抽出されたデータを使用したクロステナント分析 - シングルテナントアプリ

[アーティクル]
03/30/2023

このチュートリアルでは、シングルテナントの実装に関する完全な分析シナリオについて説明します。シナリオでは、分析によって企業の賢明な意思決定を可能にする方法を示します。各テナントデータベースから抽出されたデータを使用した分析によって、テナントの動作 (Wingtip Tickets SaaS サンプルアプリケーションの使用など) に関する洞察を獲得します。このシナリオには、次の 3 つの手順が含まれます。

各テナントデータベースから分析ストアにデータを抽出して分析ストアに読み込みます。
分析処理のために、抽出されたデータを変換します。
ビジネスインテリジェンス ツールを使用して、意思決定を支援する有益な洞察を引き出します。

このチュートリアルで学習する内容は次のとおりです。

データの抽出先となるテナント分析ストアを作成する。
エラスティックジョブを使用して、各テナントデータベースから分析ストアにデータを抽出する。
抽出されたデータを最適化する (スタースキーマに再編成する)。
分析データベースを照会する。
データ視覚化に Power BI を使用して、テナントデータの傾向を強調表示し、改善のための推奨事項を提案する。

この記事で使用されているアーキテクチャの概要を示す図。

オフラインテナント分析パターン

マルチテナント SaaS アプリケーションには、通常は、クラウドに保存された膨大な量のテナントデータがあります。このデータから、アプリケーションの操作と使用状況や、テナントの動作に関するさまざまな洞察が得られます。これらの洞察は、機能の開発、操作性の改善、アプリとプラットフォームへのその他の投資の指針となります。

すべてのデータが 1 つのマルチテナントデータベースに存在する場合は、すべてのテナントのデータに簡単にアクセスできます。しかし、何千もの可能性があるデータベースに分散している場合、アクセスは複雑になります。複雑さを軽減し、トランザクションデータに対する分析クエリの影響を最小限に押さえる 1 つの方法は、目的に合うように設計された分析データベースまたはデータウェアハウスにデータを抽出することです。

このチュートリアルでは、Wingtip Tickets SaaS アプリケーション用の完全な分析シナリオを紹介します。最初に、エラスティックジョブを使用して、各テナントデータベースからデータを抽出し、それを分析ストア内のステージングテーブルに読み込みます。分析ストアには、SQL Database または専用 SQL プールを使用できます。大規模なデータ抽出には、Azure Data Factory が推奨されます。

次に、集計データを一連のスタースキーマテーブルに変換します。これらのテーブルは、中央のファクトテーブルと関連するディメンションテーブルで構成されます。 Wingtip Tickets では:

スタースキーマの中央のファクトテーブルには、チケットデータが含まれます。
ディメンションテーブルは、会場、イベント、顧客、および購入日に関するデータを記述します。

中央のファクトテーブルとディメンションテーブルを組み合わせることで、効率的な分析処理が可能になります。このチュートリアルで使用するスタースキーマを次の図に示します。

architectureOverView

最後に、Power BI を使用して分析ストアに対してクエリが実行され、テナントの動作と Wingtip Tickets アプリケーションの使用に関する分析情報が強調表示されます。以下を行うクエリを実行します。

各会場の相対的な人気を示す
さまざまなイベントのチケットの売上パターンを強調表示する
複数の会場でのイベントの販売の相対的な成功を表示する

各テナントによるサービスの使用方法に関する理解を用いて、サービスを収益化し、テナントの成功を支援するようにサービスを改善するためのオプションを調べます。このチュートリアルでは、テナントデータから得られる洞察の種類の基本的な例を示します。

セットアップ

前提条件

このチュートリアルを完了するには、次の前提条件を満たしておく必要があります。

Wingtip Tickets SaaS Database Per Tenant アプリケーションをデプロイします。 5 分未満でデプロイするには、Wingtip SaaS アプリケーションのデプロイと確認に関するページを参照してください。
Wingtip Tickets SaaS Database Per Tenant のスクリプトとアプリケーションソースコードを GitHub からダウンロードします。ダウンロードの手順を参照してください。内容を抽出する前に、必ず ZIP ファイルのブロックを解除してください。 Wingtip Tickets SaaS スクリプトをダウンロードし、ブロックを解除する手順については、一般的なガイダンスに関する記事をご覧ください。
Power BI Desktop をインストールします。 Power BI Desktop のダウンロード
追加のテナントのバッチをプロビジョニングします。テナントのプロビジョニングに関するチュートリアルをご覧ください。
ジョブアカウントとジョブアカウントデータベースを作成します。適切な手順については、スキーマ管理に関するチュートリアルをご覧ください。

デモ用のデータを作成する

このチュートリアルでは、チケット売上データで分析を実行します。現在の手順では、すべてのテナントのチケットデータを生成します。後で、分析用にこのデータを抽出します。 前述のようにテナントのバッチをプロビジョニングし、相当量のデータを確保してください。十分な量のデータがあれば、さまざまなチケット購入パターンを明らかにすることができます。

PowerShell ISE で …\Learning Modules\Operational Analytics\Tenant Analytics\Demo-TenantAnalytics.ps1 を開き、次の値を設定します。
- $DemoScenario = 1: すべての会場でイベントのチケットを購入
F5 キーを押してスクリプトを実行し、各会場のすべてのイベントのチケット購入履歴を作成します。スクリプトが数分間実行され、数万枚のチケットが生成されます。

分析ストアをデプロイする

多くの場合、すべてのテナントデータを保持する多数のトランザクションデータベースが存在します。多数のトランザクションデータベースのテナントデータを、1 つの分析ストアに集約する必要があります。集約により、データの効率的なクエリが可能になります。このチュートリアルでは、Azure SQL Database を使用して集約されたデータを格納します。

次の手順では、tenantanalytics という分析ストアをデプロイします。このチュートリアルで後ほど設定する、定義済みのテーブルもデプロイします。

PowerShell ISE で …\Learning Modules\Operational Analytics\Tenant Analytics\Demo-TenantAnalytics.ps1 を開きます。
選択した分析ストアに合わせて、スクリプトの $DemoScenario 変数を設定します。
- 列ストアを使用せずに SQL Database を使用するには、 $DemoScenario = 2 と設定します
- 列ストアを使用して SQL Database を使用するには、 $DemoScenario = 3 と設定します
F5 キーを押して、テナント分析ストアを作成するデモスクリプト (Deploy-TenantAnalytics<XX>.ps1 スクリプトを呼び出す) を実行します。

アプリケーションをデプロイし、対象のテナントデータを入力しました。次に、SQL Server Management Studio (SSMS) を使用して、tenants1-dpt-<User> サーバーと catalog-dpt-<User> サーバーに接続します。ログイン名として「developer」、パスワードとして「P@ssword1」を使用します。詳しいガイダンスについては、入門チュートリアルをご覧ください。

SQL Server への接続に必要な情報を示すスクリーンショット。

オブジェクトエクスプローラーで次の手順を実行します。

tenants1-dpt-<User> サーバーを展開します。
[データベース] ノードを展開し、テナントデータベースの一覧を表示します。
catalog-dpt-<User> サーバーを展開します。
分析ストアと jobaccount データベースが表示されていることを確認します。

SSMS オブジェクトエクスプローラーで分析ストアノードを展開して、次のデータベース項目を表示します。

TicketsRawData テーブルと EventsRawData テーブルには、テナントデータベースから抽出した生データが保持されます。
スタースキーマテーブルは、fact_Tickets、dim_Customers、dim_Venues、dim_Events、dim_Dates です。
ストアドプロシージャは、生データテーブルからスタースキーマテーブルを設定するために使用します。

SSMS オブジェクトエクスプローラーに表示されているデータベース項目のスクリーンショット。

データの抽出

ターゲットグループを作成する

先に進む前に、ジョブアカウントと jobaccount データベースがデプロイされていることを確認します。次の一連の手順では、エラスティックジョブを使用して各テナントデータベースからデータを抽出し、データを分析ストアに保存します。次に、2 番目のジョブでデータを細分化し、スタースキーマの各テーブルに格納します。この 2 つのジョブは、それぞれ TenantGroup、AnalyticsGroup という名前の 2 つの異なるターゲットグループに対して実行されます。抽出ジョブは、すべてのテナントデータベースが含まれた TenantGroup に対して実行されます。細分化ジョブは、分析ストアだけが含まれた AnalyticsGroup に対して実行されます。次の手順に従って、ターゲットグループを作成します。

SSMS で、catalog-dpt-<User> の jobaccount データベースに接続します。
SSMS で …\Learning Modules\Operational Analytics\Tenant Analytics\TargetGroups.sql を開きます。
スクリプトの先頭の @User 変数を変更し、<User> を Wingtip SaaS アプリのデプロイ時に使用したユーザー値に置き換えます。
F5 キーを押してスクリプトを実行し、2 つのターゲットグループを作成します。

すべてのテナントから生データを抽出する

"チケット/顧客" データでは、"イベント/会場" データよりも頻繁に大幅なデータ変更が発生すると考えられます。そのため、チケット/顧客データは、イベント/会場データよりも頻繁に別途抽出することを検討します。このセクションでは、次の 2 つのジョブを定義し、スケジュールします。

チケット/顧客データを抽出する。
イベント/会場データを抽出する。

各ジョブでは、データを抽出して分析ストアに送信します。別のジョブで、抽出されたデータを分析スタースキーマに細分化します。

SSMS で、catalog-dpt-<User> サーバーの jobaccount データベースに接続します。
SSMS で ...\Learning Modules\Operational Analytics\Tenant Analytics\ExtractTickets.sql を開きます。
スクリプトの先頭の @User を変更し、<User> を Wingtip SaaS アプリのデプロイ時に使用したユーザー名に置き換えます。
F5 キーを押してスクリプトを実行します。このスクリプトにより、各テナントデータベースからチケットデータと顧客データを抽出するジョブが作成され、実行されます。このジョブはデータを分析ストアに保存します。
tenantanalytics データベースの TicketsRawData テーブルを照会して、テーブルにすべてのテナントのチケット情報が設定されていることを確認します。

手順 2. の \ExtractTickets.sql を \ExtractVenuesEvents.sql に置き換えて、上記の手順を繰り返します。

ジョブが正常に実行されると、分析ストアの EventsRawData テーブルに、すべてのテナントの新しいイベントと会場の情報が設定されます。

データの再編成

抽出されたデータを細分化してスタースキーマテーブルを設定する

次に、抽出された生データを、分析クエリに最適化された一連のテーブルに細分化します。スタースキーマを使用します。中央のファクトテーブルには、個々のチケット売上レコードが保持されます。他のテーブルには、会場、イベント、顧客の関連データが設定されます。また、時間ディメンションテーブルがあります。

このセクションでは、抽出された生データをスタースキーマテーブルのデータとマージするジョブを定義して実行します。マージジョブが完了すると、生データが削除され、テーブルは次回のテナントデータ抽出ジョブで設定できる状態になります。

SSMS で、catalog-dpt-<User> の jobaccount データベースに接続します。
SSMS で …\Learning Modules\Operational Analytics\Tenant Analytics\ShredRawExtractedData.sql を開きます。
F5 キーを押してスクリプトを実行します。このスクリプトにより、分析ストアで sp_ShredRawExtractedData ストアドプロシージャを呼び出すジョブが定義されます。
ジョブを正常に実行するための十分な時間を確保します。
- jobs.jobs_execution テーブルの Lifecycle 列でジョブの状態を確認します。先に進む前に、ジョブが成功したことを確認します。ジョブが正常に完了すると、次の図のようにデータが表示されます。

細分化

データの探索

テナントデータを視覚化する

スタースキーマテーブルのデータは、分析に必要なすべてのチケット売上データを提供します。大規模なデータセットで傾向をわかりやすくするには、グラフを使用してデータを視覚化する必要があります。このセクションでは、Power BI を使用して、抽出して整理したテナントデータを操作し、視覚化する方法について説明します。

次の手順に従って、Power BI に接続し、以前に作成したビューをインポートします。

Power BI Desktop を起動します。
[ホーム] リボンの [データを取得] をクリックし、メニューの [その他…] を選択します。
[データを取得] ウィンドウで、[Azure SQL Database] を選択します。
データベースログインウィンドウで、サーバー名 (catalog-dpt-<User>.database.windows.net) を入力します。 [データ接続モード] の [インポート] を選択し、[OK] をクリックします。
左側のウィンドウで [データベース] を選択し、ユーザー名として「developer」、パスワードとして「P@ssword1」を入力します。 [接続] をクリックします。
ナビゲーター ウィンドウで、分析データベースのスタースキーマテーブル (fact_Tickets、dim_Events、dim_Venues、dim_Customers、dim_Dates) を選択します。 [読み込み] を選択します。

お疲れさまでした。 Power BI にデータが正常に読み込まれました。これで、テナントに関する洞察を得るために、興味のある視覚化機能の探索を開始できます。次に、分析を使用して、データドリブンの推奨事項を Wingtip Tickets ビジネスチームに提供する方法について説明します。これらの推奨事項は、ビジネスモデルとカスタマーエクスペリエンスの最適化に役立ちます。

まず、チケット売上データを分析して、各会場の利用状況の差異を確認します。 Power BI で次のオプションを選択して、各会場で販売されたチケットの総数を示す棒グラフをプロットします。チケットジェネレーターのランダムな変動により、結果が異なる場合があります。

右側のデータ視覚化での Power BI の視覚化と制御を示すスクリーンショット。

上記のプロットでは、各会場で販売されたチケットの数にばらつきがあることを確認できます。チケットの販売数が多い会場は、販売数が少ない会場よりもサービスを頻繁に利用しています。これは、テナントのさまざまなニーズに応じてリソースの割り当てを調整するよい機会かもしれません。

データをさらに分析して、チケットの売上の経時的な変化を確認できます。 Power BI で次のオプションを選択して、60 日間にわたり、1 日に販売されたチケットの総数をプロットします。

「Ticket Sale Distribution (チケット販売分布) と Sale Day (販売日)」というタイトルの Power BI の視覚化を示すスクリーンショット。

上記のグラフは、一部の会場のチケットの販売数がスパイク (突出) していることを示しています。これらのスパイクは、一部の会場がシステムリソースを過度に使用している可能性があるという考えを補強しています。今のところ、スパイクが発生したときの明白なパターンはありません。

次に、これらのピークの販売日の有意性をさらに調査します。チケットの発売後、これらのピークが発生したのはいつでしょうか。 1 日に販売されたチケット数をプロットするには、Power BI で次のオプションを選択します。

SaleDayDistribution

上記のプロットは、一部の会場が販売初日に多数のチケットを販売したことを示しています。これらの会場でチケットが発売されるとすぐに、購入が殺到したようです。少数の会場でのこのアクティビティのバーストが、他のテナントのサービスに影響を及ぼしている可能性があります。

データを再度掘り下げて、この購入が殺到する状態が、これらの会場主催のすべてのイベントに当てはまるかどうかを確認します。これまでのプロットで、Contoso Concert Hall が多数のチケットを販売しており、特定の日にチケットの販売数が急増していることがわかりました。 Power BI のオプションを操作して、Contoso Concert Hall のチケットの累計販売数をプロットし、各イベントの販売動向に注目します。すべてのイベントが同じ販売パターンに従っているのでしょうか。

ContosoSales

Contoso Concert Hall の上記のプロットは、購入が殺到する状態がすべてのイベントで発生しているわけではないことを示しています。フィルターオプションを操作して、他の会場の販売動向を確認します。

チケット販売パターンに関する洞察により、Wingtip Tickets でビジネスモデルを最適化できます。 Wingtip では、すべてのテナントに均等に課金するのではなく、コンピューティングサイズが異なるサービスレベルを導入する必要があると考えられます。 1 日により多くのチケットを販売する必要がある大規模な会場には、サービスレベルアグリーメント (SLA) が高い上位層を提供できます。これらの会場では、データベースごとのリソースの上限が高いプールにデータベースを配置できます。各サービス層に時間単位の販売割り当てを設定し、割り当てを超えた場合は追加料金が課金されるようにすることもできます。売上が定期的に激増する大規模な会場は上位層からメリットが得られ、Wingtip Tickets はサービスをより効率的に収益化できます。

その一方で、Wingtip Tickets の一部の顧客は、サービスコストに見合うだけのチケットを販売するのに苦戦していると不満を漏らしています。これらの洞察に、業績が低迷している会場のチケットの売上を伸ばす機会がおそらくあります。売上が増加すれば、サービスの知覚価値が高まります。 fact_Tickets を右クリックし、[新しいメジャー] を選択します。 AverageTicketsSold という新しいメジャーの次の式を入力します。

AverageTicketsSold = AVERAGEX( SUMMARIZE( TableName, TableName[Venue Name] ), CALCULATE( SUM(TableName[Tickets Sold] ) ) )

相対的な成果を確認するために、次の視覚化オプションを選択して、各会場で販売されたチケットの割合をプロットします。

「Average Tickets Sold By Each Venue (会場別チケット平均販売数)」というタイトルの Power BI の視覚化を示すスクリーンショット。

上記のプロットは、ほとんどの会場がチケットの 80% 以上を販売しているにもかかわらず、座席の半分以上を埋めるのに苦労している会場もあることを示しています。 Values Well を操作して、各会場で販売されたチケットの最大または最小の割合を選択します。

以前に、分析を深めることによって、チケットの販売数は予測可能なパターンに従う傾向があることを発見しました。この発見により、Wingtip Tickets は動的価格設定を推奨することで、業績が低迷している会場がチケットの売上を伸ばせるよう支援できる可能性があります。この発見により、機械学習の手法を使用して各イベントのチケットの売上を予測する機会を明らかにすることもできます。チケットの販売時に割引を適用することによる収益への影響を予測することも可能です。 Power BI Embedded をイベント管理アプリケーションに統合することができます。統合により、予測される売上とさまざまな割引の影響を視覚化できます。アプリケーションを活用して、分析画面から直接適用される最適な割引を考案できます。

WingTip アプリケーションのテナントデータの傾向を確認しました。アプリケーションが SaaS アプリケーションベンダーのビジネス上の意思決定に役立つ情報を提供する他の方法を検討することができます。ベンダーは、テナントのニーズに適切に応えることができます。このチュートリアルでは、テナントデータで分析を実行するために必要なツールを活用して、企業がデータドリブンの意思決定を行うことができるようにしました。

次のステップ

このチュートリアルでは、以下の内容を学習しました。

定義済みのスタースキーマテーブルを含むテナント分析データベースをデプロイする
エラスティックジョブを使用して、すべてのテナントデータベースからデータを抽出する
抽出されたデータを分析用に設計されたスタースキーマの各テーブルにマージする
分析データベースを照会する
データ視覚化に Power BI を使用して、テナントデータの傾向を確認する

お疲れさまでした。

次の方法で共有

抽出されたデータを使用したクロステナント分析 - シングルテナントアプリ

オフラインテナント分析パターン

セットアップ