FlyRank、データセット internship-warehouse を公開──約 8,180 万行のスター・スキーマで高度なデータ分析に対応
匿名化された約 8,180 万行の巨大なデータウェアハウス構成データを公開し、大規模トラフィック分析の実践的検証を支援する。
リリース: 2026-07-07 · 読了 3 分記事の要約
1. 核心（What）
- FlyRank は Hugging Face 上でデータセット internship-warehouse を公開した。
- 総行数は約 8,180 万行（日次事実データは約 7,883 万行）規模のデータウェアハウス構成データである。
- スター・スキーマを採用し、ソルト付き・名前空間付きのフィンガープリント・ハッシュキーを備えている。
- データセットの利用には Hugging Face 上での規約合意およびリード用トークンが必要となる。
2. 影響（Why）
- 大規模データの前処理コスト削減: 数千万行規模の実運用に近いウェアハウスデータがオープンに利用できるため、データ分析基盤や RAG パイプラインの開発現場において、テスト用データの準備工数を大幅に削減できる。
- 国内マーケティング分析領域への展開: 国内のアクセス解析やマーケティングツールを開発する中規模 SaaS 事業者は、月次パーティション化されたトラフィックデータを活用し、自社システムのクエリ性能や集計ロジックのベンチマーク検証を手元で再現できる。
3. 根拠・詳細（How）
- DuckDB によるストリーミングおよび直接クエリ: DuckDB を用いて Hugging Face 上の Parquet ファイル群（hf://datasets/FlyRank/internship-warehouse/...）を直接クエリ可能であり、巨大なファイルをローカルに全ダウンロードする必要がない。
- 厳格な匿名化とデータ構造の設計: クエリは 90 日間の固定ウィンドウに基づくハッシュ化を採用し、レアテールや匿名化インプレッションを集約シェアとして保持することで、個人情報やクライアントの特定を防ぐ設計となっている。
4. 展望・課題（Next）
- 規約順守と利用制限の適用: 本データは匿名化された研究および教育用途に限定されており、生データの再配布や再特定を試みる行為、および公開成果物へのクライアント識別情報の掲載が禁止されている。