Slide 1
Slide 1 text
Databricks Genie を利⽤した分析基盤と
データモデリングの IVRy の現在地
AI時代の意思決定を⽀える 各社のデータ基盤Lunch Talk
#data_findy
株式会社 IVRy アナリティクスエンジニア 和⽥悠佑
2025-09-30
Slide 2
Slide 2 text
2013 年: ヤフー（カーナビ、オークション）
Android エンジニア、データサイエンティスト、etc, ...
2019 年: メルカリ（フリマ）
検索機能周りのデータアナリスト、エンジニア
2022 年: estie（不動産領域バーティカル SaaS）
データ基盤エンジニアとして Snowflake や dbt の導⼊
2024 年: IVRy（対話型⾳声AI SaaS）
アナリティクスエンジニアとして、
データ分析や各種データモデルの整備
2
⾃⼰紹介
和⽥ 悠佑
Analytics Engineer
Slide 3
Slide 3 text
IVRとAIであらゆる電話対応を効率化
「アイブリー」
3
プロダクト
Slide 4
Slide 4 text
累計5,000万着電に⾃動応答しています
4
Slide 5
Slide 5 text
5
今⽇話すこと
IVRy のデータ分析基盤での AI 機能の活⽤の現在地を紹介
現時点での AI 活⽤に対する情報の共有
Slide 6
Slide 6 text
6
もくじ
1. データ基盤アーキテクチャ
2. AI/BI Genie
3. metric view
4. 現在地まとめ
5. 課題
6. おわりに
Slide 7
Slide 7 text
7
データ基盤アーキテクチャ
Slide 8
Slide 8 text
8
7 ⽉から Databricks に本格移⾏
移⾏の背景
BigQuery への転送、ストレージコストの削減
（プロダクトは AWS）
エンジニアリングの⾃由度が⾼そうと判断
（データ‧機械学習）
Slide 9
Slide 9 text
データ基盤のアーキテクチャ
( https://findy-tools.io/companies/ivry/90/76 )
9
Slide 10
Slide 10 text
10
データを社内で使うところ中⼼に紹介
Slide 11
Slide 11 text
11
分析データパイプライン
Lake 層
(raw data)
source 層
(staging 層)
warehouse 層
mart 層
intermediate 層
Slide 12
Slide 12 text
12
AI/BI Genie
Slide 13
Slide 13 text
13
集計‧分析に対する課題
データサークルへの依頼がボトルネック
各々が書いた集計クエリの品質がまちまち
Slide 14
Slide 14 text
14
Databricks に対する期待
データエンジニア観点ではコストダウン（当初の⽬的）
分析観点では⾃然⾔語でのデータ集計‧分析
Slide 15
Slide 15 text
15
AI/BI Genie
データに対して⾃然⾔語で問い合わせできる
Databricks
公式サイトより
Slide 16
Slide 16 text
データサークルに依頼するとリードタイムがかかる
ビジネスメンバーが⾃分⾃⾝でやると、細かい定義に差がでうる
課題
Genie で解決できないだろうか？
16
返答の品質が担保できれば
ビジネスメンバーが⾃分で必要なデータを Genie を使って取得できる
⾃分で完結できる上に、データの定義もズレない
理想
Slide 17
Slide 17 text
17
Genie 検証 raw data 側
MQL をカウントして
SELECT
COUNT_IF(is_mql) AS mql
FROM
salesforce.hoge
inner join ……
is_mql ってカラム初めて⾒たかも……
Slide 18
Slide 18 text
18
Genie 検証 raw data 側
is_mql ってなんですか？
昔使っていて、
今使ってないやつっぽい
なるほどですね
Salesforce Admin 様
Slide 19
Slide 19 text
19
Genie 検証 raw data 側 - 結果 😢
任意の raw data に対して Genie でアプローチして
正確なデータを得るのは難しい
Genie が悪いのではなく
raw data が⼈間にとっても難しすぎる
（メタデータが不⾜している）
Slide 20
Slide 20 text
20
Genie 検証 ダッシュボード側
ダッシュボードに登録されたデータに対して質問可能
Slide 21
Slide 21 text
21
内訳の可視化の切り替えはかなり正確
Slide 22
Slide 22 text
ダッシュボード⽤に整備されたデータに対しては
Genie は正確に動作する
曖昧な問い合わせでもちゃんと解釈してくれる
「業種をサービス業に絞って」という指⽰も SQL 作成時は
industry = 'サービス業（他に分類されないもの）'
とデータの中⾝を考慮してくれる
22
Genie 検証 Dashboard 側 - 結果 👍
Slide 23
Slide 23 text
23
IVRy の現在地 - Genie
まずはダッシュボードと併⽤で Genie を使ってもらう⽅針に
ダッシュボード内のデータの深堀りに活⽤
ダッシュボード作成⼯数削減効果も
ただし、ダッシュボード内で表現できないデータは
Genie でも回答不能であることが課題
Slide 24
Slide 24 text
24
metric view
Slide 25
Slide 25 text
25
metric view
セマンティックレイヤーの役割の View
Databricks
ドキュメントより
Slide 26
Slide 26 text
26
yml で定義（dbt 対応がまだ）
Slide 27
Slide 27 text
27
ダッシュボードや Genie と相性が良い
SELECT month, MEASURE(revenue)
FROM sample_metric_view
GROUP BY ALL
SELECT client_id, MEASURE(revenue)
FROM sample_metric_view
GROUP BY ALL
⽉ごとに revenue を集計したい
client 単位で revenue を集計したい
Slide 28
Slide 28 text
28
様々な要求に耐えうる粒度のデータが必要
ダッシュボードを深堀りする⽤途で Genie を使う場合
ダッシュボードで表⽰するよりも細かい粒度で
データを保持しておく必要がある
Slide 29
Slide 29 text
今まで逃げていた
アドホック集計で必要となるような粒度のデータも
できるだけ事前に⽤意しておかないと AI 対応できない
29
AI 対応のためには逃げられない！
（⾃分でスプシで加⼯するから）
全項⽬のデータください
（⼤変なんだよな……）
⼀旦、全体感を⾒るか、影響の⼤きいところ上位を⾒ましょう 依頼者
Slide 30
Slide 30 text
30
AI 時代でも、事前のデータモデリングが⼤事
Fact Table
Dimension Table
staging 層 mart 層
warehouse 層
ダッシュボード
with Genie
metric view として実装
（セマンティックレイヤー）
ここが⼤事！
Slide 31
Slide 31 text
31
IVRy の現在地まとめ
Slide 32
Slide 32 text
32
IVRy の現在地
セマンティックレイヤーを metric view として実現
1
ダッシュボードと Genie で metric view を参照
2
整備済みデータに対して Genie は有効に活⽤可能
3
様々な要求に耐えられるデータモデリングに奮闘中
4
Slide 33
Slide 33 text
33
課題
Slide 34
Slide 34 text
34
Genie をより⾃由度⾼く使いたい
metric view をベースにした
ダッシュボードと Genie の運⽤は
metric view の中⾝にキャップされる
Genie はもうちょっとポテンシャルがありそうなので
raw data 側でも使えるようにしていきたい
Slide 35
Slide 35 text
35
両側からデータ整備を推進中
Lake 層
mart 層
Analytics Engineer 側で
ダッシュボードと Genie を想定した
セマンティックレイヤーの
description 等を整備
Data Infra 側で
Claude Code を使って
Ruby on Rails のコードから
description を⾃動⽣成
Slide 36
Slide 36 text
36
Genie の動作の調整
Genie に対する⾃然⾔語問い合わせの履歴は確認可能
評価もつけられるので、マイナス評価のものに対応していく
Slide 37
Slide 37 text
37
継続な普及活動が必要
問い合わせ結果に対して 👍 / 👎 で評価できるとしても
利⽤者はできないことに当たると遠ざかってしまう
データの出⼝側から進める場合は
継続的に利⽤してもらう働きかけも課題になる
Slide 38
Slide 38 text
CEO が分析での AI に協⼒的で⼼強い
Analytics Engineer 側はできないことをできるように
データモデルを改善して社内展開
38
トップダウン⽀援も
Slide 39
Slide 39 text
39
おわりに
Slide 40
Slide 40 text
40
まとめ
データの出⼝側から AI 利⽤を推進
1
整備されたデータに対して AI での集計は有⽤
2
AI 時代もデータモデリングが⼤事
3
より曖昧な問い合わせへの対応の実現が課題
4
Slide 41
Slide 41 text
41
IVRy, AI で⾊々チャレンジしてます！
9/1 〜 30 まで各種領域で AI 関連のブログ発信してます！
ぜひご覧ください！
https://note.com/ivry/n/na4f8be95a13b
Slide 42
Slide 42 text
42
We are Hiring!