AI Readyの正体はデータマネジメントだ メダリオン2.0の最前線

2026/3/11に開催された「データマネジメント2026─AI Ready Dataに舵を切れ─」にて、CDO(Chief Data Officer)の城谷 信一郎が登壇した際の資料です。

Transcript

1. AI Readyの正体はデータマネジメントだ メダリオン2.0の最前線 データマネジメント2026 ─ AI Ready Dataに舵を切れ ─
2. キャリア NTTデータシステム技術 -> マイナビ -> DeNA -> freee 役割 • freee全社でのデータ戦略の⽴案と実⾏ Chief Data Officer 兼 CDO室 室⻑ 城⾕ 信⼀郎 • データプラットフォームのアーキテクト • データエンジニア/アナリティクスエンジニア/アナリ ストの組織統括 Shinichiro Joya 2
3. Mission スモールビジネスを、世界の主役に。 freeeは「スモールビジネスを、世界の主役に。」をミッションに掲げ、 統合型経営プラットフォームを開発‧提供し、 だれもが⾃由に⾃然体で経営できる環境をつくっていきます。 起業やビジネスを育てていくことを、もっと魅⼒的で気軽な⾏為に。 個⼈事業や中⼩企業などのスモールビジネスに携わるすべての⼈が、 じぶんらしく⾃信をもって経営できるように。 ⼤胆にスピード感をもってアイデアを具現化できるスモールビジネスは、 今までにない多様な価値観や⽣き⽅、 新しいイノベーションを⽣み出す起爆剤だと私たちは考えています。 スモールビジネスが⼤企業を刺激し、社会をさらにオモシロク、 世の中全体をより良くする流れを後押ししていきます。 3
4. 会計‧⼈事労務‧販売管理を核とした 統合型経営プラットフォーム 会計 ⼈事労務 販売管理 電⼦契約 ⼯数管理 固定資産 経費精算 請求管理 債権債務 管理 電⼦稟議 4
5. (1) スモールビジネス向けに統合型クラウド ERPを提供 その他サービス 統合型クラウド会計ソフト 2013年3⽉〜 ⽇本のクラウド 会計ソフト市場 シェアNo.1(2) 請求書 経費精算 決算書 予実管理 ワークフロー 内部統制 注: 統合型クラウド⼈事労務ソフト 統合型クラウド販売管理ソフト 2014年10⽉〜 2022年11⽉〜 スモールビジネスの ⼈事管理市場において 売上⾦額シェアNo.1(3) 【国内初】 クラウド会計ソフトと ⼀体型で使える 販売管理サービス 勤怠管理 ⼊退社管理 給与計算 年末調整 マイナンバー 管理 ⽀出管理 福利厚⽣ ⼈事労務 申告書作成 ⼯数管理‧労務費管理 ⾒積‧発注‧請求 法⼈⼿続き クレジットカード 開業⼿続き 電⼦契約 1. クラウドサービス：ソフトウェアやハードウェアを所有することなく、ユーザーがインターネットを経由して ITシステムにアクセスを行えるサービス 2. リードプラス「キーワードからひも解く業界分析シリーズ：クラウド会計ソフト編」（ 2022年8月） 3. 「freee人事労務」は ITRが今年調査発行した「 ITR MARKET VIEW：人事・給与・就業管理市場 2022」の人事管理市場において、従業員 100人未満および従業員 100~300人未満の企業で売上金額シェア No.1（2020年度）を獲得しています。 5
6. SaaS is Dead のトレンドにおけるfreeeの回答 出展：freee共同創業者‧横路隆によるCAIO就任に伴うfreeeのAI戦略発表 https://note.freee.co.jp/n/n3dc93dc763fc 6
7. 注意事項 本セッションは、2026/3/11時点のfreeeの取り組みになります。 AIや周辺のエコシステムの進化は激しく、３ヶ⽉後‧半年後の状況は全く変わってい る可能性もあります。 データマネジメントという活動⾃体は普遍的に残りますが、Snapshotの情報と認識 ください。 また本セッションで扱うAIは、⽣成AIのLLMを前提に取り扱っています。 77
8. ⽣成AIの進化は すざまじいですよね？ 8
9. 皆さんの会社のデータ、 ⽣成AI（LLM）に投げたら 正しく答えられますか？ 9
10. 皆さんの会社のデータ、 ⽣成AI（LLM）に投げたら 先⽉の売上をセグメント別に集計し て、YoYでも⽐較したい。 分析レポートを作って 利用者 先⽉の売上全体は、xxx で セグメントBの 売上がYoYで-30%です。明細をみると、特 に顕著に下がっているのが⚪⚪⚪で、推 奨事項は‧‧‧ 正しく答えられますか？ 生成AI 自社データ 10
11. 皆さんの会社のデータ、 ⽣成AI（LLM）に投げたら 正しく答えられますか？ 少なくともfreeeでは、中々難しい つまりAI Ready とはまだ⾔えない 11
12. でも頑張ればこういうこともできるかもしれない 12
13. 今⽇お伝えしたいこと • freeeが解釈するAI Ready Dataの条件は何か？ • AI Ready Data に向かうための共通⾔語メダリオン2.0とは？ • メダリオン2.0を取り巻くAI Radyに向かうためのProjectの全体像と紹介 • まとめ 13
14. 過去の登壇ではシステムアーキテクチャ‧組織の⽬線で発信 14
15. AI Ready Data に向かうための条件とは？ 〜freeeの解釈〜 15
16. freeeのデータのニーズと規模 プロダクト Data お客様との接点、属 性、商談 Data フリーの経営資源 （人、物、金） データ プラットフォーム 分析・レポート セールス・マーケティング データ / AI プロダクト DX / オペレーション サクセス / サポート 16
17. freeeのデータのニーズと規模 分析・レポート プロダクト Data マイクロサービス DB Up to 70 お客様との接点、属 性、商談 Data フリーの経営資源 （人、物、金） テーブル数 Up to 24k データ プラットフォーム クエリ実行数 800k/Month データ / AI プロダクト セールス・マーケティング 利用ユーザー 1000 UU/Month DX / オペレーション サクセス / サポート 17
18. なぜAIがすぐ使えないのか • 会計、⼈事労務などの専⾨‧法律知識 - 仕訳、勘定科⽬、税制 - 給与計算、労基法、社保 24kを超えるデータの理解 • ビジネス知識 - The Model、RevOps、サクセス、マーケ • 財務会計‧管理会計の知識 - ARR,Gross,Churn など ビジネスプロセス 業務ロジックの理解 テクノロジーの理解 • データの理解 - 正規化されたデータの⾮正規化 - システムを跨ぐデータの結合 18
19. なぜAIがすぐ使えないのか 各分野のExpertがAIにコンテキストを注⼊しても⻑⼤になり精度が著しく劣化 会計分野 コンテキスト ？ ビジネス分野 コンテキスト AIのContext Window 会計分野の Expert/Analyst ⼈事労務分野の Expert/Analyst ビジネス分野の Expert/Analyst Lost in the Middle（真ん中の迷⼦） により⻑⼤なコンテキストでは、 精度が低下する 19
20. なぜAIがすぐ使えないのか 2026年時点では、コンテキストの量と効率をいかに改善するかが精度‧速度において重要 • データを使うには３つの理解(データ/ビジネスロジック/テクノロジー）が前提 ◦ そのため、⼀部の専⾨家しかデータにアクセスできない • AIの進化が加速度的に進んでいるが、コンテクストを無限に持つことはできない ◦ Lost in the Middle による精度劣化も発⽣するし、何よりも問いかけ時の回答に多 くの時間が必要となってしまう • 現時点では、AIに向けたデータの関⼼ごとを分離‧設計し少ない正しいデータを提供 ◦ AIが正しくかつ現実的な応答時間でユーザーに企業データを提供する⽣命線 20
21. AIが⾃社データを使うための条件を調べる 国単位のマクロな視点、データ量、⼈材育成、他 この頃はMLを意識した AI Ready ⽣成AIを念頭に、DXの総括を⾏いながら データ整備‧AI活⽤について必要性を 出展：内閣府 ⼈間中⼼のAI社会原則検討会議 https://www8.cao.go.jp/cstp/tyousakai/humanai/2ka i/siryo3-3.pdf 出展：⼤和総研 企業は AI 利活⽤で DX の教訓を活かせるか AI-Ready を再考 し、戦略的な環境整備と企業変⾰の⽅向性を考える https://www.dir.co.jp/report/research/economics/japan/20250728_025 233.pdf 21
22. AIが⾃社データを使うための条件を調べる 国単位のマクロな視点、データ量、⼈材育成、他 この頃はMLを意識した AI Ready ⽣成AIを念頭に、DXの総括を⾏いながら データ整備‧AI活⽤について必要性を 7年の⽉⽇が技術の進化と⽂脈の形成と深掘 りを促し、具体的な戦略‧アクションレベル に提⾔が進化している 出展：内閣府 ⼈間中⼼のAI社会原則検討会議 https://www8.cao.go.jp/cstp/tyousakai/humanai/2ka i/siryo3-3.pdf 出展：⼤和総研 企業は AI 利活⽤で DX の教訓を活かせるか AI-Ready を再考 し、戦略的な環境整備と企業変⾰の⽅向性を考える https://www.dir.co.jp/report/research/economics/japan/20250728_025 233.pdf 22
23. AIが⾃社データを使うための条件 Deep Researchなどあの⼿この⼿でまとめてみると... データ品質と信頼性 統合とアクセス可能 エラーや重複がなく、AIの学習や推論に耐え うる正確なデータであること データがサイロ化されておらず、AIがリアル タイムにアクセスできる状態であること。 ガバナンスと安全性 意味とコンテキスト アクセス制御やセキュリティが確保され、企 業のポリシーや規制に準拠していること AIが正しく⽂脈を理解できるように、メタ データやラベル付けが付与されていること 相互運⽤性と拡張性 特定のツールに依存しないオープンな形式 で、⼤規模なAI処理にも対応できること 23
24. AIが⾃社データを使うための条件 データ品質と信頼性 統合とアクセス可能 エラーや重複がなく、AIの学習や推論に耐えうる 正確なデータであること データがサイロ化されておらず、AIがリアルタイ ムにアクセスできる状態であること。 これらの活動ってセルフBI時代にも⾔われていたことでは？ ガバナンスと安全性 意味とコンテキスト AIって⾔葉はあるけど、AI＝ユーザーと置き換えても違和感なし アクセス制御やセキュリティが確保され、企業の ポリシーや規制に準拠していること AIが正しく⽂脈を理解できるように、メタデータ やラベル付けが付与されていること → つまり、本質的には何も変わっていない 相互運⽤性と拡張性 特定のツールに依存しないオープンな形式で、⼤ 規模なAI処理にも対応できること 24
25. AI Readyの正体は 従来から⾔っていること の本質は変わっていない データマネジメントだ AI Ready = LLMに収まるコンテクストかつ解釈可能なレベルまで ⾼品質なデータが構造化‧管理されている状態 これはAI技術だけの問題ではなく、データマネジメントが重要な問題 25
26. AI Readyに向かうためのメダリオン2.0 をベースとした戦略 26
27. DMBOKとModern Data Stackを意識 • データマネジメントのトレンドとして、元来か ら存在するDMBOKと2021年ごろから⾔われてい るModern Data Stackが存在 • freeeでは、上記を理解しつつ最速でAI Readyに 向かうためのメダリオンアーキテクチャを共通 ⾔語にしデータの整備と品質を作りこむ 出所：『データマネジメント知識体系ガイド 第⼆版』 DAMA International編著、 DAMA⽇本⽀部、Metafindコンサルティング株式会社 監訳、⽇経BP 27
28. メダリオンアーキテクチャと2.0のトレンド Databricks 社が提唱する本来のメダリオンアーキテクチャ 出展：Databricls メダリオンアーキテクチャ (Medallion Architecture) https://www.databricks.com/jp/glossary/medallion-architecture 28
29. メダリオンアーキテクチャと2.0のトレンド Data Sources これまでは構造化データを中⼼に⼈がデータを消費することが前提となっていた Branze Silver Gold Rawデータ クレンジング、モデル化 データマート BIツール 原則DataSourceと等価な データのクレンジング ⽬的ごとの集計 データ 品質検証 ビジネスロジックの構築 DataSourceからデータを データモデリングによる 分離 DWHの構築 ⾮構造化データの対応 Application 29
30. メダリオンアーキテクチャと2.0のトレンド AI Ready(利⽤者が⼈からAIに）時代を考えた際に幾つかの点で限界が⽣まれた ビジネスの⽂脈⽋如 過度な集約による情報の⽋如 ⼀つのDataMartのカラム名だけでは、⽂脈 がわからない。 amount というカラムが⽇ 毎、⽉毎なのか。税抜き？税込？ ⽇毎、⽉毎のデータマートに集計された場 合、ドリルダウンでの深掘りに不向き。 Sliverレイヤーまで辿らなければならない。 リアルタイムなデータ利⽤ AIエージェントは⼈間のオペレーションの限 界‧速度を超えられるポテンシャルがある が、データが⽇次、毎次の更新ではポテン シャルを活かせない ⾮構造データへダイレクトアクセス Docs,PDF,画像などマルチモーダルなデータ にもアクセスし補完したり総合的な判断を⾏ うポテンシャルを実現できない 30
31. メダリオンアーキテクチャと2.0のトレンド AI Ready(利⽤者が⼈からAIに）時代を考えた際に幾つかの点で限界が⽣まれた ビジネスの⽂脈⽋如 過度な集約による情報の⽋如 ⼀つのDataMartのカラム名だけでは、⽂脈 がわからない。 amount というカラムが⽇ 毎、⽉毎なのか。税抜き？税込？ ⽇毎、⽉毎のデータマートに集計された場 合、ドリルダウンでの深掘りに不向き。 Sliverレイヤーまで辿らなければならない。 セマンティックレイヤーの構築 AIエージェントが指標の定義や計算ロジック、データ同⼠の関 係性を簡単に安定して取得できる機能の構築 また、ドリルダウンによる詳細な深掘りが可能な機能の提供 31
32. メダリオンアーキテクチャと2.0のトレンド AI Ready(利⽤者が⼈からAIに）時代を考えた際に幾つかの点で限界が⽣まれた リアルタイムデータ統合と利⽤ Objectデータの統合と利⽤ トランザクションデータ、ログデータ、メッセージデータのリ アルタイムなデータ統合と利⽤を可能にする ⾮構造ドキュメント、画像のOCRなどのオブジェクトデータを AIがダイナミックにアクセスし利⽤を可能にする リアルタイムなデータ利⽤ AIエージェントは⼈間のオペレーションの限 界‧速度を超えられるポテンシャルがある が、データが⽇次、毎次の更新ではポテン シャルを活かせない ⾮構造データへダイレクトアクセス Docs,PDF,画像などマルチモーダルなデータ にもアクセスし補完したり総合的な判断を⾏ うポテンシャルを実現できない 32
33. メダリオンアーキテクチャと2.0のトレンド Data Sources 本来のメダリオンアーキテクチャ と 拡張としてのPlatinumのトレンド = メダリオン2.0 とここでは呼称 Branze Silver Gold Plati num Rawデータ クレンジング、モデル化 データマート AIエージェントの利⽤ 原則DataSourceと等価な データのクレンジング ⽬的ごとの集計 ビジネス的な意味（せマ データ 品質検証 ビジネスロジックの構築 ンティクスの構築） DataSourceからデータを データモデリングによる リアルタイム統合と利⽤ 分離 DWHの構築 ⾮構造データへのアクセ ⾮構造化データの対応 Databricks 社の提唱で、構造化データを中⼼とした データの状態を定義 スI/F提供 AI時代を念頭に補完する情報として、ブログな どで国内外で⾔及がされ始めた定義 33
34. メダリオンアーキテクチャと2.0のトレンド Platinumレイヤーの要素であるセマンティックレイヤはDWHとビジネス⽤語‧ロジックに変換するレイヤー 従来のBI ツールでもコンソール上でデータモデルとして定義していた領域 Silver Gold Platinum dimension: 事業セグメント、事業部 mesure: 売上、利益率 filter: 過去２年 SQLに変換：selecrt xxx from… DWH 集計する分析軸（dimension)‧指標(mesure)‧Filter を指定 セマンティック レイヤー 表データの応答 レポート 34
35. メダリオンアーキテクチャと2.0のトレンド Platinumレイヤーの要素であるセマンティックレイヤはDWHとビジネス⽤語‧ロジックに変換するレイヤー 従来のBI ツールでもコンソール上でデータモデルとして定義していた領域 view: sales_summary { # -- 分析軸 (Dimensions) -dimension: segment { label: "事業セグメント" sql: ${TABLE}.segment ;; } Silver dimension: department { label: "事業部" sql: ${TABLE}.dept_name ;; } ビジネス⽤語への翻訳をYaml などの⾔語で定義できる Gold Platinum dimension: 事業セグメント、事業部 mesure: 売上、利益率 filter: 過去２年 SQLに変換：selecrt xxx from… # -- 指標 (Measures) -measure: total_revenue { label: "売上" type: sum sql: ${TABLE}.revenue ;; } DWH measure: profit_margin { label: "利益率" type: number sql: 1.0 * sum(${TABLE}.profit) / NULLIF(${total_revenue}, 0) ;; value_format_name: percent_1 } # -- 期間フィルター (Filter) -filter: last_2_years { label: "過去2年" type: yesno sql: ${TABLE}.date >= DATE_ADD(CURRENT_DATE(), INTERVAL -2 YEAR) ;; } 集計する分析軸（dimension)‧指標(mesure)‧Filter を指定 セマンティック レイヤー 事前に定義することで、売上、利益率⼀つとっても独 ⾃の指標にすることなく、領域や全社レベルでのデー タのガバナンスを確保できることが最⼤のメリット 「利益率」を選択したら、正しい利益率が応答される 表データの応答 } 35
36. メダリオンアーキテクチャと2.0のトレンド Platinumレイヤーの要素であるセマンティックレイヤはDWHとビジネス⽤語‧ロジックに変換するレイヤー AI Readyに向かうために今後重要となる核であると考えている これまでのセマンティクス定義 これからのセマンティクス定義 定義⽅法 BIの画⾯上 YAMLなどの構造体 管理⽅法 暗黙的 GitHubで管理 変更管理 ⼿動 PR/レビュー/DevOps 再利⽤性 低い、属⼈的 ⾼い、AIが読める 36
37. メダリオンアーキテクチャと2.0のトレンド Platinumレイヤー⾃体が公式のものではなくまだ未成熟な提唱である点は注意 • 従来はデータのあるべき状態とプロセスが主な関⼼ごと Platinum • ⼀⽅プラチナレイヤーは、AIが使うために⾜らないインタ フェースや機能が論じられており前述と整合しない • 海外では、プラチナレイヤーは新たなサイロ化と重複を⽣むだ けだという指摘もある e.x. The Impact of Adding a ʻPlatinum’ Layer to Medallion Architecture しかし、 複数のTeamがAI Readyに向かうための共通⾔語として利⽤ freeeでは 従来のメダリオンアーキテクチャだけだとAIエージェントが最終 的に利⽤するために⾜らない⾔語化があることは事実なので、 今後アップデートされることを願いつつ活⽤している 37
38. freee のAI Rady Dataの戦略 freeeのあらゆるデータが分断なく信頼できる形で、誰でもアクセスできるデータプラットフォーム 専門家 非専門家 生成AI 最終的なビジネス ロジックを反映させたセマンティクスと I/F プロダクト / サービス 事業・サービス データ サポート データ ご意見 売上データ ビジネスデータ 顧客 データ マーケティング データ 商談 データ 社内データ Platinum マルチモーダル 社内オペレー ションデータ ナレッジ・非構造 画像 財務 データ 人事 データ 動画、音声 38
39. freee のAI Rady Dataの戦略 Done for Youな体験によるエージェンティックなAI活⽤体験の創出 Done by You なAI活⽤体験 Done for You なAI活⽤体験 先⽉の売上をセグメント別に集計し て、YoYでも⽐較したい。 分析レポートを作って 顧客ごとの分析もしてね。 顧客のデータは？ 顧客の属性はどこ で管理して名寄せ しますか？ 売上データはど こですか？税 込？税抜き？ ？ 事業・サービス データ ？ Platinumレイ ヤーから分析計 画を⽴てる 売上はxxx のセ マンティクスに 定義されている な.. レポート内容 考察結果、推奨 ⾏動 計画Agent 探索Agent ReportAgent Platinum 最終的なビジネス ロジックを 反映させたセマンティクスと I/F 売上データ 39
40. freee のAI Rady Dataの戦略 全社レベルでのムーブメントを起こし期待値と具体的なアウトカムの紐付けを実施 アウトカム お客様へのパーソナライズと プロダクトやセールスアクション 導⼊サクセス サポート効率化‧⾼度化 価値創出 ムーブメント 開発エンジニアの パフォーマンス計測 など セールス イネーブルメント ビジネスユーザーのアク ティビティの可視化 など タレントマネジメント アロケーション freee Customer360 freee Freeers360 freeeのお客様のことをプロダクト、ビジネスのタッチポイン トに寄らず360度スキ無く理解しアクションを実⾏するムー ブメント freeers（社内のメンバー）の、属性‧アクティビティ‧⾏動を 360度スキ無く理解しアクションを実⾏するムーブメント 最終的なビジネス ロジックを 反映させたセマンティクスと I/F プロダクト / サービス ビジネスデータ 社内データ Plati num マルチモーダル Silver Gold 40 40
41. メダリオン2.0 をベースとしたProject 41
42. AI Readyとアウトカムに向かうために データマネジメントのセマンティックレイヤー構築を中⼼に紹介 ビジネスの⽂脈⽋如 過度な集約による情報の⽋如 ⼀つのDataMartのカラム名だけでは、⽂脈 がわからない。 amount というカラムが⽇ 毎、⽉毎なのか。税抜き？税込？ ⽇毎、⽉毎のデータマートに集計された場 合、ドリルダウンでの深掘りに不向き。 Sliverレイヤーまで辿らなければならない。 セマンティックレイヤーの構築 AIエージェントが指標の定義や計算ロジック、データ同⼠の関 係性を簡単に安定して取得できる機能の構築 また、ドリルダウンによる詳細な深掘りが可能な機能の提供 42 42
43. AI Rady Data に向かうために必要なこと Data Sources PJ1: データ発⽣源からの品質作 りこみとGitOps Branze PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ3: データ統合‧リアルタイム やオブジェクトデータの統合 Silver PJ5: ドメインごとのデータモデル‧ 品質とセマンティックス整備 Plati num Gold PJ4: データのリスク評価と⾃動 のアクセスコントロール基盤 PJ6: AIエージェントによる データの活⽤ PJ7: セマンティクス‧ロジックレベルの⾼位のメタデータ基盤 PJ8: 全社マスターデータマネジメントの整備 43
44. AI Rady Data に向かうために必要なこと Data Sources PJ1: データ発⽣源からの品質作 りこみとGitOps Branze PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ3: データ統合‧リアルタイム やオブジェクトデータの統合 Silver PJ5: ドメインごとのデータモデル‧ 品質とセマンティックス整備 Plati num Gold PJ4: データのリスク評価と⾃動 のアクセスコントロール基盤 PJ6: AIエージェントによる データの活⽤ PJ7: セマンティクス‧ロジックレベルの⾼位のメタデータ基盤 PJ8: 全社マスターデータマネジメントの整備 44
45. データの発⽣源の作りこみ & コントラクト PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ1: データ発⽣源からの品質作りこみ とGitOps 主にビジネスデータの品質の作りこみ Data Source GitHub (コード管理） ビジネスのデータの構造も、 コード管理を実施する ELT Pipleline Dataplatform CI/CD データソース管理者 データエンジニア 100 を超えるデータソース（プロダクト、ビジネス）におい て、持続的なデータ統合を⾏うための運⽤‧コミュニケー ション‧仕様の相互契約の締結 Context is kingのためにも、後々の メタデータ基盤にインプットされる CRM/SFA データプロバイダとコンシューマの関係性の構築 45 45
46. データの発⽣源の作りこみ & コントラクト PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ1: データ発⽣源からの品質作りこみ とGitOps 主にビジネスデータの品質の作りこみ GitHub (コード管理） ビジネスのデータの構造も、 コード管理を実施する これまで、CRMやSFAなどのビジネスデータは、作業者 の技術の問題から、⼿動でのオペレーションが中⼼で あった。 CI/CD Data Source ELT Pipleline Dataplatform AI時代に向かうからこそ、そのデータの品質‧意図、背 景がコードに残る そのため、ビジネス領域のデータ‧オブジェクトの定義 についても、コード管理として残すことでオペミスを防 データソース管理者 データエンジニア ぎ、⽂脈を得られる様にする 100 を超えるデータソース（プロダクト、ビジネス）におい て、持続的なデータ統合を⾏うための運⽤‧コミュニケー ション‧仕様の相互契約の締結 Context is kingのためにも、後々の メタデータ基盤にインプットされる CRM/SFA データプロバイダとコンシューマの関係性の構築 46 46
47. データの発⽣源の作りこみ & コントラクト PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ1: データ発⽣源からの品質作りこみ とgitops 主にビジネスデータの品質の作りこみ 100を超えるデータソースに対して、それぞれの管理者 が存在する中で、⽇々安定したデータのETLを実現する 必要 Data Source ELT Pipleline Dataplatform データの構造‧品質変化や、オペレーションの相互合意 CI/CD github など、まさにデータを勝⼿に取って⾏く存在から、デー (コード管理） タを提供する関係性へとシフトすることを⽬指す。 ビジネスのデータの構造も、 コード管理を実施する データソース管理者 データエンジニア 100 を超えるデータソース（プロダクト、ビジネス）におい て、持続的なデータ統合を⾏うための運⽤‧コミュニケー ション‧仕様の相互契約の締結 Context is kingのためにも、後々の メタデータ基盤にインプットされる CRM/SFA データプロバイダとコンシューマの関係性の構築 47 47
48. AI Rady Data に向かうために必要なこと Data Sources PJ1: データ発⽣源からの品質作 りこみとGitOps Branze PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ3: データ統合‧リアルタイム 構想段階 やオブジェクトデータの統合 Silver PJ5: ドメインごとのデータモデル‧ 品質とセマンティックス整備 Plati num Gold PJ4: データのリスク評価と⾃動 のアクセスコントロール基盤 PJ6: AIエージェントによる データの活⽤ PJ7: セマンティクス‧ロジックレベルの⾼位のメタデータ基盤 PJ8: 全社マスターデータマネジメントの整備 48
49. データのリスク評価と⾃動のアクセスコントロール基盤 AIが企業のデータを正しく安全かつ⾼速に利⽤するためには⾼度なアクセスコントロールが必要 データに対するタグベースのリスク評価とアクセスポリシーの実現 Tag: id Tag: Name Tag: Email Tag: accounting user_id name email amount 1001 クラウド 太郎 g-taro@example.com 15,000 1002 ⾒本 花⼦ m-hanako@example. com 8,800 1003 データ ⼀郎 d-ichiro@example.co m 23,100 1004 テスト 次郎 t-jiro@example.com 5,400 データの分類 (Tag) が活⽤の⼤前提 しかし、24k のテーブル、2M を超 えるカラムへ⼿動での適⽤は困難 セキュリティ 専⾨家 ⽣成 AI ⽣成 AI と専⾨家の共創に よる運⽤ 49 49
50. データのリスク評価と⾃動のアクセスコントロール基盤 ⽣成AI基盤 ⾼度なLLMモデル 軽量なLLMモデル データの セキュリティレベル 2. 状況に応じて モデルを選択 1. 複数の情報から アセスメント⽤の プロンプトを⽣成 3. LLM判定結果を保存 Few-shot prompt アセスメント 結果 アセスメント結果 BigQuery データの種別 アセスメントBatch Cloud Run Jobs セキュリティ専⾨家 4. 専⾨家の チェック 評価対象データ 5. Policyタグの付与 BigQuery 最終リスクアセスメント結果 BigQuery Tag: id Tag: Name Tag: Email Tag: accounting user_id name email amount 1001 クラウド 太郎 g-taro@example.com 15,000 1002 見本 花子 m-hanako@example.com 8,800 50 50
51. AI Rady Data に向かうために必要なこと Data Sources PJ1: データ発⽣源からの品質作 りこみとGitOps Branze PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ3: データ統合‧リアルタイム 構想段階 やオブジェクトデータの統合 Silver PJ5: ドメインごとのデータモデル‧ 品質とセマンティックス整備 Plati num Gold PJ4: データのリスク評価と⾃動 のアクセスコントロール基盤 PJ6: AIエージェントによる データの活⽤ PJ7: セマンティクス‧ロジックレベルの⾼位のメタデータ基盤 PJ8: 全社マスターデータマネジメントの整備 51
52. ⾼位メタデータ基盤の整備 必要なメタデータを⼀元集約し、⾃然⾔語で問合せ可能なメタデータ基盤 実はデータを利⽤する⼈は、 データ⾃体を知りたいと⾔うよりは ⽬的を達成するデータはどうすればい い？という問いが最も多い。 ⾃然⾔語での問い合わせ 利⽤者 Devin AI スキーマ情報 ビジネスドメイン メタデータをクレンジング メタデータリポジトリ BigQuery メタデータツール ソースコード データ品質のテスト データの流れ(リネージュ)を可視化 データコントラクト 前述の通り、⼿動操作では無く、 GitOpsに載せることで、AI時代にキク 構造化したメタ情報を蓄積 52 52
53. 全社マスターデータマネジメントの整備 53 53
54. AI Rady Data に向かうために必要なこと Data Sources PJ1: データ発⽣源からの品質作 りこみとgitops Branze PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ3: データ統合‧リアルタイム やオブジェクトデータの統合 Silver PJ5: ドメインごとのデータモデル‧ 品質とセマンティックス整備 Plati num Gold PJ4: データのリスク評価と⾃動 のアクセスコントロール基盤 PJ6: AIエージェントによる データの活⽤ PJ7: セマンティクス‧ロジックレベルの⾼位のメタデータ基盤 PJ8: 全社マスターデータマネジメントの整備 54
55. ドメインごとのデータモデルとセマンティックレイヤー Branze Silver Gold Bronzeデータ Product Silverデータ Product Goldデータ BigQuery BigQuery BigQuery Plati num Looker プロダクトデータ プロダクト ドメインTの開発領域 Bronzeデータ Business Silverデータ Business Goldデータ BigQuery BigQuery BigQuery Looker ビジネスデータ ビジネス/会計 ドメインTの開発領域 Bronzeデータ BigQuery Corp Silverデータ Corp Goldデータ BigQuery BigQuery Looker 社内データ コーポレート ドメインTの開発領域 55 55
56. ドメインごとのデータモデルとセマンティックレイヤー Branze Silver Gold Bronzeデータ Product Silverデータ Product Goldデータ BigQuery BigQuery BigQuery Plati num Looker プロダクトデータ プロダクト ドメインTの開発領域 Bronzeデータ BigQuery ビジネスデータ Business Silverデータ Business Goldデータ 冒頭の通り、freeeのデータは多くビジネスロジックとデータが複雑 BigQuery BigQuery Looker ‧各プロダクト、データ、ビジネスロジックをドメインにフォーカスしプロ⼈材に ‧各ドメインチームがアナリティクスエンジニアリングの専⾨性とドメイン固有の知識 プロダクト ドメインTの開発領域 プロダクト ドメイン データモデル開発T Bronzeデータ BigQuery を習得しながらAI Readyなデータとセマンティックレイヤーの整備を実施 Corp Silverデータ Corp Goldデータ BigQuery BigQuery Looker 社内データ コーポレート ドメインTの開発領域 56 56
57. ドメインごとのデータモデルとセマンティックレイヤー Branze Gold Silver Plati num データの集計‧品質の確認は dbt を活⽤ Bronzeデータ Product Silverデータ Product Silverデータ BigQuery BigQuery BigQuery プロダクトデータ ‧各ドメインTごとに集計⽅法を独⾃採⽤するのではなく、 Looker dbt platform を採⽤し統制を取る プロダクト ドメイン ‧dbt platform であれば、ドメインTを跨るデータの集計依 Bronzeデータ BigQuery Business Silverデータ Product Silverデータ 存関係を構築することが可能（dbt Mesh)BigQuery BigQuery プロダクト ドメインTの開発領域 Looker ビジネスデータ ビジネス‧会計 ドメイン 売上データの依存関係を構築 Bronzeデータ BigQuery Corp Silverデータ Product Silverデータ BigQuery BigQuery Looker 社内データ ビジネス‧会計 ドメインTの開発領域 コーポレート ドメイン 57 57
58. ドメインごとのデータモデルとセマンティックレイヤー Branze Bronzeデータ Silver Product Silverデータ Gold Plati num Product Silverデータ BigQuery BigQuery DWHBigQuery -> ビジネス⽤語への変換はトップダウンのガバナンスレイヤーと Looker プロダクトデータ してLookerを選択 プロダクト ドメインTの開発領域 ‧Looker と呼ばれる前述したYAMLベースでGitOpsが可能なセマン Bronzeデータ BigQuery ティックレイヤーの構築 Business Silverデータ Product Silverデータ BigQuery BigQuery ビジネスデータ ‧全社で⼀つのモノリシックリポジトリで横断管理することで、セマン Looker プロダクト ドメインTの開発領域 ティックレイヤーをfreee社内とAIエージェントに対して⺠主化を進めて いる Bronzeデータ BigQuery Corp Silverデータ Product Silverデータ BigQuery BigQuery Looker 社内データ コーポレート ドメインTの開発領域 58 58
59. ドメインごとのデータモデルとセマンティックレイヤー Looker は全社的にガバナンスが効くトップダウンのセマンティックレイヤー ⼀⽅でビジネス機会を優先したボトムアップのセマンティックレイヤーも検討中 Looker 位置付け BigQuery DataAgent 全社でガバナンスを効かせるべき集計軸 特定のチーム、領域内でガバナンスを効かせるべ ‧指標を管理 き集計‧指標を管理 • ARR,Churn,Grossや顧客の⾏動、NRS • プロダクト、現場のKPI など 定義⽅法 • Lookerでの管理ニーズがあるが指標が未確定 LookMLと呼ばれるYAMLベースで管理し コンソールやAPI経由での設定、管理 全社横断リポジトリ管理 管理者 データ整備の専⾨家Tに⼀任 データソースやデータマートの管理者など 広範囲に移譲 59 59
60. ドメインごとのデータモデルとセマンティックレイヤー Looker は全社的にガバナンスが効くトップダウンのセマンティックレイヤー ⼀⽅でビジネス機会を優先したボトムアップのセマンティックレイヤーも検討中 Looker BigQuery DataAgent 利⽤者やデータ有識者によるセマンティクスの⺠主化 位置付け 定義⽅法 管理者 ARR,Churn,Grossや顧客の⾏動、NRSな ど全社でガバナンスを効かせるべきレイ ヤーとして適応 LookMLと呼ばれるYAMLベースで管理 し、全社横断リポジトリ管理 データ整備の専⾨家Tに⼀任 過渡期間もしくは優先度と求めれられる ガバナンスよりもビジネス機会を優先す るレイヤー ‧データ整備の専⾨性はないが、データを理解しSQLを コンソールやAPI経由での設定、管理 書ける⼈材は多い ‧Lookerだと整備までに時間がかかることから、ビジネ ス機会を優先したセマンティックレイヤーとして定義 データソースやデータマートの管理者な ど広範囲に移譲 ‧テーブルの選択、テーブルの説明、正解クエリなどを 定義することで回答精度を向上 60 60
61. AI Rady Data に向かうために必要なこと Data Sources PJ1: データ発⽣源からの品質作 りこみとgitops Branze PJ2: データコントラクトによる データ品質と運⽤の作りこみ PJ3: データ統合‧リアルタイム やオブジェクトデータの統合 Silver PJ5: ドメインごとのデータモデル‧ 品質とセマンティックス整備 Plati num Gold PJ4: データのリスク評価と⾃動 のアクセスコントロール基盤 PJ6: AIエージェントによる データの活⽤ PJ7: セマンティクス‧ロジックレベルの⾼位のメタデータ基盤 PJ8: 全社マスターデータマネジメントの整備 61
62. AIエージェントによるデータの活⽤ freee社内でも徐々にデータの品質をコントロールしAI エージェントからのデータ活⽤が進む 分析 Agent Sales Agent データソースごとの 品質期待値をスコア化 Looker ダッシュ ボード Explore ⾼-中品質なセマンティックレイヤー BigQuery Data Agent Table RAG/ナレッジ基盤 低品質なセマンティックレイヤー データ 62 62
63. AIエージェントによるデータの活⽤ エージェント開発は機能と関⼼をマルチエージェントで分離しDone for you体験を構築 63 63
64. AIエージェントによるデータの活⽤ Done for You の体験を実現するAIエージェントの開発は根底から考えをアップデートする freeeでもこの開発の考え⽅へのアップデート過渡期 ユーザーの役割 Done by You (Copilot型) Done for You (⾃律型エージェント) 作業者‧操縦⼠（AIは⾼度な道具） マネージャー‧承認者 （AIは優秀な部下） プロセスの進め⽅ 対話型‧ステップバイステップ ⾮同期型‧ゴール逆算型 指⽰の解像度 How（どうやるか）を毎回指⽰する What（何が達成されれば良いか）を 定義する エラー時の挙動 ⽌まってユーザーに解決策を求める ⾃分でエラー原因を推論し、 ⾃⼰修正を試みる 体験の価値 作業⾃体を補助し適宜承認を⾏う 可処分時間の創出は限定的 ユーザーの可処分時間の創出 64 64
65. まとめ 65
66. AI Ready の本質はデータマネジメント LLMに収まるコンテクストかつ解釈可能なレベルまで⾼品質なデータが構造化‧管理されている状態 なぜならば ‧LLMのコンテクストは現時点では有限 ‧Lost in the middle、コンテクストの腐敗による品質低下 ‧企業内の複雑なデータ、ビジネスロジック、関連法を常に持たせるのが困難 それにより ‧AIの期待値ほどに、企業内のデータとコラボレーションした活⽤に限界 ‧期待にみたなければ次第に、期待値が低下 ⼀⽅で ‧データマネジメントの重要性に気づいている企業こそ取り組み始めている ‧AIでスピードアップは可能だがショートカットは出来ない地味かつ地道な活動 freeeでは ‧8つ以上全社的なProjectが同時並⾏で稼働 ‧特定の領域でQickWinによるビジネス成果を出しながら⻑期的な基盤作りを⾏い、AI Ready に向けて歩みを進めている 66
67. 重要なのはアウトカム志向で整備すること データマネジメントはその整備⾃体が道のりが⻑く成果が⾒えずらい性質 アウトカムからの逆算と「Quick Win」を実現し整備するインセンティブとムーブメントを作る メタデータが重要だし皆やってる から基盤を作る 営業部⾨の「重要顧客の離反予測 分析」のRT 50%Down マスターデータが重要だし名寄せ できなくて困るからMDMの仕組み を作る 既存顧客へのクロスセル（別商材 の提案）成功 30%Up 67
68. 重要なのはアウトカム志向で整備すること データマネジメントはその整備⾃体が道のりが⻑く成果が⾒えずらい性質 アウトカムからの逆算と「Quick Win」を実現し整備するインセンティブとムーブメントを作る AI Readyに向かうためのデータマネジメント メタデータが重要だし皆やってい 重要性を我々の専⾨家は常に⽰す必要がある るから基盤を作る 営業部⾨の「重要顧客の離反予測 分析」のRT 50%Down ‧出なければ、単なるコストセンターの域を出ない ‧プロフィットセンターになりうる側⾯については、 マスターデータが重要だし名寄せ 定性、定量で社内のプレゼンス‧マーケティングを実施 できなくて困るからMDMの仕組み しなければならない を作る 既存顧客へのクロスセル（別商材 の提案）成功 30%Up 68
69. fin