Claude Codeを使って3カ月の分析プロジェクトが 60時間で終わった話

Transcript

1. Claude Codeを使って 3カ月の分析プロジェクトが 60時間で終わった話 480時間 → 60時間 | 87%の工数削減 株式会社データラーニング 村上智之
2. 2 / 16 プロジェクト概要 プロジェクトの目的 テキストデータを構造化し、ネットワーク分析によってインサイトを抽出する ゴール ワークショップで使える分析レポート＋提案の自動生成 87% 工数削減 480h → 60h
3. 13 / 16 成果物の全体像 ネットワークモデル ノード＋エッジで構成された 構造化データ テキスト分類結果 大量テキスト → ノードへのマッピング 分析レポート 基礎・ネットワーク・切り口別 チャート多数 インタラクティブ可視化 D3.jsネットワークビューア アクション提案 分析結果に基づく提案 ＋実行ロードマップ Pythonスクリプト 全てAI生成、再実行可能な パイプライン
4. 3 / 16 分析の全体像 — 8ステップ 1 分類体系の構築 テキストからラベル抽出 2 関係性の構築 ノード間エッジを定義 3 テキスト分類 大量テキストをマッピング 4 基礎統計分析 頻度・Lift値・分布 5 ネットワーク分析 共起・中心性・クラスタ D3.jsによる可視化 6 切り口別分析 多角的に比較 7 提案策定 アクション提案 8 エグゼクティブ サマリー 意思決定者向け要約 最大のボトルネック：Step 3 テキスト分類 学習データ作成 → 人手ラベリング → 一致率検証 → ルール修正…の反復
5. 4 / 16 従来アプローチの工数見積 3カ月 ＝ 約480時間 工程 従来の作業 想定工数 分類体系の設計 専門家との議論、文献調査、反復設計 2〜3週間 関係性の定義 専門家レビュー、合意形成 2〜3週間 テキスト分類 データ前処理、アノテーション、モデリング、一致率検証 3〜4週間 統計分析 分析設計、コーディング、可視化、レビュー 2〜3週間 ネットワーク分析 グラフ分析の設計・実装・解釈 2週間 レポーティング レポート執筆、チャート作成、レビュー 2〜3週間 テキスト分類が最大のボトルネック — 学習データ作成に数百〜数千件の人手ラベル付けが必要
6. 5 / 16 テキスト分類の革新 従来の機械学習 × 学習データの作成が必要（数百〜数千件） × 人手でのラベル付け → 致率検証 × ラベル体系変更 → 学習データから作り直し × 数百クラスだと精度が出にくい LLMゼロショット分類 ✓ 学習データ一切不要 ✓ プロンプト書き換えで即座に再実行 ✓ 数百クラスのマルチラベルも実用精度 ✓ Confidence scoreで品質管理
7. 生成AIで何を変えたか アーキテクチャと技術スタック
8. 7 / 16 技術スタック 役割 技術 コード生成・設計 Claude Code テキスト分類・関係推論 Gemini API（構造化出力 + Pydantic） 統計分析 Python（scipy, networkx） 可視化 matplotlib / D3.js Claude Code（開発パートナー） 設計書作成 / 全Pythonスクリプト生成 分析方針の議論 / レポート自動生成 Gemini API（分析エンジン） テキスト→ノード分類（バッチ処理） ノード間の関係推論 / テーマクラスタリング
9. 8 / 16 Claude Codeが担った範囲 設計 フェーズ設計書、Pydanticスキーマ定義、プロンプト設計 実装 全Pythonスクリプト（一行も手書きしていない） 分析 結果の解釈、方針転換の判断支援 レポート Markdownレポートの自動生成（チャート埋め込み） 可視化 D3.jsネットワークビューア（自己完結型HTML）
10. 9 / 16 60時間の内訳 Phase 1 〜10時間 Day 1-2 5h 分類体系の精製 Day 3 3h ノード間関係の試作 Day 4 2h D3.jsネットワーク可視化 Phase 2 〜50時間 Day 5-6 8h テキスト全量分類 Day 7-8 5h 全ノード関係構築 Day 9-12 12h 統計＋ネットワーク分析 Day 13-15 10h 切り口別分析＋サマリー Day 16-18 15h FB対応・修正・品質向上 Phase 1だけで従来3カ月分の分類体系＋可視化が完成 従来 480h 60h
11. 10 / 16 「対話しながら進める」ワークフロー 1 方針を自然言語で指示 「セグメント別のLift値を出して、ヒートマップで可視化して」 2 Claude Codeがスクリプト生成・実行 3 結果を確認、フィードバック 「サンプル数も表示して」「表示項目を増やして」 4 即座に修正・再実行 5 レポートに統合 方針転換もスムーズ：従来「数日〜1週間」→ Claude Codeなら「30分〜1時間」
12. 12 / 16 人間がやったこと ＝ AIに任せなかったこと 分析フレームワークの設計 何を明らかにしたいか、どう構造化するか ドメイン知識の注入 ノードの定義、関係性の妥当性判断 品質管理 分類結果のサンプルレビュー、閾値設定 方針判断 横断比較 → 特定セグメント深堀りへの転換 結果の解釈 統計的発見をビジネス上の示唆に翻訳 ステークホルダー対応 ワークショップ設計、報告 AIは「手を動かす」部分を引き受けた。 人間は「何をやるか」「なぜやるか」「結果をどう使うか」に集中した。
13. 14 / 16 再現性 — 他のデータで使えるか パラメータ化済み データ差し替えで別案件にも適用可能 分類体系は汎用的 再利用可能な構造化フレームワーク 低コスト Gemini APIの全工程コスト 約$5〜10（Flashモデル） ミニマル体制 1人のアナリスト＋Claude Code＋Gemini API 従来チーム3人 × 3カ月（480時間） → 1人 × 60時間 ＝ 87%削減
14. まとめ 1 コードは1行も手書きしていない 2 テキスト分類をLLMに委託し最大ボトルネックを解消 3 方針転換のコストがほぼゼロ 4 人間は判断に集中 5 再現可能なパイプライン — 横展開可能 生成AIは「分析を速くする」だけでなく、「分析の試行錯誤を安くする」
15. Q & A ご質問・ご相談お待ちしています 株式会社データラーニング 村上 智之