整備されたデータで、
メンバーもAIも
迷わず分析できる
テーブルもクエリもアノテーションで整理。人気度スコアから実績のあるデータがわかり、チーム全員が正しいデータにたどり着けます。
Data Modeling for Data Teams
テーブルとカラムの
意味を一元管理
DWHのテーブル構造を自動で取り込み、説明やタグを付けて整理。テーブルとカラムの意味を一箇所で管理でき、必要なデータをすぐに見つけられます。
- アノテーションテーブル・カラムに説明やタグを付与して意味を蓄積
- 検索・フィルタ名前や説明、タグ、コネクション、スキーマで横断検索
- メタデータ自動同期DWHからテーブル構造・行数・カラム型を自動取得
チームの共通定義を
カタログ化
よく使うSQLを保存し、説明やタグ、カラム定義を付けて整理。チームの共通定義を再利用可能なViewとして管理できます。
- メタデータ付与説明・タグ・カラム定義をテーブルと同じ粒度で管理
- バージョン履歴SQLの変更をいつ誰が行ったか追跡
- 安全な同期参照元の変更を通知。SQLブロックを壊さないよう手動で同期タイミングを制御
使われているデータがわかる
ノートブックでの参照数をもとに、テーブルやクエリの利用頻度を可視化。チームの実績から、信頼できるデータを選べます。
- 人気度スコア参照数に基づく利用頻度。よく使われているデータが上位に表示
- 参照元の確認そのテーブルを使っているノートブック・ジョブを一覧表示
- スターよく使うテーブル・クエリをお気に入り登録
メタデータがSQLとAIを強化
カタログに登録した説明やタグがSQLの入力補完やAIエージェントのコンテキストとして活用され、分析をよりスムーズに進められます。
- SQL入力補完カタログのテーブル名・カラム名や説明がサジェストされる
- AIエージェントのコンテキストエージェントがメタデータを参照し、テーブルの意味を理解して分析
dbtのメタデータを
カタログに同期
dbtプロジェクトのモデル定義をカタログに取り込み、メタデータを自動同期。変換と分析をつなぎ、情報の二重管理を防ぎます。
- メタデータ同期schema.ymlのモデル・カラムの説明やタグを取り込む
- リネージdbtのDAGをカタログ上で表示。上流・下流の依存関係が見える
- テスト結果not_null、unique等のテスト結果をカタログに反映
Unified Data Catalog
複数のデータソースを、ひとつのカタログで横断的に管理
※PostgreSQL、Google Sheetsは準備中です
Example Use Cases
を減らす
BigQueryに似た名前のテーブルが増え、アナリストや事業メンバーが毎回データチームに確認している。古いテーブルや検証用テーブルを使って、数字がずれることもある。
推奨テーブルに説明・タグ・オーナーを付け、利用頻度の高いテーブルを見つけやすくする。検索した人は「広告費はこのテーブル」「売上はこのSaved Query」という判断まで自分で進められる。
SQLごと標準化する
経営、営業、CSがそれぞれ別のSQLでARRや解約率を計算している。会議のたびに「この数字はどの定義か」の確認が入り、意思決定が遅れる。
正式な定義をSaved Queryとして保存し、説明・カラム定義・更新者を付けてカタログ化する。分析者はそのSaved Queryを参照してSQLを書けるため、チーム内で同じ定義を使い回せる。
データを選べるようにする
「有効商談」「稼働顧客」「月次売上」のような社内用語は、テーブル名やカラム名だけではAIに伝わりにくい。似たカラムを選んでしまうと、生成されたSQLのレビューにも時間がかかる。
カタログにビジネス上の意味、除外条件、使うべき粒度を記録しておく。AIエージェントはそのメタデータを参照してSQLを生成するため、最初から正しいテーブルと定義に近い分析を返せる。
データ資産を棚卸しする
RedshiftからSnowflakeへ移行するが、どのテーブルが実際に使われているか、どのSQLやレポートが依存しているかが見えない。不要な移行と移行漏れの両方がリスクになる。
複数コネクションのテーブルを横断カタログ化し、説明・人気度・Saved Queryとの関係を見ながら整理する。移行対象、廃止候補、定義の見直し対象を同じ一覧で判断できる。
