経営から紐解くデータマネジメント

経営から紐解くデータマネジメント   〜データ基盤を利益源泉に変える成長戦略〜   1 2025.11.26 #pNdatasummit

奥村純 / Jun Ernesto Okumura @pacocat  データアナリスト  機械学習エンジニア（強化学習）  
AI PdM  2014 2019 執行役員 / Data Director  • データ組織（BI/AI/Data Management）  包括的なマネジメント   2024 執行役員 / Chief Data Oﬃcer / Marketing本部長  • 経営戦略・データ戦略策定と推進   • マーケティング戦略推進   DeNA  Eureka (Match Group)  GA technologies Group  • toCビジネス  • データ分析  • ML（推薦・強化学習）  • データ基盤技術  好きな領域趣味 • 登山（日本百名山挑戦中）   • 茶道（最近始めました）  

情報発信など   出版・翻訳 note SpeakerDeck 取材記事データ組織マネジメントについて発信   推薦技術・因果推論・強化学習など
勉強会登壇   「経験とカン」をデータで再現できるか。二人博士が語る、変革本質（ NewsPicks. 2025） CDOが語る - 求められるデータ人材像と、それを生かす組織風土と（ TECH＋,2025）  「データ力で、GAグループ全体意思決定精度とスピードを加させる」新執行役員・奥村純就任インタビュー（ GAグループ公式note, 2024）｢マッチングアプリ婚｣を後押しする､陰立役者ペアーズ｢質｣､どように作り出されるか（東洋経済 , 2024） Pairs マッチングでAIが果たす役割と？ Pairs Data Director奥村純に聞く、感情感覚領域にある「 AIにしかできないこと」（レバテック LAB, 2023） YouTube 驚異リコメンド力　強化学習避けて通れない（日経クロストレンド , 2020） …

4 本講演で扱いたい「問い」   データマネジメントどこを目指すべきなか？     経営目線でデータ活動を成功させる要素
何か？  

5 本講演アウトライン   GA technologies 紹介  不動産領域におけるデータ活動・事例について    
  データマネジメントが目指すべき方向性   経営から見たデータマネジメント・データ活用       「経営 x データ」将来   データ活動をプロフィットセンターへ   01  02  03 

6 会社紹介 / GA technologies 

事業紹介 / AI不動産投資サービス RENOSY  ※1 東京商工リサーチによる投資用不動産売上実績（2025年3月調べ）  ※2 東京商工リサーチによる投資用不動産会社売上原価調査（2024年10月調べ） 

9 ワンクリックで不動産が流通する未来へ  

10 不動産 x テックで広がる市場   • 中古コンパクトマンションだけでなく、ファミリーマンションやアパート等へ商材拡大 • 7カ国55拠点に広がる、グローバルを意図した事業展開

継続的な成長を支えるリアル x テック • 事業堅調な成長により収益・事業利益率が上昇基調（ YoY+30%ペース） • 継続的な成長ために、データやテクノロジー
本質が問われる現場

GA technologiesにおけるデータ活動

データ組織：プラットフォームからアプリケーションまで   Data Management 高品質で安全なデータ提供 Data Analytics 意思決定ためデータサポート
Applied ML AI開発・運用 ML基盤開発・運用プラットフォームアプリケーション AISC R＆D DX促進各テック機能バックエンドフロント SRE QA ... CDO：データ組織テクノロジーインキュベーション室テクノロジー全般戦略策定、組織開発、プロジェクト管理

14 不動産領域におけるデータ活動特徴   ① サイロ化されたデータ • 事業主体や目的らつき •
データソース・仕様多さ ② 多様なデータ • 非構化データ • 構化データ ③ 未発掘ユースケース • 不動産xデータに関わるプレイヤー少なさデータを標準化すること、つながることで価値が生まれる生成AI技術などで一足飛びに活用フェーズが広がっている新しい標準を作る面白さ事業貢献余地高さ

15 上流から下流までデータ接点   物件保有者 (toC, toB) 集客 (PULL, PUSH)
投資 CP 実需戸建一棟海外セグ1 セグ2 セグ3 物件売却（仕入） RENOSY オーナー営業 (人, Tech) 集客 (PULL) 物件購入（販売）賃借人 Asset Management Property Management 物件調達販売物件マネジメント物件売却（Buyer→Seller転換）

16 データがつながることで生まれるアプリケーション・価値   投資 CP 実需戸建一棟海外セグ1
セグ2 セグ3 物件売却（仕入） RENOSY オーナー営業 (人, Tech) 集客 (PULL) 物件購入（販売）賃借人 Asset Management Property Management 物件売却（Buyer→Seller転換）集客最適化  集客最適化  仕入れ戦略最適化  物件営利透明化  マッチング最適化  ・物件⇔顧客  ・プランナー⇔顧客  ・プランナー⇔物件  Sales Enablement  ・商談データ分析  ・ナレッジマネジメント   ・ダッシュボード  ・…  入退去予測  運用予想  実績可視化  物件レコメンド  テックナーチャリング   BI提供（KPIマネジメント、As-Is見える化による精度高い施策立案、 ARPA改善）、ガバナンス  多様な物件・顧客基盤データ蓄積による新規ビジネス可能性   各種推薦  ※ 素朴に思いつきそうなアイディア一部   　実際、これ以外施策含め経営戦略から優先度立てて推進しています   物件保有者 (toC, toB) 集客 (PULL, PUSH)

17 事例１：マーケティング効率最適化 → 数億円利益貢献   広告宣伝費を6億円削減しても、事業利益に与える影響
プラスと分析（億円）大量データと分析技術に支えられた精緻なコストシミュレーション広告宣伝費削減額 2億円 4億円 10億円 8億円 6億円事業利益へ影響広告宣伝費削減額に応じた事業利益に対する影響分析 - 通期ベース顧客獲得モデル精緻化で、利益とバランスを取った広告宣伝費削減額シミュレーションが可能に

18 • 数万〜数千万幅広いベネフィット  • グループ会社にまたがる幅広い事業部  • 営業・HR・バックオフィス等様々な部署 
会社全体で利用が進んでおりインフラサービス 1つに事例２：Difyを中心とした生成 AI活用支援 → 1億円以上利益貢献   ※ 一部み切り出して紹介  

19 生成AIによって解決した課題例：面談キーアクション分析   ご成約  Field Sales  オンライン面談   Inside
Sales  電話面談   Web  問い合わせ   こ範囲人が多く関わる領域で定量的な分析や施策実施に課題があった • お客様問い合わせから物件購入に至るまで、人が関わるプロセスが多く存在 • フローが分断しやすく、ナレッジが属人化しやすい課題があった

20 面談キーアクション分析：アーキテクチャ   内製SFA KPIs Table Streamlit データソース BIツール
ETL Snowﬂake Task APIでデータ取得営業活動記録   Streamlitアプリを用いた   キーアクション実施有無確認   アクション実施有無と KPI 相関からインサイト獲得   Transcript Check Result

面談キーアクション分析：アーキテクチャ   Streamlit   アプリ個人やチームで PDCA 回せて  いるが、事業部全体で
難しい   Before 横断的に面談を振り返る仕組みを構築、得られたインサイトを次面談に活かす  After チームA チームB チームC • 特定アクション有無がど程度 KPIに影響しているかを検証可能に • 事業横断でナレッジが共有され、業務生産性が向上（効果が 150%を超えるもも）

22 GA technologies データ組織活動内容出版＠技術書典 18  目次  1. GA
technologies データ活用全体像   2. GA technologies データ基盤これまでと今後   3. 不動産領域データモデリング進め方   4. 不動産オープンデータ活用   5. GA データ民主化歩み   6. データアカデミー　事業部データ活用人材育成プログラム   7. The Modern MLOps Platform  8. CAPIを通じた広告効率最適化   9. GA technologiesで生成AI活用  10. Streamlit in Snowﬂakeで加する不動産テック企業データ活用   11. GA technologiesにおけるデータ周辺領域でキャリア形成について  

データ基盤が目指すべき方向性  

24 データ基盤でどう事業貢献していくか   データプラットフォームデータアプリケーションデータアプリケーションデータアプリ
ケーション • データ基盤ただプラットフォームでそれ自体で価値が出せる訳でない • 基盤上に「何を載せるか」「どう下支えするか」が大切 • それによって、取得するデータや管理方法も変わってくる

ケーション Peter Aiken’s Framework Data Management Framework • データ基盤ただプラットフォームでそれ自体で価値が出せる訳でない • 基盤上に「何を載せるか」「どう下支えするか」が大切 • それによって、取得するデータや管理方法も変わってくる

ケーション • データ基盤ただプラットフォームでそれ自体で価値が出せる訳でない • 基盤上に「何を載せるか」「どう下支えするか」が大切 • それによって、取得するデータや管理方法も変わってくる

データが中心となるビジネスモデル構築意思決定スケール AIにつなぐデータ基盤 1 2 3 27 目指すべきデータ活動
方向性  

方向性  

29 1 売上を改善する方向性売上顧客数顧客単価見込み顧客数購入率データ施策例
ターゲティング最適によるリード数最大化 LPサイト CVR最適、A/Bテストレコメンドによる購入率改善導線最適化、A/Bテスト顧客ニーズに合わせた商品提案アップセル・クロスセル分析 • 売上やGMV ようなトップライン指標を分解して、データ施策によって改善する活動 • 型も存在し、着手しやすいもが多い

30 2 （営業）利益を改善する方向性売上粗利原価営業利益販管費経常
利益営業外損益純利益特別損益＋税金サプライチェーン管理による在庫最適調達元最適化マーケティング ROAS運用オペレーション自動化・工数削減 • 売上から削られる原価や販管費を抑えることで、会社利益効率を高めていく活動 • コスト削減など結果が数値化しやすいで、説明がしやすい

31 3 ROE/ROICを改善する方向性売上粗利原価営業利益販管費経常
利益営業外損益純利益特別損益＋税金損益計算書（ P/L）貸借対照表（ B/S）資産負債株主資本有利子負債 • 投下した資本に対する利益効率を追求する活動 • 会社に投資するべきか判断軸に影響し、会社価値をより本質的に上げられる ROE ＝ ROIC ＝株主資本（純資産）純利益株主資本＋有利子負債純利益

32 データマネジメントが目指すべき方向性   投資 1 利益 X倍投資効率高い経営データ
利益投資効率高いデータ基盤 1 投資が、他投資利回りを上回る利益を生み出し、さらに再投資が加する仕組みデータが貯まったら、アプリケーションが利益を生み、さらに良質なデータに還元される仕組み

33 データによるマッチングを中心に据えた「仕組み」例   物件・顧客・対応データ • 上流から下流まで • 標準化された形式
適切に加工・利用される基盤 • マッチング精度改善顧客体験と事業指標改善 • CPA・成約率・LTV・CCC... • 良い体験拡散さらに集まるデータ、強化されるマッチング精度、体験改善多様なデータを標準化して集める取得戦略精度が改善し続けるマッチング仕組み体験フィードバック、事業モニタリング

GA technologiesにおけるデータ取得戦略   34

方向性  

36 データマネジメントが目指すべき方向性   利益 X倍人がスケールする経営理想人が2倍になったら、2倍以上売上・利益が生まれる構現実
• 複雑化する事業・コミュニケーション • 進む業務細分化、属人化 • 共通認識作りづらさと組織重さ

正しい事業理解を妨げる課題   正しい指標が取れていない • 指標定義が曖昧 • 不正確な手入力データ意思決定人依存が強くなる（スケールしない）
意思決定精度が低くなる（経営効率が悪くなる）データが取得できていない • DB化されていない情報属人化された管理 • 把握しきれないスプシ • 伝達されないノウハウ 37

38 GA technologiesでアプローチ① 主要指標コードレベルで管理   10月売上
• 集計対象？ ◦ 10月に成約した売上 vs 10月見込み顧客から生まれた売上 • 売上発生条件？ ◦ 申込 vs 成約 vs 決済 • 事業部範囲どこまで？ ◦ 同じ見込み顧客を共有する複数事業 vs 特定事業 • 扱うタイムゾーン？ ◦ 現地時間 vs 日本時間 vs UTC ・・・

39 10月売上 • 主要指標をコードベースで管理することで、定義唯一性を担保 • 事業部も含めた複数人レビュー・合意形成フローにより、浸透を促進 GA
technologiesでアプローチ① 主要指標コードレベルで管理  

40 GA technologiesでアプローチ② データモデリングによる負債解消   課題 • 参照元
データが多岐にわたり複雑化 • 中間テーブル責務が曖昧で似たテーブルが乱立 • 不整合がどテーブルにあるかが分かりづらい • 検算など本質的な分析作業以外工数が肥大化対策 • レイヤー責務明確化 • dbtを用いた変換コード管理 • 半年以上かけた作り直し • 品質テスト導入

方向性  

42 LLM（大規模言語モデル）を中心とした AI活用流れ   LLM 急な進化と API化複雑なタスク
構化と実行が可能にツール等エコシステム発展外部ツールを使う仕組み（LangChain等）自律的エージェント登場（CrewAI等） PoC 急増とユースケース明確化非定型業務自動化等活用事例が急増社内システムと連動したアシスタントがPoC を超えて導入され始めている Singla, A., Sukharevsky, A., Yee, L., Chui, M., Hall, B., & Balakrishnan, T. (2025, November 5). The state of AI in 2025: Agents, innovation, and transformation. McKinsey & Company. Retrieved from https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

43 LLMで広がるAI ユースケース   ナレッジベーストランザクション（OLTP / DWH）外部データ
ツール群 LLM AIエージェント A タスクをして欲しい Bについて分析して欲しい Cについて教えて欲しい …

44 同時に顕在化する論点たち   ナレッジベーストランザクション（OLTP / DWH）外部データツール群
LLM AIエージェント ① 社内ナレッジをどデータ管理するか ② AIがアクセスし易いデータ基盤 • ”AI向け” データ管理 • データカタログ ③ AIエージェントガバナンス • AI アクセスコントロール • ハルシネーションなど監視 • 個人情報・著作権等法令順守 ④ ガイドライン、民主化 • 活用推進体制 • 出力品質管理 ⑤ 複雑化するシステムと組織 • 開発、運用体制 • 戦略策定機能今「とりあえずやってみる」で OK。徐々に向き合うことになる。

AI-Centric / AI-Agent Readyな基盤に向けて考えること例   • 品質監視とフィードバック ◦
人間による精度検証やフィードバックへ参加 ◦ LLM バージョニングやテスト機構 • SLO/SLI 策定 ◦ 確率的な挙動を踏まえた運用 LLM出力を人間チェックで運用している事例人間向けでない”AI向け” データ管理 • AI向け”One Big Table” ◦ 情報を一箇所に集めた横長テーブル。 JOINが減ることで精度が上がる。 ◦ パイプライン複雑化・責務肥大化による品質管理とトレードオフ • メタデータ管理 ◦ 分析コンテクストやサンプル（ e.g. 対応履歴、組織図、過去 SQL、...） ◦ ビジネスメタデータ（ e.g. “販管費” 意味、enum 値、...）出力管理

方向性  

「経営✖データ」将来  

48 あるべき姿   経営戦略  データ取得戦略  データマネジメント  戦略  データ  活用戦略  データ活用による利益増・効率化・顧客基盤構築が
  エンジンとして周り、強い障壁が形成される世界   経営戦略実現ためにあるべきデータ定義   （M&Aなども含む）  取得したデータを適切に管理・活用するマネジメント方針   （データガバナンス戦略含む）   構築されたデータ基盤上で、何をするか定義   分析/MLを使った出口戦略   作る順番  データ部門長が経営戦略策定にも関わり、一気通貫でデータ活用戦略を策定  

49 データ活動・データ基盤未来に対する想い   企業でデータ活動、経営視点で強力な旗振りが必要 • ボトムアップだけで
単発売上や利益改善に留まりやすく、長期的なROIを説明しづらい • データ基盤が本当に企業価値を作るために、投資効率を意識した「仕組み作り」が必要データ取得からデータ活用までを包含したデータ戦略が競争資源になる • データ人材・データ活用未来ためにも「経営xデータ」文脈で語りを増やしたい • 今こそ経営者がデータを語ろう、データ人材が経営を目指そう

50 まとめ  データ基盤方向性「どう下支えするか」だけでない「何を載せるか」へ意識 1. 売上→利益→投資効率を目指した、データが中心となるビジネスモデル構築
2. 意思決定スケールに向き合い続けること 3. AI時代を意識したデータ基盤追求「経営xデータ」将来 • 取得から活用まで一貫したデータ戦略が競争資源になる • 今こそ経営者がデータを語ろう、データ人材が経営を目指そう

Data本部、積極採用中です！カジュアル面談お待ちしております！ AIソリューションエンジニア BIエンジニア（業務委託）アナリティクス・エンジニアデータアナリストデータエンジニア

経営から紐解くデータマネジメント

経営から紐解くデータマネジメント

More Decks by Jun Ernesto Okumura

Other Decks in Technology

Featured

Transcript