AI活用によって実現したビジネス部門主体のSnowflake活用事例 @ The Snowflake Data Cafe

▼概要：
本資料は2026年4月23日に開催された Snowflake 社主催の The Snowflake Data Cafe*¹ における資料です。
※1: Snowflakeの導入を検討中の企業様、Snowflakeを導入して1-2年程度の企業様が主な聴講者であるクローズドセミナーです。

▼イベントURL：
招待制。一般公開なし。

▼資料概要：
弊社はSnowflakeを導入して4年になりますが、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。
本資料では、上記の状態を実現した新機能の活用事例を中心に、弊社の取り組みをまとめています。

Transcript

1. © 株式会社ヒューマンキャピタルコンサルティング All Rights Reserved. AI活⽤によって実現したビジネス部⾨主体のSnowflake活⽤事例 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 鈴⽊凌
2. 今⽇お話しすること 弊社がSnowflake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、それを実現した新機能の活用事例を中心に、弊社の取り組みをお伝えします。 これから基盤を構築する方にも、すでに構築済みの方にも、 何か持ち帰れるものがあれば幸いです。 2
3. CONTENTS 01 02 03 04 ⾃⼰紹介 ユースケース1: Cortex AI Functions による⼯数の⼤幅削減 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 ユースケース3: Snowflake Intelligence によるデータ抽出 / 分析のシン化（進化、深化、新化） 3 05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 06データを事業価値に変換するために
4. 01 ⾃⼰紹介 4
5. 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
6. 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
7. 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
8. 02 ユースケース1: Cortex AI Functions による⼯数の⼤幅削減 8
9. Cortex AI Functions ユースケース1: 9 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
10. 　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 10 Cortex AI Functions ユースケース1:
11. 03 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 11
12. Streamlit in Snowflake ユースケース2: 12 1. 社内⽤アプリ開発 ‧⼈事向けの⾯接アシスタントAIアプリを構築 ‧CSVアップロードをすると、チャット形式で内容について深掘ることが可能 ‧深掘るべき内容の案もだしてくれる ‧最近のアップデートで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
13. Streamlit in Snowflake ユースケース2: 13 1. 社内⽤アプリ開発 ‧⼈事向けの⾯接アシスタントAIアプリを構築 ‧CSVアップロードをすると、チャット形式で内容について深掘ることが可能 ‧深掘るべき内容の案もだしてくれる ‧最近のアップデートで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
14. https://speakerdeck.com/ryo_suzuki/llmnituiteyu-r ou アプリ自体について詳しく知りたい方は、下記を見てください 14 Streamlit in Snowflake ユースケース2:
15. Streamlit in Snowflake ユースケース2: 15 1. 社内⽤アプリ開発 ‧⼈事向けの⾯接アシスタントAIアプリを構築 ‧CSVアップロードをすると、チャット形式で内容について深掘ることが可能 ‧深掘るべき内容の案もだしてくれる ‧最近のアップデートで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
16. 実際のダッシュボード例 16 Streamlit in Snowflake ユースケース2: （値はダミーデータ）
17. 17 Streamlit in Snowflake ユースケース2: もうこれでいいじゃん
18. 04 ユースケース3: Snowflake Intelligence によるデータ抽出 / 分析のシン化（進化、深化、新化） 18
19. 概要 Snowflake Intelligence ユースケース3: 19 Snowflake Intelligence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
20. https://speakerdeck.com/ryo_suzuki/snowflak e-intelligencetoiuming-noai-agentgaqie-rikai-k udetahuo-yong-nowei-lai-tosonoshi-xian-nibi-y ao-nakoto-at-snowvillage-data-management-n umber-1-summit-2025-recap Snowflake Intelligence⾃体について詳しく知りたい⽅は、下記を⾒てください 20 Snowflake Intelligence ユースケース3:
21. 05 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
22. Cortex Code ユースケース4: 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れるような兆しが⾒えてきた
23. 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 ユースケース4:
24. 24 実は Cortex Code × Semantic View（Cortex Analyst） ユースケース4: Cortex Code in Snowsight に 既存のSQLからSemantic Viewを作ってもらい ...
25. 25 実は Cortex Code × Streamlit × Semantic View（Cortex Analyst） ユースケース4: 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
26. 26 Streamlit in Snowflake ユースケース2: もうこれでいいじゃん 再掲
27. 27 Cortex Code × Streamlit × Semantic View（Cortex Analyst） ユースケース4: もうこれ（ Cortex Code × Streamlit × Semantic View）で いいじゃん
28. 28 Cortex Code × Streamlit × Semantic View（Cortex Analyst） ユースケース4: もうこれ（ Cortex Code × Streamlit × Semantic View）が いいじゃん
29. 29 Cortex Code × Semantic View（Cortex Analyst）→ Snowflake Intelligenceも...? ユースケース4: Snowflake Intelligenceの素材 であるSemantic ViewもAIが作っ ているということは .......
30. 30 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 ユースケース4: 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
31. 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 ユースケース4: 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
32. 06 データを事業価値に変換するために 32
33. 33 “データを事業価値に変換する” ということは、“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 そのためには、効率化や業務削減といった減らす⽅向に使うだけではなく、新たな価値を 創造する⽅向に使うこと それができるツールを使う必要がある 今⽇の話は、エンジニアだけが頑張った話ではなく、ビジネス側が⾃ら動き、頑張ったか らこそアウトカムの種が⽣まれた話 両輪が揃って初めて、データが事業価値に変わる Snowflakeを活⽤することは、 その両⽅を⼿にするための準備ができるということ Snowfllakeを使うということは、アウトカム創出の準備ができるということ データを事業価値に変換するために
34. 34 「データがそろっていない」「作る⼈がいない」という気持ちもすごくわかる 最終的にやりたいことに⼿をつけていくことで、その過程でやらなければならないことが ⾒えてくる だからこそ、まずはユースケースを絞り、試してみる 「⼿段の⽬的化」でも良い そして、Snowflakeなら “素早く” “安全に” “簡単に” 始められる⼟台が揃っている フルマネージド、ニアゼロメンテナンス、etc … さあ、あとはやるだけ まずは⼩さく、アウトカム創出までやってみる。そこで⾒えてくるものが価値になる データを事業価値に変換するために
35. ご清聴ありがとうございました 35