今更聞けない データ基盤 基本のキ：Tableauを活かす！失敗しない導入ステップとリアルな費用感

https://azest.connpass.com/event/403192/

2. 登壇者紹介 株式会社アゼスト データエンジニア・Senior Manager 株式会社アゼスト データアナリスト・DATA Saber 高波 一弘 田畑 有佳子 データ基盤 Databricks アゼストにおけるデータ基盤開発‧ エンジニアリング領域を統括。 Databricksを活⽤した、スケーラブルなデータ統合 プラットフォームの設計‧構築を強みとする。 ‧医療機関向け経営最適化分析サービスの構築‧ 運⽤。システムサイドPM ‧私⽴⼤学データ分析業務向け環境構築⽀援PM ‧国⽴健康危機管理研究機構 2025年度診療所版J-SIPHE運⽤保守業務 データ活用 Tableau DATA SaberとしてTableauを⽤いた ビジュアル分析とユーザ育成を推進。 データの⾒せる化から現場への定着、意思決定 プロセスの⽀援まで伴⾛。
3. 本⽇のアジェンダ 01 データの壁 Tableauを使うと ⾒えてくる課題 04 小さく始める 失敗を避ける スモール スタート法 02 データ基盤とは データ基盤の 定義と基本概念 05 リアルな費用感 導⼊‧運⽤の 現実的なコスト 03 AIとデータ基盤 なぜAI導⼊にも データ基盤が 必要か 06 アゼストの支援 最適なステップと ⽀援体制
4. 本⽇の2⼤特典 データ基盤の基本理念 要約ガイド データ基盤の⾃社導⼊ 検討フローチャート（費⽤感付き） 参加いただいた⽅全員に、シートのURLをお送りします
5. Tableauの活⽤が進むほど、データ側の負荷が増えていく 01 02 03 04 05 データ準備の増加 更新の失敗 属人化 定義の不一致 システム間の分断 Excel‧Prepによる 加⼯が増える 処理時間や エラー対応が増える 担当者が変わると 維持できない ダッシュボード毎に 数字や定義が異なる 複数システムを 横断して 分析しにくい 課題は Tableauの外側にあるデータ環境 へ移っていきます
6. データ側の負荷を放置すると、何が起きるのか？ せっかく導⼊した Tableau投資の効果が限定的に 将来のAI導⼊時に 再びデータ整理が必要になる Tableauの問題ではなく、 データを継続的に整える仕組み（データ基盤）の問題
7. データ活⽤の3つのアイテムを揃えよう 01 業務システム SaaSや基幹システム、 Excelなどで⽇々の業務 データが発⽣‧蓄積される 02 データ基盤 バラバラなデータを収集‧ 整形‧統合し、いつでも 安全に使える状態に整える 03 AI/BI (Tableau) 整ったデータを⾒える化‧ 分析し、気づきや判断を ⽣み出す データ基盤の役割：バラバラで不揃いなデータソースを⾃動で処理し、 いつでも信頼できるきれいなデータ を ビジネス現場へ安定供給 すること
8. データ基盤ってなんだ？ 01 02 03 04 05 集める 残す 整える 管理する 届ける 複数のシステム‧ ファイルから データを集める 過去の履歴を残す 分析しやすい形に 加⼯する 品質‧権限‧更新‧ 処理状況を管理する Tableauへ 信頼できるデータを 届ける 「データ基盤 ＝ データを貯める箱」 ではない データ基盤のゴール： 必要な⼈‧システム‧AIが、必要なときに信頼できるデータを使える状態をつくる
9. 業務システムとデータ基盤、何が違うの？ 業務システム データ基盤 業務を動かす ‧複数システムのデータを 集める ‧⽇々の業務を処理する ‧受注、在庫、顧客登録など ‧過去の履歴を蓄積する ‧最新の状態を管理する ‧正しく業務を動かすことが ⽬的 データを活⽤する ‧データを統合‧加⼯する ‧分析やAI活⽤につなげる 業務システムは 今を動かすため 、データ基盤は 未来を良くするため
10. データ基盤の主要サービス例
11. TableauとAI、実は必要なデータの⼟台は同じ Tableau AI 「正しい数字を出したい」 「正しい回答をさせたい」 共通のデータ基盤 ▪ 正確なデータ ▪ 共通の定義 ▪ 適切な権限 現状を正確にビジュアル化し、 意思決定のスピードと 質を上げるためのデータ分析 ⾼精度な予測や⾃動応答、 スマートな業務推進を 実現するための⾼度な学習モデル AIを導⼊する前に、 AIが使えるデータになっているか？ ▪ 継続的な更新
12. 最近よく聞く「セマンティック層」って何？ 例：売上 意味を付ければデータが正しくなるのではない。 元のデータと業務定義を正しく整理する
13. AI Readyなデータとは？ 01 02 03 04 正確なデータ データモデル 業務上の意味の 定義 ⾃動でAIに供給 表記ゆれ、⽋損値、 重複が排除されている きれいなデータである バラバラなテーブル 同⼠が、正しく結合 されている 「売上」「顧客」などの 定義が統⼀され、誰もが 同じ意味で理解できる ⾃動で安全に、構造化 されたデータがAIに 供給され続ける仕組み AIにデータを接続するだけでは、信頼できる回答は得られない。 AI導⼊の前にまず データを正しく整える こと
14. まずは⼩さく始める 01 02 03 04 現状整理 PoC（概念検証） MVP （実⽤最⼩限製品） 本番‧段階拡張 Tableau‧Prep‧ Excel‧データソースを 棚卸し 課題が明確な 1ユースケースで 検証 現場で使える 最⼩構成を構築 他の業務‧部⾨‧ データへ拡張 最初から会社全体のデータを統合する必要はありません
15. スモールスタートは、ここまで⼩さくていい 営業部⾨の1業務 1業務 1〜3データソース ⽇次更新 Tableau連携 データ基盤の規模 基本的な監視 ⼩規模の基盤を作るのではなく、 効果を測れる範囲から始める ことが正しいスモールスタート
16. データ基盤の費⽤、何で決まる？ 01 04 接続するシステム数 02 接続⽅式‧ネットワーク 03 データ量‧更新頻度 コスト 05 権限‧セキュリティ要件 06 データ加⼯‧業務ロジック 品質管理‧監視‧運⽤ 接続や加⼯、運⽤体制の複雑さがスケール するほど、 全体の構築‧維持コストは増加します
17. ⼩さく始めると、必要なコストもコントロールしやすい スモールスタート 標準構成 ‧ 1業務 ‧ 複数業務‧複数部⾨ ‧ 1〜3データソース ‧ 複数データソース ‧ ⽇次更新 ‧ 開発‧本番環境 ‧ Tableau連携 ‧ 権限‧品質‧監視 ‧ 基本的な監視 ‧ 継続運⽤‧追加開発 必要な範囲から始めて、効果を確認しながら拡張することが重要です
18. 導⼊ステップ 01 02 03 04 05 現状診断 構想‧ ロードマップ スモール スタート構築 移⾏‧ 運⽤改善 AI活⽤への 拡張 Tableau、Prep、 Excelなどの データフローを 可視化します。 ボトルネックを 洗い出します ユースケースや システム構成を 明確にします。 ロードマップと 概算費⽤を 整理します データの連携 および加⼯を ⾏います。 Tableauに接続し、 まずは⼩規模に 構築します 既存環境から Prepへ移⾏を 進めます。 品質管理と 監視体制を整えて 運⽤を改善します セマンティック モデルを定義 します。 ⾃然⾔語分析や AIでデータ利⽤を 拡張します まずは 今の環境のどこを基盤化すべきか を整理します
19. 本⽇のまとめ ✔ TableauとAIに必要なデータの⼟台は同じ ✔ データ基盤は信頼できるデータを継続的に届ける仕組み ✔ 最初から全社導⼊する必要はない ✔ ⼩さく始めて、効果を確認しながら拡張する ⾃社のデータ側の負荷‧課題を整理 するところからスタートしましょう