ビジネス部⾨主体のデータ基盤の活⽤事例 ~SnowflakeとTROCCOが担う役割~ @p_UG「データ基盤/活用におけるAI活用紹介 ~Terraformや設計改善まで~」

by Ryo Suzuki

Embed

Start on current slide

Slide 1

Slide 1 text

Slide 2

Slide 2 text

今⽇お話しすることはじめに弊社が “Snowflake” と “TROCCO” を導入して約4年が経ちますが、直近1年はそれまでの 3年と比較して、データによる価値創出の幅と速度が格段に上がっています。その最大の要因は、ビジネス部門が自らデータと AIを使い始めたことです。本日は、それを実現したSnowflakeのAI機能の活用事例を中心にしながら、それを支えているもう一つの重要なプロダクトであるTROCCOがどのような責務を担っているのか、弊社の取り組みをお伝えします。何か持ち帰れるものがあれば幸いです。 2

Slide 3

Slide 3 text

CONTENTS 01 02 03 04 ⾃⼰紹介 Snowﬂake AI活⽤ユースケースさらにSnowﬂakeを中⼼に据えた基盤へ TROCCOが担う重要な役割 3 05データを事業価値に変換するために

Slide 4

Slide 4 text

01 ⾃⼰紹介 4

Slide 5

Slide 5 text

基本情報⾃⼰紹介鈴⽊凌（すずき） / @suzupappa 所属 - 株式会社船井総研ヒューマンキャピタルコンサルティング - 2026年1⽉、HR Forceから社名変更しました - DX部 Opsグループ Dataチームマネージャー - DX部 AIグループ - コーポレート部経営管理グループ経営管理･情報システムチームコミュニティ活動 - SnowVillage Mayors, Snowﬂake Squad 2024-2026 - pUG Leaders, primeNumber DATA CHAMPIONS 2025 5

Slide 6

Slide 6 text

弊社の基盤周りやツール選定について詳しく知りたい⽅は、下記を⾒てください。 6 補⾜ - 過去資料⾃⼰紹介 https://speakerdeck.com/ryo_suzuki/wei-jing-y an-enziniademozuo-rerudetafen-xi-ji-pan-noha zimefang-at-dbt-labs-x-zhu-shi-hui-she-primen umber-she-gong-cui-onrainsemina

Slide 7

Slide 7 text

https://speakerdeck.com/ryo_suzuki/detatimu noli-tishang-gekara-detawohui-she-nomeinzha n-lue-niwei-zhi-fu-kerumadenogui-ji-at-data-su mmit-2025 補⾜ - 過去資料⾃⼰紹介データ組織の⽴ち上げ、成⻑の過程について詳しく知りたい⽅は、下記を⾒てください。 7

Slide 8

Slide 8 text

02 Snowﬂake AI活⽤ユースケース 8

Slide 9

Slide 9 text

CONTENTS ユースケース1: Cortex AI Functions による⼯数の⼤幅削減 9

Slide 10

Slide 10 text

Cortex AI Functions ユースケース1: Cortex AI Functions による⼯数の⼤幅削減 10 before: ⼿作業での修正に膨⼤な⼯数 ‧顧客から受け取るデータを、事前定義した内容に合わせて振り分ける必要があった ‧単純な⽂字列マッチングでは対応できないケースが多発 ‧⼿作業での修正に膨⼤な⼯数（⽉次作業が数時間→数⽇規模） after: ⾃動で分類わけを⾏い、分類作業の⼤半を⾃動化し、⼯数を⼤幅に削減 ‧Cortex AI Functions（旧：Cortex AI SQL）を採⽤ ‧AIが⽂脈を理解し、事前定義した分類に適切にマッピング ‧単純なSQLでは実現不可能な柔軟な表記ゆれ補正が可能となり、作業時間を⼤幅短縮 ‧⼈的ミスを⼤幅に低減 ※⾃社運⽤環境における測定結果であり、導⼊効果はデータの性質や運⽤条件により異なる点にご注意ください Cortex AI Functionsが “⽂脈” を理解し、表記ゆれを解消。分類⼯数を劇的に削減

Slide 11

Slide 11 text

　使い方： 1. select句の中に用途に合わせた Cortex AI Functions（Cortex AI関数）を記載 2. 完 11 Cortex AI Functions ユースケース1: Cortex AI Functions による⼯数の⼤幅削減

Slide 12

Slide 12 text

CONTENTS ユースケース2: Streamlit in Snowﬂakeで広げるデータ活⽤の幅と活⽤のスピード 12

Slide 13

Slide 13 text

Streamlit in Snowflake ユースケース2: Streamlit in Snowflakeで広げるデータ活⽤の幅と活⽤のスピード 13 1. 社内⽤アプリ開発 ‧CSVアップロードをすると、チャット形式で内容の深掘りが可能な⾯接アシスタントAIアプリ ‧ビジネスメンバーが、⾃分たちのデータレイク層へのデータ追加アプリ ‧キーペア認証⽤のキーペア作成/キーペア割り当てアプリ ‧そして、⾮構造化データも使えるようになってきた 2. データの可視化 ‧普段利⽤しているSnowflake上でダッシュボードの構築 ‧構築はビジネス部⾨のメンバーが⾃ら実施 ‧BIツールのライセンス問題、データの移動、接続の問題がなくなる ※BIツールの “⼀部” 代替ではあるが、多くの要件で有⽤ Streamlit in Snowflakeによって、データ活⽤の幅と活⽤までの速度を広げている

Slide 14

Slide 14 text

Streamlit in Snowflake ユースケース2: Streamlit in Snowflakeで広げるデータ活⽤の幅と活⽤のスピード 14 1. 社内⽤アプリ開発 ‧CSVアップロードをすると、チャット形式で内容の深掘りが可能な⾯接アシスタントAIアプリ ‧ビジネスメンバーが、⾃分たちのデータレイク層へのデータ追加アプリ ‧キーペア認証⽤のキーペア作成/キーペア割り当てアプリ ‧そして、⾮構造化データも使えるようになってきた 2. データの可視化 ‧普段利⽤しているSnowflake上でダッシュボードの構築 ‧構築はビジネス部⾨のメンバーが⾃ら実施 ‧BIツールのライセンス問題、データの移動、接続の問題がなくなる ※BIツールの “⼀部” 代替ではあるが、多くの要件で有⽤ Streamlit in Snowflakeによって、データ活⽤の幅と活⽤までの速度を広げている

Slide 15

Slide 15 text

https://speakerdeck.com/ryo_suzuki/llmnituiteyu-r ou 面接アシスタントアプリについて詳しく知りたい方は、下記を見てください。 15 Streamlit in Snowﬂake ユースケース2: Streamlit in Snowﬂakeで広げるデータ活⽤の幅と活⽤のスピード

Slide 16

Slide 16 text

Streamlit in Snowflake ユースケース2: Streamlit in Snowflakeで広げるデータ活⽤の幅と活⽤のスピード 16 1. 社内⽤アプリ開発 ‧CSVアップロードをすると、チャット形式で内容の深掘りが可能な⾯接アシスタントAIアプリ ‧ビジネスメンバーが、⾃分たちのデータレイク層へのデータ追加アプリ ‧キーペア認証⽤のキーペア作成/キーペア割り当てアプリ ‧そして、⾮構造化データも使えるようになってきた 2. データの可視化 ‧普段利⽤しているSnowflake上でダッシュボードの構築 ‧構築はビジネス部⾨のメンバーが⾃ら実施 ‧BIツールのライセンス問題、データの移動、接続の問題がなくなる ※BIツールの “⼀部” 代替ではあるが、多くの要件で有⽤ Streamlit in Snowflakeによって、データ活⽤の幅と活⽤までの速度を広げている

Slide 17

Slide 17 text

実際のダッシュボード例 17 Streamlit in Snowﬂake ユースケース2: Streamlit in Snowﬂakeで広げるデータ活⽤の幅と活⽤のスピード（値はダミーデータ）

Slide 18

Slide 18 text

18 Streamlit in Snowﬂake ユースケース2: Streamlit in Snowﬂakeで広げるデータ活⽤の幅と活⽤のスピードもうこれでいいじゃん

Slide 19

Slide 19 text

CONTENTS ユースケース3: Snowﬂake CoWork（旧Snowﬂake Intelligence）によるデータ抽出 / 分析のシン化（進化、深化、新化） 19

Slide 20

Slide 20 text

概要 Snowflake CoWork ユースケース3: Snowflake CoWork（旧Snowflake Intelligence）によるデータ抽出 / 分析のシン化（進化、深化、新化） 20 Snowflake CoWorkにより、⾮エンジニアのデータ活⽤を促進 ‧ビジネス部⾨が主体となって構築 ‧“⾃然⾔語” で、“決められた定義” で、“データ抽出” 、“グラフ作成” ができるため、必要なデータを必要な形式で素早く使える状態に ‧SQLが⼀切わからない⼈でも活⽤可能な状態を実現ビジネス部⾨主体で構築できた理由 ‧普段利⽤しているSQLや、ダッシュボードで使われているSQLからCortex Analyst等の必要なものを作成が可能な点がハードルを下げてくれた ‧まずはユースケースを絞ったことで、⾃分たちの親しんでいるデータだけで可能だった → プロンプトの調整や⾮構造化データ等の難易度が⾼い部分はほぼノータッチ

Slide 21

Slide 21 text

CONTENTS ユースケース4: Cortex Code で実現するAI時代の開発、データ活⽤ 21

Slide 22

Slide 22 text

Cortex Codeの利便性と活⽤ユースケース4: Cortex Code で実現するAI時代の開発、データ活⽤ 22 Snowflake公式のAI AgentであるCortex Codeだからこその使い⼼地と利便性⼀般的な汎⽤AIツールや他社LLMの場合 ‧違うDWHの情報や古い情報を参照してしまっていて、うまく機能しないことがある ‧コンテキストを正しく利⽤伝えられないと、⾃社固有の部分を正しく反映できないケースが発⽣する ‧コンテキストには、ドメイン知識だけではなく、Snowfllake⾃体の構造も含んでいるが、そこはビジネス部⾨はわからない → ビジネス部⾨に任せきることは難しい Cortex Codeの場合 ‧懸念の⼤部分を解消してくれる ‧Snowfllakeへの深い知識を持っているだけではなく、実際のデータにアクセスして確認してくれる ‧ドメイン知識さえあればSnowfllakeの構築ができてしまう → 最近では、データマート構築もビジネス部⾨がやりはじめている

Slide 23

Slide 23 text

もうこれでいいじゃんダッシュボード、実はAI（Cortex Code）がつくりました。 23 Cortex Codeの活⽤例ユースケース4: Cortex Code で実現するAI時代の開発、データ活⽤

Slide 24

Slide 24 text

24 実は Cortex Code × Semantic View（Cortex Analyst）ユースケース4: Cortex Code で実現するAI時代の開発、データ活⽤ Cortex Code in Snowsight に既存のSQLからSemantic Viewを作ってもらい ...

Slide 25

Slide 25 text

25 実は Cortex Code × Streamlit × Semantic View（Cortex Analyst）ユースケース4: Cortex Code で実現するAI時代の開発、データ活⽤そのSemantic Viewを使ってダッシュボード作ってってお願いしたらできた

Slide 26

Slide 26 text

26 Streamlit in Snowﬂake ユースケース2: Streamlit in Snowﬂakeで広げるデータ活⽤の幅と活⽤のスピードもうこれでいいじゃん再掲

Slide 27

Slide 27 text

27 Cortex Code × Streamlit × Semantic View（Cortex Analyst）ユースケース4: Cortex Code で実現するAI時代の開発、データ活⽤もうこれ（ Cortex Code × Streamlit × Semantic View）でいいじゃん

Slide 28

Slide 28 text

28 Cortex Code × Streamlit × Semantic View（Cortex Analyst）ユースケース4: Cortex Code で実現するAI時代の開発、データ活⽤もうこれ（ Cortex Code × Streamlit × Semantic View）がいいじゃん

Slide 29

Slide 29 text

03 さらにSnowﬂakeを中⼼に据えた基盤へ 29

Slide 30

Slide 30 text

30 Cortex Code × Semantic View（Cortex Analyst）→ Snowﬂake CoWorkも...? さらにSnowﬂakeを中⼼に据えた基盤へ Snowflake CoWorkの素材であるSemantic ViewもAIが作っているということは .......

Slide 31

Slide 31 text

31 つまり、Snowfllakeでやれそうなことは全部やっちゃえばいいじゃんさらにSnowflakeを中⼼に据えた基盤へ Snowflakeでやれそうなことは全部やっちゃえばいいじゃん引⽤：https://www.snowflake.com/en/product/ai

Slide 32

Slide 32 text

32 つまり、Snowfllakeでやれそうなことは全部やっちゃえばいいじゃんさらにSnowflakeを中⼼に据えた基盤へ Snowflakeでやれそうなことは全部やっちゃえばいいじゃん引⽤：https://www.snowflake.com/en/product/platform

Slide 33

Slide 33 text

04 TROCCOが担う重要な役割 33

Slide 34

Slide 34 text

34 つまり、Snowfllakeでやれそうなことは全部やっちゃえばいいじゃんさらにSnowflakeを中⼼に据えた基盤へ Snowflakeでやれそうなことは全部やっちゃえばいいじゃん引⽤：https://www.snowflake.com/en/product/platform 再掲

Slide 35

Slide 35 text

データの転送から変換、活⽤のワークフローを担っているTROCCOがは基盤の『根幹』 TROCCOが担う重要な役割 35

Slide 36

Slide 36 text

ビジネスメンバーへの切り札となったTROCCO TROCCOが担う重要な役割 36 1. ⽇本産という安⼼感と、使いやすく馴染みやすいUIおよびUX ‧⽇本語ドキュメントの充実と⽇本語でのサポート対応の安⼼感 ‧⽇本製コネクタへの対応の速さ、要望に対する⾵通しの良さ ‧ビジネス部⾨や⾮エンジニアがすぐにでも使い始めることができるプロダクト設計 TROCCOがビジネスメンバーの「データ基盤の⾃分毎化」を⼤きく後押し 2. 固定での価格設定と他社⽐較での価格メリット ‧定額で使える、というのは重要で、使った分だけ課⾦では発⽣する “とりあえず作ってみる” に対するハードルを下げてくれている ‧他社プロダクト⽐較で価格メリットがある（弊社の利⽤⽅法の場合、メリデメを⼤きく上回る）

Slide 37

Slide 37 text

ビジネスメンバーへの切り札となったTROCCO TROCCOが担う重要な役割 37 3. ワークフローによりデータ処理の⼀連の流れをTROCCOで全て制御 ‧データ転送からデータ変換の実⾏、そしてリバースETLまで⼀連の流れをワークフローで実現できるTROCCOのワークフロー機能により、ビジネスメンバーが主体となって⼀連の設定を実現可能 ‧それにより、データ活⽤だけにとどまらず、データ転送や変換の部分も含めてビジネス部⾨主体で実現 ‧特に、イベントドリブンで実⾏されることで、ツールまたぎ、ヒト（部署）またぎがなくなるのが重要 TROCCOがビジネスメンバーの「データ基盤の⾃分毎化」を⼤きく後押し

Slide 38

Slide 38 text

TROCCOのワークフローでdbtコマンドを実⾏することのメリット TROCCOが担う重要な役割 38 データ転送 dbt run dbt test ✕ ○ ✕ データ転送 dbt run dbt test ✕ ✕ ✕ スケジュールトリガーイベントトリガーイベントの場合は、データ転送時点でエラーが起きていればエラー検知ができ、後続の処理をストップすることが可能

Slide 39

Slide 39 text

TROCCOのワークフローでdbtコマンドを実⾏することのメリット TROCCOが担う重要な役割 39 データオーナー（ビジネス部署）が⾃分たちでデータ転送からデータマート開発、リバースETLまで⼀連の流れをすべて設定できるようになった 1. ⽇本産という安⼼感と、使いやすく馴染みやすいUIおよびUX 2. 固定での価格設定と他社⽐較での価格メリット 3. ワークフローによりデータ処理の⼀連の流れをTROCCOで全て制御

Slide 40

Slide 40 text

05 データを事業価値に変換するために 40

Slide 41

Slide 41 text

⼟台とヒト、両輪が揃ったとき、データは事業価値に変わる。データを事業価値に変換するために “データを事業価値に変える” とは、データ活⽤の先にある “アウトカムを最⼤化する” ということ。なにかを削る、減らすといった “効率化” だけに使うのではなく、 “新たな価値を創造する⽅向” へ向かうことも忘れてはならない。今回の成果は、エンジニアだけが頑張った結果ではない。課題への解像度が⾼いビジネス部⾨が、⾃らやりたいことに向けて、主体的に動いたからこそ、アウトカムの種が⽣まれた。この情熱を⽀えるのが強固な「⼟台」。 SnowﬂakeとTROCCOは、その両⽅を⼿にする最⾼のスタートラインとなる。 41

Slide 42

Slide 42 text

⼩さく試す。そこにしか⾃社の答えはない。データを事業価値に変換するために「データがない」「作る/保守する⼈がいない」その気持ちは、よく分かる。だけど、すべてが整うのを待つ必要はない。最終的にやりたいことに⼿をつけ、動いてみる。その過程で “本当にやらなければいけないこと” が鮮明に⾒えてくる。まずは⾃分たちの⼿で試すこと。“⼿段の⽬的化” からでも構わない。⼩さく試して、⾃社の現在地を知ること。これこそが最も重要なプロセスとなる。汎⽤的な知識は、AIがいくらでも教えてくれる。しかし、⾃社の「現場」と「泥臭い現実」にそれをどう組み込むか。その答えだけは、⾃分たちで動いて、⾃分たちで正解にするしかない。 42

Slide 43

Slide 43 text

何かを始めるのに、 “今” 以上に早いタイミングは存在しない。データを事業価値に変換するためにかつては、⾼度なデータ活⽤やAIを試すハードルが気軽にやるには⾼かった。しかし、Snowﬂake と TROCCO の組み合わせなら、今すぐ “素早く” “安全に” “簡単に” 始められる極上の⼟台が揃っている。さあ、あとはやるだけ。 43

Slide 44

Slide 44 text

ご清聴ありがとうございました。 44