データ界隈LT祭 第1回LT登壇

2026/09/15 25番

Transcript

1. データ界隈LT祭 第1回 ／ 2026.09.15 3分で語れるか？ データマネジメント 四半世紀史とその先 タロウ（松井太郎）
2. 自己紹介 Vポイントマーケティング株式会社 テクノロジー戦略本部長 Snowflake Data Superheroes 2025, 2026 Databricks JEDAI ORDER 2026 Padawan（見習い） タロウ（松井太郎） X（@TARO9652512797）
3. 50 25 今年、人生半世紀 うちデータに関わる仕事が25年 人生100年時代、これから何する？
4. この25年でやってきたこと 2000年 営業、BI導入、データ活用 2002年 IT異動（行くか辞めるか決めて）、システム運用 2003年 情報系、セマンティックレイヤー整備 2006年 基幹系、物流系、ネットワーク色々 2008年 開発標準化、テーブル項目辞書整備 2011年 ポイントITへ異動、取引先ID-POSデータモデル標準化 2013年 データ基盤担当（パンクしたから何とかして） 2015年 Exadataチューニング完了、Vertica導入 2017年 データ基盤クラウド移行（Azure Synapse） 2019年 販売管理システム再構築（データモデル刷新） 2020年 Snowflake導入（Verticaリプレイス） 2021年 Databricks導入（機械学習基盤整備） 2024年 Snowflake拡大（Synapse統合）、データ関連のコミュニティへ参加、システム部門の責任者に 2025年 Snowflake統合（Exadata廃止）、Snowflake Data SuperHeroes 2025 2026年 JDMC データマネジメント データ基盤賞、Snowflake Data SuperHeroes 2026
5. この25年でやってきたこと 2000年 営業、BI導入、データ活用 2002年 IT異動（行くか辞めるか決めて）、システム運用 2003年 情報系、セマンティックレイヤー整備 333分 2006年 基幹系、物流系、ネットワーク色々 2008年 開発標準化、テーブル項目辞書整備 2011年 ポイントITへ異動、取引先ID-POSデータモデル標準化 2013年 データ基盤担当（パンクしたから何とかして） 2015年 Exadataチューニング完了、Vertica導入 2017年 データ基盤クラウド移行（Azure Synapse） かかる見込みです！ 2019年 販売管理システム再構築（データモデル刷新） 2020年 Snowflake導入（Verticaリプレイス） 2021年 Databricks導入（機械学習基盤整備） 2024年 Snowflake拡大（Synapse統合）、データ関連のコミュニティへ参加、システム部門の責任者に 2025年 Snowflake統合（Exadata廃止）、Snowflake Data SuperHeroes 2025 2026年 JDMC データマネジメント データ基盤賞、Snowflake Data SuperHeroes 2026
6. サマリすると・・データエンジニアリングやデータ品質への取り組みが多かった 性能改善 コスト最適化 ETL/ELT実装 メタデータ整備 データ品質担保 データを事業や業務に 活かす基盤作り
7. アーキテクチャの進化により、性能やコストで悩むことは大きく減った 性能改善 コスト最適化 ETL/ELT実装 メタデータ整備 データ品質担保 データを事業や業務に 活かす基盤作り
8. AIの進化で、実装やメタデータ整備・データ品質も効率的にできるように 性能改善 コスト最適化 ETL/ELT実装 メタデータ整備 データ品質担保 データを事業や業務に 活かす基盤作り
9. ガッツリやることが減った
10. 残ったのはデータモデリング =より本質的なデータ設計
11. データモデリングは何のために 業務の活動と状態を表すため
12. 活動の状態は概ね表せているはず 活動を決めるヒトの意思は？ 意思決定のモデリングは？
13. ある商品を発注する時のアクション 9/8 商品Aを 200個追加発注 判断 参照 9/7時点の在庫と 直近4週の販売 根拠 生成 商品A 発注伝票を起票・登録 対象 実行結果 次の判断の根拠に
14. ある商品を発注する時のアクション この行為をするために必要なオブジェクト ってこれだけ？ 9/8 商品Aを 200個追加発注 判断 参照 9/7時点の在庫と 直近4週の販売 根拠 生成 商品A 発注伝票を起票・登録 対象 実行結果 次の判断の根拠に
15. 発注一件に必要なオブジェクトってもっと多い 100万円以下は 担当が決裁 参照 権限 適用条件 適用条件 商品の追加発注決定 準拠 判断の型 発注規定 第3条 （在庫週数） 参照 実行者 9/8 商品Aを 200個追加発注 前提 判断 参照 根拠 判断主体 基準 参照 9/7時点の在庫と 直近4週の販売 店舗Bの発注担当 先例 8/25 同商品を 150個発注（入庫予定） 先行する判断 生成 商品A 発注伝票を起票・登録 対象 実行結果 次の判断の根拠に
16. この意思決定をモデリングすると（イメージ） 参照 権限 型×主体×条件・有効期間 適用条件 適用条件 判断の型 準拠 例：商品の追加発注決定 基準 判断主体 規定の条項 人事・組織・システムID 参照 参照 判断 決定内容・時点 参照 実行者 前提 先例 先行する判断 ＝判断（自己参照） 生成 根拠 対象 実行結果 判断時点の各PIT 何についての判断か 状態層の変更（変更なしも） 次の判断の根拠に
17. データ基盤でモデリングされているのは青だけ 参照 権限 型×主体×条件・有効期間 適用条件 適用条件 判断の型 準拠 例：商品の追加発注決定 基準 判断主体 規定の条項 人事・組織・システムID 参照 参照 判断 決定内容・時点 参照 前提 先例 先行する判断 ＝判断（自己参照） 生成 根拠 対象 実行結果 PITは未整備 何についての判断か 変更なし・却下は未記録 次の判断の根拠に ▪ データとして存在 実行者 ▪ あるが一部欠ける
18. 黄色はドキュメントやワークフローなどの非構造、破線はそもそも暗黙知 参照 権限 型×主体×条件・有効期間 適用条件 適用条件 判断の型 準拠 例：商品の追加発注決定 基準 判断主体 規定の条項 人事・組織・システムID 参照 参照 判断 決定内容・時点 参照 実行者 前提 先行する判断 ＝判断（自己参照） 先例 生成 根拠 対象 実行結果 PITは未整備 何についての判断か 変更なし・却下は未記録 次の判断の根拠に ▪ データとして存在 ▪ あるが一部欠ける ▪ ドキュメントやワークフローの中 ▢ どこにも明文化されていない
19. 業務の“真の暗黙知”をモデリングした時にAIエージェントは自律的に動きだす 参照 権限 型×主体×条件・有効期間 適用条件 適用条件 判断の型 準拠 例：商品の追加発注決定 基準 判断主体 規定の条項 人事・組織・システムID 参照 参照 判断 決定内容・時点 参照 実行者 前提 先例 先行する判断 ＝判断（自己参照） 生成 根拠 対象 実行結果 PITは未整備 何についての判断か 変更なし・却下は未記録 次の判断の根拠に
20. 意思決定のモデリングの先に組織のAI-Native化がある 意思決定に必要な要素を データモデリングする =データマネジメントの対象に
21. これからの25年 業務をもっとモデリングする そしてAI-Nativeな組織へ ＝さらに難易度が高い仕事
22. これからの25年 業務をもっとモデリングする そしてAI-Nativeな組織へ ＝さらに難易度が高い仕事 めっちゃ楽しそう 参照文献 The PROV Ontology OMG DMN（Decision Model and Notation） タロウ（松井太郎） データ界隈LT祭 第1回 Palantir Foundry Ontology（ Action Type / Action Log）