Slide 1
Slide 1 text
データを「ただの資産」から
『羅針盤』 へ
モダンデータスタック (MDS) の話と
データ分析が起こすビジネス変⾰
Slide 2
Slide 2 text
データ分析業務プロセスについて
データ分析基盤（モダンデータスタック含む）のサービス全般の概要
話すこと
話さないこと
各サービスごとの詳細な使い方
Slide 3
Slide 3 text
自己紹介
氏名
須藤 健志
（すとう たけし）
所属
クラスメソッド株式会社
データ事業本部
主な担当
データ分析基盤の構築
データマネジメントの支援
趣味
ボウリング
認定・スキル
● 2023 Japan AWS Top Engineers (Analytics)
● 2025 Japan AWS All Certifications Engineers
● 2025 Google Cloud All Certification Holders
● Tableau
○ Desktop Specialist
○ Data Analyst
↓ブログURL
Slide 4
Slide 4 text
1. なぜ今、データ基盤の話をするのか？
Slide 5
Slide 5 text
課題1: データのサイロ化
「営業データはSalesforce、
マーケはMarketo、経理は
ERP…データがバラバラで繋が
らない」
課題2: データの遅延と信頼性
「最新の売上レポートが⾒たい
のに、出てくるのは翌⽉10⽇」
「営業部とマーケ部で『売上』
の数字が違う」
課題3: 専門家への依存
「ちょっとした分析がしたいだ
けなのに、IT部⾨や分析官への
依頼が必要。すぐに対応しても
らえない」
「データはあるが、使えない」という現実
Slide 6
Slide 6 text
もし、全社の信頼できる最新データが、
リアルタイムで、誰でも簡単に見られたら？
もし、データが「過去の記録」ではなく
「次にとるべき行動」を教えてくれたら？
→ それを実現する”⼿段”が「最新データ分析基盤 (MDS)」です。
"
"
"
"
Slide 7
Slide 7 text
2. MDS (モダンデータスタック )とは？
Slide 8
Slide 8 text
クラウドネイティブなサービスで構成されたデータ分析基盤
MDSの全体像
Slide 9
Slide 9 text
ELT (抽出→ロード→変換)による柔軟性: データを⼊れた「後」で、ビジネスニーズに合わ
せて⾃由に加⼯ (T) できる。
スピードと拡張性: クラウドネイティブで処理が⾼速。容量を気にしない。
接続性: 必要なツールを「プラグイン」のように⾃由に組み合わせられる。
✓
✓
✓
MDSの主な特徴
Slide 10
Slide 10 text
3. MDSアーキテクチャについて
Slide 11
Slide 11 text
誰にとっても
ベストなデータ分析基盤（ MDS）
ってある？
Slide 12
Slide 12 text
● お客様の要件による
● 数年ごとにトレンドが変わる
Slide 13
Slide 13 text
ソリューションパターン 導入コストはトレードオフ
OSSや無料ツール:
インフラ構築‧管理の⼿間があり、運⽤負荷が⾼
くなる
有償のSaaS:
ノーコード等で運⽤負荷が低く、機能が充実
構築のポイント : サービス選定と費用
AWS / Google Cloudネイティブ:
各サービス仕様とコード開発⾔語の学習が必要
SaaS中⼼のMDS:
機能充実でインフラ管理やコード開発を気にしな
くてよいが、ライセンス料⾦など費⽤が⾼い
DWHかレイクハウスか:
DWH: 構造‧半構造化データのみ、SQL利⽤
レイクハウス: ML中⼼、⾮構造化含むデータの範囲
と量が⼤規模
Slide 14
Slide 14 text
Before: メッシーデータ (Messy)
‧列名が値になっている (例: 4⽉売上, 5⽉売上)
‧1セルに複数値が混在
‧集計と⽣データが混在
After: 整然データ (Tidy)
‧1変数が1列、1観測が1⾏
‧変数を「列」に、値を「⾏」に持つ (縦持ち)
‧DWH/BIでの分析に最適な形式
構築ポイント : 分析しやすい「整然データ」とは？
Slide 15
Slide 15 text
ブロンズ (Bronze)
すべてのソースシステムから取り
込んだ⽣データの層。変更は加え
ない。
シルバー (Silver)
クレンジング、重複排除、SCD
Type2などの履歴管理を⾏った
層。信頼できるデータソース。
ゴールド (Gold)
ビジネス要件に基づき、集計やモ
デリングを⾏った分析特化テーブ
ルの層。BIやMLが利⽤する。
構築ポイント : テーブル設計 (メダリオンアーキテクチャ )
Slide 16
Slide 16 text
データ分析基盤（ AWSネイティブなら）
代替:
dbt
Airflow
代替‧併⽤:
Fivetran
trocco
Airbyte など
Slide 17
Slide 17 text
データ分析基盤（ Google Cloudネイティブなら）
代替‧併⽤:
Fivetran
trocco
Airbyte など
代替:
dbt
Slide 18
Slide 18 text
モダンデータスタック（ SaaS中心）
代替‧併⽤:
外部の最新モデル
代替‧併⽤:
外部の最新モデル
独⾃モデル
Slide 19
Slide 19 text
モダンデータスタック（データレイクハウス）
代替:
外部のBIツール
代替:
dbt on databricks
代替‧併⽤:
外部の最新モデル
Slide 20
Slide 20 text
自分の考えるコスパ良さげな
アーキテクチャは？
(2025年12月)
Slide 21
Slide 21 text
構成: Snowflake中心のアーキテクチャ
代替:
外部のBIツール
代替‧併⽤:
外部の最新モデル
併⽤:
Icebergテーブル
代替:
FiveTran
Airbyte
Slide 22
Slide 22 text
構成: Snowflake中心のアーキテクチャ
この構成のメリット
SQL中⼼: dbtも含め、Snowflakeのリソース作成もSQL中⼼で開発でき、学習コストが低い。
シームレスな連携: 収集(Snowpipe), DWH, ML, ⽣成AI(Cortex), カタログ(Horizon)がプラットフォーム内で完結。
DevOps: GitリポジトリとのAPI統合で、コード管理やCI/CDが容易。
✓
✓
✓
Slide 23
Slide 23 text
dbt project on Snowflake（2025/11/06 GA）
Snowflake上にdbt構築: dbt coreのインフラ管理が削減。ワークスペース内でdbt開発‧デプロイが可能
Snowflake上でデータパイプライン実⾏: Snowflakeタスクからdbtコマンドの実⾏ができる
Git連携: Gitリポジトリとの連携設定によって、CI/CDも実現可能
✓
✓
✓
Slide 24
Slide 24 text
4. 分析を「ビジネス価値」に
つなげるには？
Slide 25
Slide 25 text
ビジネス課題の洗い出し
何を解決したいのかを明確にする。
分析のためのストーリー⽴て
課題解決のために、どのデータをどう分析‧可視化するかの仮説を⽴てる。
必要なデータソースのリスト化
仮説検証に必要なデータがどこにあるか、⾜りているかを確認する。
「整備されたデータ」の作成 (MDSの運⽤)
分析しやすいゴールドテーブルを設計し、運⽤する。
分析の実⾏とフィードバック
BIやMLで分析し、ビジネス上の⽰唆を得る。
「BIダッシュボードを作ること」をゴールにしてはいけない。
最も重要なのは「課題設定」と「分析のストーリー⽴て」です。
成功のためのプロセス
Slide 26
Slide 26 text
5. MDSがビジネスを
「どう変える」か？
Slide 27
Slide 27 text
Before
‧勘と経験、そして「古い」データに基づいた⽉次の
意思決定会議。
‧部署ごとに「売上」の定義が異なり、数字の突き合
わせに時間がかかる。
After (MDS)
‧経営層がBIツールで全社の最新KPIを「リアルタイ
ム」で把握。
‧全社共通の定義（セマンティックレイヤー）で「数
字が合わない」不⽑な議論がゼロになる。
変化1: 意思決定が「速く」「正しく」なる
Slide 28
Slide 28 text
Before
‧データが欲しい現場（営業‧マーケ）と、リソース
不⾜で対応しきれないIT部⾨との間に対⽴が⽣まれ
る。
‧簡単な集計にも数⽇間の待機が発⽣。
After (MDS)
‧IT部⾨は「信頼できるデータ基盤（ゴールド層）」
の整備に集中。
‧現場担当者は、整備されたデータを使い、IT部⾨に
依頼せずとも⾃分で分析‧集計できる（セルフサービ
ス分析）。
変化2: 現場が「自律的」になる (データの民主化 )
Slide 29
Slide 29 text
Before
‧データは「BIダッシュボードで⾒て終わり」。
‧分析結果が現場の「次の⾏動」に繋がらず、宝の持
ち腐れになっている。
After (MDS)
‧DWHで分析した「解約しそうな優良顧客リスト」
を、⾃動でSalesforceに戻し、営業担当にアラートを
出す（リバースETL）。
‧業務プロセス⾃体が賢くなる。
変化3: 業務が「賢く」なる (データのアクティベーション )
Slide 30
Slide 30 text
Before
‧AI/MLプロジェクトが「実験」⽌まり。
‧AIの精度を上げるためのデータ収集やクレンジング
（前処理）に⼯数の8割が割かれる。
After (MDS)
‧全社のクリーンなデータ（シルバー/ゴールド層）が
Snowflakeに集約されており、AIの学習がすぐに始め
られる。
‧Snowflake Cortexで、顧客レビューの感情分析や社
内⽂書のRAG構築がSQLで実現可能に。
変化4: AIが「実用的」になる (生成AI/MLの加速)
Slide 31
Slide 31 text
6. まとめ
Slide 32
Slide 32 text
ビジネス課題の洗い出し
何を解決したいのかを明確にする。
分析のためのストーリー⽴て
課題解決のために、どのデータをどう分析‧可視化するかの仮説を⽴てる。
必要なデータソースのリスト化
仮説検証に必要なデータがどこにあるか、⾜りているかを確認する。
「整備されたデータ」の作成 (MDSの運⽤)
分析しやすいゴールドテーブルを設計し、運⽤する。
分析の実⾏とフィードバック
BIやMLで分析し、ビジネス上の⽰唆を得る。
「BIダッシュボードを作ること」をゴールにしてはいけない。
最も重要なのは「課題設定」と「分析→アクションのためのストーリー⽴て」です。
成功のためのプロセス
Slide 33
Slide 33 text
MDSによるデータ分析がもたらすもの
MDSは単なるITインフラの刷新ではありません。
それは、「ビジネスのやり⽅」そのものを変⾰す
る（＝トランスフォーメーション）ためのエンジ
ンです。
意思決定の⾼速化、業務の⾃動化、そして「全社
的なデータ⽂化」の醸成に繋がります。
クラスメソッドは支援できます
まずは「⾃部⾨の最も解決したい課題」からス
モールスタートしませんか？
● 解決したい課題は何なのか定義
● どんなデータが必要か棚卸し
● 基盤構築に加えテーブル設計もセットで
MDSがもたらす未来と、次のステップ
Slide 34
Slide 34 text
ご清聴ありがとうございました