AI 時代のデータ戦略

データ利活用分科会 #30 「AI時代における次世代のデータ分析基盤」

Transcript

1. 1 AI 時代のデータ戦略 na0 データ利活用分科会 #30
2. 2 Mercari - Data 
 Google Developer Expert - Cloud 
 Naofumi Yamada @na0 

3. 　　 あらゆる価値を循環させ、あらゆる人の可能性を広げる “Circulate all forms of value to unleash the potential in all people” 3 グループミッション
4. 　　 Japan Region Mercari Group Fintech 4 会社概要 メルカリグループは、株式会社メルカリと、その連結子会社で構成されています。 Marketplace 株式会社メルカリ ◼設立 ◼事業内容 ◼所在地 ◼拠点 ◼代表執行役 CEO ◼執行役 SVP of Japan Region ◼執行役員 CEO Marketplace 　　　　2013年2月1日 　　　　スマートフォン向けフリマアプリ 　　　　「メルカリ」の企画・開発・運営 　　　　〒106-6118 東京都港区六本木6-10-1 　　　　六本木ヒルズ森タワー 　　　　東京、福岡、大阪 　　　　山田進太郎 　　　　山本真人 　　　　迫俊亮 ①2017年11月20日 ②金融事業 ③永沢岳志 株式会社メルペイ ①2014年1月 ②US版メルカリの企画・開発・運営 ③山田進太郎 ④Palo Alto, California Mercari, Inc.（US） ①1991年10月1日 ②フットボールクラブ運営 ③小泉文明 ④茨城県立カシマサッカースタジアム 指定管理茨城県鹿嶋市 粟生東山2887番地 株式会社鹿島 アントラーズ・エフ・シー インド開発拠点 ①2022年6月 ②インターネットサービス開発 ③Carlos Donderis（取締役 Managing Director） ④Bangalore, Karnataka, India Mercari Software Technologies India Private Limited ①2021年4月28日 ②暗号資産･ブロックチェーン ③中村奎太 株式会社メルコイン ①設立　②事業内容　③CEO　④所在地
5. 　　 2013年2月1日 会社設立日 東京、福岡、大阪 Palo Alto、Bangalore オフィス 2,190名（連結） 従業員数 5 株式会社メルカリ　概要
6. 6 今日の Data & AI Platform レベル データ基盤がなく、業務と情報が散乱 0 1 データ基盤があり、人間がデータを利用して仕事を遂行 2 整ったデータ基盤があり、 AI が仕事の一部を代行 3 AI と改善するデータ基盤があり、 AI で大半の仕事を遂行
7. 7 過去 2025 年 4 月〜 2025 年 9 月
8. 8 データ分析 LLM エージェントつくった
9. 9 なぜつくったのか 誰もがデータ活用できるようにしたい メルカリにおけるデータアナリティクス AI エージェント「 Socrates」と ADK 活 用事例 https://speakerdeck.com/na0/m erukariniokerudetaanariteikusu- ai-eziento-socrates-to-adk-huo-y ong-shi-li
10. 10 なぜつくれたのか 定義、品質、権限、メタデータを 揃えたデータインタフェースを整備 メルカリの効率的なデータ活用を支え るデータインタフェース Basic Tables https://note.com/mercari_data /n/n247a65af9bf5
11. 11 変わったこと：データ活用 利用の深さ 利用の幅 SQL の記述やログの N1 分析を LLM に移譲する データを気軽に使える 参考：https://careers.mercari.com/mercan/articles/56264/
12. 12 変わったこと：データ整備 データ ユースケース ユースケース 行動 行動 行動 データ どう管理するか ユースケース どう生み出すか どうデータ化するか
13. 13 現在 2025 年 10 月〜 2026 年 3 月
14. 14 Analytics Catalog 実際の行動から分析資料まで を一元管理する仕組みを構築 Agents と協力して自動更新 して、管理面の困難を緩和 データ 行動 EDA Agents 作成 / 更新 Analytics Catalog データアプリケーション データアプリケーション 指標定義 分析資料 分析資料
15. 15 Analytics Catalog の構成要素 要素 説明 Action Taxonomy 利用者の「行動」をまとめる Data Catalog 「行動」 -「データ」を紐付ける DWH 「データ」をまとめる Semantic Layer 「データ」 -「指標」を紐付ける Metrics Store 「指標」をまとめる Insights Engine 「指標」 -「知識」を紐付ける Knowledge Base 「知識」をまとめる（ How & What、When）
16. 16 Action Taxonomy 利用者の行動空間を定義 • 商品を見る • 商品を買う • お金を払う • 商品が届く
17. 17 Metrics Store & Insights Engine 指標と SQL 定義、分 析資料を管理する仕 組みを構築
18. 18 EDA Agents データ分析 LLM エー ジェントを常時実行し て、新しいユースケー スを自動発見 自動で Knowledge Base を拡大
19. 19 Analytics Catalog で目指す世界 データの関連情報を一元管理 • ユースケース • データとユースケースの対応 • データ • 利用者行動 →Agents が行動しやすい世界 →人間が情報を取得しやすい世界 データ 行動 EDA Agents 作成 / 更新 Analytics Catalog データアプリケーション データアプリケーション 指標定義 分析資料 分析資料
20. 20 未来 2026 年 4 月〜 2026 年 9 月
21. 21 仕事の主体は誰か システム 人 LLM の登場により、仕事 の大部分をシステムに移 譲できそう 人中心で多くの仕事が設 計されてきた
22. 22 私たちのエンジニアリング対象はなにか 組織 Data & AI 仕事を Data & AI 中心 にしていくために、意思決 定プロセスの変革を進め る必要がある LLM Agent により、 Data の ROI が身近に
23. 23 未来への課題を解決する人材を求めています！ We are Hiring!! 今日は解決策を提示しません。 これらの課題へ一緒に挑戦できる人を 求めています！ Senior Analytics Engineer https://apply.workable.com/mer cari/j/624F89F225/
24. 24 もし過去に戻るなら
25. 25 今から始める Data & AI Platform レベリング データ基盤がなく、業務と情報が散乱 0 1 データ基盤があり、人間がデータを利用して仕事を遂行 2 整ったデータ基盤があり、 AI が仕事の一部を代行 3 AI と改善するデータ基盤があり、 AI で大半の仕事を遂行
26. 26 Lv. 3 人材を雇って最小要件で Lv. 0 データ基盤なし、業務と情報が散乱 狭く Lv. 3 基盤をつくる
27. 27 適切な優先順位で順当に育てて Lv. 1 データ基盤あり、人間によるデータ活用 広く Lv. 2 基盤をつくる