改訂新版［エンジニアのための］データ分析基盤入門＜基本編＞　データ活用を促進する！ プラットフォーム＆データ品質の考え方

# 第0章 ［速習］データ分析基盤と周辺知識　データ分析基盤入門プロローグ
## 0.1 データ分析基盤とサービスの提供先　サービスの提供先は4つに分類される
## 0.2 データ分析基盤と周辺技術　データ開発以外でも利用するツールも活躍
## 0.3 データ分析基盤と外部との接点を理解しよう　データ分析基盤もユーザー接点が大事
## 0.4 データ分析基盤開発とサポートツール　データ開発以外でも利用するツールも活躍
## 0.5 本章のまとめ

# 第1章 ［入門］データ分析基盤　データ分析基盤を取り巻く「人」「技術」「環境」
## 1.1 データ分析基盤の変遷　多様化を受け入れるために進化する
## 1.2 処理基盤/クラスターの変遷　よりマネージレスにしてコストを減らし、より本来の業務へ集中する時代
## 1.3 データの変遷　ExcelからWeb、IoT、そして何でもあり（!?）へ
## 1.4 データ分析基盤に関わる人の変遷　データにまつわる多様な人材
## 1.5 データへの価値観の変化　データ品質の重要度が高まってきた
## 1.6 データに関わる開発の変遷　複雑化するプロダクトと人の関係
## 1.7 本章のまとめ

# 第2章 データエンジニアリングの基礎知識　4つのレイヤー
## 2.1 データエンジニアリングの基本　ポイントと本書内の関連章について
## 2.2 データの世界のレイヤー　データ分析基盤の世界を俯瞰する
## 2.3 コレクティングレイヤー　データを集める
## 2.4 プロセシングレイヤー　データを変換する
## 2.5 データ分析基盤におけるデータの種別とストレージ戦略　プロセスデータ、プレゼンテーションデータ、メタデータにおける保存先の選択
## 2.6 ストレージレイヤー　データやメタデータを貯蔵する
## 2.7 アクセスレイヤー　データ分析基盤と外の世界との連携
## 2.8 セマンティックレイヤーとヘッドレスBI　アクセスレイヤーを拡張して外部へのデータ提供をより効率的に行う
## 2.9 本章のまとめ

# 第3章 データ分析基盤の管理＆構築　セルフサービス、SSoT、タグ、ゾーン、メタデータ管理
## 3.1 セルフサービスの登場　全員参加時代への移行期
## 3.2 SSoT　データは1ヵ所に集めよう
## 3.3 データ管理デザインパターン　ゾーンとタグ
## 3.4 データの管理とバックアップ　データ整理と、もしものときの準備
## 3.5 データのアクセス制御　ほど良いアクセス権限の適用
## 3.6 One Size Fits All問題　デカップリングで数々の問題を解決しよう
## 3.7 データのライフサイクル管理　不要なデータを残さないために
## 3.8 メタデータとデータ品質による管理　データを知る基本ツール
## 3.9 ハイブリット構成　柔軟に技術を選択しよう
## 3.10 データ分析基盤とSLO/SLA　データ分析基盤の説明書を作る
## 3.11 本章のまとめ

# 第4章 データ分析基盤の技術スタック　データソースからアクセスレイヤー、クラスター、ワークフローエンジンまで
## 4.1 データ分析基盤の技術スタック　全体像を俯瞰する
## 4.2 データ分析基盤のためのクラスター選択　無理な利用にも耐えられる必要がある
## 4.3 コレクティングレイヤーの技術スタック　セルフサービス時代のデータの取り込み
## 4.4 プロセシングレイヤーの技術スタック　データ変換を行うレイヤー
## 4.5 ワークフローエンジン　データ取り込みと変換を統括する
## 4.6 ストレージレイヤーの技術スタック　データの保存方法
## 4.7 プレゼンテーションデータを扱う技術スタック　効果的なデータ参照のための設計戦略
## 4.8 アクセスレイヤー構築の技術スタック　セルフサービス時代のユーザーへのデータ提供
## 4.9 セマンティックレイヤー　統一的なデータを提供しよう
## 4.10 アクセス制御　アクセスレイヤーに対するアクセス制御
## 4.11 コーディネーションサービス　分散システムを支える影の立役者
## 4.12 本章のまとめ

# 第5章 メタデータ管理　データを管理する「データ」の重要性
## 5.1 データより深いメタデータの世界　データは氷山の一角
## 5.2 メタデータとデータ　3つのメタデータを整理/整備しよう
## 5.3 データプロファイリング　データの状態を知る
## 5.4 データカタログ　手元にないメタデータはカタログ化しよう
## 5.5 データアーキテクチャ　メタデータの総合力としてのリネージュとプロバナンス
## 5.6 本章のまとめ

# 第6章 データマート＆データウェアハウスとデータ整備　DIKWモデル、データ設計、スキーマ設計、最小限のルール
## 6.1 データを整備するためのモデル　DIKWモデル
## 6.2 データマートの役割　「Data」を整備して知恵の創出をサポートする
## 6.3 スキーマ設計　データに関するルールを設計する
## 6.4 データマートの生成サポート　コミュニケーションの省略＆活用
## 6.5 データマートのプロパゲーション　メタデータやルールの作成
## 6.6 ストリーミングとデータマート　瞬時にKnowledge化する
## 6.7 本章のまとめ

# 第7章 データ品質管理　質の高いデータを提供する
## 7.1 データ品質管理の基礎　データ蓄積から次の段階へ進む
## 7.2 データの劣化　データは放置するだけで劣化する
## 7.3 データ品質テスト　劣化に気づくための品質チェック
## 7.4 メタデータ品質　生産性を向上させるために
## 7.5 データ品質を向上させる　品質テストの結果を活かす
## 7.6 本章のまとめ

# 第8章 データ分析基盤から始まるデータドリブン　データ分析基盤の可視化＆測定
## 8.1 データ分析基盤とデータドリブン　エンジニアもデータドリブンに行こう
## 8.2 データドリブンを実現するための準備　データ分析基盤のPDCAと数値
## 8.3 KPIをどのように開発に活かすのか　データ分析基盤の「コスト削減KGI」の例
## 8.4 データ分析基盤観点のKGI/（CSF）/KPI　改善の着眼点
## 8.5 本章のまとめ

# 第9章 ［事例で考える］データ分析基盤のアーキテクチャ設計　豊富な知識と柔軟な思考で最適解を目指そう
## 9.1 テーマとゴールを考えてみよう　基本的な要件で思考の順番を掴もう
## 9.2 データ分析基盤の骨格を考えよう　まずは大きなデータの流れについて考慮しよう
## 9.3 データ分析基盤構築における不確実性に備えよう　ソフトスキルも大事にしよう
## 9.4 データ分析基盤に必要な機能を揃えよう　非機能についても目を向けよう
## 9.5 本章のまとめ

# Appendix ［ビッグデータでも役立つ］RDB基礎講座
## A.1 データベースとは何か？　検索、更新、制約機能を持った入れ物
## A.2 RDBの基本　データベースの基本を振り返る
## A.3 RDBにおけるアーキテクチャ　RDBの設計
## A.4 Appendixのまとめ