こんにちは。エンスポーツの田窪です。札幌はなぜかまだ雪が降っています。3月とは？

みなさまいかがお過ごしでしょうか。

最近のトピックスとして「バラバラに置いてあったデータをBigQueryに集めてAIに分析してもらう」という体験がとても良かったので、シェアさせていただきます。

ClaudeCodeとCodexのおかげで、下記の「怠け者マーケター向け分析フロー」が確立されました。

もう僕はSQLを叩いてテーブルを作る必要がありません。「これが知りたい」とClaude Codeに伝えれば、GPTと喧嘩しながらできるだけ正しいデータをとってきて分析して戻してくれるようになりました。

細かな進捗は下記の記事にも書いていたのですが、今回は全体のサマリー的な記事になります。

広告データパイプライン、実際に動かしてみたらバグとの戦いでした | 株式会社エンスポーツ

こんにちは。エンスポーツの田窪です。前回の記事では「Meta・Google・Appleの広告データをBigQueryに集約して、分析・自動化・AI活用まで持っていく」という構想についてお話しまし...

https://www.wantedly.com/companies/ensports/post_articles/1048526

広告データを一元管理して、分析・自動化・AI活用まで持っていきたい | 株式会社エンスポーツ

こんにちは。お久しぶりです。エンスポーツプロジェクトでは、とくにここ最近AIに全ベットしています。では具体的にどんなふうにAIを活用しようとしているのか、日記レベルになりますが発信していけたらと...

https://www.wantedly.com/companies/ensports/post_articles/1048339

マーケ関連のダッシュボードを何ページも開く日々だった

エンスポーツではこれまで、マーケティング関連のデータを色々なツールで管理してきました。

• Meta（Instagram / Facebook）の広告管理画面
• Google Ads の管理画面
• Apple Ads の管理画面
• その他広告の管理画面
• AppsFlyer（広告経由のインストール計測ツール）
• GA4（アプリ内の行動分析）
• BigQuery（データ基盤）
• Looker Studio（社内レポート）

それぞれの画面を見れば数字自体はわかるのですが、ツールをまたいだ分析となると途端に複雑になります。

まあそれでもなんとかなっていたのですが、だんだん知りたいことが複雑になってきて、「いよいよちょっとしんどいな」と思っていました。

というわけで、「全部のツールのデータを一箇所にまとめよう」「というかもうAIがやってくれよ」と考えたのが今回の計画の発端です。

ツールをまたいだ横断的なデータ分析計画を立案

まずは何をしたいかをイメージしないと始まりません。

実現したかったのは、下記のような「もはや僕は見て判断するだけでOK」の状態です。

• 情報が毎日自動でBigQueryに集まってくるようにする
• 必要なデータの取得を自然言語でできるようにする
• データ取得と同時に定量的な分析もおこなう

以上。

計画ってほどのものでもありませんが、とにかく目標はここにしました。

「Meta広告のROAS分析をして、改善してるか教えて」って伝えると、月ごとでまとまったレポートと見解が出てくる感じです。

というわけでClaude CodeとCodexに作ってもらった

「これやりたいんだよね」って言ったら、Claude CodeやCodexは大体なんとかしてくれます。

今回の焦点は主に2つ。1つ目は毎日のデータがBigQueryに集まる仕組みを作ること。2つ目は自然言語で分析できるようにすることです。

1 毎日のデータがBigQueryに集まる仕組みを作る

データを集めてくる処理については、クラウド上で自動で走らせる必要があります。毎回PCを開いて手動で指示するとかやってられません。

ちょっと議論（Claude Codeと）しましたが「とにかく安くてセキュアで安定したやつがいいです」という僕の意思を尊重して、下記の構成で組むことにしてくれました。

• 実行環境: Cloud Functions (Gen 2) — サーバーレスで運用コストゼロ。日次バッチに最適
• 言語: TypeScript — 型安全。各広告プラットフォームのSDKが充実
• スケジューラ: Cloud Scheduler — cron式で毎朝6:00 JSTに実行
• DWH: BigQuery — 分析用途に最適。SQLで横断クエリが書ける
• シークレット管理: Secret Manager — APIキーをコードに含めない

こんな感じで動いています。

2 自然言語で分析できるようにする

実際に分析する際は、基本的にローカル環境のClaude Codeにお願いする形にしています。

下記のワークフローです。

ここで重要になるのが、Claude Codeのskillです。

毎回0から考えさせると、いくら頭のいいAIといえども手間がかかりますので、うまくいった成功事例はskill化する必要があります。今回のワークフローでは以下のスキルが動いています。

/bq-analysis「データ分析して」　6フェーズの因果推論分析（メインの分析エンジン）

/ad-analysis「広告データ見て」
広告特化のSQL分析（チャネル別・クリエイティブ別）

/consult-gpt 自動呼出
GPT-5.4による批判的レビュー・クロス検証

/strategy「戦略分析して」
マルチエージェントの戦略分析チーム（市場調査+定量分析を並列実行）

この分析基盤を構築したことによって、もはや僕は知りたいことをClaude Codeに伝えるだけで情報を引き出せるようになりました。

これはさすがにめっちゃ便利

データが繋がってくると今まで見えてなかったものが見えてきました。

たとえば、流入元によってユーザーの初期行動にけっこう差がありそうだ、ということが見えてきたり。なんとなく「このチャネルのユーザーはアクティブだな」と感じていたことが、データでも確認できるようになりました。

あとコホート分析です。例えばインスタから来た方の、登録から7日間のアクティビティとかが簡単にみれるようになってます。何%が写真を登録して、いいねを送って、マッチして、何人が退会しているのか、みたいなことがチャネルごとに全部出せるようになりました。

（これまではAppsFlyerのローデータと突き合わせていた・・・）

たとえばGA4だけ、AppsFlyerだけだとそれぞれデータに曖昧な部分が出てきますが、全部付き合わせて横断的に見ることで精度が上がります。

そしてこういうことが、自然言語で指示するだけで実現できるようになりました。

とはいえもちろん、見えてきたものをどう施策に活かすかが大切です。これまでもデータドリブンで運営していたつもりではありましたが、AIのおかげでもう一歩先に進めた気がします。

Claude Code と Codex に喧嘩させながら相談したおかげです。これからもよろしくな。

まとめ

というわけで、バラバラだったマーケデータを BigQueryで繋いで AI に分析してもらえる基盤ができたよという話でした。

エンスポーツでは、こういったデータ活用や AI 活用を含めて、マーケティングやプロダクト開発を一緒に進めてくれるメンバーも募集しています。興味があればぜひお気軽にどうぞ！