AI Nativeにデータを扱うための組織・基盤のこれまでとこれから

AIをデータに乗せる前に、数字が信頼でき・意味が揃っていなければ答えは出ない。アソビューがこれまで積んできた"土台作り"を振り返りつつ、これから AI Native のラストワンマイルをどう埋めていくのか、そのために「データ基盤」から「データ戦略」へと組織を変えた話までをお話しします。

https://pug.connpass.com/event/396734/ にて登壇した内容です。

Transcript

1. アソビュー株式会社 AI Nativeにデータを扱うための 組織・基盤のこれまでとこれから #p_UG 東京: データ基盤/活用におけるAI活用紹介
2. © ASOVIEW Inc. 2 今おすすめのおでかけ エリック・カール展 はじまりは、はらぺこあおむし 2019年アソビューにSREとして入社後、アプリケーション環境のリプレ イスやIaCの基盤の構築などを担当し、 2022年にデータ基盤チーム を立ち上げ。 データ基盤チームでは DATA Saberとしてデータ分析の実施や機械 学習のアプリケーションへの活用など、データに関わる分野に幅広く 対応しながらアソビューのデータ基盤を構築中。 自己紹介 霧生 隼稀 アソビュー株式会社 データ戦略部 部長 JUNKI KIRIU X（旧Twitter）: @tvw_kirimaru
3. © ASOVIEW Inc. 3 会社名 アソビュー株式会社 設⽴年⽉⽇ 2011年3⽉14⽇ 10億円（資本準備⾦含む） 資本⾦ 所在地 東京都品川区⼤崎1-11-2 ゲートシティ⼤崎イーストタワー 8F 従業員 197名（2025年6⽉末時点） Zキャピタル株式会社 / フィデリティ‧インターナショナル 三井不動産株式会社 / 株式会社ジャフコ 株式会社グロービス‧キャピタル‧パートナーズ JICベンチャー‧グロース‧インベストメンツ株式会社 地域創⽣ソリューション株式会社 新⽣企業投資株式会社 / きらぼしキャピタル株式会社 南都キャピタルパートナーズ株式会社 三⽣キャピタル株式会社 他 株主 会社概要
4. © ASOVIEW Inc. 4 ⽣きるに、 遊びを。 モノ消費からコト消費の時代へと 変化した現在。 物質的、⾦銭的な豊かさだけではなく ⼼の豊かさ「Well-being」を実感できる社会を “遊び”を通じて実現します。 © ASOVIEW Inc. 4
5. © ASOVIEW Inc. 5 “遊び”に特化したプラットフォームを中⼼に5つの領域でサービスを展開 地域の観光誘客を サポート 地域ソリューション 遊び体験をプレゼント 業務DXソリューション 遊び予約サイト 5 WEB、オフラインを 活⽤したプロモーション 広告事業 遊び体験を提供! アソビュー!に 遊び体験を掲載 ウラカタで 業務管理‧分析 商品開発 販路整備 販売促進 パートナー レジャー施設 体験事業者 アソビュー!で 遊びを予約 次の休みは何しよう？ アソビュー!ギフト 知⼈に遊び体験を プレゼント 顧客への販促物として 体験ギフトを利⽤ ゲスト 顧客満⾜度を⾼めたい 企業 旅⾏ 休⽇‧週末 観光を通して 地域経済を活性化した い 地⽅⾃治体 ナショナルクライアン トを中⼼とした 広告主 ソリュー ション 提案 サービスの全体像
6. © ASOVIEW Inc. 6 データ基盤アーキテクチャ Data Source Data Ingestion Data Lake Data Mart / Transform BI / ML / Ops etc. External Table Cloud Storage RDS AWS Tokyo Data Lake BigQuery Google Analytics SaaS TROCCO SaaS Data Mart BigQuery Argo Workflows Orchestration ETL Batch Java TROCCO SaaS Reverse ETL Java Terraform IaC Others ML Python BI Looker
7. © ASOVIEW Inc. 7 これまで｜AI Native の土台作り AIで操作できるようになっても、データが散っていて信頼できない状態では適切な回答が出せ ず効果が薄くなってしまう。 だから、AIが乗る前に 土台 を整えてきた。 • SSoT化 — 正しいデータが1つに集約され、意味も揃っている • 開発生産性 — データが素早く・信頼できる形で整備される 土台作りの 2つの軸
8. © ASOVIEW Inc. 8 これまで｜AI Native の土台作り 課題: SnowflakeとBigQueryでデータがサイロ化し、どこを見れば良いか分からない状態 やったこと : • 分析用途のデータ基盤を BigQuery に集約 • TROCCO で各種ソース（業務DB / SaaS / ログ）を統合 • Looker を全社の可視化レイヤーとして導入 • LookML を セマンティックレイヤー として活用し、「誰でもどんなデータか分かる」状態へ 効果: • 「見ている数字が違う」問題の解消フェーズへ • AI が問い合わせる先が 1箇所 に定まる SSoT化 — BigQueryへの集約と意味の統一
9. © ASOVIEW Inc. 9 課題: データマート改修のリードタイムが長く、「正しいデータ」が届くまでに時間がかかる やっていること : • dbt の導入と、レイヤー設計の標準化 • dbt / LookML / アプリコード を 同一モノリポ で管理 ◦ PR・レビュー・CIが一気通貫、変更影響も横断で追える • テスト・CI/CD の共通化、データ基盤チーム "以外" でも開発できる状態へ 目指す状態 : • 変更容易性が上がり、意味レイヤー整備を高速に反復できる • コンテキスト・ナレッジが 1つのコードベース に集約され、AIが読める形の共通言語 が自然に貯 まっていく これまで｜AI Native の土台作り 開発生産性向上 — dbt × モノリポ
10. © ASOVIEW Inc. 10 これから｜ラストワンマイルを埋める AI時代に企業がパフォーマンスを出すには、事業の最重要データを AIで扱えることが急務。そ のための 土台は揃ってきた が、ユーザーが実際にAI経由でデータを使う体験 は空白。 しかし、業務解像度が低く、整備した AIに問いを立てられなければ価値は出ない。 だから、まずターゲットにするのは 問いを持っている人 • 経営層 → 意思決定のための数字 • 営業 → パートナー支援に必要なデータ • 事業部 → 現場KPI・施策の効果測定 このラストワンマイルを埋めることが今後の大きな課題。 問いを立てられなければ意味がない
11. © ASOVIEW Inc. 11 これから｜ラストワンマイルを埋める レポートファクトリーの分析 — "現物サンプル " を掘る "問い" を持つ人はどこにでもいるが、回答にはデータソース横断と特定の知見が必要 → 依頼が集中し、 特定の担当者が "レポートファクトリー化 " してしまう この業務そのものが "問いを持つ人が本当に求めているもの " の現物サンプル → 何を・どのソースから・どうまとめているか、そのパターンを徹底分析 問いを持つ人 よくあるレポートファクトリー 経営 事業企画が KPI・投資判断向けにレポート作成 営業 分析担当がパートナー支援資料を都度作成 事業部 データチームが施策の効果測定を毎回作成
12. © ASOVIEW Inc. 12 これから｜ラストワンマイルを埋める AI Agent で代替 — 現場の改善速度を上げる パターンが見えたら、 AI Agent に代替させる。 • Before: 問いを持つ人 → 特定担当者 (人力) → 答え • After: 問いを持つ人 → AI Agent → 答え → 答える人ではなく "問いを持つ人 " が主役になる そのカギは「正しい数字」と「問いに答えられる意味付け」
13. © ASOVIEW Inc. 13 これから｜ラストワンマイルを埋める 3レイヤーで整理する — Data / Context / Action Action 経営・事業の意思決定とアクション Context データの意味付け (Knowledge / Semantic) Data 正規化されたデータ (SSoT) Context Layer が AI活用の勝負どころ • 「この数字は何を意味するか」「いつ・ 誰が・どう使うべきか」を意味付け • ここが埋まって初めて、 AIが "問い" を "答え" に変換できる
14. © ASOVIEW Inc. 14 これから｜ラストワンマイルを埋める ボトムアップ — 物理的に正しく整える Action 経営・事業の意思決定とアクション Contex t データの意味付け (Knowledge / Semantic) Data 正規化されたデータ (SSoT) ▲ Data → Context まず数字を正しく • 数字が正しくなければ、 AIが答えても 意味がない • 経営が見ている数字（ P/L・決算 → Web・営業）から順に品質担保 • 既存BIから データ基盤へ移し替え な がら定義を統一し SSoT を担保 Action Context
15. © ASOVIEW Inc. 15 これから｜ラストワンマイルを埋める トップダウン — Context に意味を宣言する Action 経営・事業の意思決定とアクション データの意味付け (Knowledge / Semantic) Data 正規化されたデータ (SSoT) ▼ Action → Context 使い方から逆算 • 「どう使いたいか」から逆算して 意味 付けを定義 • BQの外の文脈も要る（ Slack / Salesforce / 会議ログ） • 横断した Knowledge マッピング で 「信頼性 / 機密 / 種別 / ガイダンス」を 宣言 Context
16. © ASOVIEW Inc. 16 これから｜ラストワンマイルを埋める そして両輪 — 社内 × パートナーへの同時展開 "これまで" で導入した Looker が、両側に効く 。 🏢 社内（経営・営業・事業部） Looker LookML を セマンティックレイヤー とし て AI Agent がクエリする先に据える → 経営・営業・事業部が 自ら AI経由で意思決 定データにアクセス 🏛 パートナー（施設・事業者） Looker × Gemini で軽量なダッシュボード チャットを提供 → パートナー自身が自分の施設データに自然 言語でアクセス
17. © ASOVIEW Inc. 17 これから｜データ基盤からデータ戦略へ データ基盤チーム → データ戦略部 軸 Before After 視座 データを提供する データを使った 意思決定そのもの を実現する 関与 エンジニア組織の内側 事業部・バックオフィス と 直接対話して動く スタンス 後方支援の 1.5列目 自ら前に出る 当事者として価値を届ける なぜ組織を変えたか : • AI Native なデータレイヤーは "作るだけ" では価値にならない • 意思決定に介入する 位置まで踏み込むため、組織の位置づけも変えた 経営・事業のド真ん中に立ち、全社のデータ戦略を考え・構築する独立部署へ。
18. © ASOVIEW Inc. 18 まとめ これまで（土台作り） : • BQへのSSoT化 + LookML/dbtで 意味の統一 • dbtによる 開発生産性 = 反復可能な意味レイヤー整備 これから（ラストワンマイルを埋める） : • Data / Context / Action の 3レイヤー で整理 • ボトムアップ（正しい数字）× トップダウン（意味付け）を両輪で • 社内 × パートナー の同時展開（Lookerが両輪の要） これらのメッセージングを込めた組織の変化 : • 「データ基盤」から「データ戦略」へ • 意思決定に介入する部門として、独立部署へ
19. © ASOVIEW Inc. 19
20. 生きるに、遊びを。