THE CRITERIA · v202506

組織を知る、328の問い。

気になるテーマやカテゴリから、基準とその背景を読み進めてください。

328項目をCSVで保存
問いの読み方
テーマ(5個)×カテゴリー(各8個)×チェックリスト(各8項目)。例としてチームの8カテゴリと、チーム構成と権限委譲の8つの問い(メトリクスの計測・学習と改善・プラクティスと習慣・アンチパターン)。

各カテゴリは8つの問いで構成されます。アンチパターンは手放したい慣習を確かめる問いで、「いいえ」が望ましい状態です。採点は逆転します。

8項目 · 条件をクリア

DATA-4 / データ駆動

データ処理パイプライン

このカテゴリから診断する
データ処理パイプラインはなぜ重要か?

簡単に言うと、データ処理パイプラインは「工場の自動組み立てライン」のようなものです。自動車工場では、部品が次々と運ばれ、溶接、塗装、組み立てといった工程を自動的に進み、最終的に完成車が出荷されます。各工程の所要時間や不良率を測定し、ボトルネックを特定して改善します。同じように、データも、収集、変換、集計、分析といった工程を自動的に流れるパイプラインが必要です。手作業でデータを加工していては、時間がかかり、ミスも発生します。自動化されたパイプラインにより、データの鮮度と品質を保ちながら、継続的に分析結果を生成できます。

カテゴリ解説を読む
DATA-4-1メトリクスの計測

分析・開発や運用のバリューストリーム上の各種サイクルタイムを計測しており、継続的に改善しているか。

DATA-4-2学習と改善

データレイクから、モデルの実サービス適用までの一連の流れのパフォーマンスモニタ・自動化・効率化を行うエンジニアリングチームが存在するか。

DATA-4-3プラクティス

データレイクから、データ分析基盤までのETL処理にも自動テストが存在しており、変換エラーなどがモニタリングされているか。

DATA-4-4プラクティス

実運用されているデータ分析・学習のための前処理や学習処理を実行するためのワークフロー処理基盤(ETLの一貫性・冪等性・可用性を確保するための基盤)が存在するか。

DATA-4-5プラクティス

学習済みのモデルを検証し、サービスインするまでの処理は自動化されているか。

DATA-4-6アンチパターン

週次集計や月次集計の処理が特定の日時に終わることを想定しており、障害が発生した場合にデータが欠損してしまう。

DATA-4-7アンチパターン

実験時の環境を実サービス環境に向けてポータブルにするためのコンテナ化やIaC(Infrastructure as Code)が存在しない。 

DATA-4-8アンチパターン

データサイエンス/機械学習/データアプリケーションエンジニアリング/クラウドインフラなどの知見が1名に属人化している。