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~」

▼概要：
本資料は、2026年7月7日に開催された p_UG 主催のイベント「#p_UG 東京:データ基盤/活用におけるAI活用紹介 ~Terraformや設計改善まで~」における資料です。

▼イベントURL：
https://pug.connpass.com/event/396734

▼資料概要：
“Snowflake” と “TROCCO” を利用することで、ビジネス部門が主体となったデータによる価値創出が生まれています。
その最大の要因は、ビジネス部門が自らデータとAIを使い始めたことにありますが、そこで重要になるのがツール選定です。
本資料では、ビジネス部門主体のデータ活用の事例と、そこでSnowflakeとTROCCOという２つのツールが果たしている役割についてまとめています。
そして最後に、AI活用、データ活用に向けてどのように取り組んでいくと良いと考えているのか、という私見を述べています。

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. ビジネス部⾨主体のデータ基盤の活⽤事例 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 SnowflakeとTROCCOが担う役割
2. 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
3. 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
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 Snowflake AI活⽤ユースケース 8
9. CONTENTS ユースケース1: Cortex AI Functions による⼯数の⼤幅削減 9
10. 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
11. 　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
12. 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
13. 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
14. 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
15. 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
16. 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
17. 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）
18. 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
19. 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
20. 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
21. 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
22. 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
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
24. 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 ...
25. 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
26. 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
27. 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
28. 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
29. 03 さらにSnowflakeを中⼼に据えた基盤へ 29
30. 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 .......
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 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
32. 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
33. 04 TROCCOが担う重要な役割 33
34. 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
35. 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
36. 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）
37. 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
38. 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
39. 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
40. 05 データを事業価値に変換するために 40
41. 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
42. 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
43. 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
44. ご清聴ありがとうございました。 44