---
title: "DWH（データウェアハウス）とは？仕組みとDBとの違い、主要製品の料金比較【2026年11月】"
url: "https://www.issoh.co.jp/column/details/7338/"
published: 2025-06-20
updated: 2026-11-21
categories: ["データベース"]
publisher: "株式会社一創"
---

# DWH（データウェアハウス）とは？仕組みとDBとの違い、主要製品の料金比較【2026年11月】

DWH（データウェアハウス）は、販売・会計・顧客管理など複数の業務システムのデータを1か所に集め、分析に向く形で履歴ごと蓄積する仕組みです。この記事では、DWHが何の略で何を指すのかを定義から確認し、データベースやデータレイクとの違い、列指向ストレージで集計が速くなる理由を1,000万行の実測で示します。BigQuery・Snowflake・Amazon Redshift・Microsoft Fabricの課金単位と東京リージョンの単価、オンプレミス型を選ぶ条件まで扱います。

## まとめ：DWHの要点と製品選びの結論

- DWHはData Warehouseの略です。W. H. Inmonの定義では「主題別・統合・非揮発・時系列のデータの集合」で、経営の意思決定を支えるために置きます。
- 業務データベース（OLTP）は1件ずつの登録・更新に強く、DWHは大量の行をまとめて集計する処理に強い。用途が逆なので、片方でもう片方を代用しないのが原則です。
- 集計の速さを支える仕組みの一つが列指向ストレージです。1,000万行×12列の実測では、集計に使う3列の圧縮後サイズはParquetファイル全体の10.4%で、集計はCSVより約15倍速く終わりました。
- クラウドDWHの計算料金は製品と契約方式で異なります。BigQueryのオンデマンド方式は読んだデータ量（容量ベース方式はスロット時間）、Snowflakeはウェアハウスの稼働時間、Redshift Serverlessは容量（RPU）の時間、Fabricは容量（CU）の時間です。
- 新規構築ならクラウド型が第一候補です。オンプレミス型は、データを自社設備から出せない規制や既存資産がある場合に絞ります。
- 単一システムの定型集計で、履歴の統合や厳密な権限管理が不要なら、DWHより先に業務DBの読み取り専用レプリカや、扱える件数に収まる表計算を検討します。

以下、定義、違い、仕組み、設計手法、製品と料金、オンプレミス型、入れない判断、導入の進め方の順に説明します。

## DWH（データウェアハウス）の意味・略称・定義

DWHは「Data Warehouse」の略で、直訳すると「データの倉庫」です。業務システムごとに散らばったデータを、分析に使える形で集めて保管する専用の基盤を指します。似た語の「データウェアハウジング（data warehousing）」は、基盤そのものではなく、分析用データを収集・蓄積・管理する取り組みのほうを指します。

W. H. Inmonは、著書『Building the Data Warehouse』でDWHを次のように定義しています。原文は「A data warehouse is a subject-oriented, integrated, nonvolatile, and time-variant collection of data in support of management’s decisions.」で、[O’Reillyで公開されている同書第4版の第2章](https://www.oreilly.com/library/view/building-the-data/9780764599446/ch02.html)で確認できます。この4つの性質を日本語で整理すると次のとおりです。

| 原文の語             | 日本語 | 実務での意味             |
| ---------------- | --- | ------------------ |
| subject-oriented | 主題別 | 売上・顧客・商品など業務テーマで整理 |
| integrated       | 統合  | システムごとのコード・単位をそろえる |
| nonvolatile      | 非揮発 | 入れたデータを上書きしない      |
| time-variant     | 時系列 | いつ時点の値かを持って履歴を残す   |

業務データベースは顧客の住所が変われば上書きします。DWHでは、変更前後の行と有効期間を持たせる設計（Kimballの[SCD Type 2](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/type-2/)）を取れば「いつからいつまでその住所だったか」を残せます。この設計があって初めて「昨年の同じ月と比べる」「移転前後で購買が変わったか調べる」といった問いに答えられます。逆に属性を上書きするType 1を選んだ列は、DWHでも履歴が消えます。

概念の出自はInmonの著書より前にあります。IBMのB. A. DevlinとP. T. Murphyが1988年に「An architecture for a business and information system」をIBM Systems Journal第27巻第1号に発表しており、[Devlin本人のサイトに書誌と論文が公開](https://www.9sight.com/1988/02/art-ibmsj-ebis/)されています。

## DWHとデータベース・データレイク・データマートの違い

DWHと混同されやすい仕組みは3つあります。違いは「何のために、どんな状態のデータを持つか」で見分けます。

| 区分           | 主な目的       | データの状態       | 代表例                 |
| ------------ | ---------- | ------------ | ------------------- |
| データベース（OLTP） | 取引の登録・更新   | 最新値・正規化      | MySQL、PostgreSQL    |
| DWH          | 全社横断の集計・分析 | 整形済み・履歴あり    | BigQuery、Snowflake  |
| データマート       | 部門・主題別の分析  | DWHまたは源泉から収集 | 営業用・経理用の表群          |
| データレイク       | まず貯めて後で探索  | 未整形・形式混在     | Amazon S3、ADLS Gen2 |

データベースとの違いが一番大きいのは書き込み方です。業務データベースは1件の注文を数ミリ秒で確定させるために作られ、DWHは数千万行を読んで合計を返すために作られています。処理の性質の違いは[OLTPとは？OLTPデータベースの例・代表製品とOLAPとの違いを実測で解説](/tech/details/9237/)で計測値つきで比べています。DWHの上で行う多次元の集計そのものは[OLAP（オーラップ）とは？多次元分析の仕組み](/column/details/7249/)が扱う領域です。

データレイク・DWH・データマートの3つをどの規模ならすべてそろえるべきかは、[データレイク・DWH・データマートの違い｜三層の役割比較と規模別の構成判断](/column/details/18975/)にまとめました。部門ごとの切り出し単位の決め方は[データマートとは？DWHとの違い・種類・設計単位から作る判断まで解説](/column/details/18128/)で扱っています。CDP（顧客データ基盤）やBIツールとの役割分担を知りたい場合は[ETL・BI・DWH・CDPの違い｜4つの役割分担とどこから作るかの導入順序](/column/details/18981/)を参照してください。

## DWHの仕組み：取り込み・データモデル・列指向ストレージ

### ETLとELT：DWHへのデータの入れ方

業務システムからDWHへデータを入れる処理をETLと呼びます。Extract（抽出）・Transform（変換）・Load（格納）の頭文字で、取引先コードの表記ゆれをそろえる、通貨や単位を統一するといった整形を格納前に行います。

クラウドDWHでは、先に生データを格納してからDWH内のSQLで変換するELTが主流になりました。計算資源を後から増やせるため、変換をDWH側に寄せた方が手戻りに強いからです。変換をSQLのファイルとして管理し、テストと依存関係を付けて動かすのが[dbt](/column/details/16548/)で、ELTの「T」を担います。ETL全体の仕組みとツールの選び方は[ETLとは？仕組み・ELTとの違い・ツール選定から導入判断まで解説](/column/details/13364/)にあります。

### スタースキーマ：ファクトとディメンションによるテーブル構成

DWHのテーブル設計で標準になっているのが、Ralph Kimballが体系化したディメンショナルモデリングです。Kimball Groupは[1997年の論考](https://www.kimballgroup.com/1997/08/a-dimensional-modeling-manifesto/)でこれを、データを標準的で直感的な枠組みで示し高速なアクセスを可能にする「論理設計技法」と定義しています。

中心に置くのがファクト（売上金額や数量などの測定値）で、周りに置くのがディメンション（いつ・どこで・何を・誰がという文脈）です。[Kimball Groupの解説](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/star-schema-olap-cube/)では、スタースキーマはファクトテーブルと関連するディメンションテーブルを主キー・外部キーで結んだ構造と説明されています。売上ファクトを日付・店舗のディメンションと結んで月別・地域別に集計するSQLは次の形です。

```
SELECT d.yr, d.mon, s.region, SUM(f.amount) AS sales
FROM fact_sales f
JOIN dim_date  d ON f.date_key = d.date_key
JOIN dim_store s ON f.store_id = s.store_id
GROUP BY d.yr, d.mon, s.region
ORDER BY d.yr, d.mon, s.region;
```

新しいディメンションを追加する場合は、ファクトの粒度を維持できることを確認し、必要な外部キー列をファクトテーブルに追加します。業務担当者と一緒に分析軸を洗い出す進め方は[BEAM✲とは？7Wで進めるアジャイルなディメンショナルモデリングの手順](/tech/details/10099/)で解説しています。

### 列指向ストレージ：集計が速い理由を1,000万行で実測

DWHの多くは、データを行単位ではなく列単位でまとめて保存します。BigQueryの公式ドキュメントも、[取り込み時にデータを独自形式Capacitorの列指向形式へ変換する](https://docs.cloud.google.com/bigquery/docs/loading-data-cloud-storage-json)と明記しています。集計クエリは多数の列のうち数列しか使わないので、列ごとに分かれていれば不要な列を読まずに済みます。

この差を確かめるため、上のスタースキーマを手元で作って計測しました。条件はDuckDB 1.4.5（Python 3.9.6、Intel Core i9-9880H、4スレッド）で、売上ファクトは1,000万行×12列（レシート番号や支払方法などの列を含む）です。規則とハッシュ関数で生成した同じ合成データをCSVとParquetに書き出し、CSV→Parquet→DuckDB内部テーブルの順で集計する処理を5巡して、各中央値を取りました。ファイルキャッシュの消去は行っていません。

| 保存形式         | ファイルサイズ | 集計の中央値 | CSV比   |
| ------------ | ------- | ------ | ------ |
| CSV（行単位）     | 930.6MB | 1.734秒 | 1.0倍   |
| Parquet（列指向） | 505.8MB | 0.114秒 | 約15倍速い |
| DuckDB内部テーブル | （メモリ内）  | 0.090秒 | 約19倍速い |

Parquetのメタデータを見ると、集計に使った3列（date\_key・store\_id・amount）の圧縮後サイズは52.6MBで、全列の503.5MBに対して10.4%でした。CSVは1行に全列が並ぶため、3列だけ欲しくても930MBを頭から読んで解析するしかありません。BigQueryのオンデマンド課金は、Parquetの圧縮後サイズではなく、読み取る列の論理バイト数（非圧縮）を基に計算されます。そのため、`SELECT *`を避けて列を指定するだけで読み取り量と費用が下がります。

なお、この比較にはCSVの文字列解析の時間も含まれます。確認できたのは同じデータと集計条件でParquetがCSVより約15倍速かったことで、列の読み飛ばしだけによる高速化率はこの比較からは求められません。列指向エンジンの内部構造を詳しく知りたい場合は[ClickHouseとは？列指向DBの仕組み・MergeTreeの実装](/tech/details/15853/)が参考になります。

## インモン型とキンボール型：DWHの設計手法の違い

DWHの全体設計には2つの流派があり、どちらに寄せるかで最初に作る範囲が変わります。Kimball GroupのMargy Rossが2004年の[「Differences of Opinion」](https://www.kimballgroup.com/2004/03/differences-of-opinion/)で両者を並べて説明しています。

| 観点      | インモン型（CIF）   | キンボール型（バス）    |
| ------- | ------------ | ------------- |
| 中核のデータ  | 第3正規形の全社DWH  | ディメンショナルモデル   |
| 統合の手段   | 正規化DWHで一元化   | 共通ディメンションの再利用 |
| 作る順番    | 全社DWH→データマート | 業務プロセス単位で追加   |
| 初期構築の重点 | 統合DWHと配信先の設計 | 共通定義と対象業務の設計  |

インモン型はCorporate Information Factory（CIF）と呼ばれ、源泉システムから抽出したデータをまず第3正規形のリレーショナルDBに格納し、そこからデータマートなどを作ります。キンボール型は、[エンタープライズDWHバス・アーキテクチャ](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/kimball-data-warehouse-bus-architecture/)で業務プロセスごとにファクトを足し、「共通ディメンション（conformed dimension）」を一度だけ管理して複数のファクトで使い回します。

これから作る中堅企業なら、キンボール型で売上や受注など1つの業務プロセスから始めるのが現実的です。全社の正規化モデルを先に固めるインモン型は、源泉システムが多く、部門間でコード体系の統一を先に終わらせないと集計が合わない大企業向けです。どちらを選んでも、顧客・商品・日付の定義を部門ごとに独立して管理すると、集計結果が一致しなくなるおそれがあります。共通の定義と対応関係を管理してください。

## 主要クラウドDWH4製品の比較：課金単位と地域別の参考単価

現在の新規構築はクラウド型が中心です。代表的な4製品は性能より先に、課金の数え方が違います。2026年11月3日時点の公式価格表・価格APIで確認した単価を並べます（すべて米ドル・税別）。

| 製品                  | 課金の単位      | 単価の例         | 確認した地域            |
| ------------------- | ---------- | ------------ | ----------------- |
| BigQuery            | クエリで読んだ量   | 6.25ドル／TiB   | Iowa（us-central1） |
| Snowflake           | ウェアハウス稼働時間 | 2.85ドル／クレジット | AWS東京・Standard    |
| Redshift Serverless | RPU×時間     | 0.494ドル／RPU時 | 東京                |
| Microsoft Fabric    | CU×時間      | 0.21ドル／CU時   | Japan East        |

**BigQuery**（Google Cloud）はサーバー管理が不要で、オンデマンド課金ではクエリが読んだデータ量に料金がかかります。[BigQueryの料金ページ](https://cloud.google.com/bigquery/pricing)では毎月1TiBまで無料、アクティブな論理ストレージも毎月10GiBまで無料です。単価はリージョンで変わるため、東京（asia-northeast1）に置く場合は同ページで地域を切り替えて確認してください。実行時間は請求に影響しないので、読む列を減らす工夫がそのまま費用に効きます。仕組みと向かない用途は[BigQueryとは：サーバーレスDWHの仕組み・料金・できないことと採用判断](/tech/details/16521/)で詳しく扱っています。

**Snowflake**は、計算資源（仮想ウェアハウス）を動かした時間をクレジットで数えます。[公式ドキュメント](https://docs.snowflake.com/en/user-guide/warehouses-overview)によると、第1世代（Gen1）標準ウェアハウスのX-Smallは1時間で1クレジットを消費します。ただし[GENERATIONを指定せずに作ると第2世代（Gen2）が既定](https://docs.snowflake.com/en/user-guide/warehouses-gen2)になり、消費量が変わります。[クレジット消費表](https://www.snowflake.com/legal-files/CreditConsumptionTable.pdf)ではAWS東京のオンデマンド単価がStandard 2.85ドル、Enterprise 4.30ドル、Business Critical 5.70ドル、ストレージが1TB・月25.00ドルです。AWS・Azure・Google Cloudのどれの上でも動くので、マルチクラウドが前提なら有力候補になります。BigQueryとの課金構造の違いは[BigQueryとSnowflakeの比較：課金モデルの構造差と同時実行で決める選定基準](/tech/details/16670/)にまとめました。

**Amazon Redshift**には、ノードを借りるプロビジョンド型と、使った容量だけ払うServerlessがあります。[AWSの価格表API（東京リージョン）](https://pricing.us-east-1.amazonaws.com/offers/v1.0/aws/AmazonRedshift/current/ap-northeast-1/index.json)ではServerlessの計算が1RPU時あたり0.494ドル、マネージドストレージが1GB・月0.0261ドルです。[既定のベース容量は128RPU](https://docs.aws.amazon.com/redshift/latest/mgmt/serverless-capacity.html)で、4〜512RPUの範囲で変えられます。検証段階ではベース容量を小さくして性能を測り、MaxRPUとRPU時間の使用量制限も設定します。ベース容量を下げるだけでは、自動スケーリング後の費用は制限できません。ノード型の種類と料金は[Amazon Redshift（レッドシフト）とは？RG・RA3・Serverlessの違いと東京の料金・使い方](/tech/details/5170/)を参照してください。

**Microsoft Fabric**は、DWH・データエンジニアリング・Power BIを1つの容量（キャパシティ）で動かす統合基盤です。[Azureの小売価格API](https://prices.azure.com/api/retail/prices?$filter=serviceName%20eq%20%27Microsoft%20Fabric%27%20and%20armRegionName%20eq%20%27japaneast%27)ではJapan Eastの容量消費が1CU時あたり0.21ドルで、F2なら2CU分です。従来のAzure Synapse Analyticsについて、Microsoftは[専用SQLプールのワークロードはFabricへアップグレードして新機能を使える](https://learn.microsoft.com/en-us/azure/synapse-analytics/sql-data-warehouse/sql-data-warehouse-overview-what-is)と案内しています。一方で[ライフサイクル表](https://learn.microsoft.com/en-us/lifecycle/products/azure-synapse-analytics)の引退日欄は「In Support」で、廃止日は示されていません。既存のSynapseを今すぐ移す必要はありませんが、新規ならFabricから検討するのが順当です。Synapseの動かし方と移行判断は[Azure Synapse Analyticsとは｜サーバーレスSQLとSparkの動かし方・料金・Fabric移行の判断](/tech/details/15536/)にあります。

選び方は、まず既に使っているクラウドで決めるのが近道です。AWS中心ならRedshift、Google Cloud中心ならBigQuery、Microsoft 365とPower BIが中心ならFabricを最初に試します。DWHの上にBIツールを載せてダッシュボードやセマンティックモデルまで組む全体像は、[BIツールとは？できること・仕組みとExcelとの境目、主要製品の料金と制限値](https://www.issoh.co.jp/column/details/12932/)で整理しています。どれにも偏っていない、または複数クラウドにデータがあるならSnowflakeを候補に入れます。そのうえで、見積もりは単価の比較ではなく、1か月に読むデータ量（BigQuery）と計算資源を動かす時間（Snowflake・Redshift・Fabric）を自社の使い方で見積もってから比べます。課金単位が違う製品同士で単価だけ並べても、安い方は決まりません。

## オンプレミス型DWHとDWHサーバを選ぶ条件

「DWHサーバ」「DWHシステム」と呼ばれる自社設置型や専用機型の製品も残っています。オンプレミス型を検討する代表的な理由は次の3つです。

- 法令や契約、社内規程でデータを自社設備や特定の国の外に出せない
- 既存のオンプレミスDWHに大きな投資があり、償却が終わっていない
- 月間の処理量が一定で多く、従量課金より固定費の方が安いと試算できる

大手ベンダーの製品も、クラウドで同じ製品を動かす方向へ移っています。Oracleは2025年10月、[Autonomous Data Warehouseの次世代としてAutonomous AI Lakehouseを追加](https://docs.oracle.com/en-us/iaas/releasenotes/autonomous-database-serverless/2025-10-oracle-autonomous-ai-database.htm)したと発表しました。ADWとトランザクション向けATPの違いは[Autonomous Transaction Processing（ATP）とADWの違い](/tech/details/4203/)で整理しています。Teradataは[公式の製品一覧](https://www.teradata.com/platform)で、Teradata VantageCloudをTeradata Cloudへ改称したことを示しています。Teradata CloudはAWS・Microsoft Azure・Google Cloudで提供されます。古い資料の製品名で比較表を作ると現行の名称と合わないので、見積もり依頼の前に公式ページで名称を確認してください。基幹がSAPなら、業務データ向けのSAP BW系も候補です。世代の違いと保守期限は[SAP BWとは：BW/4HANA・Datasphereの違いと2027年の保守期限](/tech/details/18927/)にまとめています。

上の3つの理由がどれも当てはまらないのにオンプレミスを選ぶと、ハードウェアの調達と保守、容量の見積もり違いの責任をすべて自社で負います。容量不足は性能低下や追加データの取り込み停止につながるため、調達期間を見込んだ容量計画と増設手順を用意できない場合は避けるべきです。

## DWHを導入しないほうがよいケースと失敗パターン

DWHは「データ活用の第一歩」として語られがちですが、入れても回収できない条件があります。

- 集計対象が1つの業務システムだけで、データ量も数GB程度。業務DBの読み取り専用レプリカに[BIツール](/column/details/13362/)をつなぐ方が早く安い
- 見たい指標（KPI）の定義が部門ごとに違い、誰も統一する権限を持っていない。DWHに入れても部門ごとに違う数字が出るだけになる
- 分析する人がいない。ダッシュボードを作っても閲覧されず、従量課金とETLの保守費だけが残る

導入後の失敗で多いのは、全システムのデータを一度に載せようとして要件が固まらず、基盤だけが大きくなるパターンです。もう1つは、BigQueryのオンデマンドで`SELECT *`を含むダッシュボードが毎時更新され、想定の何倍もの読み取り量が請求されるパターンです。前者は対象を1業務に絞ること、後者はパーティション分割と列の明示、BigQueryのカスタムクォータのような上限設定で防げます。

## DWH導入の進め方：PoCで確かめる3つの数字

DWHはいきなり全社展開せず、1つの業務とKPIに絞ったPoC（概念実証）から始めます。PoCで確かめるべきなのは次の3つの数字です。

1. 月額費用：1か月に読むデータ量、または計算資源の稼働時間を実際のクエリで測り、本番規模に換算する
2. 鮮度：業務システムの更新からDWHに反映されるまでの時間が、利用部門の要求（日次か、1時間以内か）を満たすか
3. 集計差額：同じ期間・締め条件で計算したDWHの売上と、会計システムや既存帳票の売上との差額が、事前に定めた許容範囲内か

3つ目が合わないまま利用部門に公開すると、「DWHの数字は信用できない」という評価が定着し、以後使われなくなります。一致を確認できてから対象業務を広げてください。データの取り込みからBIまでのつながり全体の設計と、内製・外注の判断は[データ分析基盤とは？構成要素・費用・内製と外注の判断基準](/column/details/16250/)で整理しています。

一創では、クラウドDWHの製品選定からデータモデル設計、ETLの構築、運用までを[データ分析基盤構築・MLOps構築支援](https://www.issoh.co.jp/service/ai/data-platform/)として支援しています。PoCの対象業務の絞り込みから相談できます。

## よくある質問

### DWHとは何の略で、どう読みますか？

DWHはData Warehouseの略で、「データウェアハウス」と読みます。複数の業務システムのデータを統合し、分析のために履歴ごと蓄積する基盤です。日本語では「データ倉庫」と訳されることもあります。

### DWHとデータベースの違いは何ですか？

目的が違います。業務データベースは注文や在庫を1件ずつ登録・更新するOLTP向けで、最新の値を持ちます。DWHは大量の履歴データを集計するOLAP向けで、変更履歴を残す設計にすれば過去の値も保持できます。多くのDWHは集計に有利な列指向で保存します。

### SQLとDWHの違いは何ですか？

SQLはデータを問い合わせる言語で、DWHはデータを置く基盤です。BigQuery・Snowflake・RedshiftなどのDWHはいずれもSQLで操作します。SELECT・JOIN・GROUP BYなどの基本は共通ですが、関数・データ型・対応構文は製品ごとに確認が必要です。

### CDPとDWHの違いは何ですか？

CDPは顧客データの統合とマーケティング施策への連携に特化した仕組みで、DWHは顧客に限らず売上・在庫・会計など全社のデータを集計する基盤です。CDPをDWHの上に構築する構成もあります。役割分担と導入順序は[ETL・BI・DWH・CDPの違い](/column/details/18981/)で詳しく解説しています。

### DWHの導入費用はどれくらいかかりますか？

クラウドDWHは初期費用がかからず、使った分だけ払う課金が基本です。BigQueryはオンデマンドで毎月1TiBまで無料のため、小さなPoCなら計算費用がほぼ発生しないこともあります。予算には、ETL構築・データモデル設計の人件費に加え、計算・保存・運用の費用も含めます。PoCで月額利用料を測り、初期構築費と継続運用費を分けて見積もります。

## 関連記事

- [データレイク・DWH・データマートの違い｜三層の役割比較と規模別の構成判断](/column/details/18975/)
- [データマートとは？DWHとの違い・種類・設計単位から作る判断まで解説](/column/details/18128/)
- [OLTPとは？OLTPデータベースの例・代表製品とOLAPとの違いを実測で解説](/tech/details/9237/)
- [BigQueryとSnowflakeの比較：課金モデルの構造差と同時実行で決める選定基準](/tech/details/16670/)
- [データ分析基盤とは？構成要素・費用・内製と外注の判断基準をわかりやすく解説](/column/details/16250/)

---

出典: [DWH（データウェアハウス）とは？仕組みとDBとの違い、主要製品の料金比較【2026年11月】](<https://www.issoh.co.jp/column/details/7338/>)（株式会社一創）
