目次
共通のデータ基盤をMongoDBで構築した
参考になった
2
レビュー投稿日の情報になります
PRONI株式会社 / 髙橋雄太
メンバー / データエンジニア / 従業員規模: 101名〜300名 / エンジニア組織: 11名〜50名
最終更新日投稿日
| 事業形態 |
|---|
B to B |
| 事業形態 | B to B |
|---|
導入の背景・解決したかった問題
導入背景
ツール導入前の課題
- 各プロダクトのデータが分散されており、統合的な管理・分析ができない
- 構造化されていない文字データがRDBに蓄積されている
どのような状態を目指していたか
- 各プロダクトのデータが統合され、文字列検索等を含め自由に分析できる
比較検討したサービス
- Amazon DocumentDB
- Amazon DynamoDB
比較した軸
- アプリケーション開発での扱いやすさ
- クエリ結果の取得速度
- 運用負荷やコスト
- ベクトル検索
選定理由
- 検索などでindexがはりやすく、RDBライクに使える
- 扱いやすさと運用コストを考慮したとき利がある
- 大量データであっても、クエリ結果取得のパフォーマンスが良好
- 機械学習との組み合わせでベクトル検索の相性が良い
導入の成果
改善したかった課題はどれくらい解決されたか
大量データのクエリ結果はかなり高速に感じた。 一方で機械学習文脈のベクトル化はまだ取り扱いきれていない。
どのような成果が得られたか
会社としてDMPが構築できた。
導入時の苦労・悩み
- 運用ノウハウ及び他社事例の不足
- MongoDB特有の概念やクエリ言語の習得
導入に向けた社内への説明
上長・チームへの説明
NoSQL導入は上長も前向きだった。
Amazon DynamoDBはIoTには向いていたものの、構造体の取り扱いには限界を感じた。
ちょっとコストは嵩むが、機械学習で使用するなら大量データをベクトル化して取り扱えるMongoDBということで合意を得た。
活用方法
- 一部自社プロダクトのデータソースとして利用
- 社内サービスのデータソースとして利用
- DMPとして利用
よく使う機能
- indexの活用による高速な検索機能
ツールの良い点
- RDBライクに使える
- indexが張りやすく、高速な検索が可能
- 複雑な構造体もそのまま保管できる
- (フルマネージドサービスであるMongoDB Atlasを使用した場合) AWSと連携することで運用負荷が軽減される
ツールの課題点
- 運用ノウハウ及び他社事例の不足
- MongoDB特有の概念やクエリ言語の習得
- 型が厳密でないので、取り扱いが難しい場合がある
ツールを検討されている方へ
NoSQLでありながらRDBライクな部分を併せ持つMongoDBは一考の価値ありです。
PRONI株式会社 / 髙橋雄太
メンバー / データエンジニア / 従業員規模: 101名〜300名 / エンジニア組織: 11名〜50名
PRONI株式会社 / 髙橋雄太
メンバー / データエンジニア / 従業員規模: 101名〜300名 / エンジニア組織: 11名〜50名
