【比較】DBとDWHの違い¶

データ管理の世界で中心的な役割を果たす「データベース（DB）」と「データウェアハウス（DWH）」。この2つはデータを格納するという点で似ていますが、その目的、設計、使われ方は大きく異なります。このドキュメントでは、両者の違いを明確にし、それぞれの役割を解説します。

概要¶

項目	データベース (DB)	データウェアハウス (DWH)
主目的	記録 (Record)	分析 (Analyze)
処理	OLTP (オンライン・トランザクション処理)	OLAP (オンライン分析処理)
対象データ	最新のデータ、リアルタイムのデータ	過去から現在までの大量な履歴データ
処理速度	高速な読み書き（Read/Write）	高速な読み取り（Read）と集計
データ構造	正規化されていることが多い	スター/スノーフレークなど分析向けに非正規化されることが多い
利用者	アプリケーション、業務担当者	データアナリスト、経営層、意思決定者

一言で言うと、DBは「日々の業務を遂行するための、現在のデータを扱うシステム」 であり、DWHは「意思決定のために、過去からの膨大なデータを分析するためのシステム」 です。

なお、ここでの「DB」は OLTP 用途の業務データベースを指します。データレイクやデータレイクハウスを含む「分析基盤アーキテクチャ全体」の比較は別テーマです（データレイク・DWH・データレイクハウスの違いを参照）。

詳細比較¶

1. データベース (DB: Database)¶

データベースは、アプリケーションやシステムの日々の業務処理（トランザクション）を支えるために設計されています。例えば、ECサイトの在庫管理、銀行の入出金記録、SNSの投稿など、リアルタイムでのデータの作成(Create)、読み出し(Read)、更新(Update)、削除(Delete) が頻繁に発生する処理（OLTP）に使われます。

主な特徴¶

リアルタイム性: 常に最新の状態を保ち、ミリ秒単位の高速なトランザクション処理が求められます。
正規化: データの重複をなくし、一貫性を保つために「正規化」というデータ設計手法が用いられます。これにより、効率的なデータの更新が可能になります。
小規模なクエリ: 一度に扱うデータ量は比較的小さく、「特定の顧客の注文履歴を見る」といった単純なクエリが中心です。
データソース: 主に単一のアプリケーションからデータが入力されます。
例: MySQL, PostgreSQL, Oracle Database, SQL Server など

DBの役割は、ビジネスの最前線で発生する出来事を、正確かつ迅速に記録・管理することです。

2. データウェアハウス (DWH: Data Warehouse)¶

データウェアハウスは、組織内の様々なシステム（複数のDB、基幹システム、外部サービスなど）からデータを集約し、分析やレポート作成、意思決定支援のために設計されたシステムです。過去からのデータを時系列で蓄積し、ビジネス全体の傾向を分析する処理（OLAP）に使われます。

主な特徴¶

履歴データ: 数年から数十年にわたる膨大な量の履歴データを保持します。データは更新されず、追加されていくのが基本です。
非正規化: 分析クエリのパフォーマンスを向上させるため、あえてデータを重複させてテーブルを結合しておく「非正規化」という設計（スタースキーマ、スノーフレークスキーマなど）が用いられます。
大規模なクエリ: 大量のデータを横断的に集計・分析する複雑なクエリが中心です。「過去5年間の月別・地域別売上トレンドを分析する」といった処理を行います。応答は秒〜分単位になることもあります。
統合されたデータ: 複数のソースからデータを抽出し（Extract）、分析しやすい形式に変換・加工し（Transform）、DWHに格納（Load）する「ETL」という処理を経て、データが統合されます。
例: Google BigQuery, Amazon Redshift, Snowflake, Teradata など

DWHの役割は、組織に散らばるデータを一箇所に集め、過去から現在に至るまでの全体像を可視化し、未来の戦略を立てるための洞察を得ることです。

DBとDWHの関係性¶

DBとDWHは競合するものではなく、データ活用の流れの中で異なる役割を担う、補完的な関係にあります。

一般的なデータの流れは以下のようになります。

ECサイトのDB、販売管理システムのDB、顧客管理システムのDBなど、日々の業務でデータが生成・更新される。
定期的に（例：夜間バッチで）これらのDBからデータが抽出（Extract）される。
抽出されたデータは、分析しやすいように名寄せやクレンジングなどの変換・加工（Transform）が行われる。
加工されたデータがDWHに格納（Load）され、蓄積されていく。
アナリストや経営層が、BIツールなどを使ってDWHのデータを分析し、経営判断に役立てる。

このように、DBが「データ発生源」であるのに対し、DWHは「データ集積・分析基盤」として機能します。分析処理をトランザクションDBから切り離すことで、双方の性能を保てるのも大きな利点です。

よくある誤解¶

誤解1：「DWHは“大きいデータベース”にすぎない（容量を増やせばDBがDWHになる）」 — 違います。違いは規模ではなくワークロードと設計思想です。DB（OLTP）はミリ秒の単一行更新に最適化された正規化スキーマ、DWH（OLAP）は大量行の集計に最適化されたスター/スノーフレークの非正規化スキーマ。同じ箱を大きくしても最適化対象が逆なので置き換わりません。
誤解2：「分析は本番DBに直接クエリを投げればよく、DWHは不要」 — 重い分析クエリを OLTP 本番DBへ直接投げると、業務トランザクションの応答性能を圧迫します。分析処理をDWH側へ分離するのは「両システムの性能をともに保つ」ための定石です。
誤解3：「DWHは正規化していないので、データ品質や整合性が低い」 — 非正規化はクエリ性能のための意図的な設計選択であって、品質を下げるためのものではありません。むしろ ETL（抽出・変換・ロード）でクレンジングや名寄せを行い、複数ソースを統合した整合性の高いデータを蓄積します。
誤解4：「DBとDWHはどちらか一方を選ぶもの」 — 二者択一ではなく補完関係です。DBが業務データを生み、ETLでDWHへ集約し、DWHで分析する、という流れの中で両者は別々の役割を担います。

実務での選び分け¶

データベース（DB）を使うべきケース:
- ユーザー操作や業務トランザクションをリアルタイムに記録・更新する（注文、入出金、在庫など）。
- 単一行〜少数行の高速な読み書き・更新が中心。
- 強い一貫性と正規化による更新効率を重視する。
データウェアハウス（DWH）を使うべきケース:
- 複数システムの履歴データを横断して集計・傾向分析したい。
- 経営判断・BIレポート・ダッシュボードが目的で、読み取り・集計が中心。
- 重い分析クエリを本番業務DBから切り離して性能を確保したい。
判断軸：①目的が「記録」か「分析」か ②書き込み中心か読み取り集計中心か ③単一ソースか複数ソース統合か ④応答要件がミリ秒か秒〜分許容か。多くの組織では両方を併用し、ETLで橋渡しします。

ひとことまとめ¶

DB＝OLTP用途で「今」を正規化スキーマでミリ秒記録・更新するシステム、DWH＝OLAP用途で「過去から今」を非正規化スキーマで集計分析する分析基盤。優劣ではなく役割が異なり、ETLで連携する補完関係として理解するのが要です。

観点	データベース (DB)	データウェアハウス (DWH)
役割	記録と管理	分析と意思決定支援
例えるなら	日々の取引を記録する「レジ」や「会計帳簿」	過去からの全取引を分析する「経営分析室」
時間軸	「今」を扱う	「過去から今」までを扱う
最適化対象	高速な書き込み・更新	高速な読み取り・集計

出典・参考¶

AWS「What is a Data Warehouse?」（DWHはデータ分析のために設計され、大量データを読んで関係や傾向を理解する。DBはトランザクションの記録などデータの取得・保存に使う。トランザクションシステム・RDB等からデータが流入し、分析処理を業務DBから分離することで双方の性能が向上）: https://aws.amazon.com/data-warehouse/
AWS「What's the Difference Between OLAP and OLTP?」（OLAPは複数ソースの履歴・集計データ、スター/スノーフレーク等の分析モデル、応答は秒〜分。OLTPは単一ソースのリアルタイム取引データ、ミリ秒応答、書き込み中心。両者は補完的に併用される）: https://aws.amazon.com/compare/the-difference-between-olap-and-oltp/
AWS「What's the Difference Between a Database and a Data Warehouse?」（DBはトランザクション処理向け、DWHは分析クエリ向け。DWHは複数の運用DBからデータを集約し分析に最適化）: https://aws.amazon.com/compare/the-difference-between-a-database-and-a-data-warehouse/
AWS「What is ETL (Extract, Transform, Load)?」（複数ソースからデータを抽出し、分析に適した形へ変換し、DWH等へロードする統合プロセス）: https://aws.amazon.com/what-is/etl/