Streamlit in Snowflakeで加速する 不動産テック企業のデータ活用@Tech業界ネットワーキングイベント

Snowflake Tech業界ネットワーキングイベントでの登壇資料です。

Transcript

1. Streamlit in Snowflakeで加速する 
 不動産テック企業のデータ活用 
 @Tech業界ネットワーキングイベント 
 GA technologies Data本部 Applied ML部 
 Data Scientist 酒井悠斗
 2025/10/28

2. 登壇者紹介 
 酒井 悠斗 / Yuto Sakai
 職歴：外資保険会社 → 2024年 GA technologies入社
 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

3. 会社紹介 / GA technologies
 ※コーポレートストーリー 2025年9月より（証券コード：3491）

4. 事業紹介 / RENOSY
 ※1 東京商工リサーチによる投資用不動産の売上実績（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の売上原価調査（2024年10月調べ）

5. 事業紹介 / RENOSY
 ※コーポレートストーリー 2025年6月より（証券コード：3491）

6. GA technologiesでのSnowflakeの使い方
 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
7. 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
 成約
 Field Sales
 オンライン面談
 Inside Sales
 電話面談
 Web
 問い合わせ

8. データAI活用の様々なユースケース 
 様々な事業部で、 Snowflakeを基にデータ・ AI活用を進めている 
 キーアクション
 チェッカー
 広告画像
 レビュワー
 VOC分析
 ツール
 面談の準備・実施
 におけるサポート
 広告画像のレビュー 
 プロセスの効率化
 顧客の声の
 自動収集・分析

9. ユースケース 1 / キーアクションチェカー 
 キーアクションチェッ カー
 ※Asset planner: 資産形成を成功に導くため、共に考え、伴走 するパートナーです。 
 面談のデータを統一的に分析し示唆を得るための分析フローを作成 
 背景・課題： 
 • 実施済みの不動産の面談データは Zoomで蓄積
 • 統一的に面談データを分析する仕組みが未整備 
 
 対象ユーザー： 
 • BizDev, Asset planner（アセットプランナー） 
 
 効果：
 • 蓄積された面談データを統一的に分析する仕組みの確立 
 • 各種KPIに重要な影響を与えているキーアクションの発見 

10. 面談データの活用方法 
 内製SFA KPIs Table Streamlit 特定のアクションの実施有無をチェックし KPIとの相関を見ることでインサイトを得る 
 データソース BIツール ETL Snowflake Task APIで データ取得 Transcript Check Result 営業活動の記録 
 Streamlitアプリを用いた 
 キーアクション実施有無の確認 
 アクション実施有無と KPIの
 相関からのインサイト獲得 

11. コード紹介 / キーアクションチェッカー 
 コード・プロンプトの紹介 
 あなたは、ZoomのTranscriptを分析するAIです。 不動産投資の販売に関する営業トークを分析します。 あなたは、Transcriptの中からKey Actionを見つけることが求められていま す。 Key Actionは、営業トークの中で重要な行動や発言を指します。 例えば、自己紹介や商品の説明、顧客のニーズの確認などが含まれます。 あなたは、Transcriptを読み取り、Key Actionが行われているかどうかのフラ グを立てる必要があります。 # 出力フォーマット 以下の通りで「0」か「1」の整数のみ出力してください。それ以外のテキストは 出力しないでください。 - 0: (Key Actionが行われていない) - 1: (Key Actionが行われている) ~~~(略)~~~ select * ,SNOWFLAKE.CORTEX.COMPLETE( 'llama3.1-8b', [{{ 'role': 'user', 'content': concat( '{llm_prompt}', ' # Key Action:', '{key_action}', ' # Transcript:', {input_column_name} ) }}], {{'max_tokens':10}} ):"choices"[0]:"messages" AS key_action_flag_temp from target_table Snowflake Cortexを呼ぶ部分 
 LLMへのPrompt

12. 定性的効果 / アプリ開発前後での PDCAの回し方
 Streamlitアプリを通して、横断的な PDCAを回せる体制を構築 
 Streamlit 
 アプリ 個人やチーム単位での PDCA は回せているが、事業部全体 では難しい 
 Before 面談を横断的に振り返る仕組 みを構築し、そこから得られた インサイトを次の面談に活かす 
 After チームA チームB チームC
13. 定量的効果 / KPIへの定量的な影響 
 今まで「効果的なアクション」と認識されていたものの効果が定量的に測れるように 
 キーアクション
 実施効果
 KA01
 93%
 KA02
 128%
 KA03
 127%
 KA04
 151%
 KA05
 97%
 KA06
 145%
 KA07
 159%
 KA08
 385%
 4倍ほどの差が出たキーアクションも見つかってきている 
 3.85x

14. ユースケース 2 / 広告画像レビュワー 
 背景・課題： 
 • 広告画像のレビューに時間がかかる 
 • レビューの体制も画一化しきれていない 
 
 対象ユーザー： 
 • 広告画像の作成メンバー 
 
 効果：
 • 広告画像のレビューの工数削減 
 • レビューのクオリティの均質化 
 広告画像レビュワー
 Streamlitアプリでレビューを簡単に行うことができる体制を構築 

15. レビューアプリの全体像 
 Streamlitにて、広告画像の定性・定量の評価結果を簡単にチェックできる 
 Catalog
 Notebook
 Streamlit
 Stage
 Table
 Models
 処理1
 画像から特徴量への変換 
 処理2
 画像特徴量と実績データから 実績予測MLモデルを作成
 出稿実績
 画像特徴量 
 実績予測MLモデル
 入力1
 画像
 出力1
 定量評価
 ヒット予測
 
 ヒット確率X%
 出力2
 定性評価
 レビュー
 
 XXが
 良い(or悪い)
 LLM
 LLM

16. 定量評価の流れ 
 過去の出稿データとその実績をもとに、新しいデータのパフォーマンス予測を行う 
 特徴1 特徴2 特徴3 IMG1 1 0 1 IMG2 0 1 1 IMG3 1 1 0 パフォーマンス IMG1 150% IMG2 200% IMG3 300% 新しい画像 
 特徴1 特徴2 特徴3 IMG 0 1 1 効果予測 IMG 200%
17. 定性評価の流れ 
 さまざまな観点でのレビューポイントをプロンプトに起こし多角的なレビューを行う 
 行動経済学の観点では ...
 法務の観点では ...
 デザインの観点では ...
 プロンプト 1 プロンプト 2 プロンプト 3
18. Streamlit アプリのデモ 
 サンプルデータで実際の Streamlitのアプリのデモをご紹介します 

19. ユースケース 3 / VOC分析ツール 
 背景・課題： 
 • 部署ごとに顧客ヒアリングなどは行われているがフォーマット はバラバラ
 • 顧客との一番の接点の面談からの声は蓄積できていない 
 
 対象ユーザー： 
 • 顧客と関わる社内の全てのユーザー（プランナー , CX, PdM, etc.）
 
 効果：
 • 顧客によりよいサービス・プロダクトを提供できる 
 • 顧客満足度の向上
 VOC分析ツール
 VoCを自動で蓄積し、分析を行うことで顧客満足度向上などに繋げる 

20. 様々なデータソースから VoCを蓄積・分析 
 KPIs Table LLMでVoCの抽出・ Embeddingによる加工などを行い、 BI / Streamlitで可視化 
 データソース BIツール VoCの収集
 VoC加工 様々なデータソース 
 Vocの抽出・加工 
 VoCの集計・可視化を行う 
 プランナー
 との面談 顧客
 インタビュー 顧客
 アンケート ラベリング・Embedding等
 Streamlit
21. 分析例1 / ラベル別での件数推移 
 自動でラベル付けされた VoCの件数・構成割合などを確認 

22. 分析例2 / VoCのクラスタリング 
 膨大なVoCをクラスタリングして、内容の概略や構成割合を把握 

23. 分析例3 / AIによるサマリー 
 特定のVoCについて、 LLMによる概要を作成 

24. 分析例4 / 類似VoC検索とその定量把握 
 関心のある VoCと類似するものが過去にどれだけあったか定量把握 

25. データAI活用の様々なユースケース（再掲） 
 様々な事業部で、 Snowflakeを基にデータ・ AI活用を進めている 
 キーアクション
 チェッカー
 広告画像
 レビュワー
 VOC分析
 ツール
 面談の準備・実施
 におけるサポート
 広告画像のレビュー 
 プロセスの効率化
 顧客の声の
 自動収集・分析

26. SiSでアプリを作っていての気付き 
 Streamlitアプリ作成においての良い点と課題 
 良い点
 • インフラ面は気にかけることが少なくてアプリ開発に集中できる 
 • 権限管理は SnowflakeのRole使えるからやりやすい 
 • Snowflake内に閉じているのでセキュリティ面はケアする部分が少ない 
 
 課題・悩み 
 • バージョン管理（環境を合わせる）がちょっと手間 
 • UIにこだわろうとするとオープンソース版が恋しくなる 
 • Warehouseのコストが意外とかかる場合もあるので注意 
 • データサイズが制限されている（ st.dataframeで大規模なデータ表示しようとすると省略 される。ファイルアップロードも制限あり） 
 • まだStreamlitと他Snowflakeリソースの lineageを可視化できていない。（ dbtなどで技 術的には可能なはずだがちょっと複雑） 

27. 採用強化中です！ 
 一緒に働きませんか？ 
 HERP データ関連職種求人一覧
28. 寿司パーティー（採用イベント） 
 まずはお寿司食べながらお話ししましょう！
29. RENOSY トップページ RENOSYのオーナー様 になりませんか？
30. ご清聴ありがとうございました！