大手アパレル小売チェーン向け 自然言語AI分析エージェントの開発
大手アパレル小売チェーン向け 自然言語AI分析エージェントの開発
カテゴリ： AIエージェント開発 / データ分析基盤 クライアント： 全国展開する大手ファッションアパレル小売企業 技術タグ： Gemini ・ FastAPI ・ MCP ・ Cloud Run ・ Text-to-SQL
全国に多数の店舗を展開する大手アパレル小売チェーンでは、売上・店舗・商品に関する分析のたびに、SQLを書けるアナリストや情報システム部門へ依頼する必要がありました。「先週の店舗別売上トップ10を知りたい」というシンプルな問いでさえ、依頼 → 抽出 → 共有という人手のリレーを挟まなければ答えにたどり着けない。データはあるのに、現場が自分で問いかけられない——いわゆるデータ活用の属人化とボトルネックが、組織のあちこちで常態化していました。
本プロジェクトでは、この「人間がビジネスの問いをSQLへ翻訳する」工程そのものを、AIエージェントで丸ごと置き換えました。ユーザーは日本語で問いかけるだけ。AIが意図を解釈し、顧客のデータベースに対して安全にSQLを生成・実行し、分析レポートまで一気通貫で生成します。チャットの延長線上で、誰もがデータと対話できる状態をつくりました。
アーキテクチャは、はじめからマルチテナント前提のサーバーレス構成で設計。フロントエンドからバックエンド、GCP上のインフラ、そしてAIパイプラインの設計・実装までを、すべて一人でフルスタックに担当しました。「店舗スタッフでも自分でデータに問いかけられる」——その一点に向けて、最新のAIエージェント構成を一貫した思想で組み上げています。
主な技術スタック
- フロントエンド： Next.js 15（App Router）／TypeScript／Tailwind CSS／SSE（Server-Sent Events）
- バックエンド： FastAPI／SQLAlchemy ＋ Alembic／Python MCP SDK／Google Gemini API／PyMySQL
- インフラ（GCP）： Cloud Run（API＋MCPサーバー統合）／Cloud SQL（MySQL 8.0）／Secret Manager／Cloud Storage／Artifact Registry／VPC ＋ Cloud NAT／Cloud Monitoring & Logging
- IaC： Terraform（モジュール分割構成）
本PJについて
課題の解決
非エンジニアがデータにアクセスするには、SQLという専門スキルが必須でした。その結果、分析業務が一部の担当者に集中し、現場の意思決定はつねに「抽出待ち」の状態。本システムは「自然言語 → SQL → 実行 → レポート」のすべてを自動化し、専門知識がなくても会話の延長でデータ分析を完結できる状態をつくりました。
データベースへの接続は MCP（Model Context Protocol）経由の読み取り専用に限定。AIに自由にデータを触らせながらも、書き込みは一切させないことで、「開放」と「安全」を両立させています。
成果
過去の成功事例を学習する仕組みにより、SQL生成の成功率と精度は継続的に向上。DB接続まわりのチューニングで応答の安定性も高まりました。サーバーレス構成のおかげで、約50ユーザー規模の利用を想定しても月額数千円台という、極めて高いコスト効率で稼働しています。専任アナリストや外注分析にかかっていたコストと比べれば、その差は歴然です。
技術的ハイライト
Text-to-SQL パイプライン
中核となるのは、多段構成の Text-to-SQL パイプラインです。質問分類 →（過去の成功SQLからの）類似例検索 → SQL生成 → バリデーション → 実行 → レポート生成、という流れの各ステップで Gemini を役割ごとに使い分けています。SQLは「生成して終わり」ではなく、実行可能か・安全かを検証してから走らせる。エージェントが自らの出力に責任を持つ設計です。
使うほど賢くなる Few-shot Learning
成功したSQLクエリを120件以上蓄積し、日本語のカテゴリ（売上分析・店舗管理・商品管理・利益分析・チャネル分析など）とタグで体系化。質問が来るたびに類似例を検索し、プロンプトへ自動注入します。日本語ストップワード除去で検索精度を高め、将来的には埋め込み（ベクトル）ベースの検索への移行も見据えた拡張性のある設計にしています。運用するほどデータが溜まり、精度が上がっていく——自己改善するエージェントです。
自己修復する自動リトライ
SQL実行でエラーが発生した場合、AIがエラー内容そのものを読み解き、最大3回まで自動で修正・再実行します。人手の介入なしに「失敗から立ち直る」エージェント挙動を実装しており、ユーザーはエラーをほとんど意識することなく答えにたどり着けます。
V1 → V2 → V3 という進化
APIは段階的に進化させてきました。V1は質問分類のみのレガシー版。推奨のV2はベースプロンプト常時適用＋Few-shot統合＋自動リトライ＋SSEストリーミング＋曖昧な質問への対話的Clarificationを備えます。実験的なV3では、複数のSQL候補を並列生成し、実行結果から最良のものを採用する best-of アプローチを採っています。
マルチテナントとセキュリティ
全テーブルに tenant_id を持たせて顧客データを論理的に分離。テナントごとに異なるDB接続を持ち、認証情報は Secret Manager に隔離します。読み取り専用クエリのみ許可、SQLインジェクション対策、クエリタイムアウトと結果行数の制限——データを安全に開放するためのガードレールを多層で張り巡らせています。
リアルタイムな分析体験（SSE）
SQLの生成中・実行中の処理状況を SSE でリアルタイムにストリーミング配信。「待たされ感」を消し、まるでチャットのように分析が進んでいく体験を提供しています。
経営者目線のメリット
- 意思決定の高速化： 分析依頼から結果までのリードタイムが、人を介した数時間〜数日から、会話の数十秒へ。現場がその場で問いかけ、その場で判断できます。
- データ活用の民主化： SQLが書けるかどうかに依存していた分析を全社員へ開放。属人化を解消し、組織全体のデータリテラシーを底上げします。
- 圧倒的なコスト効率： サーバーレスの従量課金構成により、約50ユーザー規模でも月額数千円台で運用可能。人件費・外注費と比べたインパクトは大きい。
- 安全に開放できる： 読み取り専用接続・認証情報の隔離・多層のガードレールにより、「データを開放する＝危険」というジレンマを技術で解消しました。
- 安くスケールする： マルチテナント設計のため、対応店舗・部門・グループ会社を増やしても、インフラ追加ではなく設定追加で拡張できます。
総括
「SQLを書ける人にしかデータが触れない」という、多くの大手企業が抱える構造的なボトルネック。本プロジェクトは、それをAIエージェントで根本から作り替えた事例です。Text-to-SQL・Few-shot Learning・MCP・サーバーレスといった2026年の最新構成を、フロントからインフラまで一貫した思想で組み上げ、安く・速く・安全にデータを全社へ開放しました。
「既存の業務フローのどこに、人間の判断待ちというボトルネックが潜んでいるか」を見極め、そこにAIエージェントを差し込む。DigDaTechが得意とするアプローチを象徴するプロジェクトです。