【漫画で分かるDX】第11回:リテール・ビッグバン。BigQueryが解き明かす売上の正体
『漫画で分かるDX』第11回。—
あとがき ― 小売のデータと「定義の一本化」
本ストーリーで描かれたように、小売業の現場にはPOSデータや在庫データなど膨大な取引記録が存在します。 佐藤さんと田中くんによる、分かりやすいIT・AI解説シリーズ。
目次 クリックで開く
リテール・ビッグバン。BigQueryが解き明かす売上の正体
シャッターが下りた後の店舗バックヤードは、静けさとは無縁だった。
小売店の現場支援に入っている田中誠の目の前には、各店舗のPOSレジから吐き出された大量の売上データと、紙のレシートの束が山のように積まれている。モニターには無数の数字が並んでいるが、ただ眺めているだけで「なぜこの商品が売れたのか」「明日は何を仕掛けるべきか」という次の一手がまったく見えてこない。
データという名の過去の証拠は山ほどあるのに、未来への手がかりが見つけられない。その無力感に、田中はすっかり慣れてしまっていた。
「データはこんなにあるのに、全然武器になっていない……」
ため息をつく田中の横で、同僚の水野澄がノートパソコンの画面を指差した。
「田中さん、原因の一つはこれです。A店、B店、C店で、同じ『新宿本店』を指す店舗コードの綴りが三カ所で違っています。さらに、商品のカテゴリ名も『飲料』『ドリンク』『飲み物』とバラバラです」
水野のその冷静な一言に、後ろで様子を見ていた本部担当の岸本麻衣が悲鳴のような息を呑んだ。
「……それ、うちの経理と集計チームが、毎月泣きながら手作業でエクセルを直してるやつね。店舗からの報告フォーマットがバラバラだから、そのまま足し算すると売上が分散してパニックになるのよ」
水野が言う通り、現場の能力が足りないわけではない。データに一貫性がなく、分析するための「物語」が欠落しているのだ。
登場人物紹介
田中 誠(29):伴走チームのジュニアコンサルタント。小売店舗の現場支援に入り、POSとレシートの山の前で次の一手が見えず苦しんでいる。
佐藤 修(39):シニアDXアーキテクト(業務改善の専門家)。定義の一本化と分析基盤の順序を、現場と本部の両方が納得する形で設計する。
岸本 麻衣(41):クライアント企業の本部担当。経理・集計チームの手作業の痛みを知り、表記ゆれのまま巨大基盤に流すことへの危惧が強い。
水野 澄(27):伴走チームのコンサルタント。店舗コードやカテゴリの揺れを突き、マスター整備と日次指標の絞り込みを実務で支える。
黒坂 剛(62):競合系ベンダーのベテラン営業。白混じりのロングヘア。クラウドのデータレイクへの一括投入で先に集めることを推す。
「いやいや、そんな細かい表記揺れなんて、後回しでいいんですよ」
バックヤードの入り口から響いたのは、白混じりのロングヘアを揺らす競合他社のベテラン営業、黒坂剛の声だった。
「倉庫に眠ってる大量のデータ、とりあえず全部うちの巨大なクラウドデータレイクに放り込んじゃえばいいんです。AIが勝手に読み取って、よしなに分析してくれますよ。とにかくデータを一カ所に集めるのが先決です」
自信満々な黒坂の言葉に、岸本は冷ややかに言い返した。
「とりあえず放り込む? 店舗名や商品名が割れたまま巨大なシステムに入れたら、今度はAIが間違った集計を出して、また経理が手作業で検証して泣く羽目になるじゃないですか」

「岸本さんの言う通りだ。黒坂さん、巨大な倉庫にガラクタを詰め込んでも、宝の山にはならないんですよ」
静かな声が割って入った。業務改善の専門家、佐藤修だ。いつの間にか現れた佐藤は、黒坂の安易な提案を一蹴し、岸本と田中の前に立った。
「Google Cloudの『BigQuery』のような強力なデータ分析基盤を使うのは大賛成だ。膨大なデータを一瞬で処理できる。だが、その巨大な場所にデータを寄せるのは『あと』だ。一番最初にやるべきことは、POSの定義を揃え、毎日同じ型でシステムに載せること。この順序を絶対に間違えてはいけない」
佐藤はタブレットを開き、画面を指でなぞった。
「同じ『売上』という数字でも、誰がどう見るかで意味が変わる。店舗全体の平均値だけを見て満足していたら、死に筋商品に気づかず、現場のリアルな起伏を見落とすことになる」
佐藤の言葉に、田中の瞳に光が宿った。ただの数字の羅列ではなく、意味を持った「塊」としてデータを捉え直す視点だ。
水野がすかさず実務面での補足を入れた。
「売上、欠品、廃棄といった基本用語と、店舗コードのマスターデータを明日までに一本化します。日次で追うべき指標は、まず三つに絞りましょう」
「……店舗と本部で、同じ画面、同じ言葉を使って数字の話ができるようになるんですね」
田中の呟きに、佐藤が頷く。
「そうだ。数字が現場の腹に落ちて初めて、適切な在庫管理と、なぜ売れなかったのかという説明責任の両方に効いてくる」
黒坂は「……まあ、チマチマしたお片付けから頑張ってくださいよ」と小さく手を振り、そそくさと去っていった。
数週間後。
深夜のバックヤードではなく、日中の明るい売り場の隅で、田中は店舗の店長と一緒にタブレットの画面を覗き込んでいた。
BigQueryに集約されたデータは、整えられた定義を通して、鮮やかなダッシュボードとして可視化されている。「先週末、この棚の飲料が急激に動いた理由」「明日の雨予報に向けた補充リスト」が、誰の目にも明らかな「言葉」として表示されていた。
「佐藤さん、数字がようやく僕たちの『言葉』になりましたよ」
離れた場所で見守っていた佐藤に、田中が晴れやかな顔で報告する。
「数字はあくまで戦略を練るための参謀に過ぎない。売り場でお客様の笑顔を作るのは、君たち人間だ」
佐藤の言葉に深く頷くと、田中はタブレットを小脇に抱え、力強い足取りで次の売り場へと向かっていった。
ここから先は、本文のストーリーとは切り離した解説です。
あとがき ― 仕事に落とすと
あとがき ― 小売のデータと「定義の一本化」
本ストーリーで描かれたように、小売業の現場にはPOSデータや在庫データなど膨大な取引記録が存在します。しかし、それらをただ「巨大なクラウドに集める」だけでは、意味のある分析はできません。
Aurant Technologiesが提案するのは、BigQueryのような強力な分析基盤(データウェアハウス)を活用するための**「土台作り」**です。
導入・定着のポイント
先に「定義」を揃える: 分析基盤にデータを流し込む前に、売上や欠品の定義、商品カテゴリ、店舗コードなどの「表記ゆれ」をなくし、マスターデータを一本化します(データクレンジングとモデリング)。
指標を絞る: 最初からすべてのデータを可視化するのではなく、現場が日次でアクションを起こせる少数の重要指標(KPI)からスタートします。
本来の目的(狙い): 現場(店舗)と経営(本部)が「同じ定義の数字」を「同じ窓(ダッシュボード)」から見ることで、共通の言葉でDXの議論ができるようになることが最大の狙いです。
Aurant Technologiesは、単なるBigQueryの環境構築にとどまらず、データのパイプライン設計から現場での活用・定着までを伴走支援します。