キリンビール営業部門、商談の質問に AI でその場で回答 BigQuery と Looker で約12週間で本番へ
公開:
「一旦持ち帰って、後日ご報告します」。商談でそう答えるしかなかった営業担当が、その場で AI に聞き、数字で答えられるようになった。変わったのは、話の中身よりも意思決定のスピードと、営業担当の自信だった。
Google Cloud の「Data & AI Summit '26 Fall」で、キリンホールディングスの横山 圭氏が登壇し、キリンビールの営業部門で進める BigQuery と Looker によるデータ × AI 活用を紹介した。数十億レコード規模の ID-POS データを営業担当が自分で分析できるようにした仕組み、初回の打ち合わせから約12週間で本番の商談に使うまでの進め方、そして「AI 活用の前に、まず指標の定義をそろえる」という学びが語られた。
この記事の要点
- 小売企業から ID-POS のローデータを使った分析や提案を求められるなか、キリンビールの営業部門は BigQuery と Looker で、営業担当が自分でデータを分析できる環境をつくった。商談で出た質問に、Looker の会話分析を使ってその場で答えられるようになった
- 初回の打ち合わせから約12週間で本番データを使った商談へ。試した環境をそのまま本番にし、作り手が商談に同行し、LookML の共通設計で新しい小売企業を約2週間で追加できるようにした。課金方式の見直しで、Looker からのクエリ費用は約4分の1になった
- BigQuery に直接聞くと AI の回答はわずかに揺れるが、LookML で定義すれば毎回同じ答えが返る。横山氏は、その安定が営業担当の自信と取引先の信頼を支えると強調した
目次
Google Cloud は2026年11月18日、データと AI をテーマにしたイベント「Data & AI Summit '26 Fall」を Google 渋谷オフィスとオンラインで開いた。Track 1 のブレイクアウトセッション「キリンビール営業部門のデータ × AI 活用の現在地」には、キリンホールディングス株式会社 デジタルICT戦略部 DX戦略推進室 主務の横山 圭氏が登壇した。横山氏は2011年にキリンビールへ入社し、営業や、キリンホールディングスでのデータ分析、キリンビール営業部でのリテール DX の推進を経て、2026年4月から現在の部署でグループ横断の分析基盤の整備や AI エージェントの開発・実装を担当している。この日紹介したのは、横山氏がキリンビールの営業部にいた2026年1月に仲間と立ち上げ、Google Cloud の支援を受けて今も進めている取り組みだ。
キリンホールディングス株式会社 デジタルICT戦略部 DX戦略推進室 主務の横山 圭氏
「持ち帰り」が当たり前だった商談
横山氏は、取り組みの中で起きた一つの場面から話を始めた。ある取引先との商談で、「『晴れ風』のリニューアル後、新規のお客様は取れているの?」と聞かれた。そのとき手元にあったのは、年代と性別のデータだけだった。これまでなら「一旦会社に持ち帰って確認し、後日ご報告します」と答えるところだが、このとき営業担当は、その場で Looker の AI に問いかけ、新規の購入者がどれだけいるかを答えることができたという。
背景には、メーカーと小売企業の関係の変化がある。横山氏によると、小売流通業界では上位集中が少しずつ進み、一社一社との取り組みの重要性が高まっている。テクノロジーの進歩も重なり、一社ごとに「より深く、より早い PDCA」が求められるようになった。これまでは「何がどれだけ売れたか」を集計した POS データで PDCA を回してきたが、一部の小売企業からは、ポイントカードなどの購買履歴である ID-POS の、さらにローデータを使った分析や提案を求められるようになったという。
ID-POS のローデータは、誰がいつ何を一緒に買ったかまで分かる一方で、ものによっては数十億レコードの規模になる。Excel のような道具で分析してきた営業担当には「全く太刀打ちできない」データだった。SQL を書ける人だけがデータベースに接続して分析できる状況で、分析は属人化していた。営業担当は分析できる人に依頼して待つしかなく、提案までに時間がかかる。商談で「これってどうなっているの」と聞かれても、保留にして持ち帰らざるを得なかった。
そこで横山氏らは、営業担当自身がデータを見られるようにし、しかも集計済みの POS データではなく ID-POS のローデータを分析できる状態をつくることを目指した。
キリンビール営業部門の取り組みを紹介する横山氏
BigQuery に集め、LookML で指標をそろえる
小売企業各社から預かる ID-POS のローデータは、連携の方式も更新の頻度もばらばらだ。キリンビールの営業部門は、これを BigQuery に集め、自社の商品マスターと結合したり、不要なデータをクレンジングしたりして、分析用のデータを BigQuery 上に作る。その上で、Looker のモデリング言語である LookML で指標と分析ロジックを共通に定義し、営業担当が Looker のダッシュボード、Explore、会話分析の3つの機能で自分で分析できるようにした。
ダッシュボードには、ID-POS を分析するときに一番よく使う見方を用意した。売上金額を客数と客単価に分け、さらに細かい指標に分解していくもので、期間やカテゴリーなどのフィルターで条件を絞るだけでデータを見られ、カテゴリー別やブランド別の分解は要素を押すだけでドリルダウンできる。新規・継続・離脱のお客様の入れ替わりを時系列で示すダッシュボードもある。冒頭の「新規のお客様は取れているの?」に応えるもので、質問を受けた時点ではまだなかったが、よく聞かれる切り口なので用意したという。
Explore は、あらかじめ定義した切り口を画面から選び、ピボット操作で組み合わせるだけでデータを抽出できる機能だ。横山氏によると、直感的に扱えるため営業担当でも学習コストなく使え、ダッシュボードにない切り口のデータはここから抽出して提案に使っている。
3つ目の会話分析は、自然言語で質問すると、LookML の定義に基づいて答えを返す機能だ[1]。会場ではデモ動画が流され、営業担当がチャット欄に「1〜3月に晴れ風を買っておらず、4月に買った人の人数は?」と入力する様子が紹介された。冒頭の商談では、営業担当は「精緻な深掘りは後日ご報告します」と前置きした上で、晴れ風の新規購入者の人数をその場で答えた。取引先からは「その場で答えを出せること自体がすごい」と評価されたという。
Looker の機能は、最初は横山氏と同じチームの開発推進担当が商談で使い方を試し、その後、小売企業を担当する営業担当自身が使えるように整えた。現在は実際の商談で活用している。キリンビールで始めたこの取り組みは、キリンビバレッジやメルシャンといったグループの事業会社に横展開できるよう準備を進めているという。なお、ここまでの講演の前半(約14分)は撮影していないため、スライドやデモの画像は掲載していない。
変わったのは、意思決定のスピードと自信
横山氏が「本日の中心」と位置づけたのが、現場の変化だ。その場で答える早いレスポンスを続けるうちに、ある小売企業からは「キリンさんが一番数字を見てくれる」と言われ、別の小売企業からは、多面的にデータを深掘りしてもらえることで議論が活発になったと評価された。横山氏は、一つ一つの答えの積み重ねが信頼感につながったと見ている。
横山氏は「話の内容自体はそんなに変わっていない」と整理する。大きく変わったのは、意思決定のスピードと営業担当の自信だ。導入前は、次の会議や後日のメールで答えていた。導入後は、その場で生じた疑問にすぐ答えられるので、次の打ち手まで議論が進む。営業担当にとっても、何を聞かれてもその場で AI に聞けば答えられることが、商談に臨む自信になったという。
導入前は「持ち帰り」、導入後は「その場で」。スピード、自信、関係性が変わった
営業担当にとって、データに触れることは日常になった。以前はほとんど触れられなかった ID-POS のローデータも、今は数十億レコードの明細に自分でアクセスして分析できる。分析は専門人材への依頼から手元での作業に、聞き方は事前に抽出形式を指定する依頼から自然言語で AI に聞く形に変わった。営業担当の姿勢も、出てきたデータを眺めるものから、自分から見に行くものへと変わったという。
横山氏は、社内で生成 AI の活用が浸透し、チャットで AI に聞くことが自然な行動になっていた時期と重なったことも、営業担当が会話分析を使う追い風になったと振り返った。
ID-POS のローデータ、分析、聞き方、姿勢の4つの面で、営業担当とデータの関係が変わった
「その場で答える」商談のスタイルは、ほかの小売企業との間でも広がっている。横山氏は2つの例を挙げた。
| 小売 | 分析例 | 現場の変化 | 先方との関係 |
|---|---|---|---|
| 小売 A | カテゴリー新規 | 分析の手数と質が向上。負荷で諦めていた深掘りができるように | 商談の質と先方の納得度が上がる好循環 |
| 小売 B | 併売リフト値 | 自らデータ分析する機会が増えることで、小売企業に対する理解が深まる | 提案スピードの向上で、より強固な関係に |
※スライド「『その場で答える』は、他の小売でも」をもとに編集部が整理
小売 A では、これまで専門部署に頼んでいたため「こんなに頼むと大変だ」と諦めていた分析が、自分たちでできるようになった。小売 B では、営業担当が自ら分析する機会が増え、その小売企業の販売状況への理解が深まったという。
初回の打ち合わせから約12週間で本番の商談へ
進め方の面では、スピードが特徴だ。2026年1月29日に Google Cloud と初回の打ち合わせをしてから約12週間で、本番のデータを使った商談に臨める状態にした。横山氏は「12週間が早いか遅いかは評価が分かれるかもしれないが、弊社の基準ではかなり早い」と述べた。スライドに示された流れと、それを支えた3つの工夫は次のとおりだ。
1月29日の初回打ち合わせから、4月22日に本番データで商談。その後は6月末に2社目、7月に3社目、10月に4社目へ広げた
① 試した環境を本番に
社内の申請やセキュリティチェックを経て、3月11日に Google Cloud の環境を使い始めた。PoC で最初に使う環境を、そのまま本番にできるよう最初から決めていた。
② 作り手が商談に同行
4月2日には、受け取っていたサンプルデータで LookML の定義やダッシュボードを作り、横山氏自身が商談に同行。先方の反応を聞きながら、作るものを決めていった。
③ 共通設計で足すだけ
各社のデータを LookML で共通に定義できるよう、ゴールド層でカラム名などをそろえる設計にした。新しい小売企業は約2週間で追加できる。
※スライド「初回打ち合わせから約12週間で、本番データを使った商談へ」と横山氏の説明をもとに編集部が整理
最初のユースケースには、ちょうど同じ時期に ID-POS のローデータの提供を始めようとしていた小売企業のデータを使った。1社目の後は、以前から受け取っていた小売企業のデータも共通の LookML の定義に合流させ、短い間隔で営業現場への展開を進めたという。
課金方式を選び直し、クエリ費用は約4分の1に
スピードを優先したぶん、細かな作り込みや指標は、まず最小限の一番重要なものから提供した。本番運用に入った後も、「こういう見方がしたい」「このマスターを追加したい」といった現場の要望に応えて改善を続けている。その分かりやすい例として、横山氏は課金の話を紹介した。
ID-POS の分析は、大量のデータを読み込むものの、抽出の処理自体はシンプルで数秒で終わる。そこで、読み込んだデータ量に応じて課金される方式から、処理した時間に応じて課金される方式に切り替えた。BigQuery には、処理したデータ量に応じて課金するオンデマンド料金と、処理能力(スロット)の使用時間に応じて課金する容量ベースの料金がある[2]。切り替えの前には、導入後のクエリ履歴を使って、どれだけ費用が下がるかを試算したという。
スライドによると、Looker からのクエリ費用は、従来の課金方式を100とした指数で25、約4分の1(74.6%削減)になった。2026年7月〜11月5日の実績で、従来の課金方式の費用は同じクエリ履歴から試算したもの。7〜11月の各月とも、約7〜8割減で安定しているという。
「大量のデータを読むが、処理は数秒で終わる」使われ方に合わせ、読み込んだ量での課金から処理した時間での課金に切り替えた
AI の回答精度は、指標の定義で決まる
最後のパートで、横山氏は約半年の取り組みから学んだことを語った。今は BigQuery にもチャットで直接問い合わせて、会話分析のように答えを得られる。ただ、何回か聞くと、そのたびに回答がわずかに揺れる。一方、LookML で定義していれば、同じ聞き方なら毎回同じ答えが返ってくる。
スライドには、定義なしで BigQuery に直接問い合わせた2つの結果が並んでいた。離脱した顧客の数は一方が99,338、もう一方が99,729で、新規や継続の数もわずかに違う。LookML で定義した場合は、離脱顧客数99,338人(構成比67.1%)、新規顧客数32,664人(22.0%)、継続顧客数16,137人(10.9%)と示されていた。
定義なしで BigQuery に直接聞くと、結果がわずかに揺れる。「AI 活用の前に、まず指標の定義をそろえる」
差はごく小さく、おおよその傾向をつかめればよいなら十分だ。しかし、商談の場では事情が違う。横山氏は、営業担当が「今回聞いたら AI の回答が前回と違ったが、どちらが正しいのか」という不安を抱えれば、結局は確認作業が必要になると指摘した。毎回同じ答えが返ってくることが、AI への信頼をつくり、自信を持って答える拠り所になっていると聞いているという。
営業担当が自信を持って商談をする上では、誰がやっても何回やっても同じ回答が出るというのは非常に重要なポイントになる。それが実際の数字の差以上に大きいということを改めて学びました。
横山氏によると、LookML の定義を BigQuery 側から参照して使える機能も最近リリースされた。どう使っていくのがよいかは、技術のアップデートに合わせて見直していくという。
今後は、ID-POS 以外のデータも BigQuery と Looker で分析できるようにしたい考えだ。たとえば店頭の棚画像のような非構造化データから分析に使える構造化データを取り出せないか、自社データを組み合わせて会話分析や AI エージェントで提案のスピードと質を上げられないかを検討している。スライドでは、棚画像、自社データ、AI エージェントは「構想」と示されていた。
共通の指標定義(セマンティックレイヤー)に棚画像や自社データもつなぐ構想。「整えた定義が、次の AI 活用の資産になる」
営業現場の変化を支えた3つのこと
横山氏は最後に、営業現場の変化を支えた3つのことをまとめた。
1 開発担当が、現場に入る
実際に作る人が商談に行き、「どう使うのか」「どんな見方ができるとうれしいか」を生の声で聞く。現場のニーズを高い解像度でつかめ、使われるものを最短で届けられる。
2 AI の前に、定義をそろえる
指標の定義が共通だから、誰が聞いても、何回聞いても同じ答えになる。それが営業担当の自信になる。
3 その場の一回答を、積み重ねる
「精緻版は後日」でいい。取引先のためにより良い提案をしようとする姿勢と、持ち帰らない回答の積み重ねが信頼につながる。
※スライド「営業現場の変化を支えた3つのこと」と横山氏の説明をもとに編集部が整理
営業現場の変化を支えた3つのこと
AI の答えが聞くたびに揺れれば、営業担当は結局どちらが正しいかの確認に追われる。LookML で指標の定義をそろえ、毎回同じ答えが返るようにしたことが、営業担当が「その場で答える」自信の土台になった。
登壇者
デジタルICT戦略部 DX戦略推進室 主務
開催概要
| イベント | Data & AI Summit '26 Fall(主催:Google Cloud) |
|---|---|
| 開催日 | 2026年11月18日(水) |
| 会場 | Google 渋谷オフィス+オンライン配信 |
| セッション | 【Track 1】キリンビール営業部門のデータ × AI 活用の現在地 |
| 登壇 | 横山 圭氏(キリンホールディングス株式会社 デジタルICT戦略部 DX戦略推進室 主務) |
出典:Data & AI Summit '26 Fall 公式ページ
References
- Google Cloud「Conversational Analytics in Looker overview」. https://docs.cloud.google.com/looker/docs/studio/conversational-analytics(参照 2026-11-19)
- Google Cloud「Understand BigQuery editions」. https://docs.cloud.google.com/bigquery/docs/editions-intro(参照 2026-11-19)
Data & AI Summit '26 Fall のほかのレポート
- 【総括】AI エージェントに任せる前に、データに「意味」を Google Cloud と登壇10社が示したデータ基盤の条件
- 【基調講演】AIエージェントは「信頼」と「コスト」で選ばれる、Google Cloud・KDDI・MBKデジタルが示すデータ基盤の条件
- 【Track 1】AIエージェントは「初日の新入社員」 Google Cloud 山田氏が説く、データを動かさない「SOAP」アーキテクチャとコンテキスト運用
- 【Track 1】三菱ケミカルが M365・AWS・ServiceNow を Google Cloud でつなぎ、ヘルプデスクを自律化
- 【Track 1】Google Cloud が示すエージェントのデータ基盤、BigQuery と Knowledge Catalog の役割
- 【Track 2】メルカリが dbt platform へ移行、AI エージェントでデータ基盤の運用を自律化
- 【Track 2】G-gen が検証、BigQuery に表と列の説明と業務用語を書くと AI の正答率は17%から100%に
- 【Track 2】LegalOn Technologies、Agent Skill で現場にデータ基盤を渡し「構造」で守る運用
- 【Track 3】Google Cloud が解説、BigQuery と Iceberg の使い分け 4つのテーブル形式と3つの連携パターン
- 【Track 3】ダイニーが AI エージェントを社内向けと社外向けで設計し分ける理由、誤答の影響で「LLM に任せる範囲」を決める
- 【Track 3】Google Cloud が語る「見る BI」の先 Looker で AI と会話し、作らせ、エージェントから使う
- 【Track 3】Google Cloud が提言、AI エージェントから本番 DB を守る「サービング DB」と3つの設計要件
- 【Track 3】MIXI が Looker の会話分析をサブエージェントに、アナリストが自ら育てる「モンスト」の社内分析 AI
本イベントのほかのレポートも公開しています
この記事では Track 1 のキリンホールディングスのセッションを取り上げました。ほかの12本のレポートは、上の一覧からご覧いただけます。(trends. 編集部)









