databricks: Unified Analytics Platform
Databricks Workspace
Collaborative Notebooks, Production Jobs
Databricks Runtime
Databricks Cloud Service
Transactions Indexing
ML Frameworks
Blob Storage
Data Lake Store
AZURE
DATA SOURCES
Event Hub
IoT Hub
SQL DB / DW
Cosmos DB
Azure Data Factory

https://docs.microsoft.com/ja
-jp/azure/azure-databricks/
/Docs について

Azure Data Factory – 収集 & 前処理
Azure Database File Storage NoSQL Services and Apps Generic
Azure Blob Storage Amazon Redshift SQL Server Amazon S3 Couchbase Dynamics 365 Salesforce HTTP
Azure Data Lake
Store
Oracle MySQL File System Cassandra Dynamics CRM Salesforce Service
Cloud
OData
Azure SQL DB Netezza PostgreSQL FTP MongoDB SAP C4C ServiceNow ODBC
Azure SQL DW SAP BW SAP HANA SFTP Oracle CRM Hubspot
Azure Cosmos DB Google BigQuery Informix HDFS Oracle Service
Cloud
Marketo
Azure DB for
MySQL
Sybase DB2 SAP ECC Oracle Responsys
Azure DB for
PostgreSQL
Greenplum MariaDB Zendesk Oracle Eloqua
Azure Search Microsoft Access Drill Zoho CRM
Salesforce
ExactTarget
Azure Table
Storage
Hive Phoenix Amazon
Marketplace
Atlassian Jira
Azure File Storage Hbase Presto Megento Concur
Impala Spark PayPal QuickBooks Online
Vertica Shopify Xero
GE Historian Square
Web table
• サポートされるファイルフォーマット: CSV, AVRO, ORC, Parquet, JSON
• サポートされる圧縮形式: GZip、Deflate、BZip2、ZipDeflate
90を超えるコネクター (随時追加) https://docs.microsoft.com/ja-jp/azure/data-factory/copy-activity-overview

Mapping Data Flow と Wrangling Data Flow
• Mapping Data Flow (データフローの変換) を使用すると、コードを記述しなくても、グラフィカルなデータ変換ロジックを作成可能。
• Wrangling Data Flow を使用すると、 Power Query Online との統合で、コードなしのデータ準備をクラウド規模で繰り返し実行。
• 生成されたデータフローは、スケールアウトされた Spark クラスターを使用し、Azure Data Factory パイプライン内でアクティビティとして実行。
https://docs.microsoft.com/ja-jp/azure/data-factory/concepts-data-flow-overview https://docs.microsoft.com/ja-jp/azure/data-factory/wrangling-data-flow-overview

Mapping Data Flow
• Mapping Data Flow (データフローの変換) を使用すると、コードを記述しなくても、グラフィカルなデータ変換ロジックを作成可能。
• 生成されたデータフローは、スケールアウトされた Apache Spark クラスターを使用し、Azure Data Factory パイプライン内でアクティビティとして実行。
GUI を利用して、
結合・集計等のデータ処理を作成
処理自体は Spark
の並列分散処理基盤で実行
https://docs.microsoft.com/ja-jp/azure/data-factory/concepts-data-flow-overview

Azure Data Factory Service
クラウドアプリケーション
サービスとデータ
オンプレミスアプリケーションとデータ
ユーザーインターフェイス

Azure Data Factory での CI/CD と Git
https://docs.microsoft.com/ja-jp/azure/data-factory/continuous-integration-deployment
https://github.com/devlace/datadevops

ja-jp/azure/data-factory/
/Docs について

Azure Synapse Analytics ( Formerly Azure SQL DW ) – 提供
Compute Optimized Gen2 Architecture
ComputeRemoteStorageControl
Azure Storage
・・・

価格対性能比 @ 30TB価格対性能比のリーダー
• Redshift よりも 25% 低コスト
• BigQuery よりも 94% 低コスト
GigaOm が総所有コストを複合クエリで除算した TPC-H メトリックとして計算した値。
結果は GigaOm が 2019 年 1 月に発表した TPC-H の結果に基づく。
$0
$10
$20
$30
$40
$50
$60
$550
$600
$40
$33
$47
$54
$48
$51
$564
$103
$110
$152
$80
$100
$120
$140
https://azure.microsoft.com/ja-jp/blog/analytics-in-azure-is-up-to-14x-faster-and-costs-94-less-than-other-cloud-providers-why-go-anywhere-else/ より抜粋

ワークロード管理の概要
リソースを管理し、リソースを効率的に利用する
ことを保証し、投資対効果 ( ROI ) を最大化
ワークロード管理の3つの概念
1. ワークロードの分類: ワークロードグループに要求を割り当て、重
要度のレベルを設定するという概念
2. ワークロードの重要度: リソースへのアクセスリクエストの順序に影
響
3. ワークロードの分離: ワークロードグループにリソースを予約
ワークロード管理の概念
分
類
重
要
度
分
離

セキュリティ: 多層防御

包括的な
セキュリティ
転送中のデータ保護
データ暗号化 (サービス管理による鍵とユーザー管理による鍵)
データの検出と分類
行レベルセキュリティ
テーブルとビューのセキュリティ (許可 / 拒否)
列レベルセキュリティ
動的データマスク
SQL 認証
Azure Active Directory 認証
統合認証
多要素認証
仮想ネットワーク (VNET)
SQL ファイヤーウォール ( サーバー )
ExpressRoute
SQL 脅威の検出
SQL 監査
脆弱性評価
データ保護
カテゴリー機能 AZURE
SYNAPSE ANALYTICS
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes

企業は重要でありながら独立した2つの分析システムを
維持することを余儀なくされてきた
実験
高速な検索
セミ構造化データ
ビッグデータ
もしくは
実証済みのセキュリティと
プライバシー
信頼性の高いパフォーマンス
運用データ
リレーショナルデータ
データレイクデータウェアハウス

Azure は、これら 2 つの世界を 1 つのサービスにまとめて、
制限のない分析環境を提供します
ようこそ、制限のない世界へ
簡単に使える
高速な検索
直ぐに始められる
実証済みのセキュリティ
気密性の高いプライバシー
信頼性の高いパフォーマンス
データウェアハウスとビッグデータ分析を1つのサービスへ

Azure は、これら 2 つの世界を 1 つのサービスにまとめて、
制限のない分析環境を提供します
ようこそ、制限のない世界へ
データウェアハウスとビッグデータ分析を1つのサービスへ

Azure
Synapse
Analytics
2019年11月4日、米国オーランドにて発表
データウェアハウスとビッグデータ分析システム
全体のあらゆるデータから、驚異的なスピードで
インサイトを提供する無制限の分析サービス
簡単に言うと、Azure Synapse は、Azure
SQL Data Warehouse の進化系です
業界最高水準のデータウェアハウスを手に入れ、
同時に全く新しいレベルのパフォーマンスと機能レ
ベルに進化させました

比類なき処理能力を持つ、制限のないデータウェアハウス
2
蓄積 Azure Data Lake Storage
Power BI
Azure
Machine Learning

BI、AI、継続的なインテリジェンス向けの統合データプラットフォーム
プラットフォーム
Azure
Data Lake Storage
Common Data Model
Enterprise Security
Optimized for Analytics
メタストア
セキュリティ
管理
監視
データ統合
分析ランタイム
プロビジョン型サーバーレス型
展開方法
SQL
開発言語
Python .NET Java Scala R
エクスペリエンス Synapse Analytics Studio
AI / Machine Learning / IoT / Intelligent Apps /
BI をシングルサービスで提供

Synapse Studio は、Activity ハブに分けています
これらのハブは、分析ソリューションを構築する為に必要なタスクに整理
Synapse Studio
Overview Data
Monitor Manage
Quick-access to common
gestures, most-recently used
items, and links to tutorials
and documentation.
Explore structured and
unstructured data
Centralized view of all resource
usage and activities in the
workspace.
Configure the workspace, pool,
access to artifacts
Develop
Write code and the define
business logic of the pipeline
via notebooks, SQL scripts,
Data flows, etc.
Orchestrate
Design pipelines that that
move and transform data.

Data Hub
Azure ストレージアカウント (非構造化データ)、 Synapse データセット (準構造化データ) 、Synapse データベース (構
造化データ) をシングルウィンドウで表示し、データ探索を行うことができます。

Data Hub – Storage accounts
Azure Data Lake Storage Gen2 アカウントとファイルシステムの表示 – Explorer のようにデータを見ることが出来ます
ADLS Gen2 Account
Container (filesystem)
Filepath

Data Hub – Storage accounts
簡単なアクションで、SQL スクリプトや Notebook を使った分析を開始できます
T-SQL や PySpark コードを自動生成します

Data Hub – Databases
１つのワークスペースに存在している異なる複数のデータベース (SQL pool,
SQL on-demand, Spark SQL) を１つのウィンドウで探索できます
SQL pool
SQL on-demand
Spark

Data Hub – Databases
テーブルの SQL メタデータから T-SQL スクリプトを簡単に生成
できます
テーブルから DataFrame にロードする PySpark コードを簡単に生成する
ことができます

Data Hub – Datasets
Synapse Orchestrate データセットを用いて、永続化されたデータを定義でき、パイプラインにおけるソースデータ、シンクデータとして利
用することができます。

概要
• クエリ、分析、データモデリングに対する
開発者エクスペリエンスを提供
利点
• １つのウィンドウで、データ分析に必要な
複数の言語をサポート
• コンテンツを見失うことなく、Notebook と
スクリプトを切り替えが可能
• インテリセンスによって、高品質のコード開発
をサポート
• 洞察に満ちたビジュアル化が可能
Develop Hub

SQL スクリプトを開発
プロビジョニング型の SQL Pool
やオンデマンド型の SQL on-
demand 上で、SQL スクリプト
を実行
個々の SQL スクリプトや複数
の SQL スクリプトをパブリッシュ
(Publish) 可能
SQL 構文チェック、インテリセン
スによるコード補完
Develop Hub - SQL scripts

１つの Notebook 内で、複数言語の記
述が可能
%%<言語名>
言語を横断した一時テーブルを利用可能
構文の強調表示、構文エラー、構文コード
補完、スマートインデント、コード折りたた
みなどの言語サポート機能を提供
実行結果のエクスポートが可能
開発者によるセッションの設定が可能で、
Notebook の実行に必要なリソースを調
整
Develop Hub - Notebooks

Develop Hub – Power BI
Synapse ワークスペースから Power BI Service ワークスペースに編集済みレポートをパブリッシュ可能
Synapse ワークスペース内で、Save ボタン
をクリックするだけで、変更がパブリッシュ

Azure
統合ランタイム
コマンドと制御
凡例
データ
トリガーパイプライン
アクティビティアクティビティ
アクティビティアクティビティ
アクティビティ
Self-hosted
統合ランタイム
Linked
Service
Orchestration @ Scale
Azure Data Factory を統合

類似点
分散型 Analytics Engine
T-SQL のサポート
データウェアハウス機能
相違点
サーバーレスクエリ
データはデータレイクに存在し、データロード不要
管理オーバーヘッドが無い
適用領域
データレイクに対するダイレクトクエリ
SQL Analytics – プロビジョン型とサーバーレス型
サーバーレス型: SQL on-demandプロビジョン型: SQL pool
類似点
分散型 Analytics Engine
T-SQL のサポート
データウェアハウス機能
相違点
プロビジョニングされている
ロードデータに対するガバナンスが有効
ワークロードに特化した最適化
先進的なワークロードマネジメント
適用領域
ロードデータに対する最適化されたワークロード

SQL On-Demand: 機能上の5つの柱
SQL クエリを実行するだけ, 管理インフラは不要 !
データは、Azure Storage に配置するだけ, コピーやロードは不要 !
Spark で定義したテーブルが自動的に利用可能, データの 2 重保持は不要 !
SQL のスキルと好みのツールを利用, 新たな学習は不要 !
SQL グレードのセキュリティ, 妥協の必要はなし !

SQL On-Demand: アーキテクチャの5つの柱
Data Lake 上のあらゆるデータをペタバイトスケールでクエリ可能
ステートレス型のサービスアーキテクチャ – 状態とコンピューティングの分離
同一形態のサービスとしては、最高レベルの性能
自己チューニング型のワークロードマネジメント：キャパシティプランニング, アクセス制御, リソース
ガバナンス
リソース状況認識型タスクスケジューラーによる高い同時実行性

Overview
An interactive query service that provides T-SQL queries over
high scale data in Azure Storage.
Benefits
Serverless
No infrastructure
Pay only for query execution
No ETL
Offers security
Data integration with Databricks, HDInsight
T-SQL syntax to query data
Supports data in various formats (Parquet, CSV, JSON)
Support for BI ecosystem
SQL On-Demand
Azure Storage
SQL On
Demand
Query
Power BI
Azure Data Studio
SSMS
Read and write
data files
Curate and transform data
Sync table
definitions
Read and write
data files

Overview
Uses OPENROWSET function to access data
Benefits
Ability to read CSV File with
- no header row, Windows style new line
- no header row, Unix-style new line
- header row, Unix-style new line
- header row, Unix-style new line, quoted
- header row, Unix-style new line, escape
- header row, Unix-style new line, tab-delimited
- without specifying all columns
SQL On Demand – Querying CSV File
SELECT *
FROM OPENROWSET(
BULK 'https://XXX.blob.core.windows.net/csv/population/populat
ion.csv',
FORMAT = 'CSV',
FIELDTERMINATOR =',',
ROWTERMINATOR = '¥n'
)
WITH (
[country_code] VARCHAR (5) COLLATE Latin1_General_BIN2,
[country_name] VARCHAR (100) COLLATE Latin1_General_BIN2,
[year] smallint,
[population] bigint
) AS [r]
WHERE
country_name = 'Luxembourg'
AND year = 2017

提供機能
無限のスケール一般提供プレビュー
プロビジョニング済みコンピューティング
(データウェアハウス)
✔
マテリアライズドビュー ✔
ワークロードの重要度 ✔
ワークロードの分離 ✔
オンデマンドクエリ ✔
強力な分析情報一般提供プレビュー
Power BI 統合 ✔
Azure Machine Learning 統合 ✔
データレイクの探索 ✔
ストリーミング分析
(データウェアハウス)
✔
Apache Spark 統合 ✔
比類のないセキュリティ一般提供プレビュー
列レベルおよび行レベルのセキュリティ ✔
動的データマスキング ✔
プライベートエンドポイント ✔
統合されたエクスペリエンス一般提供プレビュー
ハイブリッドデータインジェスト ✔
Azure Synapse スタジオ ✔
https://azure.microsoft.com/ja-jp/services/synapse-analytics/ より抜粋

- T-SQL ベースのエクスペリエンス (対話型/バッチ型スコアリング)
- 他の場所で構築されたその他のモデルとの相互運用性
- データが存在する場所で、スコアリングを実行
機械学習が有効化されたデータウェアハウスプレビュー
--T-SQL syntax for scoring data in SQL DW
SELECT d.*, p.Score
FROM PREDICT(MODEL = @onnx_model, DATA = dbo.mytable AS
d)
WITH (Score float) AS p;
モデルの
アップロード
T-SQL Language
Data Warehouse
Data
+
モデルの
実行
Model
モデルの
作成
Predictions
=
SQL Analytics

蓄積
可視化収集前処理変換とエンリッチ提供
AZURE SYNAPSE ANALYTICS

• https://docs.microsoft.com/j
a-jp/azure/synapse-
analytics/overview-what-is
• https://docs.microsoft.com/j
a-jp/azure/sql-data-
warehouse/
/Docs について

従業員の
働き方支援
バックミラーを見る代わりに、分析により、人々は未来を予測でき
るようになりました。それにより、私たちの会社の文化は完全に変
革しました。
JANE MORAN
CIO, Unilever
製品の
変革

データ変革; 予測された知見が主導する組織になるための、
ユニリーバの歩みを加速
販売とブランドパフォーマンス
デジタル化された工場とサプライチェイン
AI/IoTを活用して工場のデジタル化を行い、予測
メンテナンス+エネルギーコストの削減+廃棄物削減
+歩留まりの改善を実現。工場労働者にセルフサ
ービスの知見を提供
ユニリーバフードソリューション
アップセルでの売り上げ向上のため、DTC
チャネルを介したデータ駆動型マーケティング
に対するデータサイエンスを導入
人事
従業員の業務簡素化、従業員の手にデータを配置し、会話
型AI(Una)を介して手動反復タスクのコストを削減することで、
Employee 2020ビジョンを実現
財務
法務
デジタル化された研究開発
科学的な知見の改善を可能にするビッグサイエンスの
取組 ( プロセス分析、統合生物学 ) に向けて、ビッグ
データのモデリングとイノベーションの高速化により、市
場投入までのコストと時間を削減
マーケティング
資産のデジタル化
コネクテッドコーヒー自動販売機、浄水器、アイスクリー
ムキャビネットにIoT/AIを活用した新しいビジネスモデル
と消費者体験の向上を実現。在庫/資産の損金処
理を削減
Microsoft Ignite 2019 BRK3051より抜粋: https://myignite.techcommunity.microsoft.com/sessions/81055?source=sessions

モダンデータウェアハウスの論理的な構成
Universal Data Lake (UDL)
Business Data Lake
(BDL)
Business Data Lake
(BDL)
Business Data Lake
(BDL)
Product Product Product Product Product
• Implemented using ADLS
• Implemented using ADLS
• Each product will have its own
resource group for cataloguing
and cross-charging purposes
• Generally implemented using
SQL DW, AAS, PBI, but
flexibility based on
requirements
ADFADF
Orchestration
• Implemented using Azure
Databricks

Azure Synapse Analyticsプレビュー
(旧 Azure SQL DW)

 3か月以下のプレビュー期間
 データ統合、データ・ウェアハウス、ビッグデータ処理機能を大規模に統合
 BI、AI、インテリジェントアプリケーションの提供を加速
 単一のワークスペース内の 1 か所で、収集から BI レポートの作成までの
分析ソリューションを構築
 容易な管理
 統合された DevOps 環境
 容易な展開
 セキュアな環境
 集中監視とアラート
 追加機能
Unilever と Azure Synapse Analyticsプレビュー

分析プロセスをさらに合理化
ビジネス価
値を向上させるために
インフラストラクチャの複雑さを軽減
より高速な分析、より迅速なインサ
イト
素早い道筋
大容量のデータから迅速かつ簡単
に、イライラすることなく探索でき

蓄積 Azure Data Lake Storage
Power BI
Azure
Machine Learning

ja-jp/power-bi/
/Docs について

(ご参考までに) ビッグデータと可視化のアーキテクチャ
https://github.com/Microsoft/MCW-Big-Data-and-Visualization
External Data
(CSV Files)
Historical Data
(CSV Files)
Azure Data
Factory
Azure
Databricks
(Spark SQL)
Power BI
Visualize Predictions
Azure Web Apps
Web Portal
3rd Party API
Azure
Kubernetes
Service
Containerized AI
Services ( Predictions )
Create, train, & export
ML model
Azure Machine
Learning
Store and operationalize
trained ML model
Operationalize ML
model
Copy data to blob storage
Execute Databricks Notebook for
batch scoring
Integration Runtime
Move on-premises
data to Azure
Storage
( Formerly Azure SQL DW )
Azure Data Lake Storage /
Azure Blob Storage

業界を超えたビッグデータのコラボレーションの必要性
流通
需要予測と価
格最適化のため
の売上、在庫、
人口統計データ
金融
定量分析のた
めの金融市場
データ
公共インフラ
保全、代替エ
ネルギーに関す
る研究のため
の公共インフラ
のデータ
農業
センサー、作物収
量、スマート農業
のための気象デー
タ
自動車
パーソナライズさ
れたエクスペリ
エンスと故障分
析のためのコネ
クテッドカーIoT
データ
ヘルスケア
ヘルスケア、研
究のための学
生データ
行政教育
研究・予防のた
めの患者データ
交通、計画と公
正のための犯罪
データ

Azure Data Shareによる、分析基盤の拡張
強化
• パートナーと顧客からのデータを使用して、
最新のデータウェアハウスの洞察を強化
•
コラボレーション
• 業界固有のコンソーシアムを形成し、
メンバー間でデータを共有
•
革新
• カスタムソリューションに統合:
新しいサービス機能を通じて市場を拡大
•
Azure Synapse
Pipeline
Azure
Databricks
(データの前処理)
Azure Data
Lake Storage
Azure Synapse
SQL (Provisioned)
Power BI
収集と前処理
蓄積
提供見える化
Azure
Data Share
A企業
Azure
Data Share
共有
Azure
Data Share
B企業
Azure
Data Share
C企業
Azure
Data Share
Azure
Data Share
Azure
Machine Learning
機械学習

オンプレミス中心の従来のデータ共有方法
データ利用者 #1
電子メール、もしくは
USBでの送付
FTP サーバーへコピー
API もしくは、
Webアプリケーション
データ抽出
データ提供者
運用や追跡が難しく、ビッグデータには不向き

テナントを越えてデータ共有
データ提供者が共有を開始
• 何を共有するか？
• 誰と共有するか？
• 利用規約
• スナップショットか、インプレースか？
データ利用者が共有を承諾
• どこで受け取るか？
Azure Blob、Azure Data Lake Storage、Azure
SQL DB、Azure Synapse Analytics、Azure Data
Explorer、にて提供
Azure Data Shareの動作
ソースの
ストア
ターゲット
のストア
データ提供者データ利用者
招待メール
インプレースでアクセス
スナップショット

サポートされる Azure Data Store
共有するソースとターゲット間で、異種のストレージリソースをサポート
ソース
ターゲット
Blob Storage ADLS Gen1 ADLS Gen2 Azure SQL DB
Azure Synapse
Analytics
Azure Data
Explorer
Blob Storage Snapshot Snapshot
ADLS Gen1 Snapshot Snapshot
ADLS Gen2 Snapshot Snapshot
Azure SQL DB
Snapshot
(public preview)
Snapshot
(public preview)
Snapshot
(public preview)
Snapshot
(public preview)
Snapshot
(public preview)
Snapshot
(public preview)
Snapshot
(public preview)
Snapshot
(public preview)
Azure Data Explorer
In-place
(sign up for preview)

Azure Data Catalog
セルフサービスでデータソースを
検出可能にする、企業全体の
メタデータカタログ
情報資産を管理し、検索性を
向上し、見つけたデータ資産を
理解し、これらのデータ資産に
接続できるように設計
洞察の時間を短縮し、データ活
用を促進

ja-jp/azure/data-share/
ja-jp/azure/data-catalog/
/Docs について

サブシナリオ4: 最適値算出 / 分析自動化 ( アナリティクス、ML、AI )
サブシナリオ5: 処理の自動化 ( ワークフロー / アラート )
• Azure Machine Learning
• Cognitive Services
• Power Platform による、AIの民主化
1 Edgeでの装置監視・アラート
2 機械学習/AIのモデル作成
3 予測・最適化

4. 最適値算出/分析自動化(アナリティクス、ML、AI)
5. 処理の自動化 ( ワークフロー / アラート )
• Edgeでのリアルタイム異常検知ソリューション（❶）
• MLやCognitiveによる工場特化型分析ソリューション（❷）
• ERPなど周辺システムと連携する生産最適化ソリューション（❹）
Edgeでの装置監視・アラート（Hot path）1
装置からのセンサデータストリームに対して、機械学習モデルで異常判定を行い、異
常時は警報イベントを発報する。異常判定時の静止画をAzure Blob on Edgeと
Azure Blob Storageの同期機能で送信することで、クラウド側での学習に使用で
きる。機械学習モデルについては、クラウド側で作成されたものをIoT Hubから配布
し、IoT Edge デバイスにデプロイすることで、多数のEdge PCに同時に適用できる。
分析モデルの開発者が Azure ML 上で、Data Lake や Synapse Analytics の蓄
積データを使用して分析モデルを作成する。
機械学習/AIのモデル作成（Cold path）2
Logic AppsのコネクタでERPから生産計画・調達計画を参照し、Azure Machine
Learningで作成したモデルが算出する最適値と比較を行う。比較および通知の
ワークフローを Logic App で自動実行して Teams への通知を行う。
作業指示4
Synapse SQL に格納された製造履歴を参照し、Machine Learning により機械
学習モデルを作成。モデルを Kubernetes へ展開し、品質予測や在庫最適値を
算出する。
予測・最適化3
Teamsやモバイルアプリから各担当のモバイル端末へ通知を行う。
Surface Hub をアンドンとして使用し、通知を表示する。
通知5
モバイル製造・組立装置
製造履歴
画像
Azure
Kubernetes Service
Azure
Data Lake
Storage
Azure Stream Analytics
Power Apps
IoT Hub
カメラ
動画センサデータ
メッセージ通知
4
5
Logic Apps
model
テレメトリ
Stream Analytics
on Edge
警報装置
発報
model
Model
deploy
ERP
Teams
予測値・最適値
通知
分析モデル
開発者
Azure Machine
Learning
Cognitive
Custom Vision
1
計画値・
実績値
32
画像
Azure Blob Storage
Blob
on Edge
Azure Container
Registry
IoT Edge Runtime / Agent
ML Model (ONNX)

4. 最適値算出/分析自動化(アナリティクス、ML、AI)
5. 処理の自動化 ( ワークフロー / アラート )
リフロー炉
温度
装置故障の
可能性がある急激な
温度変動を
リアルタイムに検出
監視カメラ
映像
作業員の転倒や
不適切なエリアへの
侵入を映像から
リアルタイムに検知
パトライトなど
ラインサイドで
警告表示
各Edge PCからデータ収集
作成した分析モデルを
各エッジに配布
検査結果／センサデータを蓄積蓄積した製造データを横断的に
分析する環境を提供
データ分析担当者によって
故障予兆や異常検知の
分析モデルを作成
定時バッチなどで
分析モデルを元に
故障予測を計算
既存システムと連携して
現在の保全計画・実績と
故障予測を比較し、
保全計画を最適化する
最適化した保全計画に
基づいて
担当者に作業指示を通知

サブシナリオ4: 最適値算出 / 分析自動化 ( アナリティクス、ML、AI ) – 補足
設備保全のレベル
故障発生の都度
メンテナンスを行う
故障する前に
メンテナンスを行う
故障の予兆を検知
制約条件を考慮した
最適なアクション自動化

メンテナンスの適切なタイミングを知る
Time
Quality
劣化発生
メンテナンス
最適時期
オーバーメンテナンス
予測

異常検知の基本的なアプローチ方法
振動数
回転数稼働日数

設備保全モデルの考え方

設備保全モデル
回帰分類クラスタリング時系列予測

高度な設備保全イメージ
!
モデルデプロイ
エッジデバイスで故障の
予兆を検知しアラート
On-Premise
Cloud
!
クラウド分析基盤

LSTMによるRULの予測の例
?
お客様に納入した機械は
いつまで使えるだろうか....
無駄な部品交換は
避けたい...
200日
320日
250日
あと何日使える

1. Connected Sales
Product as a Service
• Azure Machine Learning
• Cognitive Services
• Power Platform による、AIの民主化
4 顧客のモデル化と最適提案

• 営業情報や製品利用状況を活用したマーケティングエンジン（❶❷❸）
• マーケティングオートメーションやSFA、最適レコメンデーションなどの既存ソリュー
ションとMSプラットフォームとの連携強化（❹❺）
コアとなる顧客情報はDynamics 365 のDBで管理し、顧客との関係構築を行い
つつ営業情報を管理する。また、Workplace AnalyticsやTeamsを組み合わせ、
提案資料や製品設計情報などの関連資料の共有やチーム活動の加速を行う。
営業支援・ナレッジシェアリング2
顧客環境での製品稼働状況や営業情報、営業関連資料を収集すると共に、顧
客の外部情報をパブリックDMPなどから収集し、顧客を軸として集約・紐付けする
ことによって、顧客の購買・利用行動をデータ上で表現する。
顧客情報集約3
一元管理された多数の顧客行動データを Customer 360 によって分析することに
より、顧客のセグメンテーションやモデル化を行う。
外部システムと連携しつつ、製品リストと顧客モデルのマッチングやダイナミックプライ
シングを行うことで、顧客ごとの推薦商品、推薦時期を計算する。
顧客のモデル化と最適提案4
計算された推薦商品や時期などの提案計画を顧客へのアクションに結びつけるた
め、適切な関連システムへのインプットを行う。例えば、Dynamics 365を経由して
営業担当の活動に結びつける、顧客に製品案内を送信する、などのアクションが
考えられる。
営業活動の計画自動化5
顧客に提供したコネクテッドプロダクトから稼働状況を収集・蓄積する。
製品からの稼働状況収集1
SharePoint
Power Platform
Office365
Teams
SQL Server
Dynamics 365
IoT Hub
2
Azure Data
Lake Storage
Learning
分析者
Customer 360
営業顧客設計営業
営業計画営業活動実績・製品情報製品稼働
状況
製品稼働
状況
パブリック
DMP
(顧客情報など)
外部システム
(ダイナミック
プライシングなど)
1
3
4
5
Azure
Synapse
Analytics Synapse Spark Synapse PipelineSynapse SQL
1. Connected Sales

Part 2: Data & AI 基盤 (製造リファレンス・アーキテクチャ勉強会)

Part 2: Data & AI 基盤 (製造リファレンス・アーキテクチャ勉強会)

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Part 2: Data & AI 基盤 (製造リファレンス・アーキテクチャ勉強会)

Similar to Part 2: Data & AI 基盤 (製造リファレンス・アーキテクチャ勉強会) (20)

More from Takeshi Fukuhara

More from Takeshi Fukuhara (20)

Part 2: Data & AI 基盤 (製造リファレンス・アーキテクチャ勉強会)