今日利用されているビッグデータの大部分は、時系列データです。 IoTデータ、金融サービスデータ、ITインフラストラクチャから生じるデータなど、データには定期的な間隔で生じるものがあります。 Verticaは、時系列、地理空間、パターンマッチングなど、包括的なビルトイン分析機能を備えています。 これらの機能を利用すると、このような定期的に生じる時系列データに対するさまざまな分析タスクを実行できます。
時系列
時系列分析では、特定の変数のセットの値を時系列で評価し、それらの値をウィンドウ(時間間隔)としてグループ化して、分析および集約することができます。 Vertica Analytics Platformは、時系列分析を迅速に実行できる、スケーラブルなソリューションです。 Verticaプラットフォームは最適化された構造と分析機能を備えているほか、列指向データベースであるため、時系列データの並べ替え、圧縮、パーティショニングを行い、非常に高いパフォーマンスを実現できます。
さらに、Verticaは、時系列データの円滑な管理と分析に欠かせない重要な機能を備えています。 たとえば、Verticaには、データ補間法として、欠損しているデータポイントに値を代入するギャップ補間機能を備えています。 これは、既知のデータポイントの離散集合の範囲内に新たなデータポイントを作成する方法です。 データの時系列以外の列(一定の期間にわたり計算された分析関数の結果など)が補間され、欠損しているデータポイントが出力に追加されます。
イベントベースのウィンドウ
Verticaの標準SQL分析機能として、イベントベースのウィンドウ関数が用意されています。 これらの関数は、時系列データ内のイベントを検知します。 イベントベースのウィンドウを使用することで、時系列データをデータ内の重要なイベントごとにまとまりのあるウィンドウへと分類することができます。 この機能は特に、金融データを対象に、他のアクティビティのトリガーとなる特定のイベントに注目して分析を行う場合に役立ちます。 たとえば、株価を示す入力ストリームがあるとします。株式アナリストは、スプレッド(売り気配値と買い気配値の差)が0.05ドルを超えた場合に入力データの株価を新しいグループとしてまとめるなどの処理を行うことができます。 そのようにまとめた各グループをイベントのウィンドウと考えると、ウィンドウの端点は、特定の種類のイベントが発生した時点として定義されます。
| 分析 | Verticaにおけるサポート | ||
|---|---|---|---|
| 地理空間 | ✔ | ||
| 時系列 | ✔ | ||
|
イベントベースのウィンドウ
|
✔ | ||
| イベント系列の結合 | ✔ | ||
| パターンマッチング | ✔ | ||
|
機械学習(予測)
|
✔ | ||
|
機械学習(分類)
|
✔ | ||
イベント系列の結合
Verticaは、データウェアハウスに対して一般的に行われるクエリの結合をサポートしています。 また、特殊な結合を行う補間叙述もサポートしています。 Vertica SQLの拡張機能であるイベント系列の結合を使用することで、タイムスタンプが一致しないなど、測定間隔が正確に揃っていない2つのイベント系列も、結合して分析することができます。 この結合機能を使用すると、イベント系列を同じ測定間隔に標準化する必要がなく、揃っていないイベントデータに対して直接クエリを実行できるため、自然な形で効率的に分析作業を進めることができます。
パターンマッチング
Verticaのイベント系列のパターンマッチング拡張機能では、パスおよびパターン分析がネイティブにサポートされます。 SQL MATCH拡張機能を使用すると、過去の大量のデータの中から、イベントのパターンを探し出すことができます。 正規表現でパターンを指定し、入力されたイベント系列内でそのパターンを検索できます。 MATCHにはデータのパーティショニングおよび並べ替えによる分析をサポートする副次句が用意されており、連続する行のセットに対してパターンマッチングが行われます。
機械学習
時系列分析に加えて、設備アップタイムの改善や、顧客の離反阻止などのさまざまな用途に予測分析が活用されています。 Verticaでは、アナリストがSQLを活用して、大規模なデータセットに基づいて機械学習モデルをネイティブに作成および導入し、意思決定プロセスを迅速化できます。ダウンサンプリングする手間は不要です。
データの管理と分析に新しいアプローチを要求するIoTの課題
ビッグデータに対する時系列分析：大規模で広範にわたる時系列データセットからのインサイト獲得を支援するVertica
