データ分析・ExcelのAI活用事例

病原菌と植物のタンパク質の組み合わせは数え切れないほど多く、どれが実際にぶつかり合うのかを追い切れなかった。

質量分析のデータも増え続けて、クラスタリングと分子ネットワークづくりが詰まっていた。

1. 病原菌のタンパク質の配列から感染に関わる特徴を持つものに絞る
2. 絞った組み合わせをBioNeMo Boltz-2 NIMへ渡す
3. 構造と結合の強さを予測させて相互作用の地図を作る
4. 予測はH200のGPUで回して他のモデルと精度を比べた
5. 質量分析データのクラスタリングをRAPIDS cuMLで行った

BioNeMo Boltz-2 NIMはオープンソースのモデルより4.15倍速く、数年かかっていた相互作用の地図づくりが数週間で終わるようになった。

質量分析のクラスタリングは80〜100倍まで速くなり、解析を流す頻度が四半期ごとから毎月に増えた。

13か国にまたがる提案書づくりとキャンペーンの報告に手間がかかっていた。

金額を扱う作業では間違いも起きていた。

1. BigQueryとGemini Enterpriseを組み合わせた。
2. 113個を超えるAIエージェントを自社で作った。
3. 用途ごとにエージェントを分ける。
4. 提案書づくり・報告・金額の処理を別々に担当させた。
5. 各チームは合うエージェントを呼び出して進める。

提案書を作る速さが5倍になり、キャンペーンの報告にかかる時間は80%減った。

金額の間違いの割合も0.01%未満になった。

AIサーバーのラック1台は数千点の部品でできていて、炭素量を出すには材料のレベルまで5〜6層たどる必要があった。

1万件超の排出係数から最も近い1件を選ぶ作業は1製品あたり150時間を超え、算定全体の90%超を占めていた。

1. AIと人で分担する算定の流れを作った
2. 多階層の部品表を物質のレベルまでAIにたどらせる
3. 1行ごとに分類させて材料の申告内容を整えさせた
4. 部品の種類に合う計算方法を当てはめて排出係数を割り当てる
5. 結果と例外は担当者が確認して品質を保つ

排出係数の割り当てにかかる時間は手作業に比べて90%超減り、1製品3,000点超の部品を数秒で処理できるようになった。

半年で数十製品分の算定に広がり、約25,000点の部品を扱った。

分析で見つけた相手を広告の配信先へ回す作業が手作業のままだった。

表を書き出して並べ直し部署をまたいで調整する間に配信が遅れた。

1. Fivetranで170超のシステムからBigQueryへデータを集める
2. 計測モデルと独自の項目を当てて用語をそろえる
3. そろえたデータをAgent Calが読む文脈の層へ流す
4. マーケターが普段の言葉で聞いてリストを作る
5. リストをActivationsでLinkedInやGoogle Adsへ送る

ターゲットを配信に回す速さが2倍になり、4時間かかっていたキャンペーン用のリストが25分未満で作れるようになった。

自前で作らずに済んだ分で年間40万ドル相当のエンジニアの手が空き、ロードマップは最大12か月分前倒しできた。

製品ごとの炭素排出量を出すには、何万行もの部品表を人が1件ずつ調べる必要があった。

仕入れ先の資料は形式がばらばらで抜けも多く、評価が終わる頃には製品が発売済みということも起きていた。

1. 部品表やPDF・CAD図面・仕入れ先のメールを取り込んだ
2. 製品と供給網をつないだ炭素のグラフに作り直す
3. 部品表の各行を約100種類の分類へ振り分けた
4. 1万件を超える排出係数から近いものを選ぶ
5. 3つの処理をNVIDIA Nemotron 3 Ultraへ載せ替えた

仕入れ先データの読み取りは84.0%から87.7%へ、部品の分類は80.0%から83.5%へ上がった。

コストは0.20倍と0.49倍になり応答の速さも前のモデルと同じか速くなった。

返済の連絡の時期や伝え方を一人ずつ変える機械学習モデルを増やしたかったが、少人数の体制では信頼性を保てなかった。

データがサービスごとに分かれ、作り方も人によってばらばらだった。

1. データの加工からモデルの実行までをSnowflakeの中に集めた
2. コードはPythonで1か所にまとめた
3. モデルごとにフォルダを作り設定ファイルに処理の流れと時間を書く
4. よく使う特徴量をFeature Storeに一度だけ定義する
5. 本番へ出せるのは自動のパイプラインだけにした

新しいモデルの立ち上げは数週間かかっていたが数日で本番に届くようになった。

10を超えるモデルが毎日動き、全米の数百万人に向けた提案を出している。

広く送るメールは地域やサービス別に分けるだけで、相手ごとの中身になっていなかった。

誰がいつ反応しやすいかも分からず送る時間はばらばらだった。

1. Oracle Marketingを入れキャンペーンの計画を1か所にまとめた
2. AIに行動と反応の傾向を読ませ送信時刻を決める
3. 送りすぎている相手はfatigue分析で見つけ対象から外す
4. アカウント情報から反応の見込みと関心を点数にした
5. 地域で切る分け方から関心で切る分け方へ変えた

メールの開封率とクリック率が上がった。

宛先を手で用意する作業が減り、その分を別の仕事に回せるようになった。

財務と人事のシステムが別々で、増え続けるデータをその場で分析できなかった。

報告のたびに集計と突き合わせを手でやっていた。

1. 財務や人事の処理をOracle Fusion Cloudにまとめた
2. そこへFusion Agentic Applicationsを重ねた
3. データはOCI上のAutonomous AI Lakehouseに集約する
4. 他のクラウドのデータもつなぎほぼリアルタイムに複製する
5. 売上や在庫や原価はAnalytics Cloudで見る

手作業の報告と突き合わせが30%減り、数日かかっていた分析が数秒で出るようになった。

700%を超える成長の間も管理を保ち、5,000人を超えるピーク時の採用と入社手続きをさばけるようになった。

社員が知りたいことを聞くたびに専用のダッシュボードを作る必要があった。

技術の分からない人はデータへ自分でたどり着けなかった。

1. Claudeを複数の専門エージェントの司令塔に据えた
2. 社員の質問からClaudeが動かすエージェントを決める
3. 計算と商品マスタと地域マスタを別々のエージェントに任せた
4. Claudeが各エージェントの結果をまとめ答えと図にする
5. 利用者の権限を確かめながら社内データ基盤へ問い合わせる

会話で聞ける分析の正答率が90%から99%へ上がった。

社内のAI基盤は1日15,000人・月44,000人が使い月250万件のメッセージが行き来している。

食事・運動・睡眠・活動量のデータが別々の仕組みに散らばっていた。

利用者はフィルターや一覧画面から自分で探すしかなく、トレーナーも手作業の分析に時間を取られていた。

1. 整理した健康データをベクトルデータベースへ入れる
2. 意味の近さでデータを探せる状態にする
3. 利用者が普通の言葉で聞いた内容をQuery Agentが受け取る
4. 必要なデータを選んで取り出し読みやすい返事にまとめる
5. 決めた基準を超えたときに助言が自動で出るようにした

利用者は従来の画面よりも会話で3倍多くやり取りするようになった。

トレーナーの分析時間は60%減り、指導そのものに時間を回せるようになった。

規制の厳しい金融の現場で、複数の言語の文章を正しく素早く作る必要があった。

外部の代理店に頼る部分も大きく、費用がかさんでいた。

1. 複数のAIを試して比べClaude for Workを選んだ
2. 12月から4月まで段階を分けて広げる
3. 研修は管理職から先に受けてもらう
4. マーケは各言語の文章作成と翻訳に使う
5. アナリストはSQL作成と決まったデータ処理を自動化する

一部の使い方で生産性が100%上がり、分析チームは週70時間を浮かせた。

投資は3か月かからずに回収できた。

顧客ごとにデータを別のクラウド環境で持つ決まりにしていた。

取り込みのたびにエンジニアが専用のスクリプトを書く必要があり手間が大きかった。

1. 顧客ごとにDatabricksのワークスペースを用意する
2. Fivetranの接続とdbtのプロジェクトも顧客ごとに作る
3. 決められた担当者だけが触れるようにする
4. クリックや閲覧のデータを取り込みdbtのSQLで変換を定義する
5. 整えたデータを機械学習へ流し広告費の配分を予測する

1件のデータ連携は100〜150時間から10時間になり、夜通しで最大20時間かかっていた処理も4〜5時間で終わるようになった。

切り分けにかかる時間は全体の50%から20%未満へ下がり、受けられる顧客は30%増えた。

Shopifyで売上データを深く見るにはShopifyQLを覚える必要があった。

店を始めたばかりの人ほどそこで止まり数字をもとにした判断へ進めなかった。

1. 商売の相談役になるSidekickをClaudeで組み立てる
2. 管理画面から話しかけられるようにする
3. 話し言葉の質問をShopifyQLのクエリへ置き換える
4. 1回のやりとりで複数のツールを順番にも並列にも呼び出す
5. Claude Sonnet 4.5をGoogle Cloud上で動かす

以前は技術の知識が要った分析が会話だけでできるようになった。

新しく始めた事業者が最初の売上に届くまでが数週間から数日へ縮まった。

たまったデータから答えを出すにはSQLの知識と手間が要った。

依頼がデータ部門に積み上がり現場は分析結果を何日も待たされていた。

1. 複数のモデルを比べてClaudeを選ぶ
2. ClaudeをCortex Analystに組み込んだ
3. 普通の言葉の質問をClaudeがSQLに書き換える
4. Claudeをセキュリティ境界の中で動かした
5. SQLやPythonやREST APIから呼び出す

社内の基準で測ると複雑なtext-to-SQLで90%を超える精度が出た。

10,000社を超える企業が自然言語でデータを引けるようになった。

ほぼ1日おきに新機能を出す開発の速さが持ち味だが コードとテストの往復や障害時の情報集めに手間がかかっていた。

1. Claude Codeをターミナルから呼び出しテストとつないだ
2. コード作成とテスト修正の繰り返しを自動で回す
3. コードベース全体の説明書きも自動で作らせた
4. 1つのコードベースで複数セッションを同時に走らせる
5. DatadogやSentryとつなぎ障害の情報を集めた

30日で100万行を超えるAI提案のコードを取り込み 開発者のおよそ50%が毎週使うようになった。

障害の初動調査にかかる時間は最大80%減ると見込まれている。

乗客のほとんどが同じ内容の案内を受け取っていた。

顧客の情報がマーケティングとデジタル部門と窓口に散らばり、一人ひとりに合わせた案内を手作業で組むしかなかった。

1. 会員の属性と予約の傾向と履歴を一つの基盤へ集めた
2. 常に更新される一つのプロフィールにまとめた
3. AIが次に必要になりそうなことを予測する
4. 予測に沿ってメールとウェブとアプリの対応をつなぐ
5. 担当者は届ける相手の切り分けと流れの設計を受け持つ

狙いを絞った配信からの売上が40%増え、マーケティングの分析は60%速くなった。

個別の出し分けの量は大きく増え、顧客対応の中心となる業務の生産性も30%上がった。

何百ものモデルを別々の仕組みで動かしていて、部門ごとの分断が進み無駄なコストがかかっていた。

新しいモデルを一つ出すまでに3週間かかっていた。

1. 古いAIの仕組みをDataRobotへ寄せた
2. 予測のAIと生成AIを一つの基盤でまとめて扱う
3. 用意されたアルゴリズムから候補を選び精度を比べる
4. APIでAWS BedrockのTitanやClaude 3とつないだ
5. 説明が付く形のモデルにして委員会が可否を判断する

新しいモデルを出すまでの期間が3週間から平均21時間になり、開発の時間は82%減った。

計算の力は8〜10倍になり、多くのモデルで80%を超える精度が出せるようになった。

それまでの予測分析ソフトでは必要なアルゴリズムが足りず、規制で求められる管理や書類も用意できなかった。

モデルを一通り作り直すのに4〜5年かかる状態だった。

1. クレジットスコアの予測モデルをDataRobotで作る形に切り替えた
2. 数億件の記録と数千列のデータをそのまま取り込む
3. 欠損や外れ値はDataRobot側で見つけて処理させる
4. 数百のモデルを比べて勝ち残ったものを本番に回す
5. 規制向け書類の半分を自動で作り人が中身を確かめる

信用へのアクセスが8%広がり、新しい融資は数百万ドル規模になった。

1年で18本のモデルを出し、以前なら4〜5年かかる量をこなした。

人を増やさずにAIの成果を広げる必要があった。

データサイエンティストが少なく不正検知のモデルは1本あたり4〜5日かかっていた。

1. DataRobotをAWS経由で入れて1〜2日で動く状態にした
2. AWS Bedrockの基盤モデルと組み合わせて予測と生成を実行する
3. データ分析の経験が無い社員も画面上で学習を試せるようにした
4. 本番に出したあとは精度のずれをDataRobot上で監視する
5. 金融の規制に合わせて偏りを抑える機能も利用した

モデル1本の作成が5日から4時間未満になった。

12時間の集中対応で不正な注文を止めるモデルを仕上げ翌日には本番で悪質な注文だけを遮断した。

技術者の経験差が大きく、持っている知識がうまく共有できていなかった。

そのため対応が終わるまでに時間がかかり、顧客の満足度も下がっていた。

1. Amazon Bedrock上に診断アシスタントを作る
2. DataRobotで全体の流れを動かす
3. 技術者が入力した内容をそろった形に整える
4. 故障の中身を分類し対処法の候補を出す
5. 技術者が候補を見て実際の対応を決める

データを確かめて処理する手間が70%減り、AIチームは新しいモデルを前より早く出せるようになった。

品質管理と現場技術の部門全体でサポートの質が上がり、顧客満足度と業務の効率も改善した。

コード量を54%減らせるとうたうプラグインの数字が、自分の環境でも同じように出るか分からなかった。

モデルごとの向き不向きも判断できなかった。

1. Express製55行のTODO APIに日本語4行のチケットを7本用意する
2. headlessのclaude -pにチケットを渡し実行する
3. --plugin-dirで足す条件と足さない条件を作る
4. Haiku・Sonnet・Opusの3モデルで合計42セルを回す
5. 差分を同じprettier設定で整形し直してから数え直す

削減率は9〜25%にとどまり、54%は再現しなかった。

コストが下がったのはOpusだけで、Haikuは1件テストを落とした。

自社ECと楽天やAmazonなど複数モールから届く問い合わせが多く、対応に時間の大半を取られていた。

品質向上やVOCの取り組みが後回しになり、CSチームの成長が止まりかけていた。

1. 問い合わせデータの分類を生成AIに任せた
2. タグ付けの条件を後から変えられるようにした
3. 全テキスト対応をAIが評価する仕組みを作った
4. 良い点と直す点を翌日までにメンバーへ返した
5. 人は分析とフィードバックに回した

手作業のタグ付けがなくなりオペレーターの負担が軽くなった。

月に1〜2回、数件だけだった品質チェックは毎日全ての対応を翌日までに評価できるようになり、3ヶ月後や半年後を見据えた計画を立てる余裕が生まれた。

配送状況や輸入可否、通関ルールなど一件ごとに事情が違う問い合わせが多く、決まった回答しか返せない従来のボットと社内の商品データを別々に更新する手間がかかっていた。

マニュアルは複雑で目的の記述にたどり着きにくく、担当者が自作した手順書に頼る属人化も進んでいた。

1. 管理者と現場担当5名ほどで2か月のトライアルを行った
2. 仮のデータを入れて応答の出方を確かめた
3. マニュアルやルールをナレッジとして登録した
4. 過去のエスカレーション事例をQ&Aの形に直して入れた
5. テンプレートや文例を100件以上集め精査して一部を登録した

チーム約20名が利用し、分散していたマニュアルやルールが集約されて調べる場所が定まり、判断のスピードが上がった。

頻発していたエスカレーションの一部は担当者が自分で解決できるようになり、回答への不安も和らいだ。

4年前に自分で作った日報の仕組みは数量や時間の欄は問題なかったが、自由記述の表記ゆれや誤字で過去の記録が検索に引っかからなかった。

トラブルの処置や次の直への申し送りといった大事な情報が、残っているのに使えない状態になっていた。

1. 日報のテキストをClaudeのAPIに渡し決めた形に構造化させる
2. 表記ゆれの名寄せと日付や単位の統一をさせる
3. 記入漏れや矛盾は品質の指摘として出させる
4. 未記入は計算で埋めずnullにするよう指示文で禁じる
5. 整えたデータを複数日まとめて渡し繰り返しやずれを探させる

OCRの崩れや全角半角の混在を含む架空の日報14枚で試したところ、外径が一方向に増えているのに公差の記載がない点や、トラブル欄に記載があるのに時間が0.0hになっている矛盾を出せた。

申し送りの懸念が扱われず同じ損失が再び起きていることも見つかり、費用は1枚の正規化が約10円、14枚の横断分析が約30円だった。

ユーザーが疑問を持ったときはガイドを自分で探すか問い合わせフォームで連絡するしかなく、利用者が増えるほど解決までに時間がかかっていた。

有人対応では夜間に答えられない問題もあった。

1. Web版とスマホアプリ版にAIチャットボットを入れた
2. よくある疑問へ自動で答える形にした
3. 週一度の新機能公開に合わせQ&Aを足し直す運用を続けた
4. 出品に関する質問だけを取り出して調べ回答を厚くした
5. トレンドアラートで急増をつかみ同日に回答を作って共有した

導入から2年でチャットボットの利用者数が12倍になり、ほぼ二人に一人のユーザーの疑問を解決できるようになった。

人では難しい24時間の対応がかなった。

スキャンした領収書のフォルダをそのままChatGPTに渡してチェックリストを作らせたところ、紙で受け取った領収書のスキャン画像まで電子取引データとして扱われていた。

フォルダに入っているものはすべて対象という前提でAIが判断していた。

1. ファイル名の先頭に電子か紙かの区分を手作業で書き込む
2. ChatGPTに電子_のファイルだけでチェックリストを作らせる
3. 出てきたリストの件数をフォルダ側の件数と照らす
4. タイムスタンプの付与期限など日付は自分で数え直す

区分を先に決めてから任せる順番に変えたことで、対象外の書類が紛れることはなくなった。

今回は38件が電子取引のデータ、残る12件は紙をスキャンしたもので対象外という分かれ方だった。

月次の報告でこの話を共有し、上司から制度対応の精度を評価された。

面接官3人が別々に付けたスコアをChatGPTにまとめさせたところ、合計点の順位が自分の感覚とずれ、一番良かったはずの候補者が2位になっていた。

点数の付け方が厳しい面接官と甘い面接官の差が、そのまま平均されていた。

1. 過去の選考記録から面接官ごとの平均点を算出する
2. 依頼文の冒頭にA3.1点B4.2点C3.6点と書き添える
3. 各面接官の平均からの離れ具合を先に計算させる
4. 偏差値に直して3人の評価を比べるよう指示を固定する
5. 出力された順位を元の単純合計と自分の目で照合する

基準となる平均を先に伝える流れにしてから、厳しさの違いを無視して足し合わせる間違いは起きなくなった。

偏差値に直すと候補者1人の位置が単純合計のときと入れ替わり、採点者ごとの偏りを会議の前に言葉で示せるようになったと人事部長から評価された。

モデル比較の記事は順位表の引き写しばかりで、自分の業務の文書を実際に通した記録が見当たらなかった。

出たばかりのモデルはとくに実例が乏しく、どちらを毎週の文書作成に使えばよいか判断できなかった。

1. 毎週作っている週報の起草を試験の題材にした
2. 記事別viewsや検索順位を含む1,341字の生データを入力にした
3. 本文500〜700字など5つの要件を決めた
4. 要件を機械で検査し数値照合とセクション数え上げを自動化した
5. 2モデルを各2回走らせコストを2層で並べた

4走とも生データにない数値は0件だったが、字数は768字から796字まで全走で上限を超えた。

実経路のコストはGemini直接APIが1走$0.0059〜$0.0088、CLI経由のSolが$0.036で、Geminiは503が続き3回目で成功した走もあった。

週報はGeminiの直接APIで回し、字数チェックと作り直しを工程に入れることにした。

担当者が在宅になり、上司がそばで見て教えることができなくなった。

それでも売上と各指標の目標は上がり続けていた。

1. チャット販売と引き止めの進め方を1つの型にそろえた
2. 応対中はAgent Assistがヒントと返答候補を出す
3. 管理者はCresta Coachで全会話を見て指導計画を作る
4. 責任者はCresta Insightsに連絡の理由を聞いて調べた

住宅向け販売はチャット1件あたりの売上が20-30%増え、引き止めは10-20%伸びた。

管理者1人が見る担当者は10人から14人になり、新人の立ち上がりも2週間短くなった。

顧客が何を求めているかを知る手がかりが担当者の体感しかなく、数字で示せなかった。

急な出来事が起きても中身をすぐ把握できず、方針の判断が遅れていた。

1. Cresta Insightsで顧客の声をその場で読み取った
2. 担当チームが疑問から答えまで数分でたどり着ける形にした
3. 応対中はAgent Assistが要約や返答候補を出す
4. 簡単な手続きは自動化へ回し難しい相談に力を向けた
5. 得られた内容は商品やルールの見直しにも回した

平均処理時間が15%改善し、顧客への応答時間は50%改善した。

急な出来事にもその場で気づいて対応を決められるようになった。

新しい路線や規則の変更が続き顧客が何に困っているかの把握が追いつかなかった。

担当者は複数のシステムを行き来して答えを探していた。

1. 顧客対応の窓口にCrestaを入れる
2. 全ての会話を聞き取らせて問い合わせの理由を分ける
3. 当日のうちに傾向を見られるようにした
4. 通話中は担当者の画面に必要な案内を出す
5. 採点の結果から誰にどんな指導をするか決める

問題の発生をその日のうちに見つけて解決できるようになった。

以前は原因の把握だけで数週間かかっていた。

客室の設備といった簡単な質問に担当者の時間が取られ、予約の相談に手が回らなかった。

寄港地の知識を全員に行き渡らせるのも難しく、通話の品質チェックは一部の抜き取りに頼っていた。

1. チャットの窓口にCresta AI Agentを置く
2. よくある質問にその場で答えさせる
3. 通話中は担当者の画面に必要な情報を出す
4. InsightsとAI Analystで会話の傾向を見る
5. 品質チェックを全通話の自動採点に変えた

チャットの70%をAIだけで完結させ、担当者は成果につながるやり取りに集中できるようになった。

6か月でコンバージョンが2%上がった。

通話の一部だけを聞いて採点していたため、大半の会話は誰にも見られないままだった。

指導が実際の会話から2〜3週間遅れ、その場の行動を変えられなかった。

1. Crestaの品質管理機能で全部の会話を自動採点する
2. 営業の通話ではヒントとコールフローを画面に出す
3. Insightsで会話全体の傾向を見る
4. 上司は効果の大きいところから指導に入る
5. 面談ではうまくいった行動を再現させる

抜き取りの採点をやめ、100%の会話が指導とリスクの把握に使えるようになった。

上司が見るデータは2〜3週間遅れではなくリアルタイムになった。

複数の旅行ブランドと4つのコールセンターを抱え予約チームに大量の問い合わせが集まっていた。

品質チェックは全て手作業で管理者が指導や育成に手を回せなかった。

1. チャットの窓口にCrestaのAIエージェントを置く
2. 定型的な問い合わせから任せる
3. 施設ごとに担当を分け数か月で5体を動かした
4. 有人チャットの担当に助言と自動要約を出す
5. AI Analystで傾向をまとめ経営陣の判断材料にした

施設ごとのAIエージェントは62〜84%のチャットを人に引き継がず終わらせ全体の自己完結率は74%になった。

国立公園の事業では売上が330万ドル増えた。

アプリを作るには開発環境の用意やサンプルデータの準備が必要で、興味はあっても試すところまで進みにくかった。

1. 業務で使うSharePointリストのサイトを開く
2. 列構成とデータを分析しダッシュボードを作るよう文章で指示した
3. HTMLファイルをSharePointに保存しリンクを返すまで指示に含めた
4. 出来上がった画面をプレビューで開き動作を確かめた
5. チャットで追加のグラフや配置の修正を頼んだ

指示から1分ほどでHTMLのダッシュボードが出来上がり、件数や対応状況のカードと一覧表、絞り込みが使える形になった。

キーワード検索はファイルビューアー上で文字入力がうまくいかず、動作の確認は人がやる必要があった。

AI検索で自社サービスが紹介されているかを調べるため、複数の生成AIに担当者が手でプロンプトを打ち込み、回答をスプレッドシートにまとめていた。

工数が重いうえ、担当者ごとに回答が寄ってしまい客観的な数字が取りにくかった。

1. フロント向け2サービスの商材カテゴリーを軸にプロンプトを20個用意する
2. LLMリサーチでサービス名の出現割合とURL引用割合の2指標を測る
3. API経由で定期的に計測しレポートをワンクリックで出す
4. リスティング広告のデータを見て検索意図に近い言い回しへ直す
5. 人は数字を読んで次の打ち手を決める部分に回る

特定のプロンプトでのブランド露出率が導入前の水準と比べて130％になり、全リードに占めるAI起点リードの含有率は半年間で30％増えた。

集計の手間が減り、分析や打ち手を考える時間を増やせた。

RFPの回答づくりや記事の作成など同じような作業に時間を取られていた。

自社製品にはAPIでClaudeを組み込んでいたが社内の仕事には広がっていなかった。

1. 社内向けにClaude for Workを配った。
2. 営業はRFPの回答案を作らせ案件ごとに直す。
3. マーケは記事と翻訳の下書きを任せた。
4. 開発者に小さなツールやスクリプトを書かせた。
5. SSOで誰が使えるかをまとめて管理した。

社内アンケートでは98%が満足または非常に満足と答え生産性は25〜50%上がった。

RFPの回答と文章づくりの時間が大きく減り難しい仕事に手を挙げる人が増えた。

細かい位置データを取るには会場にカメラと人員を置く必要があり世界中の試合を覆えなかった。

遠隔の中継映像では1コマに選手の半分ほどしか映らないことも多い。

1. 家庭で見るのと同じ中継映像をAIに読ませる
2. 選手とボールと出来事を画像認識で拾い出す
3. 映っていない選手の位置を過去データから推定する
4. 超解像や再識別を生中継のまま動かす
5. イベントと位置と記録を重ねて問いに答える

70を超えるリーグの映像を構造化されたデータに変えられるようになった。

処理は40ミリ秒未満を目標に動き、モデルが一度に読む範囲は約3分から90分以上へ広がった。

経理と管理会計とFP&Aがそれぞれ別のデータで動き、同じ事業の数字の見方がそろわなかった。

月次のローリング予測には2〜3日かかるうえ精度も足りなかった。

1. グループ全体の計画を1つの仕組みに集める
2. 毎月の実績を取り込んで予測を走らせる
3. 出た予測の結果を各事業へ配る
4. アルゴリズムの数字をたたき台にし必要な所だけ直す
5. 総勘定元帳の残高を渡し予測を作らせ人が確かめる

11本ある月次のローリング予測をすべてAIが作り、売上とEBITDAの精度は実績に対して約98.5%になった。

予測の作業は一連の流れで約4時間で終わり、数週間かかるはずのキャッシュフロー予測は約10分で出せた。

ファンからの問い合わせ窓口がチャネルごとにばらばらで、応対の質にもムラがあった。

数字が手元に届くまでに12〜24時間以上かかることもあり、担当者は状況が見えないまま対応していた。

1. 電話とチャットとビデオの窓口をZoom CXに寄せた
2. 問い合わせを内容に合う担当者へ自動で振り分ける
3. 応対中にナレッジ記事をその場で出す形にした
4. 会話の熱量や感情のスコアで確認する通話を絞り込む
5. 見えた得意と弱点をもとに指導内容を決めた

管理者1人あたり1シフトで約2時間が浮き、確認できる通話は50%増えた。

振り分けと応答が速くなり、ファンの満足度も上向いた。