スタートアップのデータ分析基盤はじめの一歩 - AWSでデータパイプラインを爆速構築

アーキテクチャ概要

パイプラインのアーキテクチャ

このデータパイプラインは以下のコンポーネントで構成されています。

1. データソース: Amazon Auroraをデータソースとして使用します。既存のデータベースを利用することも、サンプル用に新規作成することも可能です。
   
2. データ抽出: Cluster Exportを利用してAmazon AuroraのデータをAmazon S3にエクスポートします。Cluster Exportの仕様上、エクスポート対象は全データとなりますが、後続の処理で差分データのみを抽出します。
   
3. メタデータ管理: AWS Glue Crawlerを利用して、S3に格納されたデータのスキーマを自動検出し、AWS Glue Data Catalogにメタデータを登録します。これにより、Amazon Athenaからデータを簡単にクエリできるようになります。
   
4. データ変換: dbt（data build tool）とAmazon Athenaを利用して、モデルの定義に沿ってデータを変換し、データマートのテーブルを更新します。サンプルでは、タイムスタンプ情報を読み取り、差分データのみをインサートする実装になっています。
   
5. データ分析・可視化: Amazon AthenaでSQLクエリを実行し、Amazon QuickSightでデータを可視化します。
   

料金試算

以下は、データ分析を始めようとするスタートアップでよくあるシンプルな利用ケースを想定した月額コストの目安です。この場合、月額の固定費はおよそ35USDとなります。

前提条件

• 分析対象のデータサイズ：10GB（Parquet圧縮後 約3GB）
• データ更新頻度：1日1回
• QuickSightの利用ユーザー：作成者1名、閲覧者（リーダー）2名
• Athenaの利用者：分析者3名が1日10回ずつクエリ実行
• 2025年7月時点のオレゴンリージョンでの価格をもとに試算
• VPCエンドポイント含むデータ転送料金は考慮外

また、3人の分析者が1日に10回ずつフルスキャンでクエリをする場合、月額の変動費はおよそ14USD。合計およそ月額49USDとなります（オレゴンリージョンでの試算）。

実装手順

Step1: 初期設定

まずは、必要な設定を行い、環境をセットアップします。

以下の手順は全てオレゴンリージョン（us-west-2）で行います。

1. リポジトリのクローン

$ git clone https://github.com/aws-samples/startup-data-pipeline-samples.git
$ cd startup-data-pipeline-samples/aurora-athena-sample

2. サンプルデータのアップロード

新規DBを作成してサンプルデータを使用する場合には、以下の手順を前もって行います。

1. Amazon S3に任意のバケットを作成する。
2. サンプルデータを解凍する。

# サンプルデータの解凍
$ tar -xzvf ../sampledata/sample.tar.gz -C /tmp/

3. S3バケットにアップロードする。

# S3バケットにアップロード
$ aws s3 cp /tmp/sample/ s3://sample-ticket-data/ --recursive

3. 設定ファイルの編集

config/config.tsファイルを開き、以下のパラメータを環境に合わせて設定します。

export const config: Config = {
    pipelineName: "sample-ticket-database",  // パイプライン名
    isExistDB: false,  //既存DBを使う場合はtrue
    dbClusterName: "sample-ticket-database",  // Auroraクラスター名
    dbName: 'demodb',   // データベース名
    schemaName: 'demodb',   // スキーマ名
    sampleDataBucketName: 'sample-ticket-data', // サンプルデータ用S3バケット名
    snapshotS3BucketName: 'sample-snapshot-bucket', // スナップショット用S3バケット名
    s3ExportPrefix: "s3export",  // S3エクスポート先プレフィックス
    enableBackupExportedData:true,  // エクスポートデータのバックアップ有効化
    loadSchedule: {minute:'30', hour:'3', weekDay:'MON-FRI', month:'*', year:'*'}   // データロードスケジュール（毎日0時）
}

sampleDataBucketName には、先ほど作成したバケット名を記入します。 snapshotS3BucketName には、これからAWS CDKによって作成する予定のS3バケット名を記入します。このバケットを手動で作成する必要はありません。

4. CDKデプロイ

AWS CDKを使用して、必要なリソースをデプロイします。

$ npm install
$ npx cdk bootstrap
$ npx cdk deploy --all

デプロイが完了すると、以下のようなAWSリソースが作成されます。

• Amazon Aurora DBクラスター（isExistDB: falseの場合）
• S3バケット（スナップショット用）
• AWS Glue Crawler
• AWS Glue Database
• AWS Lambda関数（データ処理用）
• AWS Step Functions（パイプライン制御用）
• Amazon Elastic Container Serviceのクラスターとタスク定義（dbt実行用）
• AWS Identity & Access Managementロール（各サービスのアクセス権限用）

Step2: サンプルデータ取り込み

新規でデータベースを作成した場合（isExistDB: false）、データベースにサンプルデータを取り込む必要があります。

1. データベースへの接続

デプロイ時に作成されたEC2インスタンスを使用して、Auroraデータベースに接続します。

1. AWS Management Consoleから、EC2サービスページを開きます。
2. SampleDataSourceStackから始まるインスタンス名を選択し、「接続」をクリックします。
3. Session Managerタブを選択し、「接続」を押します。ターミナルが開くので、一旦置いておきます。

2. データベース認証情報の取得

1. AWS Management ConsoleからAWS Secrets Managerサービスページにアクセスします。
2. AthenaPipelineSource/adminという名前のシークレットを選択します。
3. 「シークレットの値を取得する」をクリックして表示されるパスワードを、次のステップで使用します。

3. データベースへのログイン

1. EC2インスタンスのターミナルで以下のコマンドを実行します。

mysql -h <host> -u admin -p

<host>には、先ほど取得しておいたシークレット内のhostを代入します。

2. パスワードの入力を求められるはずです。その際は、先ほど取得した password を入力します。

4. サンプルデータのインポート

1. sampledata/setupdata.sqlファイルを編集します。--- EDIT S3 BUCKET ---の行の下に登場するS3バケットの名前を、先ほど手動で作成したサンプルデータ用のバケット名に変更します。
2. 編集したsampledata/setupdata.sqlの内容を、EC2上で開いているMySQLのシェルにコピー＆ペーストして実行します。これにより、新規作成したデータベースにサンプルデータが挿入されます。

Step3: ETLパイプライン実行

パイプラインは、Amazon EventBridgeによって定期的に実行されるように設定されていますが、手動で実行することも可能です。

1. Step Functionsの実行

1. AWS Management ConsoleでStep Functionsサービスを開きます。
2. SampleAthenaPipelineから始まるステートマシンを選択します。
3. 「Start Execution」をクリックし、以下のJSONを入力します。

{
  "EnableBackup": "True"
}

4. 「実行を開始」ボタンをクリックして実行を開始します

2. 実行フローの確認

Step Functionsの実行フローは、以下のステップで構成されています。

1. RunRDSExportTask: AuroraからS3へのデータエクスポート
2. CheckExportTask: エクスポートタスクの完了確認
3. CrawlExportedData: AWS Glue Crawlerの起動
4. Check Crawler Status: Crawlerの完了確認
5. RunDbtTask: dbtによるデータ変換処理
6. CleanupTask: 一時リソースのクリーンアップ

各ステップの実行状況はStep Functionsのビジュアルワークフローで確認できます。

3. Athenaでのクエリ確認

パイプラインの実行が完了したら、Athenaでデータをクエリできるようになります。

1. AWS Management ConsoleでAthenaサービスを開きます。
2. クエリエディタで、ワークグループ athenaWorkGroup を選択し、作成されたデータベース（パイプライン名と同じ）を選択します。
3. テーブル一覧から対象のテーブルを選択し、クエリを実行します。

SELECT * FROM "SampleAthenaPipeline"."event" LIMIT 10;

Step4: Amazon QuickSightを用いた可視化

最後に、Amazon QuickSightを使用してデータを可視化します。

1. QuickSightのセットアップ

Amazon QuickSightのアカウントをまだ作成していない場合は、公式ドキュメントを参照してアカウントを作成してください。

2. S3バケットへのアクセス権限設定

1. QuickSightに管理者としてログインします。
2. 右上の「QuickSightを管理」＞「セキュリティとアクセスの許可」＞「QuickSightのAWSのサービスへのアクセス」から、「管理」をクリックします。
3. S3を選択し、対象のS3バケット（スナップショット用バケット）へのアクセス権限を付与します。

3. データセットの作成

1. QuickSightのトップページに戻り、サイドバーの「データセット」をクリックします。
2. 「データセットの作成」＞「Athena」をクリックします。
3. 対象のワークグループ、作成されたGlueデータベース（パイプライン名と同じ）、対象のテーブルを選択します。
4. 「データセットの作成」をクリックします。

4. 分析とダッシュボードの作成

データセットが作成されたら、QuickSightの分析機能を使用してグラフやダッシュボードを作成できます。

1. 作成したデータセットを選択し、「分析」をクリックします。
2. ビジュアルタイプを選択し、フィールドをドラッグ＆ドロップしてグラフを作成します。
3. 複数のビジュアルを組み合わせてダッシュボードを作成します。
4. 「公開」をクリックしてダッシュボードを共有します。

次のステップ

このサンプルパイプラインをベースに、以下のような拡張が考えられます。

1. データモデルの拡張

dbtを活用して、データマート用にオリジナルのデータには存在しないデータモデルを構築できます。サンプル内の soldnum.sql の例のように、既存のテーブルを統合して新たなテーブルを作成できます。

with sales as (
    select * from {{source('raw','demodb_sales') }}
),

users as (
    select * from {{source('raw','demodb_users') }}
),

rawdate as (
    select * from {{source('raw','demodb_date') }}
),

sales_per_users as (
    select
        sellerid,
        username,
        city, 
        sum(qtysold) as qtysoldsum
    from sales, rawdate, users
    where sales.sellerid = users.userid
    and sales.dateid = rawdate.dateid
    group by sellerid, username, city
)

select * from sales_per_users

2. 差分更新ロジックのカスタマイズ

このサンプルでは、テーブルの差分更新を incremental materialization で行っています。サンプル内の event.sql の例では、 is_incremental 配下の WHERE 文が、差分を取るためのフィルタの役割をしています。こちらを変更することで、eventテーブルの更新ロジックをカスタマイズできます。

{{
    config (
        materialized = 'incremental',
        unique_key = 'starttime'
    )
}}
select
    *
from {{ source('raw','demodb_event') }}
{%- if is_incremental() %}
    where starttime > cast((select max(starttime) from {{ this }}) as timestamp)
{%- endif %}

まとめ

本記事では、AWS CDKを使用して、Amazon Aurora、Amazon S3、AWS Glue、Amazon Athena、Amazon QuickSightを組み合わせた、AWS Step Functionsによるミニマムなデータパイプラインの構成手順を紹介しました。このパイプラインにより、Amazon Auroraデータベース内に格納されたデータをダッシュボードで可視化することが可能になりました。

このように既存サンプルを有効活用すれば、初期投資を抑えながらスモールスタートでデータ分析基盤を構築できます。アジリティ・コスト削減・データに基づいた意思決定のいずれも重要なスタートアップの皆様には非常におすすめです。

◆執筆：アマゾンウェブサービスジャパン合同会社 ソリューションアーキテクト 冨山英佑