月曜日のトラにおけるデータ分析 × AI の取り組み

本プレゼンテーションでは、AIがデータ分析の現場に与える影響と、それにどう適応していくかについて解説します。

AIの進化により、データ分析の多くの工程において代替性が高まっており、特に「分析設計」「可視化・レポート作成」「報告」の領域でAIエージェントによる自動化が進むと予測されています。月曜日のトラでは、この変化を「予想以上に侵食してくる」と捉えつつも、*「トラッキング（計測）」「ETL（データ統合）」「Execution（実行）」といった、AI代替性が低い専門性の高い領域にフォーカス**し、人間によるジャッジや実行への促進の重要性を強調しています。

また、AI開発に直接乗り出すのではなく、**既存のツールに追加されたAI機能をいち早く使いこなす**ことを目指しており、以下のような取り組みを進めています。

* **AIに寄り添うAI×アクセス解析サービス、AI×データ基盤サービス（AI Readyにする）**
* **AI Agentを活用したAIワークフロー構築サービス (n8n)**

特に、**AI時代のワークフローエンジンとして「n8n」**を紹介し、その柔軟性とAIとの親和性を強調しています。Slack連携のChatGPT「月トラGPT」、自然言語でのSQL生成を可能にする「BQ Robot」、Gmailからの有効な問い合わせ判定とSlack通知を自動化する「お問い合わせメール判定」 など、具体的な活用事例を多数紹介しています。ただし、「月トラおはよう」の事例では、AIが感情を持たないゆえに人間からの反応率が低いという、**AIを活用する上での人間心理に関する重要な課題**も提示しています。

さらに、AIに正しく、そして役に立つ示唆を出させるためには、データそのものだけでなく**「コンテキスト（データの意味づけや判断軸を検討するための背景情報）」の蓄積が極めて重要**であると説いています。デジタルマーケティングで扱う多岐にわたるデータを統合し、整理整頓・ラベリングすることで、AIがデータを効果的に利用できる環境を構築する必要があるとのことです。

「売上」の定義一つをとっても、税込・税抜、割引有無など、多様なバリエーションが存在することを示し、**「データのためのデータ」（メタデータ）の定義と整備がAI時代におけるデータ分析支援の新しい仕事**になると提言しています。

AIと共存するデータ分析の未来を見据え、月曜日のトラがどのような戦略でビジネスを展開しているか、そしてAIを活用した具体的なワークフロー構築のヒントにご興味のある方は、ぜひご覧ください。

Transcript

1. 202509 MOLTS会 2025.9.4 © 2025 TIGER MONDAY inc. 1 月曜日のトラにおける データ分析 × AI の取り組み
2. 事業会社からキャリアスタート。広告代理店2社を経てデータ分析・活用を支援する月曜日のトラを設立。 代表取締役 西 正広｜Nishi Masahiro Career 2006 - 2009 APAMAN株式会社 2009 - 2011 株式会社メディックス 2011 - 2019 株式会社電通デジタル 2021 - 現在 株式会社MOLTS 2023 - 現在 株式会社月曜日のトラ 設立 Private ・犬1匹・猫2匹・子1人 ・バイク ・筋トレ Web担当者Forum取材記事 2 © 2025 TIGER MONDAY inc.
3. 01 ｜ データ分析・活用ビジネス×AIの現在地 02 ｜ n8n AI agentのご紹介 03 ｜ AI Readyにするための準備　データ統合とコンテキスト テーマ 3
4. © 2025 TIGER MONDAY inc. データ分析・活用ビジネス×AIの現在地 01 4
5. これは、私が2年前に作ったスライドです。 01 © 2025 TIGER MONDAY inc. 5 目的整理 分析設計 データ収集 データ クレンジング 集計・分析 可視化・ レポート作成 報告 振り返り 分析の工程 AI 代替性 低 中～高 低 低～中 高 中～高 低～中 低～中 これはなに？ 何のためにやる？ どんな分析を すればいいか？ データを 測定する データを きれいに整える 集計する 意義をもって グラフ化する 依頼者に分析結果を 報告する 分析結果からのNext を検討する そもそも、AIは分析工程のどこを奪うのか…？
6. これは、私が2年前に作ったスライドです。 01 © 2025 TIGER MONDAY inc. 6 目的整理 分析設計 データ収集 データ クレンジング 集計・分析 可視化・ レポート作成 報告 振り返り 分析の工程 AI 代替性 低 中～高 低 低～中 高 中～高 低～中 低～中 これはなに？ 何のためにやる？ どんな分析を すればいいか？ データを 測定する データを きれいに整える 集計する 意義をもって グラフ化する 依頼者に分析結果を 報告する 分析結果からのNext を検討する そもそも、AIは分析工程のどこを奪うのか…？ 月曜日のトラの フォーカスポイント 現時点では対応だが... 将来的には、BIへの組み込みが行われ ると思われる領域のため、情報をキャ ッチアップしている 施策案もAIが書いてくれるので、その 取捨選択は人間に残されたところか。 案件により対応 CVR改善を業務の一つにしている ことや、データどう使われるのか を知るためにおろそかにすること はない。
7. これは、私が2年前に作ったスライドです。 01 © 2025 TIGER MONDAY inc. 7 Generative AI時代における月曜日のトラのフォーカスポイント Tracking（計測）とETL（データ統合）とExecution（実行） 私が考えるに、上記3つがAI代替性が低いところと考えています。 データ収集・計測はAIに良質かつ正確なアウトプットをさせるための土台である。 一方で、法やITP等のデバイスによるデータトラッキング保護の対策も求められ、極めて専門性の高い領域。 データ統合はAIが代替できなくもなさそうだが、定義や何と何を統合したかは人間によるジャッジが不可欠であろ うこと（疎かにすると、盛大にミスリードする元となる） 実行案はAIが出してくれるが、人間にそれを実行させる（決意してもらう・尻を叩く）のが一番大変であること →戦略・戦術だけのコンサルはAIに食われる。実行を促せるコンサルが一番強い。 なお、人数規模的・技術力的に、弊社ではAI開発に乗り出すことは現時点では考えていません。 あくまでツールに追加されたAI機能をいち早く使い倒すことに尽力する予定です。
8. 2025年9月現在ではどうでしょうか？私の見解 01 © 2025 TIGER MONDAY inc. 8 目的整理 分析設計 データ収集 データ クレンジング 集計・分析 可視化・ レポート作成 報告 振り返り 分析の工程 AI 代替性 低～中 中～高 低～中 低～中 高 中～高 低～中 だが、インシデン トを検知できる仕 組みを作る方向に 進む これはなに？ 何のためにやる？ どんな分析を すればいいか？ データを 測定する データを きれいに整える 集計する 意義をもって グラフ化する 依頼者に分析結果を 報告する 分析結果からのNext を検討する 完全にAIに仕事を奪われるわけではないが、予想以上に侵食してくると考えた方がよい。 何を分析するか（分析設計）ワークは、AIはかなり優秀だし、可視化・レポート作成・報告もAI agent が自動化していく方向に進む。 AIに使ってもらう（Execution）方向と、AIをディレクションする方向性と両軸で対応する必要がある。 中～高
9. 分析 データを分析し、示唆を得る データを分析し、施策の効果を測る 利用 データからセグメントを作り、セグメント合致 者に施策を施す セグメントをベースに、類似のオーディエンス をターゲットに広告を出す 検知 閾 値（正常とみなされる範囲）を超えた場合に アラートを出す（≒モニタリング） 分析行為そのものの代替 集計・示唆出しの自動化 分析観点のアドバイス 優良なセグメントの提案 セグメント間の共通点・相違点 の抽出・施策効果算出 アラートの自動化 アラートに対する解釈・仮説付 記 データの使い方3分類とAIの活用 01 © 2025 TIGER MONDAY inc. 9 やること AIができること
10. AIに月曜日のトラのデータビジネスは 遅かれ早かれ食われるだろうと予測しているので、 AI Readyなデータ支援サービスを立ち上げる必要が 出てきています 10 というわけで・・・
11. いま動き始めていること 01 © 2025 TIGER MONDAY inc. 11 AIに寄り添う AI × アクセス解析サービス AI Readyにする AI×データ基盤サービス コンテキストを定義しぶち込みサービス AIから逃げる 回避しつつ可能性探れる領域を模索中 AI Agentで 自動化する AIワークフロー構築サービス (n8n) 回避しつつプレゼンスが発揮できる領域 （データプロダクトSaaS） 回避しつつ可能性探れる領域 （田んぼや畑のA/Bテストサービス） 全力回避 でもデータが活きる：パーソナライズキムチ屋 絶対無くならなそうな仕事：マジックミシンの ようなサービス
12. AIに寄り添う AI × アクセス解析サービス AI Readyにする AI×データ基盤サービス コンテキストを定義しぶち込みサービス AIから逃げる 回避しつつ可能性探れる領域を模索中 AI Agentで 自動化する AIワークフロー構築サービス (n8n) 回避しつつプレゼンスが発揮できる領域 （データプロダクトSaaS） 回避しつつ可能性探れる領域 （田んぼや畑のA/Bテストサービス） 全力回避 でもデータが活きる：パーソナライズキムチ屋 絶対無くならなそうな仕事：マジックミシンの ようなサービス いま動き始めていること 01 © 2025 TIGER MONDAY inc. 12 主力商材 いち早く攻める 種まき 今年中に要件固める
13. © 2025 TIGER MONDAY inc. n8n AI agentのご紹介 02 13
14. n8nとは？ 02 © 2025 TIGER MONDAY inc. 14 AI時代のワークフローエンジン。この領域では古くはZapierやIFTTT・Microsoft Power Automate が有名であるが、このツールはAIとの親和性が高く、データの取り扱いが非常に柔軟であることが魅 力。 n8n利用メリット AIワークフローが組みやすい JavaScriptやPythonで柔軟にステップを組める ワークフローステップ数に上限がない 主要なSaaS（洋物）と連携が可能 自前でホスティングすれば無償利用できる 月トラではCompute Engine下で動かしてい ます。
15. 作例：月トラGPT 15
16. 作例：月トラGPT 02 © 2025 TIGER MONDAY inc. 16 SlackでChatGPTが使えたらいいよね・・・を叶える代物。 # 指示 -　あなたは一流のアシスタントです。ユーザーからの文章に回答してください。
17. 作例：BQ Robot 17
18. 作例：BQ Robot 02 © 2025 TIGER MONDAY inc. 18 自然言語でSQLを書かせたい！を叶えるフロー。
19. 作例：BQ Robot 02 © 2025 TIGER MONDAY inc. 19 自然言語でSQLを書かせたい！を叶えるフロー。 賢さが必要 データ定義
20. 作例：BQ Robot 02 © 2025 TIGER MONDAY inc. 20 # BigQuery Table name `xxxx.searchconsole.searchdata_site_impression` # BigQuery Schema fields: - name: data_date type: DATE mode: NULLABLE description: "" - name: site_url type: STRING mode: NULLABLE description: "" - name: query type: STRING mode: NULLABLE description: "" - name: is_anonymized_query type: BOOLEAN mode: NULLABLE description: "" - name: country type: STRING mode: NULLABLE description: "" # Special notes 平均掲載順位の計算は以下の通り ((sum(sum_top_position) / sum(impressions)) + 1.0) AS avg_position ctrはパーセント・小数点第二位まで avg_positonは小数点第一位まで データ定義 参照先テーブル スキーマ（カラム定義）のYAML 出力デザイン CTRは慣例的に小数点第2位にしたいなど
21. 作例：BQ Robot 02 © 2025 TIGER MONDAY inc. 21 危機回避 禁則処理 削除したり書き換え たりするクエリが発 行されたら棄却する ながーいプロンプト
22. 作例：BQ Robot 02 © 2025 TIGER MONDAY inc. 22 # 命令 あなたはユーザーの自然言語リクエストをBigQuery用のSQLクエリ（SELECT文のみ）に変換する専門家です。 必ず下記の厳格なルールと指示に従ってください。 # 厳格なルール - 生成できるSQLは`SELECT`文、または`WITH`句で始まるクエリのみです。 - `JOIN`、`WHERE`、`GROUP BY`、`ORDER BY`などの句は使用可能です。 - 下記のコマンドを含むSQLは、いかなる理由があっても絶対に生成してはいけません。 - `INSERT` - `UPDATE` - `DELETE` - `TRUNCATE` - `DROP` - `ALTER` - `CREATE` - ユーザーのリクエストが禁止された操作（データ追加・変更・削除等）に該当する場合、「Prohibited」とだけ返答してください。 - 後続処理でエラーにならないよう、出力には説明文は一切含めず、SQLクエリのみ。前後に説明や解説は一切含めないこと。 - つまり、`SELECT`または`WITH`から始まる文字列のみを返してください。 - 下記の文字列は絶対に含めないでください。 - ```sql # BigQuery用クエリ生成指示 - 依頼に基づき、BigQueryで利用できるクエリを書いてください。 - 特に指定がない限り、小数点は第二位まで（小数点第三位を四捨五入）で出力してください。 ながーいプロンプト
23. 作例：お問い合わせメール判定 23
24. 非公開 作例：お問い合わせメール判定 02 © 2025 TIGER MONDAY inc. 24 Gmailから有効問い合わせだけを判定し、Slackに投げるフロー
25. 作例：お問い合わせメール判定 02 © 2025 TIGER MONDAY inc. 25 Gmailから有効問い合わせだけを判定し、Slackに投げるフロー 何度も送ってくる方（メールアド レス）はAI様にご判断いただくの も申し訳ないので、先んじて落と す。 問い合わせ内容を判定 いろんなモデルを試した が、Geminiが一番よかった （忖度しないから正確。）
26. 作例：お問い合わせメール判定 02 © 2025 TIGER MONDAY inc. 26 プロンプト # 役割 あなたは、BtoBコミュニケーションの意図を正確に見抜くプロのアナリストです。特に、一見すると丁寧な依頼に見えるメールの中から、隠れた営業意図を確実に見抜く能力に長けていま す。 # 思考のフレームワーク 分析を始める前に、まず以下の核心的な質問を自問してください。 「このメールの送信者は、私たち（受信者）のサービスに対して『お金を払う側』になろうとしていますか？ それとも、彼らのサービスを提供して私たちから『お金を受け取る側』になろ うとしていますか？」 この質問への答えが、最も重要な判断基準です。 # 具体的な例 - **営業メールの例**: 「弊社の新サービス『すごいAI』のご紹介です。ぜひ一度お打ち合わせの機会をください。」 - **思考**: 送信者が自社サービスを売り込み、私たちからお金を受け取ろうとしている。→ **分類: 営業** - **案件問い合わせの例**: 「貴社の『すごいAI』について導入を検討しています。**ご説明いただきたく、**お打ち合わせをお願いできますか？」 - **思考**: 送信者が私たちのサービスに興味を持ち、私たちにお金を払う前提で連絡してきている。→ **分類: 案件問い合わせ** # 判断基準 上記のフレームワークと例に基づき、各カテゴリを以下の基準で判断してください。 ### 「案件問い合わせ」とは - 送信者が**「お金を払う側」**として、私たちのサービスや製品の導入を検討している。 - **私たちのサービス導入を具体化するための打ち合わせ（例：「貴社サービスについて詳しくお話を伺いたい」）の依頼は、これに該当します。** - **注意**: 送信者自身のサービス紹介や、彼らのサービスに関する打ち合わせ依頼は、たとえ丁寧な言葉遣いであっても「案件問い合わせ」には絶対に含めません。 ### 「営業」とは - 送信者が**「お金を受け取る側」**になろうとして、彼らのサービスや製品を私たちに売り込んでいる。 - **彼ら自身のサービスを売り込むことを目的とした**面談や打ち合わせを要求している。（例：「弊社のサービスをご紹介させて頂きたく…」「一度ご提案の機会を頂きたく…」） ### 「スパム」とは - 上記のいずれにも該当せず、受信者との関連性が極めて低い、一方的な大量配信メール。 ### 「その他」とは - 送信者のメールアドレスのドメインが@moltsinc.co.jp・@tigermonday.comなど内部関係者
27. 作例：お問い合わせメール判定 02 © 2025 TIGER MONDAY inc. 27 プロンプト # ルールと特記事項 - **最優先ルール**: `相談内容:`のような定型項目と`相談内容の詳細:`のような自由記述本文の内容が異なる場合、自由記述本文の意図を最優先で判断してください。 - 各カテゴリの確率は、合計で100%になるように算出してください。 - `explanation`には、上記「思考のフレームワーク」と「判断基準」にどう合致したかを簡潔に記述してください。**特に、打ち合わせ依頼が含まれる場合は、その目的が 「売り込み」か「購入検討」のどちらであるかを明確に記述してください。** - HubSpotのトラッキングリンクのような長いURLは、そのリンク自体を分析対象から除外し、文脈のみを考慮してください。 - explanationとprobabilitiesは論理矛盾がないようにしてください。 - メール送信者ドメインが以下の場合は「営業」扱いとしてください - xxxxxx.co.jp # 出力フォーマット 以下のJSON形式で、キーや構造を完全に守って出力してください。JSON以外の説明文や前置きは一切不要です。 特に、```json のような文字は含めないでください。 { "original_text": "{{ $json.text }}", "probabilities": { "案件問い合わせ": 0, "営業": 0, "スパム": 0, "その他": 0 }, "explanation": "" }
28. 作例：月トラおはよう 28
29. 作例：月トラおはよう 02 © 2025 TIGER MONDAY inc. 29 AIによって毎日内容が変わる。 毎朝の出勤・生存確認用におはようスタンプを押してもらう。
30. 作例：月トラおはよう 02 © 2025 TIGER MONDAY inc. 30 ただ、このAIワークフローは重大な欠点がある。 人間の反応率が極めて悪い。（反応者は数名ないし0名も多い） AIによるデータ検知、アラート出しは非常に有効であるが、 アラートの使い方にこだわらないと人間はアラートを無視する。 私の仮説では、人間の投稿者が毎朝これを投稿していたら、 反応してくれなくて悲しいと思う投稿者がいたり、 なんで反応しないのかと憤る投稿者がいたりして、 人間というものはそうした相手の感情をそれとなく察して、反応してくれるもの だと推察しているが、 AIは感情を持たないゆえ、人間もAIに対して情が湧かない。 ゆえに、こうしたアナウンスを出しても無視されがち。 これはAIを活用して検知・モニタリングする上での重大な課題である。 （べつに悲観しているわけではありません。フィールド調査としてとても面白い示唆が得られ たと感じています。人間を動かすのは人間の役割なのかもしれません。）
31. © 2025 TIGER MONDAY inc. AI Readyにするための準備 データ統合とコンテキスト 03 31
32. デジタルマーケティングで扱う主なデータ 03 © 2025 TIGER MONDAY inc. 32 広告 Google広告、Facebook広告、Yahoo! 広告など 広告ごとの費用対効果（ROAS、CPA） を把握し、予算配分やクリエイティブ改 善に活かす。 指標例 インプレッション数 クリック数 コンバージョン数 広告費用 広告ごとの成果 MA Marketo、HubSpot、Pardotなど 見込み顧客の育成状況を可視化し、営業 連携やパーソナライズ施策に活用。 指標例 メール配信履歴 開封・クリック率 スコアリング リードナーチャリングの進捗 SEO Google Search Console、Ahrefs、 SEMrushなど SEO対策の成果を追跡し、サイトの検索 エンジン最適化に活用。 指標例 検索ボリューム クリック数 コンバージョン数 キーワード順位 SEOに関わるサイトの技術指標（Core Web Vitalsなど） SFA/CRM（顧客管理） Salesforce、Senses、Zoho CRMなど 優良顧客の抽出やクロスセル・アップセ ル施策、解約防止施策に活用。 指標例 顧客属性 商談履歴 契約状況 LTV（顧客生涯価値） SNS Facebook、Instagram、LINEなど SNSでの反響分析や、オフライン施策と の連携評価。 指標例 フォロー数 エンゲージメント率 コメント数 シェア数 基幹 顧客情報、商品情報、注文情報など 基本的なビジネス分析やレポート作成に 使用。 指標例 顧客情報：顧客ID、名前、住所、電話 番号など 商品情報：商品ID、商品名、価格、在 庫数など 注文情報：注文ID、注文日、注文商 品、注文金額など その他 NPS（推奨意向）、オフラインイベント 参加履歴、アンケート結果・コンタクト センターの問い合わせ履歴など オフラインイベントの成果分析や、アン ケート結果に基づく顧客ニーズ把握。 (Marketing Automation) アクセス解析 PIANO Analytics、Google Analytics、Adobe Analyticsなど どのチャネル・ページが成果に貢献して いるかを分析し、サイト改善や集客施策 に活用。 指標例 サイト訪問数 流入経路 直帰率 ページごとの離脱率 ユーザー属性 コンバージョン数
33. 認知 Awareness 興味 Interest 検討 Consideration 購入 Purchase 継続 Retention 推奨 Advocacy 拡散 Amplification Promotion (宣伝) Acquistion (獲得) ダブルファネルによるデータの大まかなマッピング © 2025 TIGER MONDAY inc. 33 Retension (継続) Influence (拡散) 広告 MA SEO SNS アクセス 解析 SFA/CRM 基幹 NPS等 アンケート SNS 対応するデータ 03
34. つまり... マーケティングの全容 複数の異なるデータを参照 34 を捉えるためには する必要がある
35. さらに... ひとつのデータの箱に整理整頓、ラベリングして 格納することで、AIもうまくデータを利用してく れる 35
36. データウェアハウスにデータを統合していくことで、複雑な分析も容易に行える環境を手 に入れる 03 © 2025 TIGER MONDAY inc. 36 サイト・アプリ 行動ログ 検索（SEO） 広告 MA/CRM 基幹データ データ連携 サービス （ETL） データウェアハウス データ蓄積 データ統合 集計 セグメンテーション・リスト化 機械学習 広告連携 MA連携 深い分析 AIによる分析 自動化 BI・ ダッシュボード データ連携 サービス （リバース ETL） ソリューション構成イメージ データカタログ
37. データソース データそのもの CRM / ERP / Webログ / 広告データ / IoTなどのデータ ETL データをツールやDBから抽出して移動させる ちょっとした加工もできる TROCCO / Fivetran / CData DWH (データウェアハウス) データを分析専用DBに格納する BIツール用などに加工も行う（データマート） BigQuery / Snowflake / Amazon Redshift / Azure Synapse Analytics / Treasure Data BI データを可視化・ビジュアライズする インサイトも見つける Looker Studio / Looker / Tableau / Power BI データ統合を行ううえで知っておくべき用語とツール 03 © 2025 TIGER MONDAY inc. 37 広告 / SEO / SNS / アクセス解析 / MA / SFA/CRM / 基幹... ツールの目的 ツール例 データカタログ メタデータ管理 データのためのデータ：データ資産の棚卸 テーブルやカラムの意味・指標の定義など。AI時代を見据え 重要になりつつある。 Alation / COMETA / タヅナ
38. データのためのデータとは？ 03 © 2025 TIGER MONDAY inc. 38 # BigQuery Table name `xxxx.searchconsole.searchdata_site_impression` # BigQuery Schema fields: - name: data_date type: DATE mode: NULLABLE description: "" - name: site_url type: STRING mode: NULLABLE description: "" - name: query type: STRING mode: NULLABLE description: "" - name: is_anonymized_query type: BOOLEAN mode: NULLABLE description: "" - name: country type: STRING mode: NULLABLE description: "" # Special notes 平均掲載順位の計算は以下の通り ((sum(sum_top_position) / sum(impressions)) + 1.0) AS avg_position ctrはパーセント・小数点第二位まで avg_positonは小数点第一位まで データ定義 参照先テーブル スキーマ（カラム定義）のYAML 出力デザイン CTRは慣例的に小数点第2位にしたいなど このデータはなんのために使用するのか どのようなクエリで利用されることが多いか 指標の定義は？
39. データのためのデータとは？ 03 © 2025 TIGER MONDAY inc. 39 皆さんに質問です。 「売上」の定義を教えてください
40. データのためのデータとは？ 03 © 2025 TIGER MONDAY inc. 40 「売上」の定義のバリエーション 税込・税抜 割引あり・なし ポイント利用含む・除く クーポン利用含む・除く あたりまえですが、この辺りの定義をしっかりAIに指示しないと、 数字を盛大に間違えます。（消費税有無を間違えるだけでも数字が10%変わる） AI時代を見据えて、AIにデータ分析させるためのルール整備が 月曜日のトラの新しい仕事になると考えています。
41. AI with BI, Text-to-SQL の文脈を考えると今後特に重要 データ統合時に気にしておくべき観点 03 © 2025 TIGER MONDAY inc. 41 データ品質の担保 重複データの検出と解消（同 ⼀顧客の複数レコード等） ⽋損値の特定と適切な対処（補完または除外判断） 名寄せ処理による顧客情報の ⼀元化 ガバナンス‧セキュリティ確保 役割ベースのアクセス権限設定（部 ⾨‧役職に応じた閲覧制限） 個 ⼈情報管理と法令遵守（GDPR、個 ⼈情報保護法等） データ変更履歴の追跡と監査証跡の保持 データ定義の統 ⼀ ⽤語‧指標の標準化（「顧客」「売上」等の定義統 ⼀） データ粒度の調整（ ⽇次/ ⽉次/地域別/商品別等） 集計期間・タイムゾーンの整合性確保
42. データ DWHやデータレイクに蓄積され ている、事実や記録そのもの 数値データ ログデータ 取引情報 顧客属性 商品・サービス情報 外部データ IoT/機器データ コンテキスト データの意味づけや判断軸を 検討するための背景情報 戦略的背景 ビジネス目的 KPI定義 ブランド・アイデンティティ 企業倫理 内部要因 分析の前提条件 施策履歴 過去の意思決定理由 外部要因 キャンペーン情報 地域特性 シーズナリティ 競合状況 データ分析をAIに任せる未来、その精度を左右するのは「コンテキスト」 03 © 2025 TIGER MONDAY inc. 42 少し先の未来を考えると、データ分析をAIに任せるというフェーズは確実に訪れます。その際に正し い・役に立つ示唆をAIが出せるかは、ツールに蓄積されたデータだけでなく、コンテキストの蓄積が 分析精度を左右するポイントになります。
43. © 2024 TIGER MONDAY, LTD © 2025 TIGER MONDAY inc. 43