---
title: "データキューブとは？OLAP分析の基本をわかりやすく整理【DS検定】"
description: "データキューブは、商品・地域・時間など複数の軸でデータを集計・分析するための多次元データ構造です。OLAP、スライス、ダイス、ドリルダウンとの違いをDS検定向けに整理します。定義、具体例、似た概念との違い、選択肢の見分け方を整理します。主要な混同パターンや実務での読み取り方も確認します。"
last_modified_at: "2026-06-18"
canonical_url: "https://stemtazoo.github.io/ds/data-cube/"
section: "ds"
---

## まず結論

**データキューブ**とは、売上などのデータを、**商品・地域・時間など複数の視点で集計しやすい形に整理した多次元データ構造**です。

DS検定では、データキューブそのものよりも、次の関係を切り分けられるかが重要です。

| 用語 | 試験での判断基準 |
|---|---|
| データキューブ | 多次元に整理されたデータ構造 |
| OLAP | データキューブを使って分析する仕組み |
| スライス | 1つの条件で切り出す |
| ダイス | 複数条件で絞り込む |
| ドリルダウン | 詳細な階層へ掘り下げる |
| ドリルアップ | 大きな集計単位へ戻す |
| ピボット | 分析軸を入れ替える |

迷ったら、**データキューブは「立体的な表」、OLAPは「その表を操作して分析する仕組み」**と考えると分かりやすいです。

---

## 直感的な説明

たとえば、会社の売上データを考えます。

| 商品 | 地域 | 月 | 売上 |
|---|---|---|---|
| 商品A | 東京 | 1月 | 100万円 |
| 商品A | 大阪 | 1月 | 80万円 |
| 商品B | 東京 | 2月 | 120万円 |

このデータは、単に「売上」だけを見るのではなく、

- 商品別
- 地域別
- 月別

のように、いろいろな角度から見たいですよね。

このとき、データを

> 商品 × 地域 × 時間

のような立体的な形で整理したものが、データキューブです。

イメージとしては、Excelのピボットテーブルをさらに多次元にしたものです。

- 商品で見る
- 地域で見る
- 月で見る
- 商品×地域で見る
- 地域×月で見る

このように、分析の切り口を変えやすくするための考え方です。

---

## 定義・仕組み

データキューブは、複数の**次元（ディメンション）**と、分析したい**値（メジャー）**で構成されます。

### 次元（ディメンション）

分析の切り口です。

例：

- 商品
- 地域
- 時間
- 顧客属性
- 店舗

### 値（メジャー）

集計したい数値です。

例：

- 売上金額
- 販売数量
- 利益
- 来店者数

たとえば、売上分析では次のように整理できます。

| 種類 | 例 | 役割 |
|---|---|---|
| 次元 | 商品、地域、時間 | どの切り口で見るか |
| メジャー | 売上、数量、利益 | 何を集計するか |
| データキューブ | 商品×地域×時間の売上 | 多次元に整理した構造 |

DS検定では、細かい実装方法よりも、**複数の視点から集計・分析しやすくする構造**として理解できていれば十分です。

なお、DWHやスタースキーマと関連して出てくることもあります。  
DWHは分析用にデータを蓄積する基盤で、データキューブはそのデータを多次元に分析しやすく整理する考え方です。

関連して確認するなら、[スタースキーマとは？](https://stemtazoo.github.io/ds/star-schema/) もあわせて見ると理解しやすいです。

---

## どんな場面で使う？

データキューブは、主に**OLAP分析**で使われます。

OLAPは、Online Analytical Processing の略で、大量のデータを多角的に分析するための仕組みです。

### 売上分析

たとえば、売上を次のような切り口で分析します。

- 商品別売上
- 地域別売上
- 月別売上
- 店舗別売上
- 商品カテゴリ別売上

### 経営ダッシュボード

経営層が数字を見るときも、1つの集計表だけでは不十分です。

- 全国の売上を見る
- 地域ごとに見る
- 店舗ごとに見る
- 商品カテゴリごとに見る
- 月別に見る

このように、集計単位を切り替えながら確認します。

### マーケティング分析

顧客属性や購買時期を組み合わせて分析する場合にも使われます。

例：

- 年代別 × 商品カテゴリ別
- 地域別 × キャンペーン別
- 購買月別 × 顧客ランク別

DS検定では、**「多次元」「集計」「OLAP」「分析軸」**という言葉が出てきたら、データキューブを考えます。

---

## よくある誤解・混同

### 誤解① データキューブ = OLAP

これは誤りです。

| 用語 | 意味 |
|---|---|
| データキューブ | 多次元データ構造 |
| OLAP | データキューブなどを使って分析する仕組み |

つまり、データキューブは「構造」、OLAPは「分析の仕組み」です。

### 誤解② データキューブは必ず3次元

「キューブ」という名前から3次元だけを想像しがちですが、実際には3次元に限りません。

商品、地域、時間、顧客属性、店舗など、分析軸が増えれば多次元になります。

DS検定では、**“立方体そのもの”ではなく“多次元データ”**と理解するのが大切です。

### 誤解③ スライスとダイスの混同

スライスとダイスは似ています。

| 操作 | 意味 | 例 |
|---|---|---|
| スライス | 1つの条件で切り出す | 2026年1月だけを見る |
| ダイス | 複数条件で絞り込む | 2026年1月、東京、商品Aを見る |

試験では、**1条件ならスライス、複数条件ならダイス**と考えると切りやすいです。

### 誤解④ ドリルダウンとドリルアップの混同

| 操作 | 意味 | 例 |
|---|---|---|
| ドリルダウン | 詳細へ掘り下げる | 年別 → 月別 → 日別 |
| ドリルアップ | 大きくまとめる | 日別 → 月別 → 年別 |

「詳細へ行く」のがドリルダウン、「集計へ戻る」のがドリルアップです。

### 誤解⑤ ピボットを集計そのものと考える

ピボットは、分析軸を入れ替えて見方を変える操作です。

例：

- 行：商品、列：地域
- 行：地域、列：商品

このように、**見る向きを変える**のがピボットです。

---

## まとめ（試験直前用）

- データキューブ = 多次元に整理された分析用データ構造
- OLAP = データキューブを操作して分析する仕組み
- 次元 = 商品、地域、時間などの分析軸
- メジャー = 売上、数量、利益などの集計値
- スライスは1条件、ダイスは複数条件
- ドリルダウンは詳細へ、ドリルアップは集計へ
- ピボットは分析軸の入れ替え

**判断基準：多次元の集計・分析軸の操作ならデータキューブ／OLAPを疑う。**

---

## 確認問題（DS検定対策）

データキューブの説明として、最も適切なものはどれか。

- ア. 業務システムで1件ずつ取引を高速に登録・更新する仕組み
- イ. 商品、地域、時間など複数の軸でデータを集計・分析しやすくする多次元データ構造
- ウ. AIモデルの予測精度を評価するための指標
- エ. データを暗号化して安全に保存するための方式

<details markdown="1">
<summary>▶ クリックして答えと解説を見る（ここを開く）</summary>

**正解：イ**

### 解説

- ア：OLTPの説明です。取引処理が中心で、データキューブではありません。
- イ：適切です。データキューブは多次元の分析用データ構造です。
- ウ：評価指標の説明であり、データキューブではありません。
- エ：暗号化やセキュリティの説明であり、データキューブではありません。

判断ポイントは、**「商品・地域・時間など複数の分析軸」**です。

</details>

---

## 対応スキル項目（データエンジニアリング力シート）

- データ基盤
- データウェアハウス・データマート
- ★ 分析目的に応じたデータ構造やデータ基盤の基本を理解している