本文へスキップ
hdknr blog

セマンティックレイヤー

「売上」「アクティブユーザー」などの指標の定義(計算式・粒度・結合)を 1 か所にまとめ、BI と AI が同じ定義で数字を出すための層

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 Layerdbt のメトリクス定義dbt MCP サーバー(list_metrics・query_metrics など)
Lightdashdbt の schema.yml の metaLightdash 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。

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

ソース記事