[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"blogEntry::product\u002Fai-data-utilization-cycle:ja":3},{"title":4,"slug":5,"description":6,"body":7,"author":8,"category":9,"urlCategorySlug":13,"coverImageUrl":14,"ogImageUrl":14,"createdAt":15,"updatedAt":16,"datePublished":17,"locale":18,"related":19},"AIが育つデータ活用の好循環——Codatumが支える5つのステップ","ai-data-utilization-cycle","AIをデータ基盤につないでも、それだけでは正確な分析はできません。組織のデータ活用を定着させるには「好循環」を回し続ける必要があります。本記事では、AIが育つデータ活用の好循環の各ステップで起きがちな課題と解決策、そしてCodatumがどう解いているかを詳しく解説します。","\u003Ch2>この記事のポイント\u003C\u002Fh2>\u003Cp>AIをデータ基盤につないでも、それだけでは正確な分析はできません。メタデータ整備の優先順位は、現場の分析ユースケースの蓄積から決まります。本記事では、AIが育つデータ活用の好循環の各ステップで起きがちな課題と解決策、そしてCodatumがどう解いているかを詳しく解説します。\u003C\u002Fp>\u003Ch2>AIをデータ基盤につないだだけでは、なぜうまくいかないのか\u003C\u002Fh2>\u003Cp>ChatGPTをデータベースにつないで「売上分析して」と言えば、もう分析は終わり——2026年3月現在、AIはまだそこまでは到達していません。\u003C\u002Fp>\u003Cp>私たちCODATUMは、BIツールを開発・提供する中で、実際にChatGPTやClaudeをデータウェアハウスにつないで試してきました。技術的にはもう普通にできます。つないで、「この売上テーブルで月次推移を出して」と聞くと、ちゃんとSQLが返ってきて、グラフも出ます。「できた」と思うわけです。\u003C\u002Fp>\u003Cp>でも、よく見ると全然違うテーブルを参照していたりします。売上の定義が社内のルールと違う集計になっていたり、除外すべきテストデータが混ざっていたり。AIはコードを書く力はあるけど、「この会社ではこのテーブルをこう使う」「この数字はこういう意味」「このデータには注意が必要」といった、組織に暗黙的に溜まっている文脈を持っていません。だから間違えます。\u003C\u002Fp>\u003Cp>最初は「メタデータをちゃんと整備すればAIの精度は上がるはず」と考えていました。それ自体は正しいのですが、じゃあ何のメタデータを、どこから整備するのか。全テーブル・全カラムの説明を書くのは現実的ではありません。\u003C\u002Fp>\u003Cp>この問いに向き合う中で私たちが気づいたのは、\u003Cb>整備の優先順位は、現場の分析ユースケースから決まる\u003C\u002Fb>ということでした。現場の人たちがデータに触れて、AIと一緒に分析を試みて、「これはできた」「これはデータが足りなくてできなかった」というユースケースが溜まっていく。そこから「何を優先的に整備すべきか」が見えてきます。整備が進めばAIの精度が上がり、さらに多くの人がデータを使えるようになります。\u003C\u002Fp>\u003Cp>私たちはこのサイクルを「AIが育つデータ活用の好循環」と呼んでいます。本記事では、その各ステップで現実に起きがちな課題と解決策、そしてCodatumがどう解いているかを詳しく解説します。\u003C\u002Fp>\u003Chr\u002F>\u003Ch2>AIが育つデータ活用の好循環：5つのステップ\u003C\u002Fh2>\u003Cfigure class=\"EmbeddedContent_Wrapper\">\u003Cimg src=\"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F601RfXWhaKBnciJjHe7IHp\u002F190afd384722dda016d16345b9e93d13\u002Fai-blog.png\" alt=\"ai-blog\">\u003C\u002Ffigure>\u003Chr\u002F>\u003Ch3>Step 1｜現場の人たちが触れるデータを広げる\u003C\u002Fh3>\u003Cp>「データ活用をしよう」と言いながら、現場がデータに触れる機会は閲覧専用のダッシュボードのみ、という組織は少なくありません。これでは分析ユースケース自体が生まれません。まずは探索的な分析を現場に開放することが、好循環の出発点になると考えています。\u003C\u002Fp>\u003Cp>\u003Cb>よくある課題\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>\u003Cb>分析環境がそもそも提供されていない\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — 多くの組織では、現場のメンバーが深く・広く分析できる環境が用意されておらず、分析ユースケース自体が生まれてこない\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>\u003Cb>データ閲覧権限の問題\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — PII等のセンシティブデータを含む基盤に接続する場合、適切な権限設計と運用が必要になる\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>\u003Cb>レビュー体制の不在\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — ダッシュボードや分析クエリはコピーされて増殖する。間違った分析の増殖を止められるレビュー体制がないと、分析環境を開放しづらい\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>うまくいくパターン\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>現場がセルフサービスで分析できる環境を用意する\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>レビュー体制を仕組みとして作っておく。間違えそうなときに検出して、別の人が確認できるようにしておく\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>「絶対に間違えてはいけない分析」はわかる人がやるべき。ここで言っているのはそれ以外の探索的な分析の話\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>Codatumのアプローチ\u003C\u002Fb>\u003C\u002Fp>\u003Cfigure class=\"EmbeddedContent_Wrapper\">\u003Cimg src=\"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F13YLevxUqIF5E8pzMPzGAP\u002F5a4dbccb50c8f14fa8d916a364fdde33\u002Fai-blog_1.png\" alt=\"ai-blog_1\">\u003C\u002Ffigure>\u003Cp>実行過程が全て残るノートブック形式×SQLで書かれているため、何をどう考えて分析したかをレビュアーが追いやすくなっています。現場のメンバーが分析を間違えても、レビューで気づける体制を作りやすくなっています。\u003C\u002Fp>\u003Chr\u002F>\u003Ch3>Step 2｜AIと一緒にデータ活用を始める\u003C\u002Fh3>\u003Cp>データを開放しただけでは、現場の人たちは実際にはデータを使い始めません。テーブルやカラムを見ても、自分の業務とどう紐づくかが分からないからです。この壁を越えるのがAIの役割です。\u003C\u002Fp>\u003Cp>\u003Cb>よくある課題\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>\u003Cb>データ分析リテラシーの壁\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — 現場のメンバーはテーブルやカラムを見ても、自分の業務・課題と紐づけることが難しい。「このデータで何が分析できるのか」「自分の業務のどの部分を数字で語れるようになるのか」がわからない\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>\u003Cb>社内データに関する知識の壁\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — どのテーブルがどう使えるか、どのデータが信頼できるかといった、社内固有のデータの使い方に関する知識が現場にはない\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>うまくいくパターン\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>AIに「データスチュワード」——つまり、社内のデータの意味や使い方を案内してくれる存在——としての役割を担わせる。現場のメンバーが自分の業務をAIに伝えて、「どんな分析ができるか」「自分の業務のどの部分を数字で語れるようになるか」を壁打ちする\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>「今あるデータでできる範囲で分析を始める」という進め方を、AIが現場と一緒に行う。データがあるかどうかを調べ、あるデータでできる分析を提案し、実際に分析を進める。曖昧な利用ユースケースを吸収できるAI Agentであることが大事\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>まだ解けない分析ユースケースが溜まること自体が、次のStep 3で整備対象を特定するためのインプットになる\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>Codatumのアプローチ\u003C\u002Fb>\u003C\u002Fp>\u003Cfigure class=\"EmbeddedContent_Wrapper\">\n            \u003Cvideo src=\"https:\u002F\u002Fvideos.ctfassets.net\u002Fggtw2zqmifs5\u002F7MRFmet9peIiET8CFTP5ZK\u002F9c6eaa8625f1d41d366a0860536d89ab\u002FCodatum_Agent_waiting.mp4\" controls=\"\" controlslist=\"nodownload\" style=\"width: 100%; max-width: 660px;\">\n              \u003Cp>お使いのブラウザは動画の再生に対応していません。\u003C\u002Fp>\n            \u003C\u002Fvideo>\n          \u003C\u002Ffigure>\u003Cp>CodatumのAI Agentはエージェンティックに振る舞います。テーブルを自分で見つけに行き、中身を調べ、ユーザーのニーズに合わせて柔軟に分析を組み立てることができます。これにより、現場のメンバーが「自分の業務でどんな分析ができるか」をAIに壁打ちするデータスチュワード的な使い方が可能になります。\u003C\u002Fp>\u003Cp>これは、あらかじめ決められた手順を実行するだけのAIワークフロー型のアプローチとは異なります。ワークフロー型では「ただ分析を実行する」だけになり、ユーザーの業務理解に基づいた分析提案やデータスチュワード的な伴走はできません。エージェンティックな振る舞いによって、対応できる幅が大きく広がります。今回のCodatumリリースはまさにこのAI Agentのリリースであり、この柔軟さが核になっています。\u003C\u002Fp>\u003Cp>また、AI Agentとのやりとりを通じて「まだ解けていない分析ユースケース」も自然と集まります。ユーザーがAIに分析を依頼した結果、データが足りない・テーブルが整備されていないといったケースが可視化され、これがStep 3の整備対象を特定するインプットになります。Codatumではこの「まだ解けていないユースケース」をAI Agentを通じて収集する仕組みを構築していきます。\u003C\u002Fp>\u003Chr\u002F>\u003Ch3>Step 3｜活用ユースケースを溜めて、整備対象を特定する\u003C\u002Fh3>\u003Cp>AIと一緒に分析を始めるとユースケースが溜まってきますが、同時に間違った分析やデータが足りなくて解けないケースも出てきます。全てを整備するのは現実的ではないので、何を優先的に整備するかの判断が必要になります。\u003C\u002Fp>\u003Cp>\u003Cb>よくある課題\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>\u003Cb>トップダウンアプローチの負荷\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — 人間が明示的にレビュー依頼・優先順位を決めるやり方は確実だが、運用負荷が高くスケールしづらい\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>\u003Cb>ボトムアップアプローチの困難さ\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — 閲覧数・実行数などから利用ベースで自動集計してランキングしたいが、BIのリソースIDとDWHのクエリログが紐づいていないため「どのダッシュボードからよくテーブルを叩いているか」といった逆引きが難しい\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>うまくいくパターン\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>分析ユースケースが楽に溜まり、後から振り返りやすく、まとめやすい体制とツールを事前に構築しておく。探索的な分析は個人のローカル環境に閉じがちで、社内に共有されず、後から「どんな分析ニーズがあるのか」を把握しにくい\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>BI側で「どの分析がよく使われているか」を実績ベースで把握できるようにする（ボトムアップ）\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>加えて人間が明示的にレビュー・優先順位を指定できる導線も残す（トップダウン）\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>Codatumのアプローチ\u003C\u002Fb>\u003C\u002Fp>\u003Cfigure class=\"EmbeddedContent_Wrapper\">\u003Cimg src=\"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F33AxL4KKk4wergpJFNxw0t\u002Fd2b306e840587ed20c048a8e140cbb6f\u002Fai-blog_2.png\" alt=\"ai-blog_2\">\u003C\u002Ffigure>\u003Cp>Codatumで分析を行うと、それがそのまま活用ユースケースとして記録されます。探索的な分析も社内に共有された状態で残るため、後から「どんな分析ニーズがあるのか」を把握しやすくなっています。アクティブなノートブック・よく見られているノートブックのランキングで、どんな分析ニーズが多いかが実績から分かります。ノートブックの内容はSQLで書かれているため、AIに渡してさらに深く分析傾向を振り返ることもできます。\u003C\u002Fp>\u003Chr\u002F>\u003Ch3>Step 4｜データ・メタデータを整備する\u003C\u002Fh3>\u003Cp>整備対象が決まったら、実際にデータとメタデータを整備します。ただし、全ての組織に専任のデータ基盤チームがいるわけではありません。\u003C\u002Fp>\u003Cp>\u003Cb>よくある課題\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>\u003Cb>専門知識とリソースの問題\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — 正攻法はDWH側でdbt等のデータモデリングツールを使った整備だが、専任の担当者や専門知識が必要であり、全ての組織にそのリソースがあるわけではない\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>\u003Cb>チーム分離によるリードタイムの長期化\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — データ基盤チームとBIを触るチームが分かれている場合、整備のリードタイムが長くなりがち\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>うまくいくパターン\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>dbtなどのデータモデリングツールを扱える人・ナレッジが組織にあるなら、そちらをAIと共に整備する\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>チームが分かれている場合や専任がいない場合は、BI側でまずボトムアップにモデリングを始める。よく使われるSQLを検出して共通化し、メタデータ（説明・使い方）や分析サンプルを作成していく\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>BI側で固まってきたものを、段階的にDWH側に書き戻す形が効率的。BI側での探索的な整備 → DWH側での本格管理、という段階的なアプローチ\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>Codatumのアプローチ\u003C\u002Fb>\u003C\u002Fp>\u003Cfigure class=\"EmbeddedContent_Wrapper\">\u003Cimg src=\"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F2SNe7CwdFdA0DCNacXQirK\u002Fcbfa76b3369a2121e4e4eddc3ed7c429\u002Fai-blog_3.png\" alt=\"ai-blog_3\">\u003C\u002Ffigure>\u003Cp>SQLのモデリング・参照機能で、BI側からのボトムアップ整備をサポートしています。一つのSQLを整理しておくと、複数の分析ノートブックからそのSQLを参照できます。よく使われるクエリを共通化し、メタデータや分析サンプルを付与していく運用が可能です。\u003C\u002Fp>\u003Chr\u002F>\u003Ch3>Step 5｜分析精度が上がり、さらに活用が広がる\u003C\u002Fh3>\u003Cp>データとメタデータが整備されると、AIが精度高く分析できるテーブルの対象範囲が広がります。その結果、これまで対応できていなかった分析ユースケースにもAIが対応できるようになります。新たな分析に対応できるようになることで、さらにデータ活用が広がります。\u003C\u002Fp>\u003Cp>\u003Cb>よくある課題\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>\u003Cb>活用の想像力の壁\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — データとメタデータが整備されても、それを使って何ができるか・どんな分析が可能になったかは、分析に精通していないと思いつけないことが多い\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>\u003Cb>キャッチアップの仕組みの不在\u003C\u002Fb>\u003C\u002Fp>\u003Cp> — 新しく整備されたテーブルやメタデータを利用者がキャッチアップできる仕組みがないと、整備したのに使われない\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cb>うまくいくパターン\u003C\u002Fb>\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cp>データとメタデータの整備には、元々対応したかった分析ユースケースがあるはず。それを分析サンプルとしてBI側に作成・共有しておくと、使う側にもAIにも信頼できる参照先になる\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>データスチュワードAIにとっても、分析サンプルがあることで現場への紹介がより具体的になる\u003C\u002Fp>\u003C\u002Fli>\u003Cli>\u003Cp>分析する側は「どんな分析ができそうか」をユースケースレベルで考えやすくなる\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>これまで対応できていなかった分析ユースケースにもAIが対応できるようになり、データ活用がさらに広がることで、Step 1へのループが回ります。\u003C\u002Fp>\u003Cp>\u003Cb>Codatumのアプローチ\u003C\u002Fb>\u003C\u002Fp>\u003Cp>AI Agentが整備済みのメタデータと分析サンプルを自動活用し、AIが精度高く分析できるテーブルの対象範囲を広げます。また、分析サンプルがあることでデータスチュワードAIとしての紹介が具体的になり、現場のメンバーが新たな分析に取り組みやすくなります。精度が上がった分析結果が新たな活用ユースケースを生み、好循環がさらに加速します。\u003C\u002Fp>\u003Cfigure class=\"EmbeddedContent_Wrapper\">\u003Cimg src=\"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F5iOYoiWONUyCztGbv2lWUF\u002Fab536fe2fe615a751ecb43c598e59158\u002Fai-blog_4.png\" alt=\"ai-blog_4\">\u003C\u002Ffigure>\u003Cp>\u003C\u002Fp>","Tomoya Koike",{"title":10,"slug":11,"description":12},"Vision","vision","プロダクトの存在理由・思想を語る記事","product","https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F2etynFVBIXjTuXP0DbqJKG\u002Fc9a193b0cddf184d9e3d977b3310d9e9\u002FSTEP_1.png","2026-04-01T03:47:14.561Z","2026-05-07T15:35:33.815Z","2026-04-01T12:00+09:00","ja",[20,31,41],{"title":21,"slug":22,"description":23,"author":24,"category":25,"urlCategorySlug":13,"coverImageUrl":26,"ogImageUrl":27,"createdAt":28,"updatedAt":29,"datePublished":30,"locale":18},"なぜData Workspace x AIが、データ分析の未来を変えるのか","data-workspace-x-ai","「データ分析×AI」の新しい形：Data Workspaceが切り拓く、人とAIのコラボレーションの未来","Naoki Shibayama",{"title":10,"slug":11,"description":12},"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F6wAbMDuP9MsBu3gqkcOgSN\u002Fdd52c33a5fc2ca8eacfd296380db2941\u002Fdataworkspace.png","https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F14OazFgY4nKdUOamr2WClc\u002F462c9c8e7924330ca82d08c3b63d3764\u002Fdataworkspace_og.png","2024-11-08T01:00:02.282Z","2026-05-07T15:52:40.323Z","2024-11-08T10:00+09:00",{"title":32,"slug":33,"description":34,"author":24,"category":35,"urlCategorySlug":13,"coverImageUrl":36,"ogImageUrl":37,"createdAt":38,"updatedAt":39,"datePublished":40,"locale":18},"データ分析におけるTry&Errorの重要性とそのUI","data-analysis-trial-and-error-ui","Codatumが目指す、データ分析における「試行錯誤」をサポートするプロダクトのコンセプトを解説。従来のツールの課題を指摘し、「手に馴染む」データ分析体験の重要性を強調。独自開発のBlock Editorを通じて、思考とデータ探索の融合を実現する新しいアプローチを紹介します。",{"title":10,"slug":11,"description":12},"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F6LHt1dtZ65IML3fCwsycpU\u002Fba67ff3a6604c6adfd932d341d9ece9b\u002Fcover.jpg","https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F3JN1UpE1zvBmTfariMFiXW\u002F99245f50b891bc3e489b489e4aa7f14f\u002Fog.jpg","2024-10-07T07:02:59.715Z","2026-05-07T15:35:30.430Z","2024-10-07T16:00+09:00",{"title":42,"slug":43,"description":44,"author":24,"category":45,"urlCategorySlug":13,"coverImageUrl":46,"ogImageUrl":47,"createdAt":48,"updatedAt":49,"datePublished":50,"locale":18},"なぜ「Codatum」を作っているのか: SQLファーストなデータ分析ツール","why-we-are-creating-codatum-sql-first-data-analysis-tool","私たちの会社は、CodatumというSQLファーストなデータ分析ツールを開発しています。Codatumはエンジニアを含むあらゆる人がデータ分析に積極的に参加できる環境を提供することを目指しています、今回の記事ではこのCodatumの開発を始めた背景をお話しします。",{"title":10,"slug":11,"description":12},"https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002FCWUu8BTQ1FpltNJvxrSdO\u002F4d7429848791cd6097593f5d2fe40798\u002Fcover.jpg","https:\u002F\u002Fimages.ctfassets.net\u002Fggtw2zqmifs5\u002F6jT2fzeae7eYLPu3h68TZ1\u002Fdc4c7fab16e14fad6bc975a02dc90afa\u002Fcover.jpg","2024-10-01T04:55:48.657Z","2026-05-07T15:35:26.564Z","2024-09-26T13:00+09:00"]