Share
Embed
GA technologiesでのAI-Readyの取り組み@DataOps Night
下記イベントの登壇時の発表資料です。
DataOps Night #8 ~スケーラブルでAI-Readyなデータ基盤の最前線~
https://finatext.connpass.com/event/365995/
yuto16
September 29, 2025
Transcript
28 slides
-
GA technologiesでの AI-Readyの取り組み ~不動産投資の面談データを例に ~ @DataOps Night #8 GA
technologies Data本部 Applied ML部 酒井悠斗 Data Scientist 2025/09/29 -
1. 登壇者紹介 / 会社紹介 2. GA technologiesのData Architecture紹介 3. なぜいまAI
ready?AI Readyとは? 4. 面談データ活用を例とした課題と解決策 5. まとめ・Takeaway アジェンダ -
登壇者紹介 酒井 悠斗 / Yuto Sakai 職歴:外資保険会社 → 2024年
GA technologies 所属:Data本部 Applied ML部 データサイエンティスト 社内での取り組み: ・デジタルマーケティング領域の出稿割合の最適化 ・セールス領域の行動とKPIの関連性可視化・分析 ・社内でのLLMアプリ作成ツール導入による LLMの民主化 -
GA technologiesのDWH 内製SFA 広告媒体 Table Notebook Streamlit Google Sheet Snowflakeを中心として様々なプロダクト・データが連携
データソース BIツール データカタログ Reverse ETL ETL -
なぜいまAI-Readyなのか? LLMの本格活用に向けて、その準備に焦点があたっている AIエージェント時代におけるデータの整備 〜このままではAgentforceが困っちゃう!? いま整えるべきデータの話〜 https://www.snowflake.com/ja/product/features/cortex/ SnowflakeではCortex
AIが続々登場 OpenFlowなどデータ連携ツールも登場 SalesforceではAI Agent活用を見据え、 データ準備をテーマにコンペを開催 https://successjp.salesforce.com/trailblazer/sfugcup2025 AI ready自体はLLMがこれほど注目される前からある言葉だが、 LLM活用という文脈で 言葉の意味が広くなり再注目されるように -
AI-Readyとは? 文脈や視点により定義は異なるが、主に以下の 5つに大別できる 戦略 データ インフラ 人・文化 ガバナンス 経済産業省
総務省 AI事業者ガイドライン AIの活用に関する経団連の考え方 Arm AI Readiness Index 等 経営層レベルの スポンサーシップ 包括的なAI戦略 スケーラブルな アーキテクチャ LLMフローの迅速 な開発・リリース 適切な権限管理 データ品質管理 プロセス データの鮮度 組織全体の AIリテラシー 人材育成のため の計画 AI専門家と 事業部門との連携 倫理/セキュリティ 等リスク評価 LLMのバイアス への対処 適切なLLM プロバイダの選定 LLMフローの管理 適切な予算とKPI の設定 -
お客様が投資用不動産を購入するまで Webでの問い合わせから成約までの一連のフローは以下の通り Contract 契約手続き Field Sales オンライン面談 Inside
Sales 電話面談 Web 問い合わせ この範囲は人が多く関わる領域で、非構造化 データも多く、分析や施策の実施に課題が あった AI活用の余 地が大きい! -
課題1: そもそもデータがない! データが全て DWHに連携されているとは限らない、足りないデータは追加する 面談のメタデータはDWHに連携されていたが、面談の会話内容自体は Zoomの中にしか保存され ておらず、そのままでは分析などに使用することができなかった
課題 Zoomの書き起こしをSnowflakeに連携するためにAPIを呼 んで1件1件連携するタスクを作成 Zoom Revenue Acceleratorの機能がまだ出たばかりで他 社のユースケースも少ない →ひたすらドキュメントを読み込む Zoomのチーム割当がCRMのチーム割当と異なる →更新の担当者を集約して齟齬が出ないように 解決策 Snowflake 内製CRM データ インフラ 戦略 人・文化 ガバナンス New! -
課題2: アーキテクチャの悩み ユースケースに合わせてアーキテクチャを検討する必要がある(十社十色) リアルタイム性が求められるユースケースも出てきた、現在の仕組みだと連携に時間がかかり要求 に答えられない 課題 Snowflakeにバッチで連携するフローとは別に、リ アルタイムでZoomの面談データを受けて処理する
フローも作成 アーキテクチャが複雑になるが、どちらのユース ケースにも答えられる幅のあるアーキテクチャに なった ※Dynamic Tableの案もあったが主にコスト面で不 採用 解決策 n8n Snowflake Dify Slack バ ッ チ 処 理 W ebhook など Tableau など インフラ 戦略 データ 人・文化 ガバナンス -
課題3: データが繋がらない! 使いやすいデータ整備のために、プロダクトやユーザーの理解・協力が必要 社内のSFAシステムは自社開発しているもので、 Zoomとの紐付きは想定されておらず、 書き起こしデータと面談のメタデータ(担当者・面談結果など)を紐付けられない
課題 ある程度ロジックでカバーして紐付け(例: 10時に始 まったAさんの面談は、SFAにもZoomにも1件ずつ だからこれが紐づく) CRM開発側に面談データ作成時に Zoomの Meetingも作成してもらうように開発してもらう プランナーにもZoom自動発行を積極的に使用して もらうように周知 解決策 データ インフラ 戦略 ガバナンス 人・文化 -
課題4: データの品質が不十分 可能な限りデータ品質を高める一方で、他でのカバーも模索 文字起こしの精度も完璧ではなく、録音環境や話者による差もある (一般的には固有名詞や短い 単語は誤認識されやすい) 課題
LLMに渡す際にPromptでカバーする LLMへのPromptにはメインの命令だけ でなく用語集やビジネス背景、出力フォー マットなど様々な補足情報を追記している ※文字起こしを社内で別途行う案も出た が、アーキテクチャがさらに複雑になるこ とや、LLMでのカバーである程度うまく いったのでこちらは不採用 解決策 … [プランナーA] リノシーご存じですか? [顧客B] レノシー よく広告見ますよ。 … <instruction> 議事録を作成してください。 </instruction> <glossary> 1. GA technologies(ジーエーテクノロジーズ ) 我々の会社名 2. RENOSY(リノシー ) GA technologiesのブランドの 1つ … </glossary> … … 顧客はRENOSYのブランドを広告で既に 認知していた。 ... 文字起こし 議事録 Prompt データ 戦略 インフラ 人・文化 ガバナンス -
課題5: LLMアプリ開発は複雑すぎる! LLMアプリ自体の開発は、適切なガバナンスのもと各事業部で主体的に行ってもらう ビジネス要件を満たす LLMアプリを高速にたくさん作成するのは大変 事業部の数が多く中央集権的に開発を行っていると間に合わない
課題 Dify(ノーコードLLMアプリ作成ツール)を導入し、データ以 外のメンバー(現場のメンバー /PdMの担当者など)が主体 的にLLMアプリを作成できる環境を整備 →セールスだけでなく様々な事業部で LLMアプリの開発が 活発に行われるように( LLMの民主化の実現) LLMアプリもDify側でコントロールすることでガバナンスを 担保 ・管理者:適切なLLMだけAPI接続 ・利用者:設定された LLMの中で自由に選択 解決策 インフラ 人・文化 ガバナンス 戦略 データ -
課題6: LLMの出力は本当に正しい? Benchmarkを見るだけでなく、手元のユースケースで LLMの入出力を人間がチェック LLMが本当に面談を理解しているのか、どれくらい理解できているのかはっきりわからない 課題
例えば、社内で定義している面談中の主要アクショ ン(キーアクション)を例に、 LLMがキーアクションの 実施有無をどの程度正確に判断しているのか目視 チェック →結果は正解率9割以上でこのユースケースでは 十分な精度だった 他のユースケースでもこのような精度チェックを複 数実施 解決策 データ ガバナンス 戦略 インフラ 人・文化 -
課題7: アプリが使われているか分からない! 適切なロギング、モニタリングが大切 作成したアプリがどれだけ使用されているかわからない 課題 ログを取得する追加開発も行い、プランナーの使用
状況を可視化 ・毎日使ってくれる人 ・日によって使ったり使わなかったりの人 ・特定の面談種別の時だけ使ってくれる人 →導入のための検討素材の重要なパーツに 解決策 人・文化 戦略 ガバナンス データ インフラ -
課題8: 新しいツールを現場に浸透させるのは大変 使ってもらえない原因のヒアリング、その FBがより良いアプリのアイディアに 作成したばかりの新しいアプリは認知度・使用率ともに低く、 浸透させるまでには苦労を要する
課題 リリース直後は、毎朝プランナーの面談予定を チェックしてその直前で声かけや FBを集めるた めに、デスクにいき1人1人に声かけを行ったり 部長・本部長レベルでも作成したフローをどの ように使うか、どう改善すればもっと使っていけ るか方針の相談 解決策 戦略 人・文化 データ インフラ ガバナンス -
現在の話 いまでは様々な LLMアプリが面談まわりだけでも動いています(引き続き改善中) 面談内容の 定量的な分析 事前準備の自動化 フォローアップ
メールの自動化 面談の内容を LLMの力で 簡単にチェックするツール 面談の準備として、過去 の面談記録から 事前準備書類を作成 面談内容のフォローアップ 資料をLLMで作成し メールで顧客に送信 -
まとめ・Takeaway 1つでも参考になれば幸いです 1. AI Readyはゴールではなく、プロセス a. 活用されるケースを見据えて、逆算していく
b. 今回もデータを活用するユースケースがある程度見えていたのでデータ取得から頑張 れた(周りも協力してくれる) 2. 答えは1つではない a. 大枠は共通点も多いが、具体的なアプローチは会社によって様々になるはず b. 会社の状況に合わせて最適な方法を模索する必要がある 3. 不完全なデータを恐れない a. テクノロジーで補ったり、運用でカバーすることも選択肢に考える b. 完璧なデータがないと動けないのはもったいない 4. 現場との対話が重要 a. 現場とのコミュニケーション、フィードバックは大切 b. 使われて初めて価値を生む -
▶ポジション概要 • 生成AIや機械学習を活用し、事業成長と社内業務効率化を推進するAIソリューションエンジニアを募集。CDO直下の組織で裁量大きく、スピー ディーに開発・改善に携わり、不動産テック領域の変革を牽引します。 ▶ミッション • セールス生産性向上:面談データ活用、AIロールプレイング、自動申し送り書作成、リアルタイムサポートなど • マーケティング効率化:LTV予測、ROAS最適化、生成AIによる広告クリエイティブ自動化など •
物件情報活用:物件紹介文自動生成、空室・設備故障リスク予測など • コミュニケーション効率化:AIチャットボットによる問い合わせ対応自動化 • 全社的な生産性向上:テストコード自動生成、バックオフィス業務自動化など ▶スキル • ノーコード・ローコードツール(Dify, n8n等)活用経験 • Python/SQLを用いたAI開発経験 • 非エンジニアとのビジネス連携・要件定義支援経験(ネイティブレベルの日本語必須) • プロジェクト推進・完遂経験 • システム運用・効果測定経験 ▶魅力 • 膨大な実データ(年間10万件の面談データ等)を保有 • CDO直下組織での大きな裁量と迅速な意思決定 • 「まず試す」文化と高速な改善サイクルと事業貢献への強い手触り感 • 幅広い領域・フェーズ(toC/toB、グローバル)での経験 • 福利厚生充実(住宅・家族・保育手当、フルフレックス、自己研鑽制度など) ▶待遇 • 給与:年収800万〜1,200万円 • 勤務地:東京都港区六本木(六本木一丁目駅直結) • 勤務体系:ハイブリッドワーク(週3日出社目安)、フルフレックスタイム制 • 休日:完全週休2日制(土日祝) 募集要項例 / AIソリューションエンジニア 生成AI×不動産テックの最前線で、あなたのスキルを活かし、大きなインパクトを生み出しませんか?