データとAIで明らかになる、私たちの課題 ~Snowflake MCP,Salesforce MCPに触れて~ / Data and AI Insights

2025年10月30日に開催された「kaonavi Tech Talk #21 〜 カオナビの業務におけるAI活用 〜」での登壇資料です 。
https://kaonavi.connpass.com/event/372337/

Transcript

1. データとAIで明らかになる、私たちの課題 ~Snowflake MCP,Salesforce MCPに触れて~ 2025.10.30 プラットフォーム本部 ソフトウェアサービスG 本江 雄⼈
2. ⾃⼰紹介 名前: 本江 雄⼈（ほんごう ゆうと） 現職: データチームの⽴ち上げ〜現在 - データ基盤の運⽤ - 社内データの収集と活⽤ 経歴: - ソフトウェアエンジニア, Git導⼊, Unit Test導⼊ 等 - スクラムマスター, PjL, 開発統括, フロー効率改善 等 - （現職） データチーム⽴ち上げ、データ基盤運⽤ 最近勉強したこと: （データとAIをコツコツ勉強中） - 個⼈情報保護⼠ - データサイエンティスト検定 - G検定 © kaonavi, inc. 1
3. ⾃⼰紹介 © kaonavi, inc. 2 社内Slackに謎のスタンプがあります
4. 本発表の背景 © kaonavi, inc. 3 SpeakerDeck 2023~ : 要望やニーズが増加し新規開発に注⼒ → プロダクトの既存機能の価値について不安視 データ基盤を導⼊、モニタリング開始 2024~ : プロダクトが提供する価値以外の情報も収集 （顧客情報、開発活動情報） 様々な部署へのデータ活⽤を主体的に促進 2025~ : よりデータ活⽤してもらうための活動 性能‧分析の質向上をめざしてシステム再構築
5. 本発表の背景 © kaonavi, inc. 4 Qiita 2025/05 ：意思決定者に対する定期モニタリング⽤の  ダッシュボード提供等はできてきた  個々のユーザーが探索することによる  新しい発⾒などの事例をもっと増やしたいな → MCP 使ってみよう 💡
6. 本発表の背景 © kaonavi, inc. 5 MCP導⼊により⾃然⾔語で、データ分析できる！ 後の福⾓さんの発表スライド
7. 本発表の背景 © kaonavi, inc. 6 社内で、以下のデータ分析に利⽤できるMCPを利⽤申請‧利⽤促進してみました。 - Snowflake MCP ❄ - Salesforce MCP ☁ 上記のMCPを使ってみて、発⾒した「課題」について発表します
8. Agenda 1 【第1部】 Snowflake MCP：データ分析の「質」の課題 2 【第2部】 Salesforce MCP：作業のツラい「データ構造」の課題 3 【まとめ】 プロセスの改善点の炙り出しに、AIをどんどん触ってみよう © kaonavi, inc. 7
9. 01Snowflake MCP データ分析の「質」の課題 © kaonavi, inc. 8
10. Snowflake MCP 導⼊の成果 データ活⽤の裾野を広げ、誰もがインサイトを得られる環境を⽬指して導⼊ データ基盤の利⽤者数も増加 MCPの紹介 ⾮エンジニア にも活⽤ データアクセスの⺠主化 導⼊後の成果 データ基盤 利⽤者数が増加 🎉 データへの関⼼向上 © kaonavi, inc. 9
11. Snowflake MCP 導⼊後の課題 めっちゃ雑にAIに問い合わせしても、なかなか欲しい結果は得られず… 新たな課題 MCP利⽤での 分析結果の質が悪い 品質の不安定化 © kaonavi, inc. 10
12. 分析結果の質が悪い AIがアクセスしやすくなったことで、データ基盤の構造的な問題が露呈した 1.未定義のデータ データの意味が⼀意に定まっておらず、AIの解釈が揺らぐ 2.複雑なデータ構造 モデリング（martの準備や中間集計等）をしていないものは、AIが正しい集計を実施するのが困難 © kaonavi, inc. 11
13. 分析結果の質が悪い 1.未定義のデータ データの意味が⼀意に定まっておらず、AIの解釈が揺らぐ © kaonavi, inc. 12 具体的には - Database,Table,Column の定義（COMMENT等）がなく、 そもそも必要な値を⾒つけられない - 数値を格納するカラムに「単位」の記載がなく結果出⼒で⼤きく単位を間違える
14. 分析結果の質が悪い 1.未定義のデータ データの意味が⼀意に定まっておらず、AIの解釈が揺らぐ © kaonavi, inc. 13 具体的には - Database,Table,Column の定義（COMMENT等）がなく、 そもそも必要な値を⾒つけられない - 数値を格納するカラムに「単位」の記載がなく結果出⼒で⼤きく単位を間違える LLMで埋めてもらっちゃった AIの認識ミスも減少
15. 分析結果の質が悪い 2.複雑なデータ構造 モデリング（martの準備や中間集計等）をしていないものは、AIが正しい集計を実施するのが困難 © kaonavi, inc. 14 製品そのままの定義 ISSUE 集計済 ⼤福帳テーブル 各種 LLM AI
16. 分析結果の質が悪い © kaonavi, inc. 15 fact dim dim dim dim dim ディメンショナルモデリング適応を含む データ基盤の再構築を実施中 2.複雑なデータ構造 モデリング（martの準備や中間集計等）をしていないものは、AIが正しい集計を実施するのが困難
17. ディメンショナルモデリングとは データウェアハウス（DWH）におけるデータモデリング⼿法で、 データを「事実（ファクト）」と「次元（ディメンション）」に分けて組織化し、 分析を容易にすることを⽬指します。 （※ AIによる概要） © kaonavi, inc. 16 fact dim dim dim dim dim
18. ディメンショナルモデリングとは データウェアハウス（DWH）におけるデータモデリング⼿法で、 データを「事実（ファクト）」と「次元（ディメンション）」に分けて組織化し、 分析を容易にすることを⽬指します。 （※ AIによる概要） © kaonavi, inc. 17 fact dim dim dim dim dim 分析者も（ついでにAIも） 理解しやすいはずだよね！
19. © kaonavi, inc. 18 2025.11.06 Data Engineering Summit にて 発表します
20. ❄ Snowflake MCP と データの例 © kaonavi, inc. 19 人間にやさしい ≒ AIがミス・失敗しにくくなる
21. 02Salesforce MCP 作業のツラい「データ構造」の課題 © kaonavi, inc. 20
22. データソースとなるSaaSにもAIで直アクセス Salesforceの管理運⽤に関しては、弊社の他グループが担当 プロダクト企画にも有⽤なデータで、Snowflakeにデータを同期し⺠主化している関係で 浅い知識は持っている データの不具合などの調査依頼が⾶んでくるため、調査の補佐に利⽤したくMCPの利⽤申請 を実施した © kaonavi, inc. 21 ❄ ☁ Snowflake Salesforce 組織の壁 ⺠主化 MCP MCP
23. とあるオブジェクトの話 以下のようなデータの持ち⽅のオブジェクトが存在した（仮に「注⽂書」とする） 実は、AIに⾃然⾔語で集計を依頼した際に失敗したオブジェクトである © kaonavi, inc. 22 商品 A 商品 C 商品 B 200円 500円 270円 商品 B 商品 D 商品 C 300円 300円 0　円 品名1 ⾦額1 品名2 ⾦額2 … …
24. とあるオブジェクトの話 © kaonavi, inc. 23
25. とあるオブジェクトの話 © kaonavi, inc. 24 SpreadSheet, Excel での集計でも… ⼀覧するにも⼤変… 合計するにも 列をSUMするだけにできない…
26. とあるオブジェクトの話 © kaonavi, inc. 25 SpreadSheet, Excel での集計でも… いろんな列を参照する条件式が必要…
27. とあるオブジェクトの話 © kaonavi, inc. 26 AIには DBの正規化等を勧められる
28. とあるオブジェクトの話 © kaonavi, inc. 27 実は、Salesforceで実際に集計作業をする⽅から「ツラい」という噂を聞いていたため、 MCPを利⽤して、このオブジェクトの集計作業をAIにさせてみた背景がある。
29. ☁ Salesforce MCP と データ構造の例 © kaonavi, inc. 28 AIが作業を失敗する場所 ≒ 人間にとって非効率な場所
30. 注意 © kaonavi, inc. 29 ※ 本事例はセールスの結果の集計のみを⽬的にしたツールの事例ではない   ため、⼀概にこの設計が悪いとは⾔い切れない。   実データの⼊⼒の効率等の設計背景なども存在するはず。   ソフトウェアと同じく、いままでのビジネスを⽀えたものとして   リスペクトし絶えず改善していくことが⼤事と考えます。
31. 03 まとめ プロセスの改善点の炙り出しに どんどんAIを使おう © kaonavi, inc. 30
32. データとAIを繋いで⾒えたもの ❄ Snowflakeの事例 ⼈間にやさしい ≒ AIがミス‧失敗しにくくなる ☁ Salesforceの事例 AIが作業を失敗する場所 ≒ ⼈間にとって⾮効率な場所 © kaonavi, inc. 31
33. データとAIが繋いで⾒えたもの AIが作業を失敗する場所、すなわちそれは データ構造の⾒直し‧プロセス改善の絶好の機会じゃないのか？ © kaonavi, inc. 32
34. データとAIが繋いで⾒えたもの AIが作業を失敗する場所、すなわちそれは データ構造の⾒直し‧プロセス改善の絶好の機会じゃないのか？ ↓ データ構造の⾒直し‧プロセス改善ができたとしたら、すなわちそれは AIで作業を代替できるまで整った設計‧設定になってるのでは？ © kaonavi, inc. 33
35. まとめ © kaonavi, inc. 34 AIに触れる 失敗をAIのせいにせず データ‧プロセスを疑え データ構造の⾒直し プロセス改善 AIでの動作と質を確認せよ
36. まとめ © kaonavi, inc. 35 人にも、AIにも 優しい 効率的な仕組みへ
37. まとめ © kaonavi, inc. 36 人にも、AIにも 優しい 効率的な仕組みへ ⾃分の業務の周辺アセット×AI  エンジニア → コード‧設計    デザイナー → UX/デザインツール  営業‧CS → 担当する顧客情報