Snowflakeで実現する全社横断の顧客の声（VOC）分析・活用基盤@Snowflake World Tour Tokyo 2026

Snowflake World Tour Tokyo 2026での登壇資料です。

Transcript

1. Snowflakeで実現する 全社横断の顧客の声（ VOC） 分析・活用基盤 @Snowflake World Tour Tokyo GA technologies Data本部 是枝 達也・ 酒井悠斗 2026/09/11
2. Speaker1: 是枝 達也 / Tatsuya Koreeda プロフィール • Data本部 Data Management部 チーフ • Snowflake Data Superhero 2026 ❄ 取り組み • Snowflakeデータ基盤の開発・運用改善・ガバナンス構築 X: cs_dev_engineer
3. アジェンダ 1. 株式会社 GA technologiesについて 2. GAのデータ基盤とデータ活用概要 3. AI活用事例 : VoC分析 ~顧客の声を全社の資産に ~ 4. 今後の展望・まとめ
4. 会社紹介 / GA technologies ※コーポレートストーリー 2026年6月より（証券コード： 3491）
5. 事業紹介 / RENOSY ※コーポレートストーリー 2026年6月より（証券コード： 3491）
6. GA technologiesのデータ分析基盤 Snowflakeを中心として様々なプロダクト・データが連携
7. VoC分析 ~顧客の声を全社の資産に ~
8. Speaker2: 酒井 悠斗 / Yuto Sakai プロフィール • Data本部 Applied ML部 データサイエンティスト • Snowflake Squad 2025 ❄ 取り組み • マーケ出稿割合を最適化する統計モデル構築 • 営業改善のための MLモデル作成, MLOps構築 • 社内でのLLMアプリ作成ツール導入による LLMの民主化 X: yuto16s
9. 導入：VoC（Voice of Customer）分析背景 社内では日々、お客様と様々なコミュニケーションを重ねている メール オンライン 面談 対面面談 電話 Webフォーム チャット
10. 導入：VoC分析背景と現状の課題 日々の架電・面談に眠る「顧客の声」を継続的に蓄積・分析・活用する仕組みが無かった 蓄積されない 分析できない 活用に繋がらない データが散在し、資 産化されていない 量が多く、人手で の傾向把握は困難 気づきがUXや プロダクト改善に 繋がらない
11. 解決策： Snowflakeを中心としたアーキテクチャ データ連携から分析画面まで一気通貫、すべて Snowflakeの中で処理を完結 多様なソース Table Streamlit 集計 LLM LLM LLM VoC LLM 概要サマリー Emb. クラスタリング ベクトル化 VoC 類似VoC検索 etc.
12. Cortex AISQLの紹介 / テキスト入力 SQLを数行書くだけで、 Snowflake側で用意されている LLMを呼び出して会話ができる SELECT AI_COMPLETE( model=>'claude-4-sonnet', prompt=>'こんにちは！' ) AS LLM_RESPONSE; AI_COMPLETE （単一文字列）
13. Cortex AISQLの紹介 / 構造化出力 出力の形式を指定することで構造化された出力を得ることもできる SELECT AI_COMPLETE( model => 'claude-4-sonnet', prompt => '入力テキストからVoCを抽出してください。 # 含まれるテキスト {INPUT_TEXT}', response_format => { 'type': 'json', 'schema': { 'type': 'object', 'properties': { 'voc_text': {'type': 'string'}, 'voc_type': {'type': 'string', 'enum': ['要望', '感想', ‘不満’]}, 'voc_emotion': {'type': 'string', 'enum': ['ポジティブ', 'ニュートラル’ , 'ネガティブ']} }, 'required': [ 'voc_text', 'voc_type', 'voc_emotion' ] }}) AS LLM_RESPONSE; AI_COMPLETE 構造化出力
14. Streamlit in Snowflakeの紹介 分析用アプリをインフラ構築なしでクイックに作成・共有できる メリット① サーバー管理の 手間なし メリット② Snowflakeのロールで そのままアクセス制御 メリット③ データもコードも Snowflake 内で完結 Streamlit in Snowflake について
15. Embedding Modelの紹介 SQLを数行書くだけで、簡単にテキストをベクトル埋め込みできる SELECT SNOWFLAKE.CORTEX.EMBED_TEXT_1024( model=>'voyage-multilingual-2', text=>'こんにちは！' ) AS LLM_RESPONSE; ベクトル埋め込み
16. VoCアプリイメージ ただVoCを読むのではなく、 AIを用いて効率的に VoCを理解する仕組み VoCリスト+AI要約 AIフリー質問 VoC クラスタリング 類似VoC検索 ※メイン画面はダミーのイメージ図
17. VoCアプリイメージ ただVoCを読むのではなく、 AIを用いて効率的に VoCを理解する仕組み ※画面はダミーのイメージ図
18. プロジェクトのリアル①：進め方 完璧を待たず、小さく作って見せることで FBサイクルを高速化 小さく作る 見せる（デモ） FBをもらう 改善する このサイクルを回す過程において、 Snowflake内でデータ加工から 分析・可視化までできるのは非常に相性が良い
19. プロジェクトのリアル②：現場の巻込みとラベル設計 一方で、あとから修正しずらいところは早めに関係者を広く巻き込んで最小限の決定を 'properties': { 'voc_text': {'type': 'string'}, 'voc_type': {'type': 'string', 'enum': ['要望', '感想', ‘不満’]}, 'voc_emotion': {'type': 'string', 'enum': ['ポジティブ', 'ニュートラル’ , 'ネガティブ']} }, 改善要望を 見つけたい ネガティブな 声から改善案 を考えたい お客様のお褒め の言葉を 集めたい ひとことに VoCといっても、部署や立場によって気にする点は様々 後から変えづらいラベルなどは早めに合意形成をとっておく
20. プロジェクトのリアル③：技術的な制限 テキストデータの扱いは技術的な課題も多く、試行錯誤が必要 1. Zoom等からSnowflakeの連携はまだ完全ではない →VoCの件数ではなく、割合・傾向で見る 2. 類似度の閾値は汎用的な正解はない →結果をみながら調整 3. VoCの分析自体難しい →検証したい観点を明確にしないと見るだけになってしまう データ連携や分析手法などに銀の弾丸はなく、 日々模索しながら最善を目指す
21. 期待される効果 社内の幅広い部署で活用が広がっている PdM マーケティング 社内全員 課題の大きさを 測る定量指標の １つとして 仮説をVoCデータ で検証できる ように 顧客の声に 向き合う文化の 醸成意識改革
22. 今後の展望 さらなる顧客ファーストのために 1. データソース拡張 →面談だけでなく、様々なデータソースを追加 2. 機能追加・使いやすさ向上 →純粋な機能追加、一方で機能の棚卸しも必要 3. ユーザー増加 →VoCを意識する社員が増える ≒ さらなる顧客ファーストに
23. まとめ・ Takeaway 1つでも参考になれば幸いです 1. Snowflake基盤の幅の広さ ◦ ハブにすることで、データ連携から分析・活用までを一気通貫で構築できる ◦ ただできるだけではなく「簡単に」できるので、 PDCAを早く回せる 2. 小さく作って改善を回す ◦ 特に最初のフェーズは最小機能で一部のメンバーにみてもらう ◦ 段々と想定ユーザーを増やして機能を追加していく 3. 不完全なデータを恐れない ◦ 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 ◦ 完璧なデータがないから動けないというのはもったいない 4. 現場との対話が重要 ◦ 現場とのコミュニケーション、フィードバックは大切 ◦ 使われて初めて価値を生む
24. RENOSYのオーナー様 になりませんか？ RENOSY トップページ
25. ご清聴ありがとうございました！