EC/D2Cのデータ活用、AI Readyデータ基盤構築、分析自動化、意思決定の仕組み化。 実務で使える知見を、一次ソースに基づき体系化してお届けします。
AI で分析を自動化しようとした多くの企業が挫折する原因は、AI モデルではなくデータ基盤側にある。500 名規模・月 10,000 件の分析自動化を運用してわかった、AI 分析が必ず失敗する 3 つの構造的理由(コンテキスト層 / データモデル層 / 両者の紐づけ)と、それを解く 4 つの構成要素(コンテキスト層 / データモデル層 + 統合オントロジー / 事前事後ガードレール / 評価ハーネス)を整理。
分析自動化 AI エージェントは 5 層（コンテキスト層 / データモデル層 / 事前ガードレール / 事後ガードレール / 評価ハーネス）で構成される。Semantic Layer はそのうちデータモデル層しかカバーしない。コンテキスト層とデータモデル層は 1 つの YAML に同居させるべきで、その設計を『統合オントロジー』として提唱。Palantir Foundry の Ontology 思想を YAML + agent skill で軽量再現する具体例（営業 SaaS の YAML サンプル付き）。
業界の主流は「AI 分析エージェントには Semantic Layer 必須」。月 10,000 件規模で 1 年運用してわかった結論は逆だった。表層的な分析しかできない / AI が必要な情報の一部しか提供しない / AI Ready なら Text-to-SQL でも同等精度、の 3 つの理由を整理。ただし小規模組織では話が反転する条件付き論。
BI ダッシュボードを「自分から開きに行ってもらう」のは難しい。代わりに Slack に AI 分析エージェントを常駐させる構成が標準化しています。500 名 / 月 10,000 件運用してわかった、選択肢 3 系統（大手内蔵 / 単機能 SaaS / 自作）の使い分けと、本番に乗せるために必要な 4 つの準備を整理。
30 ベンダー比較に迷う前に、データ基盤を「役割で 4 つの層」に分解する。取込 / 蓄積 / 整形 / 表示の各層に必要なのは 1 つだけ。AI 時代に追加で必要になった 2 層（業務語彙 / 評価ハーネス）と、規模別の標準形（小 5-30 万円 / 中 100-300 万円 / 大）、運用で必ず効いてくる 4 つの仕組みを整理。
「自社のデータを使って業務質問に自分で SQL を組み立てて答える AI」とは何か。500 名規模 / 月 10,000 件超で 1 年運用してわかった、できること・できないこと・本番に乗せるために必要な 4 つの準備（ベーステーブル / 業務語彙の辞書 / お手本集 / 信頼度ガードレール）と、選択肢 3 系統の使い分け。
GA4 単体のレポートはサンプリング・短い保持期間・横串分析不可の壁がある。BigQuery Export（無料機能）で解決できることと、入れた後に必要な dbt 整形、コストが跳ねる原因、Consent Mode の影響、Shopify との結合パターンを実務目線で整理。
EC/D2C で 29 個の KPI が並ぶダッシュボードが、経営会議で『結局どれ見るの？』状態になっている組織へ。2026 年に主軸を見直すべき 3 つの業界変化（広告費高騰 / Post-Cookie / Zero-Party Data）と、最初に見るべき 5 つの KPI（LTV:CAC / MER / コホート LTV / NRR / Email Flow RPR）の計算方法・目安・打ち手、残り指標を補助に降格させる設計、「同じ KPI 名で数字が違う」問題の解き方まで実務目線で整理。
AI 分析エージェントを 500 名規模 / 月 10,000 件超のリクエストで 1 年運用して見えた答え。AI Ready なデータ基盤は 2 軸 + ガードレールで構成される。軸 1: ビジネスドメインごとに分析要求に耐えうる粒度のベーステーブル群、軸 2: データとビジネスをつなぐコンテキスト&ハーネスエンジニアリング。実装の落とし穴 5 つも解説。
Shopify to BigQuery のデータ移行を、SaaS / Shopify Plus 公式機能 / 自作の 3 系統で整理。SaaS の料金モデル（MAR / レコード数 / 定額）の違いで「1 年後の月額が 5 倍違う」現実、自作のつまずき所（Bulk Operations / 注文編集 / TZ / Webhook 取りこぼし）、Shopify 固有の地雷 5 つ（テスト注文 / 無料注文 / サブスク混在 / マルチカレンシー / マルチストア）を実務目線で。
