For the complete documentation index, see llms.txt. A Markdown version of this page is available by requesting this URL with the header "Accept: text/markdown".

Warehouse Native Experimentation

データウェアハウスで実行される実験

完全に制御できるメトリクスとSQLを使用して、データウェアハウス内で直接実験を実行することで、自信を持ったプロダクト上の意思決定を行えます。

データはウェアハウス内に留まる

ETLのオーバーヘッドなしで、ガバナンスされたデータで実験

データが存在する場所でそのままクエリします。構築するETLプロセスはなく、エクスポートするPIIもなく、メトリクスのベンダーロックインもありません。

実験をより速く実行。 ETLや追加の設定を待たずに、データウェアハウスを使用してガバナンスされたデータで実験を実行します。

機密データを保護。 PIIと行動データをガバナンスされた環境内に保持します。サードパーティにデータを送信することなく、完全なコンプライアンスを実現します。

自分のメトリクスを所有。 独自のSQLと変換ロジックを使用して、既存のテーブルとビューからメトリクスを構築します。ベンダーテンプレートもロックインもありません。

データが存在する場所で実験

主要なデータウェアハウスとのネイティブ統合。

Snowflake logo

Snowflake

完全なスキーマの可視性でSnowflakeに直接クエリを実行

Amazon Redshift logo

Amazon Redshift

ガバナンスされた実験のためのネイティブRedshift統合

Google BigQuery logo

Google BigQuery

データ移動なしでBigQueryテーブルにクエリ

Databricks logo

Databricks

データ移動なしでDatabricksのレイクハウスデータ上で実験を実行

メトリクスを構築

ビジネスを反映したメトリクスを作成

Warehouse-Native Experimentationでは、すでに社内のガバナンスルールに従っているデータを使用してメトリクスを定義します。ベンダーテンプレートもロックインもありません。

メトリクスソースはデータウェアハウスから。 独自のスキーマに対してメトリクスSQLを記述します。データチームが社内レポートのために既に信頼している同じクエリロジックを再利用します。

実験全体でメトリクスを再利用。 メトリクスを一度定義し、ロジックを複製したり、矛盾した定義のリスクを冒したりせずに、関連するすべての実験に適用します。

ガードレールメトリクスを含める。 主要メトリクスに加えてレイテンシ、エラー率、収益、安定性も追跡し、リリース前に品質の悪化を検知できます。

透明な結果

実験のインパクトを理解

メトリクスが定義されると、Warehouse-Native Experimentationはデータウェアハウス内で実行されるSQLを使用して、スケジュールまたはオンデマンドで結果を自動的に計算します。

スケジュールまたはオンデマンドで更新。 結果は毎日自動的に更新されるか、必要なときに即座に更新され、手動でのクエリ実行は不要です。

統計的有意性を自動的に追跡。 データの蓄積に応じて結果の信頼度を確認できるため、いつ意思決定に利用できる状態になったかを正確に判断できます。

結果の背後にあるSQLを検査。 すべての結果は基盤となるクエリにリンクしています。完全な透明性、ブラックボックスなし、完全な監査可能性。

checkout_cta_v2 · Day 12 of 14

Running
Statistical Confidence
94%
significant result
Revenue Lift
+8.2%
vs control group
avg_monthly_revenue↑ +8.2% lift
Day 1Day 14
MetricLiftSig.
avg_monthly_revenue+8.2%
✓
checkout_conversion+10.9%
87%
page_load_p95+1.1%
31%
Queries run in Snowflake
セットアップ

仕組み

ウェアハウスを一度接続すれば、実験を実行する準備が整います。構築するパイプラインはなく、移動するデータもなく、維持する追加のインフラストラクチャもありません。

1

データウェアハウスに接続。

行動イベントと割り当てテーブルへの読み取りアクセス、専用のHarnessスキーマへの結果の書き込み、スケジュールされたクエリジョブの実行機能を付与します。

2

データモデルを準備。

メトリクスソーステーブルには、ユーザー行動の一貫した検証可能な表現のためにメトリクス定義で使用されるイベントレベルのデータが含まれます。

3

ソースを設定。

露出がどのように保存されマッピングされるかをモデル化する割り当てデータソースと、イベントスキーマとコンテキストを表すメトリクスソースを定義します。

4

実験を作成。

主要なメトリクスとガードレールを追加し、実験を実行し、結果を監視し、検証されたインサイトを収集します。

お客様の声

チームはHarnessでより速くフィーチャーをリリースしています

50x

リリース速度の向上

100+

月間のリスク制御されたデプロイ数

“Splitは単なるツール群をはるかに超える価値を提供してくれます。チームのあり方や、私たちが取り入れる文化そのものを変えるほどの影響があります。”

— Mirza Baig, エンジニアリング担当シニアVP, Experian

Experian の導入事例を読む
よくある質問

よくある質問

Warehouse-Native Experimentationは、データウェアハウス内で直接実験を実行するHarness Feature Management & Experimentationの拡張機能です。割り当て情報とメトリクスのソーステーブルから読み取り、結果をHarnessスキーマに書き込み、検査可能なSQLを使用するため、分析は透明で監査可能です。

従来の実験ツールは、データを別のシステムにコピーする必要があり、ブラックボックスの計算に依存することが多いです。Warehouse-Native Experimentationは、データをそのままに保ち、既存のスキーマとガバナンスを使用し、SQLを確認してカスタマイズできるため、エンドツーエンドの可視性と制御を維持できます。

いいえ。Warehouse-Native Experimentationはストリーミングや取り込みパイプラインを必要としません。Harness FMEはウェアハウステーブルから直接読み取るため、運用上のオーバーヘッドが減少し、追加のインフラストラクチャを回避できます。

Warehouse-Native ExperimentationはSnowflakeとAmazon Redshiftをサポートしており、追加のプラットフォームも計画されています。サポートされているウェアハウスの最新リストについては、製品ドキュメントを参照してください。

チームは、すでに社内のガバナンスルールに従っているウェアハウスデータを使用してメトリクスを定義します。製品、実験、データチームは共有のメトリクス定義で協力でき、すべての実験結果が信頼できるビジネスKPIにマッピングされることを保証します。

Harness Warehouse Native Experimentationを始める

データを安全に保ち、ETLのボトルネックを排除し、ビジネスにとって重要なメトリクスを使用します。