[Data & AI Summit '25 Fall] AIでデータ活用を進化させる！Google Cloudで作るデータ活用の未来

by kirimaru

Slide 1

Slide 1 text

アソビュー株式会社 AIでデータ活用を進化させる！  Google Cloudで作るデータ活用の未来  Google Cloud 主催 Data & AI Summit '25 Fall 

Slide 2

Slide 2 text

© ASOVIEW Inc. 2 今おすすめのおでかけ     ワーナーブラザーススタジオツアー東京メイキング・オブ・ハリー・ポッター   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。   現在はこれまでの経験を活かし、技術戦略部を率いる立場に。     自己紹介  霧生隼稀  アソビュー株式会社  技術戦略部部長  JUNKI KIRIU  X（旧姓Twitter）: @tvw_kirimaru 

Slide 3

Slide 3 text

© 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 

Slide 4

Slide 4 text

Slide 5

Slide 5 text

© 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 

Slide 6

Slide 6 text

© ASOVIEW Inc. 6 今までのアーキテクチャ（2022年 ~ 2025年）  Data Source Data Ingestion Data Lake Data Mart / Transform BI / ML / Ops etc. Data Mart Snowﬂake External Table Cloud Storage RDS AWS Tokyo Data Lake BigQuery Google Analytics SaaS TROCCO SaaS Data Mart BigQuery 試験利用 Argo Workﬂows Orchestration ETL Batch Java TROCCO SaaS Reverse ETL Java Terraform IaC Others ML Python

Slide 7

Slide 7 text

© ASOVIEW Inc. 7 今までのアーキテクチャ（2022年 ~ 2025年）  Data Source Data Ingestion Data Lake Data Mart / Transform BI / ML / Ops etc. Data Mart Snowﬂake External Table Cloud Storage RDS AWS Tokyo Data Lake BigQuery Google Analytics SaaS TROCCO SaaS Data Mart BigQuery 試験利用 Argo Workﬂows Orchestration ETL Batch Java TROCCO SaaS Reverse ETL Java Terraform IaC Others 構築のポイント①「構築スピード」     日本企業向けの豊富なコネクタとサポートの受けやすさで素早く導入可能な TROCCO を採用。  ML Python 構築のポイント①「構築スピード」     GA4 のデータなど、すでに一部存在しているデータをそのまま活用できる BigQuery を採用。  構築のポイント①「構築スピード」     利用実績のあった BI としてTableau を採用。 

Slide 8

Slide 8 text

© ASOVIEW Inc. 8 今までのアーキテクチャ（2022年 ~ 2025年）  Data Source Data Ingestion Data Lake Data Mart / Transform BI / ML / Ops etc. Data Mart Snowﬂake External Table Cloud Storage RDS AWS Tokyo Data Lake BigQuery Google Analytics SaaS TROCCO SaaS Data Mart BigQuery 試験利用 Argo Workﬂows Orchestration ETL Batch Java TROCCO SaaS Reverse ETL Java Terraform IaC Others ML Python 構築のポイント②     純粋に API 単体だけで完結しない   データ連携では自前の ETL を構築。  構築のポイント②     利用が広がるにつれ需要も増え、アプリケーション利用の用途も出てきた。  

Slide 9

Slide 9 text

© ASOVIEW Inc. 9 今までのアーキテクチャ（2022年 ~ 2025年）  Data Source Data Ingestion Data Lake Data Mart / Transform BI / ML / Ops etc. Data Mart Snowflake External Table Cloud Storage RDS AWS Tokyo Data Lake BigQuery Google Analytics SaaS TROCCO SaaS Data Mart BigQuery 試験利用 Argo Workflows Orchestration ETL Batch Java TROCCO SaaS Reverse ETL Java Terraform IaC Others 構築のポイント③     運用が始まり、コストや速度面での課題から Snowflake の PoC を行いながら 2 つの DWH を利用していたが......  ML Python

Slide 10

Slide 10 text

© ASOVIEW Inc. 10 データ基盤アーキテクチャ（2025年 ~）  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 NEW

Slide 11

Slide 11 text

Slide 12

Slide 12 text

Slide 13

Slide 13 text

Slide 14

Slide 14 text

Slide 15

Slide 15 text

Slide 16

Slide 16 text

Slide 17

Slide 17 text

Slide 18

Slide 18 text

Slide 19

Slide 19 text

Slide 20

Slide 20 text

Slide 21

Slide 21 text

Slide 22

Slide 22 text

© ASOVIEW Inc. 22 アソビューでの今まで    自身を含め DATA Saber（Tableauのコミュニティ）で、CPO・エンジニア・マーケターなど、データ基盤に一番近い担当者と、価値を生むアクションに一番近い担当者が職種を問わず自発的に学んでいた。  これにより、より価値のあるデータを作り、アクションの数を増やしてきた。   しかしこれだけでは学んだ担当者がボトルネックになるばかりで、直接的な利用者の数は大きく変化していかなかった。  なぜデータ分析にこそ AI 活用が重要なのか 

Slide 23

Slide 23 text

Slide 24

Slide 24 text

Slide 25

Slide 25 text

Slide 26

Slide 26 text

Slide 27

Slide 27 text

© ASOVIEW Inc. 27 データ分析での AI 活用は、事業価値を生む    注目されている生産性向上だけではなく、   データ分析での AI 活用は事業活動に直接関わり、事業価値を生むことになる。   エンジニアがデータ基盤に対して行った「 1」を生む仕事が  これまで「4」の事業価値を産んでいたところが、   AI 活用により「10」にも「100」にもなり得る。  そしてこれが今までかかっていたリードタイムを大幅に短縮して創出される。     だからこそ今データ分析に AI 活用が求められている。  なぜデータ分析にこそ AI 活用が重要なのか 

Slide 28

Slide 28 text

Slide 29

Slide 29 text

Slide 30

Slide 30 text

Slide 31

Slide 31 text

© ASOVIEW Inc. 31 Editionsとオンデマンド    Editionsはその価格体系以外にも、ワークロードの分離やオンデマンドも同時に利用できることもあり、運用に柔軟性が生まれて事故も少なくなる。   DWH の選定ポイント①「早く・安く・うまい」  データ変換のワークロード   プロジェクトA  オンデマンドで利用  データ分析のワークロード   プロジェクトB  機械学習のワークロード   プロジェクトC  別々の予約スロットを利用  

Slide 32

Slide 32 text

© ASOVIEW Inc. 32 Google Cloudとの連携で気付けた価値    これ以外にもGoogle Cloudと密に連携をとらせていただいたことで   ● LookerにBIを寄せることでパフォーマンスや料金を抑えられる可能性   ● IAMで今までできないと思っていた権限管理ができたこと   ● 細かな最適化の設定や運用方法   など、今まで気付けなかった部分や知らなかったサービス・機能が出てきた。     こうしたサポートへの信頼感と「Google Cloud全体」での提案に強みがあった。  DWH の選定ポイント①「早く・安く・うまい」 

Slide 33

Slide 33 text

Slide 34

Slide 34 text

Slide 35

Slide 35 text

© ASOVIEW Inc. 35 Google Cloud のエコシステムを最大限活用できる    Vertex AI, Gemini Enterprise, Conversational Analytics Agentなど、  BigQuery にデータが存在することで Google Cloud のエコシステムの利用が容易になる。  もし他の DWH でデータを持っていてこれらを活用すると、まずはデータを持ってくるところから始めなければならず、活用のハードルが上がる。   生成 AI の活用において Google のプラットフォームを活用できることは大きなアドバンテージとなる。  DWH の選定ポイント②「AI活用」: データと AI が近い場所にあること 

Slide 36

Slide 36 text

© ASOVIEW Inc. 36 AI 活用を支える「セマンティックレイヤー」    Looker を形作る LookML はビジネス指標やデータの関係性を定義できる   セマンティックレイヤーとして機能します。   これは BI への活用だけでなく、生成 AI にデータの意味を与えられることで AI 活用にも大きな意味を持ちます。データだけでは与えられない意味をコンテキストとして与えられることで、一気に AI Ready なデータに変貌します。    これが BigQuery の近くにあり、Google Cloud のエコシステムのひとつとして活用できることで、相互に活用を広げていくことができる。   DWH の選定ポイント②「AI 活用」: Looker と LookML の存在 