小売企業との商談で、商品の購買動向について質問されても、その場では答えられない。詳細な分析を専門部署に依頼し、後日の回答となる――キリンビールの営業部門では、これが課題の一つとなっていた。そんな同社は、小売各社から預かる大量のID-POSデータをGoogle CloudのBigQueryに集約し、Lookerの会話分析などを使って営業担当者自身が分析できる環境を構築したという。
Google Cloudが11月18日に開催した「Data & AI Summit '26 Fall」では、キリンホールディングス デジタルICT戦略部 DX戦略推進室 主務の横山圭氏が、約12週間で実際の商談に導入した経緯と、営業現場に生まれた変化を紹介した。
数十億レコードの購買データを、営業担当が分析できなかった理由
小売企業との取引でメーカー側に求められる分析は、変わりつつある。横山氏によれば、小売業界では上位企業への集中が進み、メーカーにとって小売各社との取り組みの重要性が増している。さらにテクノロジーも進歩し、取引先1社ごとに、より深く迅速な分析と提案が求められるようになった。
これまでは、「何がどのくらい売れたか」を示す集計POSデータを基に販売施策を検討することが多かった。だが、現在は一部の小売企業から、会員IDにひも付く購買履歴を記録したID-POSの明細データを用いて、「誰が、いつ、何を一緒に買ったか」まで分析することを求められているという。
ただし、ID-POSのローデータは、従来の営業部門にとって容易に扱える規模ではなかった。
「ID-POSのローデータは、ものによって数十億レコード規模になります。営業担当は基本的にExcelのようなもので分析していたので、こういったデータには太刀打ちできませんでした。SQLを書ける人だけがデータベースに接続して抽出・分析できる状況で、分析が属人化していたんです」
営業担当は専門部署やSQLを書ける人材に分析を依頼し、結果を待たねばならなかった。そのため、商談中に質問を受けても回答を持ち帰ることになり、次の提案まで時間がかかっていたのだ。そこでキリンビールが目指したのは、営業担当自身が集計POSだけでなく、ID-POSの明細データまで分析できる環境だった。
BigQueryでデータを整え、Lookerで分析方法を共通化
同社が構築したのが、BigQueryとLookerを組み合わせた営業担当向けの分析環境だ。
「小売企業の各社からお預かりしているID-POSのローデータは、連携方式も更新頻度もバラバラです。それをBigQueryで集めて、商品マスターと結合したり、データをクレンジングしたりします。その後、LookMLで指標と分析ロジックを共通定義することで、営業担当者が自分自身で分析できる状況を作りました」
LookMLは、Looker上で分析に使う指標や計算方法を定義するための言語である。
営業担当が利用するLookerには、主に3つの分析方法が用意されている。1つ目は、日常的に利用する指標を確認するダッシュボードだ。売上金額を客数と客単価に分け、期間や商品カテゴリを指定して分析できる。ブランド別など、よく使う切り口への掘り下げも画面上の操作で完結する。
2つ目は、事前に定義された項目を組み合わせてデータを抽出する「Explore」。ダッシュボードにない切り口でも、営業担当者がSQLを書かずに分析できる。3つ目は、自然言語で質問する「会話分析」だ。横山氏は、特にこの会話分析が商談の進め方を変えたと説明する。
「新規のお客様は取れている?」にその場で回答
その変化を象徴するのが、ある小売企業との商談での出来事だ。キリンビールの「晴れ風」のリニューアル後、直前の1~3月には購入していなかった顧客を獲得できているのかと質問された。手元にあった資料は年代別・性別のデータだけで、新規購入者数は分からなかった。
そこでキリンビール側の営業担当者は、Lookerの会話分析に「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?」と入力した。
「『詳しい分析結果は後日ご報告します』と前置きして、『晴れ風の新規購入者はこれだけの人数でした』とその場で回答できたんです。お取引先には、答えをその場で出せること自体を高く評価していただきました」
この商談の時点では、新規・継続・離脱の購入者を追うダッシュボードはまだなかったが、その後、同じ切り口でいつでも分析できる画面を整備したという。
この取り組みは、横山氏がキリンビール営業部に在籍していた2026年1月に、同僚と企画したものだ。横山氏は同年4月に現在の部署へ異動したが、当初は同氏と本社営業部の同じチームにいた開発・推進担当者が商談でLookerを試していた。現在は各小売企業を受け持つ営業担当者自身も利用している。
当時、社内では生成AIの利用が浸透し、仕事でチャットを通じてAIに質問することが自然になっていたという。横山氏は、そのことも会話分析の利用を後押ししたのではないかと考えている。
取引先からは「キリンさんが一番数字を見てくれる」という評価が寄せられ、別の企業からは、多面的な分析によって顧客起点の議論が活発になったとの反応もあった。
「商談で話す内容自体は、それほど変わっていません。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です。導入前は、いったん持ち帰って次の会議やメールで回答していましたが、今はその場で生じた疑問にすぐ答えられるようになりました」
横山氏は、質問に答えてその場で次の施策まで話し合うことを重ねた結果、取引先との信頼関係も強まっているのではないかと見解を語った。
約12週間で商談に導入、共通設計で小売企業を追加
開発を短期間で進める上で、横山氏が重視したのは、PoC(概念実証)で使う環境をそのまま本番でも利用できるようにすることだった。Google Cloudとの初回打ち合わせは2026年1月29日。社内の手続きとセキュリティチェックを経て、3月11日にクラウド環境を利用し始め、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が可能になった。
「サンプルデータを使って、LookMLの定義や、売上を客数と客単価に分解するダッシュボードを作りました。私自身が商談に同行し、『こういう見方なんですけど、どうでしょうか』と先方の反応を伺いながら、ダッシュボードやExploreの指標を作り込んでいったんです」
まず1社のデータで仕組みを作り、既に受領していた別の小売企業のデータも同じLookMLの定義に対応させた。6月末には2社目、7月には3社目、10月には4社目のデータが営業現場で使えるようになった。新たな小売企業のデータもおおむね2週間で追加できるという。データの加工段階で項目名や形式をそろえ、後から企業が増えても同じ分析定義を利用できるようにしたことが、この展開を支えた。キリンビバレッジやメルシャンなど、他のグループ事業会社への展開も準備中だ。
本番運用の開始後も、現場の要望に応じた指標やマスターの追加を続けている。コスト面で見直したのは、BigQueryのクエリ課金方式だ。Lookerから実行するID-POSの分析では大量のデータを読み込むものの、処理自体は数秒で終わる。そこで、読み込んだデータ量に応じた課金から、処理時間を基準とする課金へ切り替えた。事前に費用を試算した上で切り替えた結果、Lookerから実行するクエリの費用は切り替え前の方式で計算した場合の約4分の1になり、7月以降の各月も7~8割程度の削減幅で推移しているという。
営業の自信を支えるのは「指標の定義」
AIの活用を進める上で、横山氏が重要だとしたのが指標の定義をそろえることだ。BigQueryに直接問い合わせた場合と、LookMLで指標を定義した場合とを比較し、次のように説明した。
「BigQueryでも直接チャットで問い合わせて、回答を取ることができます。ただ、何回か聞くと、そのたびに回答が若干揺れるんです。LookMLで定義していると、同じ問いかけの方法であれば、毎回同じ回答が返ってきます」
横山氏は、数字の差が小さくても、営業担当者が商談中に「前回と答えが違うが、どちらが正しいのか」と迷ってしまうことを問題視する。AIの回答をその場で取引先へ示すには、再確認に追われず、自信を持って説明できることが欠かせないという。
今後は、ID-POS以外のデータも分析対象にする考えだ。店頭の棚画像から分析に使えるデータを取り出したり、自社データも取り入れたりして、会話分析やAIエージェントによる提案の迅速化と品質向上を目指している。
講演の最後に横山氏は、開発担当が営業現場に入って利用者や取引先の声を聞くこと、AIを使う前に指標の定義をそろえること、商談中の小さな疑問に答え続けることの3点を強調した。
「お得意先様のために、どうすればもっと良いご提案ができるだろうか。そうした姿勢を積み重ねていくことが、小売企業の皆様からの信頼につながっていると改めて学びました」



