導入事例:「夕方の出荷ピークに、レポートを開かないで」― Emulus Consulting の Oracle → Microsoft Fabric 移行

17 Nov 202610 Min Readviews 0comments 0
Oracle から Microsoft Fabric への移行 — Pulse Convert

導入事例:「夕方の出荷ピークに、レポートを開かないで」― Emulus Consulting の Oracle → Microsoft Fabric 移行

― 出荷ピークの夕方に、レポートが基幹を止めない ― Oracle ミラーリングで物流データをほぼリアルタイムに

概要

  • 提供:Innovational Office Solution(Pulse Convert)
  • お客様:Emulus Consulting
  • 移行対象:Oracle のテーブル 1,240 本(6.8 TB)、レポート専用 DB 1 系統、PL/SQL パッケージ・プロシージャ 420 本、夜間バッチジョブ 160 本、帳票・レポート 230 本
  • 自動変換精度:初期段階で 84% を自動変換(70%~90% の範囲)。残りは専門家の調整と業務部門の確認で完了
  • お問い合わせ:Admin@innovationalofficesolution.com
  • 無料PoC:AnyBI to Power BI & AnyETL to Fabric ページ

背景:基幹とレポートが、同じ時間帯に同じ DB を取り合う

Emulus Consulting が支援する物流会社は、全国 14 か所の物流センターで、1日あたり約 22 万件の出荷を扱っています。入荷・保管・ピッキング・出荷を管理する倉庫管理システム(WMS)のデータベースは Oracle で、24時間365日止められない基幹です。

問題は夕方に起きていました。出荷のピークは 15 時から 19 時。同じ時間帯に、センター長や荷主の担当者が「今日の出荷は何件終わったか」「どの方面のトラックが遅れているか」を確認するレポートを開きます。その集計クエリが WMS の Oracle に負荷をかけ、ピッキングリストの発行やハンディ端末の応答が遅くなることがありました。

対策として、数年前からレポート専用の複製 DB を用意し、夜間のバッチで WMS から差分を取り込んでいました。ところが今度は、レポートの数字が「前日の夜まで」になってしまいます。夕方の出荷状況を知りたい現場にとっては役に立たず、結局 WMS 本体を直接参照するレポートが増えていく、という悪循環でした。

物流業界ではトラックドライバーの時間外労働の上限規制(いわゆる「2024年問題」)への対応もあり、配車や積み込みの判断をより早く、正確に行う必要が高まっていました。「基幹に負荷をかけずに、今の出荷状況を見たい」― これがプロジェクトの出発点です。

解決の鍵:Microsoft Fabric の Oracle ミラーリング

Microsoft Fabric の Oracle ミラーリングは、Oracle の LogMiner による変更ログを使い、データを OneLake にほぼリアルタイムで複製します。オンプレミスの Oracle には、オンプレミスデータゲートウェイ経由で接続します。Microsoft によると、レプリケーションに使われるコンピュートは課金されず、OneLake のストレージも容量のサイズに応じた範囲までは無償です。

レポートは OneLake 上のデータを参照するため、WMS の Oracle に集計クエリが届くことはなくなります。同時に、夜間バッチを待つ必要もなくなりました。

項目移行前(レポート専用 DB)移行後(Fabric ミラーリング)
データの鮮度前日の夜まで数分以内
WMS への負荷直接参照のレポートが増え、ピーク時に負荷集計クエリは OneLake 側で処理。WMS への負荷なし
複製の仕組み夜間バッチ(PL/SQL)LogMiner の変更ログによる継続的な複製
運用するサーバーレポート専用 DB とバッチサーバーなし(Fabric は SaaS)

移行の進め方

STEP 1|負荷の原因を特定する

Oracle の AWR と実行履歴から、ピーク時間帯に WMS へかかっている負荷の内訳を調べました。上位 40 本のレポート用クエリが、ピーク時の I/O の 38% を占めていることがわかりました。これらを最優先で移行の対象にしています。

STEP 2|ミラーリングの開始

出荷・在庫・入荷・配車に関わる主要テーブル 310 本から Oracle ミラーリングを開始しました。最初の 3 週間で、夕方の出荷状況を見るダッシュボードは OneLake 側のデータで動くようになり、この時点で WMS へのレポート負荷はほぼなくなっています。

STEP 3|PL/SQL の AI 変換

レポート専用 DB の夜間バッチと、WMS 上に作られていた集計用の PL/SQL を、Innovational Office Solution の AI 移行エンジンで変換しました。

  • 集合処理で書けるロジック → Fabric Warehouse の T-SQL
  • カーソルループ・行単位の処理 → 集合演算の MERGE、または PySpark ノートブック
  • DBMS_SCHEDULER のジョブ → Fabric Data Factory のパイプライン

初期自動変換精度は 84% でした。

STEP 4|メダリオン構成と Direct Lake

ミラーリングされたデータを Bronze、クレンジング・荷主別の整理を Silver、センター別・方面別・荷主別の出荷 KPI を Gold として整理しました。Power BI のセマンティックモデルは Direct Lake モードで Gold 層を参照し、センター長と荷主の担当者が同じ数字を見られるようにしています。荷主ごとに閲覧できるデータは行レベルセキュリティで制御しました。

STEP 5|突合(PulseQA)

同じ時点・同じ条件で、WMS の Oracle と OneLake の件数・数量・出荷金額を自動比較しました。Oracle では空文字('')が NULL として扱われるため、伝票番号や備考などの文字列列はすべて確認しています。日付は時刻を含む Oracle の DATE 型を、日付単位で集計したときに境界がずれないかも検証しました。

Oracle と Microsoft Fabric の対応表

Oracle / 既存の仕組みMicrosoft Fabric
WMS の Oracle テーブルOracle ミラーリング(LogMiner)→ OneLake
レポート専用 DB廃止(OneLake を直接参照)
夜間の差分取り込みバッチ廃止(継続的な複製)
PL/SQL の集計処理Fabric Warehouse の T-SQL / PySpark
カーソルループ集合演算の MERGE
マテリアライズドビューGold 層テーブル / Direct Lake セマンティックモデル
DBMS_SCHEDULERFabric Data Factory パイプライン
荷主ごとの参照制限(VPD・ビュー)行レベルセキュリティ(RLS)
帳票・レポートPower BI レポート / ページ分割されたレポート

成果

  • 出荷状況のデータ鮮度:前日夜まで → 約 3 分
  • 夕方の出荷ピーク時における WMS の応答遅延:月 26 件 → 0 件
  • PL/SQL 420 本を初期自動変換精度 84% で移行(プロジェクト期間 14 週間)
  • レポート専用 DB とバッチサーバー 4 台を廃止し、TCO を 35% 削減
  • 方面別の出荷遅延を当日中に把握できるようになり、トラックの待機時間を平均 18 分短縮

基幹の負荷診断から

ピーク時に負荷の高いレポートと PL/SQL バッチ5本を対象に、ミラーリングによる切り離し案と変換コード、突合結果を無料でお見せします。

無料PoC(概念実証)
Microsoft Solution Partner

Oracle から Microsoft Fabric への移行

夕方の出荷ピークでも基幹 DB の負荷はゼロ。Oracle ミラーリングと Direct Lake で、物流データをほぼリアルタイムに Power BI で可視化します。

初期自動変換精度 70%~90%基幹の負荷診断と PoC を無料で実施PL/SQL バッチの T-SQL / PySpark 変換Direct Lake による超高速レポート表示
提供:Office Solution AI Labs(マイクロソフト認定 Data & AI ソリューションパートナー)
#日本語#Oracle#Microsoft Fabric#ミラーリング#物流#出荷追跡#マイグレーション#ケーススタディ

Contact Us

Advance Analytics of next generation

We are an authorized implementation partner of Snowflake, Databricks, Amazon, Automation Anywhere, Denodo, DataDog, New Relic, and Elastic.

Copyrights © 2026 Office Solution AI Labs