社内の7割が使うデータ基盤を、 データチーム2人で回すためにやったこと

少数のデータチームで分析基盤を運用していくためのtipsと、AIの導入に関してのクラシル社の利用状況の紹介です

Transcript

1. AI DATA MEETUP Summer 2026 Kurashiru, Inc. 社内の7割が使うデータ基盤を、 データチーム 2人で回すためにやったこと SPEAKER 吉川昂太（ KOH） / クラシル株式会社 データチーム 2026-08-07
2. 自己紹介 吉川 昂太 / KOH 経歴 2018年4月 ハウスメーカーに新卒入社(総合職) 2020年7月〜 IT人材派遣企業にエンジニアとして入社 • SIerでは、自動車メーカー、日用品メーカー様などに向けてデータ分析基盤の開発・運用 • 美容品・化粧品のメディア/EC・店舗を運営する企業で、新規のデータ分析基盤の開発 2025年10月〜 クラシル株式会社にデータエンジニアとして入社 趣味 読書(主にミステリ。1番好きなのは『方舟』。どんでん返し大好き。) 02 / 28
3. 事業紹介 03 / 28
4. 事業紹介 04 / 28
5. 本日お話すること 01 現在運用しているデータ基盤について 02 組織全員で AI-Readyを目指す 03 AIの導入と評価・フィードバックと今後のやりたいこと 04 やってみて感じたこと 05 / 28
6. 現在のデータ分析基盤と利用状況 6 / 28
7. データ分析基盤の全体像 07 / 28
8. 分析基盤の利用状況 社内のおよそ7割近くのユーザーが使用。これをデータチーム2名で運用。 08 / 28
9. 少数のデータ組織の場合 09 / 28
10. 少数のデータ組織の場合 ◦◦のデータどこにあるの？ データマートとダッシュボード作って！ このカラム、値が入ってないけど 10 / 28
11. 少数のデータ組織の場合 ◦◦のデータどこにあるの？ ◦◦のデータ見たいから権限欲しい データマートとダッシュボード作って！ パフォーマンスが悪いから、なんとかして このカラム、値が入ってないけど この数字、他のダッシュボードと値が違うんだけど 11 / 28
12. 少数のデータ組織の場合 12 / 28
13. なぜこうなってしまうのか。 • 利用者(∝依頼数)が多く、それに対してデータエンジニアが足りない • データエンジニア ≠意思決定者 であることが多いので、背景を正確に把握して設計していく には、1つ1つのタスクに時間がかかってしまう “データエンジニアだけ ”が頑張って、ヒトや AIが分析できるような状態を作るのは無理。 →だったら、意思決定者ができることを増やし、 “組織全員で立ち向かう ”ようにしよう！ 13 / 28
14. 組織全員で AI-Readyを目指す 14 / 28
15. データオーナーとは？ DATA OWNER 多くの場合は PdM（プロダクトマネージャー） がその役割を担 う。 意思決定する人が、そのデータの持ち主になる。 チームの データに基づく意思決定 に 責任を持つ人 01 02 03 04 意思決定に用いる データ の管理 データの目的と 利用文脈 の説明 データ品質の 維持と向上 ビジネス メタデータの整備 どの数字で意思決定するかを決 め、その状態を保つ 何のための数字か、どう使うのか を言語化する 壊れたら気づける状態にし、直し にいく 定義・単位・前提を、使う人とAIが 読める形で残す 社内には SQLを使用できるユーザーが多く、 データオーナー 、あるいは、 データオーナーが権限を与えた開発者 がdbtモデルの開発を行っている。 15 / 28
16. すべてのモデルをデータオーナーに任せて大丈夫？ • 使用されるデータの用途・重要度にはばらつき がある ◦ プロダクトの特定機能の分析に使うためのadhoc的なデータ ◦ DAU/MAUなど外部に公開するような重要指標 厳格に品質管理するところと、そうでないところを棲み分けよう！ 16 / 28
17. モデルごとに Tierを設定する 参考元：OpenMetadataのTier定義 17 / 28
18. 自由度の高い Tier3で、カオスが生まれたことも ... • stgを直接参照しているものもあれば、モデリング済みのモデルを使っているもの • 中には、adhoc(mart) → adhoc(mart)というアンチパターンも存在していた Tier3をAIで見たい要望もあるが、類似のモデルができるなど不安が残る.. 18 / 28
19. Tier3を2つに分けた Tier 3（無印） Tier 3 ssot_verified AIからの参照は行わない 一定要件を満たしたものは、AIからの参照を可能に skillで判定行っている 新規でTier3モデルを作るときに、 • 既存のwideモデルでの置き換え可能か ◦ Yes：それに置き換え ◦ No：他のTier3のadhocモデルで同様のメトリクス/イベントがあるか ▪ Yes：双方を統合するようなwide(dim-fctの生成) ▪ No：adhocのssot_verifiedのモデルとする 19 / 28
20. AIの導入 20 / 28
21. AgentおよびMCPの利用状況 21 / 28
22. 利用状況の調査 Q. AgentあるいはMCPを 利用したことがありますか？ 使っているユーザー これまで Lightdashからデータを ExcelかCSVでDLして、それを Claudeに投げて分析していたものが、全部 Claudeで完結できるようになりました！ レシートデータ分析に活用しているが、上手く使いこなせている自信はない。 チームメンバーが使った時に本当に正しい modelから引っ張れているのかな？と気になる 使ったことがないユーザー 使えるようになると、何が便利になるのか分からない。 分析はしたいが、 Snowflakeにデータがない。 22/ 28
23. 実際に使われている様子を見ると 最初からユーザーにフリーテキストで問い合わせさせると、モデル選択でばらつきそう 23 / 28
24. 最初にAgentからSuggestするように 言葉のブレを統一し、その他でadhocを選んでいるものは監視対象にしておける！ 24 / 28
25. AgentのEvaluation(評価)の設定 質問と想定回答を1セットとして、以下のような2種類のEvaluationを用意。 • モデル選択の正確さ ◦ Q. レシート投稿のイベントに関しては、どのモデルを使えばいい？ ◦ A. wide_XXのモデルを使用します • 最終結果でのロジックの正しさ ◦ Q. 2026年の6月の承認済みのレシート数の合計は？ ◦ A. 150万枚です 上記以外で機械的にで作成できないものについては、都度追加していく！ 25 / 28
26. feedbackの収集 全ユーザーを利用者を対象に、👍👎のフィードバックして、 合わせてフィードバック付きのプロンプトと回答も取得。 テキストでのフィードバックがついているものは、誰からかも加味して、更新に役立てる！ 26 / 28
27. 良かった点と、残っている課題 GOOD • 2名しかいないデータチームでも運用し続けられ ている • アジリティを高く保てていること ISSUES • 個人やチームの使い方に差があり、まだまだ業務に浸透し きっていない • 似たようなモデルが作成されてしまう可能性がある • AIを使ったデータ分析の”利用率自体”は着実に 上がってきている 人間がどのモデル、メトリクスを使えばいいのか分からない状態では、 AIが正しい答えを出すのは不可能。 AI-Readyでも、モデルやメタデータの整備をきちんとして、正しく SSoTにしていくことが近道！ 27 / 28
28. まとめ 01 02 03 データオーナーの設置 Tierの定義 AIの導入および 改善サイクル 少しでも参考になる点があれば幸いです。ご清聴ありがとうございました。 28 / 28