3.2分析と可視化

蓄えたデータは分析し、可視化して初めて価値になります。クエリは Athena/Redshift、可視化は QuickSight、ログ/検索分析は OpenSearch が定番です。

3.2.1分析・可視化・検索

• Athena/Redshift：SQL でデータを分析する（サーバーレスの S3 クエリ／大規模 DWH）。
• Amazon QuickSight：BI ダッシュボードでデータを可視化し、ビジネスユーザーへ共有する（SPICE で高速）。
• OpenSearch Service：ログ分析や全文検索に強く、ダッシュボード（Kibana）で可視化する。

「分析（クエリ）」と「可視化（ダッシュボード）」と「検索/ログ分析」は役割が違います。クエリは Athena（S3 にサーバーレス SQL・スキャン量課金）／Redshift（大規模 DWH）。可視化は Amazon QuickSight で、BI ダッシュボードをビジネスユーザーへ共有し、SPICE（インメモリ）に取り込むと応答が速く元データ負荷も下がります（行/列レベルセキュリティ・Q の自然言語質問・埋め込みも可）。検索や ログ分析/可観測性 は Amazon OpenSearch Service が強く、OpenSearch Dashboards（Kibana） で可視化します。データソースの組み合わせは「QuickSight が Athena/Redshift/RDS をデータソースにする」「ログを OpenSearch に入れて検索」のように層をつなぎます。判断軸は「経営/業務向けの定型 BI＝QuickSight」「アドホックな探索 SQL＝Athena」「全文検索・ログの可観測性＝OpenSearch」。可視化（QuickSight）と分析エンジン（Athena/Redshift）を取り違えないことが頻出の注意点です。

3.2.2データ準備・ML・検索の in-scope サービス

分析の前後では、データ準備と機械学習のサービスも問われます。AWS Glue DataBrew はコード不要の視覚的インターフェイスでクレンジング・正規化（250 以上の変換）を行い、データ準備を高速化します。準備済みの特徴量で機械学習を行うなら Amazon SageMaker AI がデータ準備・学習・デプロイ・推論を統合したプラットフォームで、フィーチャーストアやパイプラインでデータエンジニアリングと ML を橋渡しします。 生成 AI をパイプラインに組み込むなら Amazon Bedrock が複数プロバイダーの基盤モデルを単一 API でサーバーレスに提供し、抽出データの要約・分類を Lambda/Step Functions から呼び出せます。社内文書の自然言語検索（質問応答）には機械学習ベースの Amazon Kendra を使い、構造化データの SQL 分析（Athena）や全文/ログ検索（OpenSearch）と役割を分けます。

3.2.3この節のまとめ

• Athena/Redshift（分析）／QuickSight（可視化）／OpenSearch（検索・ログ）
• BI ダッシュボード＝QuickSight、全文/ログ＝OpenSearch
• データ準備＝Glue DataBrew、ML＝SageMaker AI、生成AI＝Bedrock、社内検索＝Kendra