業務から必要なデータを洗い出す

1何を記録すべきか考える

データ分析では、業務で扱う事実と項目を洗い出す。貸出業務なら「誰に」「どの本を」「いつ貸し」「いつ返すか」が必要。項目名だけでなく意味、単位、必須か、何をもって一件とするかも決める。

データベース設計は必要な項目と関連を整理して構造を決める仕事。蓄積済みのデータを条件で取り出す選択や用途別の抽出とは段階が違う。大量データから隠れた規則を探るデータマイニングも、構造を設計することそのものではない。

2表記をそろえてから結び付ける

データクレンジングは、誤記、重複、表記ゆれ、欠損などを調べ、利用できる状態に整えること。「東京都」と「東京」をそろえるときも、同じ意味であることを確かめる。分からない値を勝手に0で埋めると、実際に0だった記録と混ざる。

データの結合は、共通する番号などで複数のデータを関連付けること。氏名だけの結合では同姓同名を混同し得るので、会員番号など意味の一致した識別子を使う。

3関係と番号の規則を設計する

E-R図（Entity-Relationship Diagram：実体と関連を示す図）は、管理対象とその間の関連を表す。会員一人に複数の貸出記録が対応するなら1対多の関係。対象の名前だけでなく、一件が何に対応するかを確認する。

コード設計は、会員番号などの識別用の符号の付け方を決めること。重複しない範囲、文字数、追加時の余裕を考える。スキーマは、表・項目・型・制約などのデータベースの構造定義を指す。

4関連を線の両側から読む

E-R図は、管理する対象を実体として表し、対象同士の関連を線で示します。貸出業務を「会員」と「貸出記録」に分けると、一人の会員には貸出記録が複数対応し、一件の貸出記録は一人の会員に対応します。対象の名前を読むだけでなく、線の両側から「一件に対して何件まで結び付くか」を考えます。

この教材では「会員 1 ─ 0以上の複数 貸出記録」と書きます。まだ借りたことがない会員を登録できるなら、会員一人に貸出0件も認めます。一方、一件の貸出は誰が借りたかを特定するため、会員一人を参照します。複数回借りた記録を、一人の会員の一行へ上書きしてはいけません。

一冊を繰り返し貸す場合は、「本」も別の実体にし、各貸出記録から本を一冊参照します。実際の図では多重度の記号に違いがあるので、凡例と業務上の条件を確認しましょう。1対多という言葉だけでなく、借りていない会員や同じ本の再貸出を表せるかまで確かめると、必要な関係を検証できます。