Snowflake データモデリングとdbt|層の作り方で費用はどこに出るか

Snowflake で dbt の層を作るとき、view・table・incremental のどれにするかで、計算を払う時と場所と、保存に残るものが変わります。テーブルの種類と保持の日数とあわせて公式文書で確かめました。

この記事をシェア:
目次 クリックで開く

この記事の要点

  1. dbt の公式の構成ガイドでは、staging で、取り込んだ表の名前・型・簡単な計算・分類だけを整えて view にします。結合と集計は marts でまとめ、BI が読む幅の広い表を table にします(作るのが遅くなったら incremental)。
  2. この分け方は、計算と保存をどこで払うかの分け方でもあります。view は保存がかからず、読むたびに計算します。table は実行するたびに作り直され(CREATE OR REPLACE)、消した前の表は保持期間のあいだ保存に残ります。
  3. dbt が作る表は既定で transient なので、Fail-safe の保存はかかりません。ただし Snowflake の公式文書は、長く持つファクト表を永続にするよう勧めています。クラスタリングキーと動的テーブルは、読む速さや新しさと引き換えに計算と保存が増えます。

dbt の作り方ごとに、計算と保存はどこに出るか

view(dbt の既定)

materialized: view

  • 計算:読まれるたびに、読む側のウェアハウスで
  • 保存:かからない
  • 例では:stg_orders

table

materialized: table

  • 計算:dbt を実行するたびに全体を作り直す
  • 保存:表と、消した前の表(保持期間のあいだ)
  • 例では:orders

incremental

materialized: incremental

  • 計算:is_incremental() の条件で選んだ行だけ(多くは前回より後の行)
  • 保存:表と、変わった行の分
  • 例では:作るのが遅くなった orders

出典:dbt Materializations、Incremental models、CREATE TABLE、Storage costs for Time Travel and Fail-safe

Snowflake で dbt を使ってデータモデリングをするなら、dbt の公式の構成ガイドの組み方が出発点になります。取り込んだ表ごとに staging のモデルを1つ作り、名前の付け直し・型の変換・簡単な計算・分類だけをして view にします(結合と集計はほぼしない)。結合と集計は marts でまとめ、BI が読む幅の広い表を table にし、作るのが遅くなったら incremental にします(Staging、Marts)。この分け方は、計算と保存をどこで払うかの分け方でもあります。view は読まれるたびに、読む側のウェアハウスで計算します。table は実行するたびに作り直され、消した前の表が保持期間のあいだ保存に残ります(CREATE TABLE)。この記事では、層と作り方ごとに Snowflake のどこに費用が出るかを、1つの例で順に見ます。

当社は Snowflake の導入を支援していて、データ基盤の設計も手がけています。GA4 のデータを Snowflake に取り込む事例でも、層の作り方を決めました。この事例は、設計が済み、構築はこれからの段階です。2026年9月から、新しくクラスタ化した表の自動クラスタリングの請求方式と、Snowflake Backups での transient の表の扱いが変わりました。そこで、層の作り方に関わる費用の決まりを、Snowflake と dbt の公式文書で確かめてまとめました。当社の環境で測った記録ではありません。

ウェアハウスのサイズと、クエリの待ち・spill の読み方は「スケールアップとスケールアウト」の記事、料金の全体と自動サスペンド・リソースモニターは「Snowflake の料金とコスト」の記事で扱っています。BI 側の表の設計(スター・スキーマ)、Iceberg テーブル、dbt Projects on Snowflake は扱いません。

データをどこに置くか、Excel のままでよい場合との分かれ目を動画で話しています。

例にする orders と、層ごとにやること

例は、dbt の公式の構成ガイドのサンプル(Jaffle Shop という架空のお店)の注文です。取り込んだ raw_orders を staging の層で stg_orders に整え、marts の層で明細の集計などを合わせた orders にします。ガイドによると、大きなプロジェクトでは間に intermediate の層を足し、ephemeral か、専用のスキーマの view にします(Intermediate)。

この記事の例:注文のデータが通る層

取り込んだ表raw_orders(COPY INTO か Snowpipe)
stagingstg_orders(view)
martsorders(table か incremental)
BI・分析読む側のウェアハウスで読む

出典:How we structure our dbt projects。Jaffle Shop は dbt のサンプルで架空のお店。取り込みの方法は記事の想定で、サンプルは seed で入れる

ガイドは、staging でやることを、名前の付け直し、型の変換、簡単な計算(セントをドルに直す、など)、条件での分類に絞っています。結合はほぼ必ず避け、集計もしません。結合は計算をすぐに重複させ、集計は元の粒度を失うからです(Staging)。結合の例外は、base models と呼ぶ下ごしらえのモデルです。stg_orders は raw_orders を1対1で受け、ordered_at を日の単位にそろえます。marts は、注文や顧客のような1つのものを1行にし、関係するデータを幅広く持たせた非正規化の表にします。ガイドの理由は「保存は安く、計算は高い」で、Semantic Layer を使う場合は正規化寄りにする、と条件を付けています(Marts)。計算と保存の見方でいえば、結合の計算を marts で1回払って結果を保存し、読むたびの計算を減らす組み方です。

型の変換で止まりやすいのも staging です。

公式文書の例:数字でない文字列を TO_DECIMAL で数値にしたときのエラー

100038 (22018): Numeric value 'aaa' is not recognized

公式の例では、TO_DECIMAL を TRY_TO_DECIMAL に替えると、このエラーにならず NULL が返ります。TRY_TO_NUMBER も同じ Snowflake の関数です(TRY_TO_DECIMAL, TRY_TO_NUMBER, TRY_TO_NUMERIC)。stg_orders で TRY_TO_NUMBER を使い、NULL になった行は後の節の not_null のテストで見つける、という分け方ができます。

当社は、時刻の扱いも staging(事例では整形の層)で済ませる考えです。事例の設計では、GA4 が UTC で記録しているので、変換元が UTC であることを明示して日本時間に直すことにしました。取り込みの手続きで前日の日付を計算するときも同じです。Snowflake のアカウントのタイムゾーンは、既定では日本時間ではありません。変えると、同じアカウントのほかのクエリや時刻の表示にも響きます。そこで、アカウントの設定は変えずに、日本時間を明示して計算する設計にしました。

層の名前は会社によって違い、Snowflake の公式文書にも多段のパイプラインを bronze/silver/gold と呼ぶ箇所があります(Dynamic tables の選び方)。以下では、ガイドが勧める view → table → incremental の順に、orders を作り替えながら見ていきます(Marts)。

dbt の前の取り込みにも費用がかかります。COPY INTO は、ウェアハウスが動いていた時間でかかります。Snowpipe はウェアハウスを使わず、読み込んだ1GBあたり0.0037クレジットです。CSV や JSON は圧縮前の大きさで数えます(Snowpipe costs)。JSON は VARIANT の列にそのまま入れ、staging で FLATTEN を使って行に展開できます(FLATTEN)。当社の事例でも、着地の表は各行を丸ごと VARIANT の列に入れ、列の定義は整形の層で行う設計にしました。

view:保存はかからず、読むたびに読む側で計算する

dbt の view は実行するたびに create view as で作り直されますが、データは保存しません(Materializations)。Snowflake の通常のビューは、参照されたときに定義のクエリを実行します(Overview of views)。stg_orders の計算は、dbt を実行したときではなく、読むクエリのたびに、そのクエリのウェアハウスで払います。ただし、同じクエリの保存済みの結果から返るときは除きます(条件は「Snowflake の料金とコスト」の記事に書いています)。

ガイドが staging を view にするのは、下流がいつも最新を読めて、利用者が直接読まない層に保存を使わないためです(Staging)。反対に orders まで view を重ねると、ダッシュボードが更新されるたびに BI のウェアハウスで計算をやり直します。marts を table にする理由の1つがこの再計算の費用です(Marts)。ephemeral はデータベースに何も作らず、参照する側に CTE として埋め込まれるので、計算は埋め込まれた先(orders を作るとき)で払います(Materializations)。

当社の事例の設計でも、整形の層はビューにしました。着地の表を毎日入れ直すので、テーブルで持つと作り直しの処理が別に要るためです。遅さが気になったら、テーブルに切り替える順番にしています。事例は Snowflake のタスクとストアドプロシージャで組む設計ですが、dbt でいえば staging を view にする判断です。

table:実行するたびに作り直し、消した前の表が残る

dbt の table は実行するたびに作り直され、読むのは速い代わりに、作り直しに時間がかかります(Materializations)。Snowflake で実行される SQL は create or replace table … as です(dbt の Snowflake configurations の例)。OR REPLACE は DROP してから作るのと同じで、消した表は Time Travel に残り、保存の費用に入ります(CREATE TABLE)。Time Travel と Fail-safe は、ふだんは変わった行の分だけを保ちますが、表を消したときと TRUNCATE したときは丸ごと保ちます(Storage costs for Time Travel and Fail-safe)。orders を毎日作り直すと、前の日の orders が保持期間のあいだ丸ごと残ります。何日残るかは、テーブルの種類と保持期間で決まります。

テーブルの種類と、消したデータが保存に残る日数
種類Time Travel(日)Fail-safe(日)消したデータが残る日数(最短・最長)dbt では
永続(Standard エディション)0か1(既定は1)77・8transient: false のとき
永続(Enterprise エディション以上)0〜9077・97transient: false のとき
transient0か1(既定は1)00・1table・incremental の既定
temporary0か1(セッションの間だけ)00・1incremental の途中で使うことがある

出典:Storage costs for Time Travel and Fail-safe、Working with Temporary and Transient Tables、Time Travel、dbt の Snowflake configurations。既定の日数は何も設定していない場合の値で、保持期間はデータベースやスキーマに設定した値を引き継ぎます。日本語の公式文書では temporary を「仮テーブル」、transient を「一時テーブル」と呼んでいます。

dbt は Snowflake に作る表を既定で transient にするので、Fail-safe の保存はかかりません(Snowflake configurations)。毎日作り直す orders なら、前の表が残るのは最長1日です。+transient: false で永続にすると、表の日数から数えて、Standard エディションで最長8日、Enterprise エディション以上で保持を90日にしていれば最長97日残ります。

毎日作り直す orders で、消した前の表が残る最長の日数

transient(dbt の既定)1日
永続・Standard エディション8日
永続・Enterprise 以上で保持90日97日

公式の表の最長の値。出典:Storage costs for Time Travel and Fail-safe

ただし、Snowflake の勧めは dbt の既定と逆向きです。Snowflake の公式文書は、transient を、Snowflake の外で作り直せるデータに限るとしています。ファクト表のように長く持つ表は常に永続にし、1日未満で使い終える作業用の表は transient にしてよい、という書き方です。失ったデータを入れ直す時間や止まる時間が問題になるなら、Fail-safe の費用を払っても永続の方がよいことがある、とも書いています(Understanding storage cost)。transient の表は、Time Travel が過ぎると Snowflake でも戻せません。さらに 2026_06 の動作変更(2026年9月から既定で有効)で、Snowflake Backups の対象にもならなくなりました(BCR-2360)。dbt の既定のままだと、marts の orders のような長く持つ表も transient になります。

当社の意見としては、dbt の表は層ではなく表ごとに決めることをお勧めします。作り直しの元の raw_orders が永続で守られていて、消えても作り直すまで待てる表は、Fail-safe の保存を払う理由が薄いので、transient の既定のままでよいと考えます。作り直しに時間がかかる表や、BI が毎日読んで止まると困る marts の表は、公式の勧めどおり +transient: false で永続にします。取り込みの表(Snowflake の既定は永続)は、消えると dbt では戻せないので永続のまま守ります。当社の事例の設計でも、取り込みの元になる BigQuery 側の表は消さずに残すことにしました。GA4 から書き出したデータは出し直せないためです。

incremental:差分だけ計算し、変わった行の分が残る

incremental は、最初は全部の行で表を作り、2回目からは is_incremental() の中の条件で選んだ行だけを変換して足します。選ぶのは多くの場合、前回より後に作られたか更新された行です。unique_key を決めると、同じキーの行は置き換えます(Incremental models)。Snowflake での既定は merge で、append・delete+insert・insert_overwrite・microbatch も選べます(Incremental strategy)。

orders を incremental にする書き方(dbt の公式文書の書き方に例の列名を当てはめたもの。この記事のためには実行していない)

{{ config(materialized='incremental', unique_key='order_id') }}
select * from {{ ref('stg_orders') }}
{% if is_incremental() %}
where ordered_at >= (select coalesce(max(ordered_at), '1900-01-01') from {{ this }})
{% endif %}

保存も、変わった行を戻すのに要る分だけが Time Travel と Fail-safe に入るので、丸ごと残す table の作り直しより小さくなります(Storage costs for Time Travel and Fail-safe)。orders のように行を足していくファクト表には Time Travel と Fail-safe の保護が向く、と公式はしています。膨らむのは、更新の多い大きなディメンション表です。公式が極端な例として挙げる200GB の表では、すべての行を1日20回更新すると合計32.2TB になります。transient(保持0日)にして、1日1回永続の表に写すと2TBです。それでも公式は、多くの表は永続のまま守るのがよいとしています。この例に当たるかどうかは、TABLE_STORAGE_METRICS の FAILSAFE_BYTES ÷ ACTIVE_BYTES で見分けます(Data storage considerations)。

公式の極端な例:200GB のディメンション表のすべての行を1日20回更新したときの保存

永続のまま:いまのデータ0.2TB
永続のまま:Time Travel4TB
永続のまま:Fail-safe28TB
永続のまま:合計32.2TB
transient+毎日の写し:合計2TB

transient は保持0日、写しは1日1回の永続の表。出典:Data storage considerations の「Managing costs for large, high-churn tables」

間違えやすい点は3つです。unique_key が実際には重なっていると、merge は nondeterministic merge のエラーで失敗します。dbt は、delete+insert に替える方法を案内しています(Snowflake configurations)。dbt は、最初から incremental にせず、実行が遅くなってから使うよう勧めています(Materializations)。--full-refresh で実行すると既存の表を消して作り直すので、table と同じく消した表が残ります(Incremental models)。また dbt の文書は、Snowflake が文字列とバイナリの列の既定の大きさを2026年9月に増やす予定だと案内しています。そのうえで、dbt-snowflake v1.10.6 より前の版では、照合順序を指定した文字列の列があって on_schema_change='sync_all_columns' を使う incremental モデルが、作れなくなることがあると注意しています(Snowflake configurations)。ただし、Snowflake の側のこの変更の案内(BCR-2118)は、2026年10月20日に見た時点で「延期(Postponed)」になっていました。2025_07 バンドルに入る予定だった変更で、今後のバンドルで入るとだけ書かれ、時期は示されていません。入ると、大きさを指定しない列の既定が、文字列は16MBから128MBに、バイナリは8MBから64MBになります。入る時期は、このページで確かめてください。

クラスタリングキー:読む量を減らす代わりに、並べ直す費用がかかる

Snowflake の表はマイクロパーティション(圧縮前で50〜500MB)に分かれ、クエリは値の範囲を見て要らないパーティションを読みません(Micro-partitions)。同じ値の行が同じパーティションに集まっているほど、読む量は減ります。「Snowflake の料金とコスト」の記事では、クラスタリングキーは付けずに ORDER BY で日付順に作り直した表で、元の表が32のうち32を読んだ集計が、16のうち2で済んだ例を載せています。クラスタリングキーは、この並びを Snowflake に保たせる指定で、orders なら注文日(ordered_at)で絞るクエリが多いときの候補です。ただし公式は、すべての表向けではないとしています(Clustering Keys & Clustered Tables)。

orders にクラスタリングキーを付けるか

1

マイクロパーティションが多い大きな表か

公式の目安は数TB以上

2

クエリが一部の行だけを読むか、並べ替えるか

3

多くのクエリが同じ列で絞るか、並べ替えるか

4

費用を下げたいなら、更新よりクエリがずっと多いか

すべて当てはまる:付ける候補付ける前に代表的なクエリで性能を測っておく
当てはまらない:付けない並べ直しの費用で元が取れないことがある

出典:Clustering Keys & Clustered Tables

列は絞り込みに多く使う列から選び、1つのキーは3〜4列までです。値の種類が少なすぎる列(真偽値)も、多すぎる列(ナノ秒の時刻、一意の ID)も向きません。時刻なら、日付にした式にします(同)。例の stg_orders は ordered_at を日の単位にそろえています(Staging)。

費用の1つは並べ直しの計算で、ウェアハウスは要りません。2026年9月1日から新しくクラスタ化した表は、Optima Clustering です。取り込んだデータの圧縮前の GB × 0.007クレジット × 重なりの係数(0〜1)で請求され、届いた時点でよく並んでいれば係数は0に近づきます。それより前からの表は Clustering Classic のままで、サーバーレスの計算(Snowflake が用意する計算資源で、係数は2)で請求されます(Automatic Clustering、Service Consumption Table の表5)。dbt の table のように毎回作り直してキーを付け直す表がどちらになるかは、公式の資料には見当たらないので、SYSTEM$CLUSTERING_INFORMATION で確かめてください。もう1つは保存です。並べ直す前のパーティションは、Time Travel と Fail-safe が過ぎるまで残ります。Clustering Keys のページは、これを最短8日、Enterprise エディション以上で保持を延ばしていれば最長97日としています(Clustering Keys、2026年10月20日に確認)。最短8日は、Time Travel が既定の1日のときに Fail-safe の7日を足した日数です。Time Travel を0日にした永続の表なら、上の表のとおり最短7日です(Storage costs for Time Travel and Fail-safe)。8日と7日の関係は、2つのページの数字から当社が読んだものです。transient の表なら Fail-safe の分は残りません。

dbt の cluster_by は、この節の初めに触れた並べ直し(ORDER BY で作り直した表)と同じく、結果をその列で ORDER BY してから表を作り、そのうえでキーを付けます。並べてから作るので自動クラスタリングの仕事が減る、と dbt は説明しています。automatic_clustering の設定は、手動の再クラスタリングが残る(非推奨の)アカウント以外では効きません(Snowflake configurations)。

自動で保つ表:動的テーブルとマテリアライズドビュー

table と incremental は、dbt を実行しないと新しいデータが入りません。Snowflake の側で結果を保つのが、動的テーブルとマテリアライズドビューです。dbt-snowflake はマテリアライズドビューを使わずに動的テーブルを使い(Materializations)、materialized='dynamic_table' で作ります(Snowflake configurations)。

Snowflake の側で結果を保つ2つの表

動的テーブル

dbt:materialized=’dynamic_table’

  • エディション:すべて
  • 計算:指定したウェアハウスで更新(上流に変化が無ければ止まったまま)
  • 変化の確認:周期ごとにクラウドサービス
  • 保存:結果と Time Travel・Fail-safe

マテリアライズドビュー

dbt-snowflake では作らない

  • エディション:Enterprise 以上
  • 計算:維持はサーバーレス(係数2)
  • 保存:結果の分
  • 1つの表だけ(結合は使えない)

出典:Understanding costs for dynamic tables、Working with Materialized Views、Snowflake editions、Service Consumption Table の表5

動的テーブルは、ターゲットラグ(target_lag、最短1分)に収まるように Snowflake が更新します。ターゲットラグは更新の間隔ではなく、データがどれだけ古くてよいかの目標で、必ず収まるとは限りません(Target lag)。変化の確認は周期ごとに走るので、ラグの短い表が多いと、ウェアハウスの計算の10%を超えたクラウドサービスの分が請求されることがあります。公式の例では、1分の表が200あると確認は1日に約288,000回です(Understanding costs for dynamic tables)。

dbt で作るときは2点違います。動的テーブルは、dbt でも既定で永続です。また、target_lag を書かないと dbt を実行したときだけ更新され、書くと Snowflake が更新します。どちらも dbt v1.12 以降の文書の記述です(Snowflake configurations)。dbt の文書は、dbt の table の下流に動的テーブルを置くと、table の create or replace が変更の追跡の履歴を壊す、とも注意しています。下流が更新できなくなっても、dbt の実行は成功と出ます(同)。この注意はインタラクティブテーブルの節にあり、通常の動的テーブルにも同じことが起きるとしています。そのうえで、上流の table を作るたびに変更の追跡を有効にし直す post-hook の書き方を載せています。post-hook は、モデルを作った後に実行する SQL です。

マテリアライズドビューは Enterprise エディション以上で、1つの表しか読めず結合も使えません。元の表が変わるたびにバックグラウンドで維持され、その計算はサーバーレスで、保存もかかります(Working with Materialized Views)。dbt で層を作るなら、自動で保つ表は動的テーブルが候補です。

どの層の計算かを分けて測り、作り直しを減らす

ウェアハウスを分けると、層ごとの計算が分かれて見える

dbt のウェアハウスはモデルごと・フォルダごとに snowflake_warehouse で変えられ、テストには小さいウェアハウスを指定できます(Snowflake configurations)。公式も、動的テーブルの費用を切り分けるなら、試す間は専用のウェアハウスを使うよう勧めています(Understanding costs for dynamic tables)。当社の事例でも、取り込みのクレジットを分けて測れるよう、取り込み専用のウェアハウスをいちばん小さいサイズで分ける設計にしました。

テストも SELECT なので、ウェアハウスの時間を使う

Snowflake の標準の表では、PRIMARY KEY と UNIQUE の制約は強制されず、NOT NULL は強制されます(Constraints)。dbt の data tests は unique・not_null・accepted_values・relationships の4つが最初から使えます。テストは条件に合わない行を探す SELECT として実行されるので、その分のウェアハウスの時間を使います(Data tests)。

dbt の公式文書の例のうち、orders の order_id の部分

models:
  - name: orders
    columns:
      - name: order_id
        data_tests:
          - unique
          - not_null

order_id に unique を付けておけば、Snowflake が止めない重なりに、incremental の merge が失敗する前に気づけます。当社の事例でも、一意の制約が強制されないので、重なりを防ぐ仕組みを取り込みの手順の側(日付ごとに消してから入れる)に持たせる設計にしました。

開発と CI では、作り直す代わりにクローンで表を用意する

Snowflake のゼロコピークローンは、作った時点では元とパーティションを共有して保存がかからず、変えた分だけが新しく保存に入ります(Data storage considerations)。dbt clone は、Snowflake ではクローンで表を作ります。CI で、変えた incremental のモデルを先にクローンすれば、全体の作り直しの計算を避けられます。ただ dbt は、クローンも計算を少し使うので、多くの場合は defer(上流のモデルを作らずに本番の表を参照する機能)の方が安く簡単だ、としています(dbt clone)。

dbt platform からつなぐときの項目と、dbt のロールに付ける権限(費用には関わらない設定)

dbt platform で Snowflake につなぐ項目は、アカウント、ロール、データベース、ウェアハウスです。2026年10月の dbt の公式文書では、ユーザー名とパスワードで新しい認証情報は作れず、キーペア認証が既定です(Connect Snowflake)。

dbt のロールに付ける権限は、同じ文書の dbt v2 向けの節に、コアの操作・メタデータの操作・条件つき・追加の機能の4つの表で並んでいます。table の作り直しに使う DROP や、incremental の –full-refresh に使う TRUNCATE、メタデータを読む INFORMATION_SCHEMA の USAGE なども入っているので、一覧は公式の表で確かめてください。dbt の操作に要る権限はその表にまとまっているので、付けるのはその表と、使う機能に要る分にとどめることをお勧めします。たとえば動的テーブルを dbt で作るなら、表に無いスキーマへの CREATE DYNAMIC TABLE の権限も要ります(CREATE DYNAMIC TABLE の権限の要件)。

まず自分のプロジェクトで、作り方と表の種類を並べて見る

dbt_project.yml の +materialized と +transient を層ごとに書き出し、Snowflake では SHOW TABLES の kind(TABLE は永続、TRANSIENT、TEMPORARY)、retention_time、cluster_by を並べてください。SHOW TABLES HISTORY にすると、消した表のうち Time Travel の期間内のものが dropped_on つきで出ます(SHOW TABLES)。Fail-safe に入った分は出ないので、表ごとの Time Travel と Fail-safe の量は TABLE_STORAGE_METRICS の TIME_TRAVEL_BYTES と FAILSAFE_BYTES で見ます(Data storage considerations)。

どの層をどの作り方にし、どの表を永続で守るかを、データの量と読み方に合わせて設計するところは、当社のSnowflake 導入支援で一緒に進められます。

仕様と率は、2026年10月14日に Snowflake の公式文書(英語版)と Service Consumption Table(2026年10月12日発効の版)、dbt の公式文書で確かめました。dbt の設定は版によって使えるかが変わるものがあります。用語は日本語の公式文書に合わせ、テーブルの種類は英語の名前で書いています。

Snowflake 導入支援

販売・会計・広告・SaaS のデータを Snowflake に取り込み、dbt で整え、BI で全社に共有する基盤を作ります。ウェアハウスのサイズと Auto-Suspend の設計でコストを読める形にし、社内で運用できる状態までを支援します。

AT
aurant technologies 編集

上場企業からスタートアップまで、数多くのデータ分析基盤構築・AI導入プロジェクトを主導。単なる技術提供にとどまらず、MA/CRM(Salesforce, Hubspot, kintone, LINE)導入によるマーケティング最適化やバックオフィス業務の自動化など、常に「事業数値(売上・利益)」に直結する改善実績多数。

この記事が役に立ったらシェア: