概要
セマンティックレイヤーは、指標の定義(計算式・集計の粒度・結合)を 1 か所に集める層。ツールや人によって「売上」の数字がずれるのを防ぐ。AI に分析させる時代には「あると便利」ではなく前提条件になる。LLM が迷わず、定義済みの指標名と切り口を選ぶだけで答えられるからだ。
詳細
なぜ AI 時代に重要になったか
PKSHA の事例は DIKW モデルを Data / Information / Knowledge / Insight / Narrative / Action の 6 層に広げ、AI 以後の最大の変化を「Insight 層の民主化」(誰もが AI を通じて洞察にたどり着ける)と位置づけた。その前提が、AI が迷わない明確な指標定義である。
Text-to-SQL が誤るのは SQL の文法より「売上は税込か、返品を引くか」といった意味の部分。セマンティックレイヤーはこの判断を LLM から取り上げる。dbt Labs のベンチマーク(2026 年 4 月、11 問・1 データセット、実施者は製品提供元)では、定義済み指標の範囲の質問でセマンティックレイヤーが 100%、Text-to-SQL が 5〜6 割台。ただし定義の外の質問には答えられないため、全体では 72.7% 対 64.5% と差が縮む。
定義を二重に持たない
「意味の定義を 1 か所に集める」ことが設計の核になる。PKSHA の事例が BI に Lightdash を選んだのも、dbt の schema.yml に書いた指標をそのまま探索画面にするから。見送った候補の理由もこの観点で一貫している。
| 候補 | 見送った理由 |
|---|---|
| Lightdash Cloud | 現段階では費用対効果が合わない |
| Looker | エンタープライズ契約が必須で高コスト |
| Cube + Metabase | 定義が dbt と Cube に二重化する |
定義が 1 か所にあると、AI は定義済みの指標だけを使って分析でき、PII の制御も命名とラベルの契約に落とし込める。BI の選定・AI の挙動・ガバナンスまで、この 1 つの判断が効く。
実装の形
| 方式 | 定義の置き場所 | AI からの入口 |
|---|---|---|
| dbt Semantic Layer | dbt のメトリクス定義 | dbt MCP サーバー(list_metrics・query_metrics など) |
| Lightdash | dbt の schema.yml の meta | Lightdash の MCP(Enterprise)または OSS ベースの自前 MCP サーバー |
| 軽量な自前定義 | dataset.yaml などでカラムの意味・単位・値域 | 自前の MCP サーバー(AI-ready データ設計) |
オントロジーとの関係
オントロジーは用語・同義語・関係まで含む業務の意味の層で、セマンティックレイヤーはそのうち指標の計算に特化した層と見られる。NVIDIA Auto Ontology は既存のセマンティックモデルを「置き換えず補完する」と明記している。
業務システムの正本と二重にしない
業務システムの帳票の数字はアプリのコードで計算されている。分析基盤で同じ指標を dbt に定義すると、計算が 2 か所に存在する。
- 帳票と同じ数字が要る質問は業務システムのツールで答え、セマンティックレイヤーの数字は「分析用」と明示する
- 代表的な案件・月で、業務 API の値と mart の値を突き合わせるテストを回す
- コードは 2 つでも、「何をどう数えるか」の仕様書は 1 つにする
- 指標と列の説明は
schema.ymlを正にし、ツールのdescriptionも同じ用語集から書く
何を定義するか
指標を作り込む前に、利用者が実際に聞いた質問を集める。データ照会チャットボットの Text-to-SQL のログに繰り返し現れる「集計・推移」が、dbt の指標に昇格させる候補になる。
関連ページ
- dbt — 指標定義の置き場所
- Lightdash — dbt の定義をそのまま使う BI
- Text-to-SQL — 定義の外の質問を受け持つ経路
- オントロジー — より広い業務の意味の層
- AI ネイティブなデータ分析基盤 — セマンティックレイヤーを中心にした基盤設計
- AI-ready データ設計 — LLM に計算させない設計パターン
- レイクハウス — エージェント向け基盤の 4 つの守りの「意味」
ソース記事
- BigQuery × dbt × Lightdash × MCP で作る AI ネイティブなデータ分析基盤:PKSHA の事例に学ぶ設計 — 2026-11-15
- AWS だけで作る AI ネイティブなデータ分析基盤:Aurora zero-ETL × Redshift × dbt 構成案 — 2026-11-15
- データ照会チャットボットはデータ分析基盤を作ってから?ツール呼び出し・Text-to-SQL・セマンティックレイヤーの関係と進め方 — 2026-11-15
- AI エージェントのためのデータ基盤:レイクハウスを土台に「意味・費用・権限・取り消し」を設計する — 2026-10-13