Upgrade to Pro — share decks privately, control downloads, hide ads and more …

AIが活躍できるデータ基盤を目指して

Avatar for ono.takayuki ono.takayuki
September 30, 2025
500

 AIが活躍できるデータ基盤を目指して

2025/9/30 AI時代の意思決定を支える 各社のデータ基盤Lunch Talk

STORES 株式会社
データ本部 データ基盤グループ
小野 嵩征(ono.takayuki)/ アナリティクスエンジニア

登壇前日に社内にリリースしたデータ分析Agentについて
AIが活躍しやすいデータ基盤にするために取り組んでいることについてお話ししました。

Avatar for ono.takayuki

ono.takayuki

September 30, 2025
Tweet

Transcript

  1. 自己紹介 小野 嵩征(おの たかゆき) WEB系の会社に新卒入社(2020年4月) WEBエンジニア → データエンジニア STORES株式会社 所属(2024年10月〜現在)

    アナリティクスエンジニア データ基盤の改善/データ活用推進を行なっている DATA Saber 中部コネクトで、コミュニティ活動中 2
  2. 会社概要 6 会社名 STORES 株式会社 設立 2012年3月23日 代表取締役社長 佐藤裕介 資本金

    1億円 所在地 〒150-0011 東京都渋谷区東3丁目16番3号 エフ・ ニッセイ恵比寿ビル4階 事業内容 インターネットビジネスの企画・開発・ 運営
  3. システム構成 17 利用技術 Next.js Google Agent Developer Kit Cloud Run

    Cloud SQL Cloud Storage BigQuery MCP Toolbox for Databases
  4. データ活用を回すための最初の壁 22 データ基盤からデータを取り出し、課題解決を行うためにはハードルが存在 1. SQL/BIの知識が必要 2. 複数サービスのドメイン知識が必要 3. データがどこにあるかわからない 4.

    データ抽出後にデータを有効に使う方法がわからない → データチームに依頼する or サポートを受ければ解決するが、  タイミングによっては依頼からリードタイムが発生することがある。  人のリソースは有限。
  5. Keplerの登場により 26 1. SQL/BIの知識が必要 → KeplerがSQLを生成/実行 2. 複数サービスのドメイン知識が必要 → Keplerが社内ドキュメントを検索(展望)

    3. データがどこにあるかわからない → Keplerがスキーマ/カタログを検索 4. データ抽出後にデータを有効に使う方法がわからない
  6. Keplerの登場により 27 1. SQL/BIの知識が必要 → KeplerがSQLを生成/実行 2. 複数サービスのドメイン知識が必要 → Keplerが社内ドキュメントを検索(展望)

    3. データがどこにあるかわからない → Keplerがスキーマ/カタログを検索 4. データ抽出後にデータを有効に使う方法がわからない → Keplerがデータ分析をサポート
  7. ワイドテーブルの作成 33 STORES サービス STORES サービス STORES サービス サービスに特化した ワイドテーブル

    STORES サービス STORES サービス STORES サービス サービスをクロスして 見たい時の要件をあつめた ワイドテーブル AIにとっても 人にとっても便利
  8. Keplerの改善 49 • UI 改善 ◦ SQLをコピーできるボタンをつけて欲しい ◦ 文字サイズを大きくして欲しい ◦

    チャットの送信をSlackと同じ形式にして欲しい(Enter改行) • Agent 改善 ◦ xxx のデータも追加して欲しい ◦ Agentのレスポンスを早くして欲しい ◦ システムプロンプトの改善
  9. さいごに 53 • AI が活躍する基盤を目指すのであれば、まずはAIに働いてもらうのが大事 • AI が活躍することは暗黙知を表出化する行為 ≒ 人も便利になる

    • AI が活躍することがわかれば、全社的にメタデータを集めるとかデータマー トを整備すると言ったことがやりやすくなる
  10. まずはAIに働いてもらう - Google Agent Developer Kit 54 Google Agent Developer

    Kitを使う場合は 1. BigQueryのプロジェクトと検証用のデータセットを一つ作成 2. adk-sample にアクセス 3. python/agents/data-science のREADMEを参考にセットアップ 4. README通りにデプロイ 5. Cloud Runで動くデータ分析Agentの完成
  11. 56

  12. #2C85DE #F79A40 #EB75AA #EE5253 #10AC84 #6833D4 #0AB0DE #F5CC00 Text A

    Text Text Text Text Text Text Text Text Text A Text Text Text Text Text Text Text Text