本プロジェクトでは、複数の内部・外部データをMicrosoft Fabric Lakehouseへ統合し、リアルタイム処理とAI活用に適したデータ基盤を構築しました。プロジェクト規模は20人月、開発期間は5カ月で、テキスト・画像・音声・動画などの多様なデータ形式に対応しました。

プロジェクト概要

従来の課題

01．データの分散

データが複数の場所に分散していたため、必要なデータの収集に多くの時間と労力を要していました。

02．意思決定基盤の整備

データ活用に必要な最新型DWHの整備が急務となっていました。

ソリューション

01．データの一元化

内部・外部の構造化データと非構造化データをLakehouseへ集約しました。

02．リアルタイム処理

Delta Tableを活用し、最新データの処理を支援する基盤を構築しました。

03．AI活用基盤

データ分析とAI活用に適したLakehouseアーキテクチャを構築しました。

データ活用の仕組み

01．データ統合：内部・外部のさまざまなデータをLakehouseへ集約しました。

02．データ処理：集約したデータをETLで変換・整理し、Delta Tableで管理しました。

03．分析・AI活用：処理したデータをPower BIとAzure AI Foundryへ展開しました。

使用技術

Python｜pandas｜PyTorch｜Microsoft Fabric｜Azure AI Foundry｜Azure

本プロジェクトでは、米国物流企業の配送・アカウント・追跡・返品業務を支えるモノリス型の物流プラットフォームを、AWS上のマイクロサービスへ刷新しました。プロジェクト規模は241.45 MMで、システムの拡張性・可用性とデータ活用基盤を強化しました。

プロジェクト概要

システム移行の概要

既存の物流プラットフォームはモノリス型で、システム稼働率は85％にとどまり、拡張性と耐障害性に課題がありました。本プロジェクトでは、既存システムをマイクロサービス化し、GCP上のワークロードをAWSへ移行しました。

NTQの担当範囲・進め方

01．業務・構成設計

物流業務と将来計画を踏まえ、ビジネスドメインを反映したマイクロサービス構成を設計しました。

02．アプリケーション再構築

既存アプリケーションをリファクタリングし、各サービス向けのAPIを開発することで、システムを5つのサービスに分割しました。

03．クラウド基盤移行

AWS基盤を再設計し、GCP上で稼働していたワークロードをAWSへ移行することで、システム基盤をAWSへ統合しました。

04．品質・運用強化

セキュリティテストと監視環境を整備し、監視とセキュリティを強化することで、安定運用を支援しました。

導入効果

01．システム稼働率の向上

障害分離とプロアクティブな監視により、システムの可用性を大幅に向上し、稼働率を85％から99.9％へ改善しました。

02．拡張性・耐障害性の強化

サービス単位で拡張できる構成により、ピーク負荷への対応と障害影響の局所化を実現しました。

03．データ活用基盤の整備

DWHとデータアクセスAPIを整備し、複数のデータソースを対象としたデータ分析を可能にしました。

本プロジェクトでは、全国400拠点を展開する大手総合物流企業の倉庫・配送・受発注・料金業務を支える物流管理システムを、IBM i／AS400からJava・AWSのマイクロサービス基盤へ刷新しました。プロジェクト規模は200～300人月で、システムを6つのコアドメインに分割して再構築しました。

プロジェクト概要

現行システムの問題

現行システムでは、COBOL、RPG、CL、Shift-JIS、DB2 for i、IBM iを使用していました。5年間で取扱量が2.3倍に増加したことで、システム容量が逼迫していました。

・5年間で取扱量が2.3倍に増加し、システム容量が逼迫
・夜間バッチの長期化と、EDI連携に数カ月を要する状況
・紙中心の運用とデータレイクの未整備

移行先システム構成

NTQの担当範囲・進め方

01．6コアドメインへの分割

ドメイン駆動で業務境界を明確化し、システムを6つのコアドメインに分割しました。各ドメインをSpring Boot 3とAWS EKSで再構築し、サービスの独立性と拡張性を強化しました。

02．Kafkaによるイベント駆動連携

Kafka（MSK）による非同期・疎結合連携とAPI化を行い、リアルタイム連携を実現しました。これにより、システム負荷を平準化し、EDI接続を迅速化しました。

03．用途別データ多層化

Aurora、DynamoDB、S3＋Athenaを用途別に配置し、参照・分析・履歴データを分離しました。これにより、データコストを最適化しました。

04．OR-Toolsによる配車最適化

OR-Toolsの最適化アルゴリズムを導入し、再配車計算と進捗管理を効率化しました。その結果、再配車計算にかかる時間を10分の1に短縮しました。

導入効果

01．可用性・拡張性の向上

サービスの独立性を高め、取扱量の増加に柔軟に対応できるシステムを実現しました。

02．リアルタイム連携の実現

夜間バッチの負荷を平準化し、EDI接続のリードタイムを短縮しました。

03．データ活用基盤の確立

データレイクを整備し、AI／BIによるデータ活用を促進しました。

04．配車・進捗管理の効率化

再配車計算を高速化し、配車・進捗を可視化しました。