データ民主化のための LLM 活用状況と課題紹介（IVRy の場合）

2026-01-30「Data Engineering Study #33 LLMを活用したデータ民主化の進め方」の登壇時の資料です。
https://forkwell.connpass.com/event/377153/

Transcript

1. データ⺠主化のための LLM 活⽤状況と課題紹介（IVRy の場合） Data Engineering Study #33 LLMを活⽤したデータ⺠主化の進め⽅ 2026-01-30 株式会社 IVRy 和⽥ 悠佑
2. 2 ⾃⼰紹介 2013 年: ヤフー Android エンジニア、データサイエンティスト、etc, ... 2019 年: メルカリ データアナリスト、検索エンジニア 2022 年: estie（不動産領域バーティカル SaaS） データエンジニアとして Snowflake や dbt 導⼊ 2024 年: IVRy（対話型⾳声 AI SaaS） アナリティクスエンジニアとして データ分析や各種データモデル整備 和⽥ 悠佑 Analytics Engineer
3. 3 オフィスに壁、あります
4. IVRとAIであらゆる電話対応を効率化 「アイブリー」 4 プロダクト
5. 累計5,000万着電に⾃動応答しています 5
7. 7 本編
8. 8 データの⺠主化、まだまだです
9. 1. 「データの⺠主化」と LLM 2. どう作っているか 3. できていること 4. できていないこと 5. 今後の LLM 活⽤ 9 もくじ
10. 10 「データの⺠主化」 組織内のすべての⼈が データに（適切に）アクセスできるようにすることであり、 データを理解するために必要なツールや トレーニングを提供することです。 「データの⺠主化：信頼されたデータの活⽤によるビジネスの変⾰」から引⽤ https://www.databricks.com/jp/blog/data-democratization-embracing-trusted-data-transform-your-business
11. 11 「LLM を活⽤した」データの⺠主化 組織内のすべての⼈が データに（適切に）アクセスできるようにすることであり、 データを理解するために必要なツールや トレーニングを提供することです。 ここに LLM を活⽤
12. 具体例 12
13. 実現できていることの例 13 総着信数を教えて 着信数の累積和が 5,000 万を超えたのはいつ？ X,XXX 万件です 2025 年 6 ⽉ XX ⽇です
14. 14 嬉しいこと：データを使える⼈が増える SQL がわからなくても データ系メンバーに依頼しなくても ⾃然⾔語でデータにアクセスできるように
15. 15 嬉しいこと：データの理解もサポート 「⽉ごとの着信数の累積和をグラフにして」 「着信数の定義を教えて」 「hoge.fuga.metric__calls」の incoming_call_count で 定義されており、着信の発⽣件数を表します。 ⽇付、顧客単位で集計されています。
16. 16 嬉しいこと：適切なアクセスにもなる コンテキスト毎に AI ⽤のスペースができるので 結果的に正しいデータへのアクセスになる 例えば、「電話の発着信数」と⾔っても 「事業がうまくいっているのか」が知りたい時と 「バックエンドのシステムの負荷」を考えたい時で変わる
17. 1. 「データの⺠主化」と LLM 2. どう作っているか 3. できていること 4. できていないこと 5. 今後の LLM 活⽤ 17 もくじ
18. データ基盤のアーキテクチャ ( https://findy-tools.io/companies/ivry/90/76 ) 18
19. 今⽇はここ 19
20. 社内分析⽤データのパイプライン 20 Databricks の ダッシュボード機能
21. 現代のデータスタックにおける中間的な翻訳レイヤーとして機能し、 ⽣のデータをビジネスに意味のある情報に変換します。 組織全体で統⼀されたビジネスビューを作成し、データがどこに存在し、 どのように技術的に構造化されているかに関わらず、それを提供します。 「セマンティックレイヤー」から引⽤ ( https://www.databricks.com/jp/glossary/semantic-layer ) 21 セマンティックレイヤーとは
22. 22 データと ⼈ LLM の橋渡し データの仕様（テーブル、カラム、etc, ...）を知らなくても 普段使っているようなビジネス⽤語でデータ利⽤可能に LLM と相性抜群！
23. 23 Unity Catalog メトリクスビュー セマンティックレイヤーを実現する Databricks の機能 Databricks 公式サイト より
24. 24 メトリクスビューの例 AI がコメントも読んでくれるので 「顧客別の売上は？」 「⽉別の経常収益は？」 といった質問に AI が回答可能に。 measure の集計が実⾏されるので、 好きな粒度で集計可能
25. 25 AI/BI Genie 󰨄 ⾃然⾔語での Q&A Databricks 公式サイト より
26. 26 ダッシュボードのデータに対して質問可能 ダッシュボードで使われている範囲で AI が動作 = ⽬的のコンテキストに沿ったデータにアクセス可能 セールス活動分析⽤マートなら AI もその⽂脈で正しいデータにアクセスできる ここで質問できる！
27. 27 データウェアハウスのアンチパターン？ サイロ型データマートは技術的負債の⼀例です。 『アジャイルデータモデリング』より https://www.kodansha.co.jp/book/products/0000380716 モデリングは試⾏錯誤中…… 今は、⽤途（コンテキスト）毎に データマートを切る⽅向性
28. 28 コンテキストを意識させないのが良さそう データの⺠主化の「組織のすべての⼈が」という観点では とにかく気楽に使えるようにするのが良さそう コンテキストの細分化が⾟くなってきた時、 データモデリングより組織構成に⼿を⼊れないとかも？
29. 1. 「データの⺠主化」と LLM 2. どう作っているか 3. できていること 4. できていないこと 5. 今後の LLM 活⽤ 29 もくじ
30. 30 事業に関わる重要指標から LLM 対応 同じ⽤語でもコンテキストが⼀致しているか⾃明でなく レポートする側‧受ける側で、認識がずれることがあった 過去の課題 少なくとも、このコンテキストの時の正解の値はこれ！が セマンティックレイヤー化されてきて定義がずれない。 誤りがあっても、セマンティックレイヤーを更新するだけ 徐々に改善
31. 31 重要な指標は徐々に⼿離れ 2025−04 時点 2025−12 時点 Genie の回答の元になる SQL を 念の為レビューするくらい
32. 1. 「データの⺠主化」と LLM 2. どう作っているか 3. できていること 4. できていないこと 5. 今後の LLM 活⽤ 32 もくじ
33. 33 データモデリング難しい セマンティックレイヤーは AI との相性は良い LLM 以前からある概念だが、浸透しきっている印象はなかった = それなりにハードルが⾼い ビジネスの理解も必要で まだまだ現場レベルのモデルが準備できていない
34. 34 オープンでないデータの存在 適切な管理状態にないデータは依然存在 Databricks からスプレッドシートへエクスポートされ その中で組み上げられた分析データ Databricks のサンドボックス環境で 業務で使うデータが組み上げられてしまうことも このあたりが できていない
35. 35 LLM でなんとかできてしまうことも増えた SQL を書くコストは更に下がった コンテキストの詳細を知らなくてもそれっぽいデータは探せる データ仕様を知らなくてもそれっぽいクエリは作れる 本当に必要なものをデータ職の⼈が知りに⾏かないといけない
36. 36 反省: LLM に逃げるな 「データの⺠主化」の難しいところはそのまま ⼈、組織、⽂化、プロセス、……、データ以外の全て LLM やセマンティックレイヤーは銀の弾丸ではない （とはいえ、LLM で解決できることは LLM で解決したい）
37. アナリティクスエンジニア、キャリア⾒失いがち データの⼈なのに、課題はデータ以外に依存している 「LLM を活⽤できるデータモデリングをしていく」 という⽬指すところができたこと⾃体は結構嬉しい 37 逃げるは恥だが役に⽴つ
38. 1. 「データの⺠主化」と LLM 2. どう作っているか 3. できていること 4. できていないこと 5. 今後の LLM 活⽤ 38 もくじ
39. 39 クエリ履歴の要約‧分析 「モバイルアプリのログを Agentic Coding で SQL を書かせてダッシュボードを作る」 https://zenn.dev/ivry/articles/aeb38a8acf2f9f Databricks に貯めたエラーログを ai_query() 関数で 要約してモニタリングしている社内事例 Databricks のクエリ履歴に対しても同じことをして セマンティックレイヤー開発に活かしたい
40. 40 社内コミュニケーションデータの活⽤ 「Slackの投稿をDatabricks AppsとAIに投げ、四半期の振り返りを爆速化する」 https://zenn.dev/ivry/articles/ff109a274000e3 Databricks に取り込んだ Slack データを ai_query() 関数を使って 振り返り⽤のテキストを⽣成する社内事例 データは結局コミュニケーションのためのものなので 実際の使われ⽅を拾いに⾏くことも試したい
41. 41 まとめ LLM を通して分析データにアクセスできるようにしている Databricks の metric view, Genieを活⽤ セマンティックレイヤーを整備し、⼀定⺠主化されてきた データの⺠主化に関わる問題、全然まだある。頑張ろう
42. 42 We are Hiring!
43. 43 『三⽥データ』やってます データ系技術者を対象に、IVRy オフィスで勉強会開催してます