本文へスキップ
hdknr blog
戻る

データ照会チャットボットはデータ分析基盤を作ってから?ツール呼び出し・Text-to-SQL・セマンティックレイヤーの関係と進め方

はじめに

このブログでは最近、AI でデータに答えさせる仕組みを 2 つの方向から取り上げました。

どちらも「AI がデータを調べて答える」仕組みなので、チャットボットは分析基盤を作ってから実装したほうがよいのか、という疑問が出てきます。

結論から言うと、分析基盤の完成を待つ必要はありません。2 つは答える質問の種類が違い、チャットボットの中核(ツール呼び出し)は分析基盤なしで作れるからです。

ただし、分析基盤があると良くなる部分もあります。チャットボットの一部である Text-to-SQL と、これから増える分析系の質問です。最適なのは、チャットボットから小さく始め、そのログを根拠に分析基盤を育て、最後に両者を 1 つの窓口にまとめる 進め方です。

この記事では、2 つのシステムの関係を整理したうえで、その進め方を説明します。

前提:登場するプロダクトと用語

用語

用語意味
業務 DB業務システムが日々の登録・更新に使うデータベース。常に最新の値を持つ
DWH(データウェアハウス)分析用にデータを集めて保管するデータベース。複数のシステムのデータや過去の履歴をまとめて持つ
CDC(Change Data Capture)DB の変更を差分として拾い、別の場所に反映する方式。業務 DB から DWH へのコピーに使う
読み取り専用レプリカ業務 DB の複製で、読み取りだけを受け付けるもの。本番の負荷を避けて照会に使う
ツール呼び出し(Function Calling / Tool Use)アプリが用意した関数を LLM に選ばせて実行する方式。LLM は「どの関数をどの引数で呼ぶか」だけを決める
Text-to-SQL自然文の質問から LLM が SQL を生成し、DB に実行する方式
決定論的同じ入力には常に同じ処理・同じ結果になること。ツール呼び出しの先にある業務ロジックは決定論的で、LLM が生成する SQL はそうではない
セマンティックレイヤー「売上」「原価」などの指標の定義(計算式・集計の粒度・結合)を 1 か所にまとめた層
staging / martdbt の層構成。staging は生データの型や名前を整えた層、mart は分析用に集計・結合したテーブル群
PII(個人識別情報)氏名・電話番号・メールアドレスなど、個人を特定できる情報
正本その数字の正式な出どころ。業務システムでは、帳票や画面を計算するアプリのコードが正本になることが多い
オントロジー業務用語の定義と同義語、用語どうしの関係をまとめたもの
MCP(Model Context Protocol)AI エージェントが外部のツールやデータにつなぐための共通プロトコル

プロダクト

プロダクト種類この記事での役割
dbtSQL でデータ変換を書くツールDWH 上で mart を作り、指標の定義(schema.yml)を持つ
Lightdashdbt と連携する BI ツール(コアは OSS)セマンティックレイヤーの指標でダッシュボードと探索を提供し、権限も制御する
dbt MCP サーバーdbt Labs が公開している MCP サーバー(dbt-labs/dbt-mcp)AI エージェントから dbt のモデルや指標の情報を使えるようにする
NVIDIA Auto OntologyDB のメタデータからオントロジーを作り、Text-to-SQL の精度を上げる OSS(紹介記事)チャットボットの記事で、Text-to-SQL 部分の候補として取り上げたもの

2 つのシステムは何が違うのか

データ照会チャットボットとデータ分析基盤は、どちらも「データについての質問に答える」ものですが、答える質問の種類 が違います。

観点データ照会チャットボット(ツール呼び出し)データ分析基盤(DWH + セマンティックレイヤー)
典型的な質問「この案件の今月の原価は?」「先月の入金はいくら?」「事業所別の原価率の推移は?」「受注から入金までの日数の傾向は?」
質問の性質特定のレコードについての、今の値多数のレコードをまたいだ集計・推移・比較
データの鮮度リアルタイム(業務 DB を直接見る)CDC の分だけ遅れる(設定次第で数分〜数十分。PKSHA の事例は 30 分以内を要件にした)
データの範囲1 つの業務システム複数のシステムと過去の履歴をまとめて扱える
権限の判定業務システムの行単位の権限(ログイン中の利用者として実行)BI 層の権限(ユーザー属性によるテーブル・行の制御)
数字の正本業務システムのコード(画面・帳票と同じ計算)dbt の指標定義
重いクエリの影響業務システムに負荷がかかるDWH で処理するので業務システムに影響しない

チャットボットの記事では、ツール呼び出しを中核にすると結論づけました。業務システムでは、権限と計算の正本がアプリのコードにあるからです。この性質は、分析基盤を作っても変わりません。DWH にコピーしたデータは、アプリの行単位の権限も、画面と同じ計算ロジックも通らないからです。

一方、分析基盤が得意なのは、業務システムが苦手な質問です。期間や部門をまたいだ集計、複数システムの突き合わせ、過去の推移などは、業務 DB に直接投げると重く、画面のロジックにも用意されていないことが多いはずです。

つまり 2 つは 代替関係ではなく、得意な質問が違う補完関係 にあります。

チャットボットと分析基盤の関係:完成形は「3 つの経路を持つ 1 つの窓口」

両方がそろった完成形を図にすると、次のようになります。

データ照会チャットボットとデータ分析基盤の関係を示す完成形の図。一般の利用者、経営・企画・分析担当、管理本部・監査担当の質問はチャットのバックエンドに入り、LLM が質問を解釈してツールを選び、使える経路はアプリが役割で決める。① 業務照会では全員が照会ツールを使い、ログイン中の利用者として業務システムのロジックを通して業務 DB の最新の値に答える。② 定型分析では BI の権限を持つ人が BI の MCP サーバーを通し、dbt の指標定義と BI の権限からなるセマンティックレイヤーで DWH に問い合わせる。③ 探索では許可された役割だけが Text-to-SQL を使い、説明付きで PII をハッシュ化済みの mart のモデルに問い合わせる。業務 DB から DWH へは CDC でデータが流れる。繰り返し来る質問は、業務の数字なら業務システムの API に、分析の指標なら dbt の指標定義に昇格させる。

経路答える質問使える人問い合わせ先数字の扱い
① 業務照会(ツール呼び出し)特定の案件・伝票の今の値全員業務システムのロジック → 業務 DB正本(画面・帳票と同じ)
② 定型分析(セマンティックレイヤー)定義済みの指標の集計・推移BI の権限を持つ人BI の MCP サーバー → セマンティックレイヤー → DWH分析用の公式指標
③ 探索(Text-to-SQL)一度きりの例外抽出・突き合わせ許可された役割だけDWH の mart(または読み取り専用レプリカ)調査用の数字

ポイントは 3 つです。

ただし、この完成形を一度に作る必要はありません。

導入の進め方:分析基盤を待たずにチャットボットから始める 4 段階

おすすめは次の 4 段階です。

段階作るもの分析基盤次へ進む合図
1① ツール呼び出しのチャットボット不要ツールで答えられない質問がログにたまってくる
2③ Text-to-SQL を許可された役割に開放(読み取り専用レプリカ)不要横断・推移の質問が増え、レプリカでは重い・遅い
3データ分析基盤(DWH + dbt + BI)ここで作る定型の分析質問の指標が固まってくる
4② を追加し、③ の接続先を DWH の mart に移す活用する(改善サイクルを回し続ける)

段階 1:ツール呼び出しは分析基盤なしで作れる

① の経路は、業務システムの既存ロジックを呼ぶだけなので、DWH も dbt も要りません。一般の利用者がいちばんよく聞く「自分の案件の数字」に、画面と同じ権限・同じ計算で答えられます。最初に価値を出せるのはここです。

先に分析基盤を作ろうとすると、データの取り込み、dbt のモデル、権限の設計と、利用者に価値が届くまでの準備が長くなります。しかも、どの指標を作り込むべきかがまだ分かっていない 段階で作ることになります。

段階 2:Text-to-SQL は読み取り専用レプリカで小さく始める

監査担当のような一度きりの複雑な問い合わせには、チャットボットの記事のとおり、許可された役割にだけ Text-to-SQL を開放します。この段階の接続先は、業務 DB の読み取り専用レプリカで十分です。

後で述べるように、Text-to-SQL は DWH の mart に向けたほうが正確になります。それでもこの段階でレプリカから始めてよいのは、次の理由からです。

ツールで答えられなかった質問と、Text-to-SQL が生成した SQL がたまっていくと、「利用者が本当に知りたい集計」が見えてきます。これは、分析基盤で何を作るべきかの要求一覧そのものです。

段階 3:データ分析基盤を作るタイミング

次のような合図が出てきたら、分析基盤を作る時期です。

段階 2 のログがあれば、分析基盤の最初の mart と指標を「実際に聞かれた質問」から決められます。PKSHA の事例のように、少人数で短期間に立ち上げる場合でも、作る対象が絞れていることは大きな助けになります。

段階 4:② を足し、③ を DWH に移す

分析基盤ができたら、チャットボットに ② の経路を追加します。Lightdash の MCP サーバー(PKSHA の事例では OSS をベースに自前で拡張したもの)や dbt MCP サーバーを通して、定義済みの指標だけを使って 問い合わせる経路です。これで経営・企画の担当者は、ダッシュボードと同じ指標の数字を、チャットで聞けるようになります。

あわせて、③ Text-to-SQL の接続先をレプリカから DWH の mart に移します。

例外:分析基盤を先に作ったほうがよい場合

次のような場合は、段階 3 から始める(分析基盤を先に作る)ほうが合っています。

この場合も、指標を作り込む前に、利用者が実際に聞きたい質問を集めてから mart を設計するという順序は変わりません。

分析基盤があると Text-to-SQL が良くなる理由

段階 4 で ③ の接続先を mart に移すのには、はっきりした理由があります。

観点業務 DB のレプリカDWH の mart
テーブルの意味業務の都合で正規化されていて、列名だけでは意味が分かりにくい分析用に結合・整形済みで、dbt の説明が付いている
指標の定義ないので、LLM が毎回計算式を推測するdbt の指標定義があり、それに沿って計算できる
PII生の値のままstaging でハッシュ化済み(PKSHA の事例の設計。平文が必要な列は <table>_pii に隔離)
複数 DB・複数システム結合しにくいまとめて持っている
負荷本番の複製に負荷がかかるDWH で処理する

特に効くのが、指標の定義です。dbt Labs は 2026 年 4 月にベンチマークを公開しています。セマンティックレイヤーを使った場合と、生のテーブルに Text-to-SQL を当てた場合の正答率を比べたものです。

ただし、この結果には注意が要ります。

だからこそ、完成形では ② と ③ を両方持ちます。定義済みの指標で答えられる質問は ② で正確に、定義の外にある一度きりの質問は ③ で探索的に答える、という分担です。

改善サイクル:繰り返す質問を業務 API と dbt 指標のどちらに昇格させるか

チャットボットの記事では、Text-to-SQL に何度も回ってくる質問を、開発者が決定論的な API にして ① のツールに昇格させる改善サイクルを紹介しました。分析基盤があると、昇格先がもう 1 つ増えます。

繰り返し来る質問の性質昇格先例
特定のレコードの今の値で、帳票と一致する必要がある業務システムの API(① のツール)「案件ごとの受注・請求・入金の差額」
多数のレコードをまたぐ集計・推移で、分析用の指標でよいdbt の指標定義(② のセマンティックレイヤー)「事業所別の月次原価率の推移」
どちらにも当てはまらない一度きりの問い合わせ昇格させない(③ のまま)「起票者と承認者が同じ伝票の抽出」

判断の基準は、誰が・どの精度で・どれくらいの鮮度で その数字を必要とするかです。帳票と同じ精度・リアルタイムが必要なら業務システムに、分析用の精度・数十分遅れで足りるなら dbt に置きます。

分析基盤を追加するときの注意:数字の正本・権限・用語を二重にしない

分析基盤を足すと、チャットボットの記事で Text-to-SQL について指摘した問題が、形を変えて戻ってきます。

数字の正本が 2 つになる

業務システムの帳票の数字は、アプリのコードで計算されています。分析基盤で同じ指標を dbt で定義すると、同じ数字の計算が 2 か所に存在する ことになります。締め処理、端数処理、取消・訂正の扱いなどが少しずれれば、チャットの ① と ② で答えが食い違います。

対策は次のとおりです。

権限の定義が 2 つになる

① は業務システムの権限で、② は BI 層のユーザー属性で制御します。業務システムで「事業所 X の担当者」になっている人が、BI では事業所 Y のデータも見られる、という状態になれば情報漏えいです。

用語の定義が 2 つになる

チャットボットの記事では、業務用語のオントロジーをリポジトリの YAML などで持つことを勧めました(Text-to-SQL に NVIDIA Auto Ontology を使う場合は、その定義も加わります)。分析基盤を作ると、dbt の schema.yml にも指標や列の説明が書かれます。ここも二重にしないのが理想です。

まとめ

一言でいえば、チャットボットはそのまま、分析の需要が見えたら DWH の経路を足し、Text-to-SQL もそちらに移す。ただし数字の正本・権限・用語は 1 つに保つ ということです。



前の記事
DeepSeek Harness(dsh)とは:DeepSeek が公開したオープンソースのエージェント実行基盤
次の記事
Celery はメモリ不足、ECS タスクは起動待ち — 帳票・Saga・AI エージェントの窓口をデスクトップアプリに寄せる設計