生成 AI が事業成果に結びつき始める一方で、多くの企業がその実装段階でつまずいている。AI 対応が不十分なシステム、サイロ化したデータ、スケールアップに伴うコストなど、従来型インフラの制約が AI 活用の足かせとなっているためだ。
本資料では、こうした課題を抱えていた 11 社がデータ基盤を BigQuery へ移行した過程を、「AI イノベーションと費用対効果の促進」「情報分析にかかる時間の短縮」「適応力のある少数精鋭チームの実現」という 3 つの観点から紹介する。各事例はニーズ、戦略、得られた知見、結果という共通フォーマットで整理されており、データ基盤刷新を検討する際の判断材料として横断的に参照できる。
たとえば、ある大手決済サービス企業では、複数の基盤に分散していた 400PB の分析データを 18 カ月以内に統合。クエリ性能を 2.5～10 倍、データ鮮度を 16 倍に高めるとともに、データの重複を 99％ 以上削減した。また、大手物流企業では移行前に 1万2000 件のレポートを 3000 件まで整理した上で移行に着手し、データ レイテンシを 24 時間から約 2 時間へ、ML モデルの再トレーニング時間を 2 日以上から約 1 時間へ短縮している。
そのほか、1.5 PB のデータと 1万2000 件のデータセットをわずか 4 カ月で移行した事例や、全データ項目を分析して使用されていない 30％ のデータを移行対象から外した事例なども収録。レガシー環境からの脱却と AI 活用を見据えたデータ基盤刷新を、各社はどのように進めたのか。その具体的なアプローチと成果を紹介する。
ホワイトペーパー