データ基盤を「Excel依存から救う」最初の一歩

「うちは Excel で何とか回ってる」と仰る企業さんは、いまでも多い。実際、ある程度の規模までは Excel で十分に回ります。問題は、人手の限界を超えたとき。月次レポートを作るために、毎月3日かけて10種類のExcelをマージし、関数の壊れを直し、最終形をPowerPointに貼る…という運用は、規模が拡大するとそのまま組織のボトルネックになります。

「データ基盤」の前に、何が起きているのか

私たちが Excel依存からの脱却を支援するとき、最初にやるのは「現状の業務フロー観察」です。ヒアリングではなく観察。実際に集計担当者の隣に座って、何をどうコピペし、どのフィルタを使い、どのファイルをどう開いているか、メモを取るところから始めます。

観察すると、必ずと言っていいほど「同じ作業を毎月ループている」ポイントが見つかります。そこが最初の自動化ターゲットです。「データ基盤を作る」と大上段に構えず、月次の手作業を1つだけ自動化することを最初のスコープに置きます。

最初の3週間でやることは、たった3つ

1. 1現状業務マップを1ページにまとめる（誰が、どのデータを、何のために、どう加工しているか）
2. 2「これだけ自動化できれば月N時間削減」という単一ターゲットを決める
3. 3最小構成のDWH（BigQuery 無料枠で十分）に1テーブルだけ入れて、Looker Studioで見られる形にする

Claude Code で現状業務マップを作る

業務観察のメモから業務マップを起こす作業は、Claude Code に下書きを任せると効率的です。ヒアリング録音の文字起こしや手書きメモを渡して、構造化してもらいます。

以下は経理部の月次集計担当者へのヒアリングメモです。
これを業務マップとして整理してください。

出力形式：
1. 入力データ（誰が、どこから、どう取得するか）
2. 加工ステップ（順番、所要時間、使うツール）
3. 出力物（誰に、いつ、どう届けるか）
4. 失敗ポイント（過去エラーが起きた箇所）
5. 自動化候補（最も時間を食っている部分の上位3つ）

メモ：
---
（ヒアリングメモ全文を貼る）
---

# 経理部 月次集計 業務マップ

## 1. 入力データ
- **基幹DB（PostgreSQL）**：田中さんが第3営業日にCSV出力（10〜15分）
- **会計freee**：山田さんがブラウザからExcel DL（5分）
- **営業SFA**：佐藤さんから前月実績Excelをメール受領（依頼〜受領で1〜2日）

## 2. 加工ステップ
1. 受領Excel × 4ファイルを統合用ブックにペースト（30分）
2. VLOOKUP で部署マスタ突合（崩れチェック含めて60分）
... (続く)

## 5. 自動化候補
- **第1優先**: 部署マスタ突合のVLOOKUP（毎月60分・最も壊れる）
- **第2優先**: SFAからの前月実績取り込み（依頼〜受領のリードタイム）
- **第3優先**: 月次PowerPoint化（30分・データ更新時に毎回手作業）

実装：BigQuery + Looker Studio で1テーブル

現状把握ができたら、最初の自動化に着手します。例えば「SFAの前月実績Excelの取り込み」を選んだ場合、まず BigQuery に raw テーブルを1つ作り、CSV（Comma-Separated Values）/Excel をアップロードする運用にします。最初は手動アップロードでもOK。

-- BigQuery: 月次SFA実績の取り込み先CREATE TABLE `hukuhuku_dwh.sfa_monthly_raw` (  yearmonth_date DATE,        -- 月初日付（例: 2026-04-01）  department     STRING,  customer_id    STRING,  amount         NUMERIC,  loaded_at      TIMESTAMP DEFAULT CURRENT_TIMESTAMP())PARTITION BY DATE_TRUNC(yearmonth_date, MONTH)CLUSTER BY department;

ここまでで、「Excelで作っていたピボット集計」を Looker Studio で再現できれば、最初のマイルストーンは達成です。1ヶ月後に「もう手作業に戻れない」状態になっていれば成功。次のターゲットへ進みます。

次回予告

EP.02 では、最初のDWH（Data Warehouse）選定で迷う3つの軸（コスト・運用・採用）を、BigQuery / Snowflake / Redshift の現実的な比較で解説します。