GenAI時代のデータ分析とBI製品の設計におけるトレンド
Julian, Ma Li
2025/01/27
ガートナーの忠実な読者およびファンとして、私は彼らのアナリストがもたらす深い洞察と専門知識を常に賞賛してきました。これらのトップクラスの専門家は、業界経験を数十年にわたり、学術的、技術的、製品、業界、およびビジネスの分野において独立した思考を発揮しています。リアルな実践やクライアントやCXOとの頻繁な交流によって豊かにされた彼らの分析やレポートは、鋭い洞察と正確なトレンド予測で知られています。
たとえば、2022年6月に、ガートナーは業界におけるGenAIアプリケーションの主要トレンドを正確に予測しました。
この記事では、データ分析およびビジネスインテリジェンス（BI）製品のデザイントレンドが、GenAIの台頭によりどのように再形成されているかについて深堀りします。ガートナーの広範な研究とデータ分析およびBIの分野に対する深い理解を基に、専門家がこの変革の時代を乗り切る手助けとなる実用的な洞察と具体的な指針を共有したいと思います。
この方向に関して、ガートナーは主要な製品と技術を2つの大きな分野に分類しています： 分析およびビジネスインテリジェンス（ABI） および DSML（データサイエンスと機械学習）。それぞれを深く掘り下げていきましょう。
分析およびビジネスインテリジェンス
分析およびビジネスインテリジェンス（ABI）は、ユーザーが情報にアクセスし分析して意思決定およびパフォーマンスを改善・最適化するために設計されたアプリケーション、インフラストラクチャ、ツール、ベストプラクティスを含む広範な用語です。
2025年のABIトレンド
ABIプラットフォームの従来のドラッグアンドドロップインターフェースは、会話型のテキストベースインターフェースと連携し、ユーザーが自然言語でレポートやパイプラインを要求できるようになっています。
主要なクラウドERPおよびCRMベンダーがABIプラットフォームの選択に影響を及ぼし、ベンダーロックインに関する懸念を高めつつ、柔軟性とオープンネスを求めて「マルチクラウド」戦略の採用を促進しています。マイクロソフトは、Power BIの成長がマイクロソフト365（E5）との手頃なパッケージングおよび特にリモートワークの時代におけるマイクロソフト Teamsとの統合によって駆動されているため、市場をリードしています。
ニッチな分析ベンダーは特定の市場セグメント向けに特化したソリューションを提供することによって差別化を図り、大手クラウドプロバイダーから独立することを強調しています。
市場は急速にローコード/ノーコード機能を採用しており、従来のダッシュボードから意思決定を強化しビジネス価値を促進する文脈に基づく洞察の提供へと進化しています。
ABI市場の主要プレイヤー
データサイエンスと機械学習
データサイエンスと機械学習（DSML）プラットフォームは、GenAIを含むAIモデルのフルライフサイクルをサポートします。これにより、開発と生産のギャップを埋め、組織がMLOpsプラクティスを強化しAIを簡素化して展開できるようになります。
2025年のDSMLトレンド
DSMLプラットフォームは、エンタープライズアセットとしてますます重要であり、GenAIの需要が急増しているため、支出の大幅な成長をもたらしています。しかし、データ、モデル、インフラストラクチャをスケーラブルなソリューションに統合することは依然として複雑です。
DSMLプラットフォームはフルスタックソリューションに進化し、マルチクラウドインフラストラクチャ、データパイプライン、モデルのトレーニング、デプロイメント、フロントエンド開発をカバーしています。差別化は、迅速な反復を可能にする抽象化レベルにあります。
GenAIはデータサイエンスの民主化を加速し、成熟したAutoML機能を通じてビジネスに関連する役割を支援します。例として、コーディングアシスタント、自然言語クエリ、ワークフロー自動化があります。
主要なクラウドプロバイダーが頑強なインフラストラクチャを持つため、DSMLの採用を主導している間、独立したプレイヤーがチームの協力を促進する革新の機会が残っています。
GenAIの波が進む中で、実用的な洞察に基づく意思決定を促進する基盤となるデータサイエンスのユースケースは見逃されてはなりません. DSMLプラットフォームは、高度な分析とAI開発を統合するのに特化しています。
DSML市場の主要プレイヤー
ABIとDSMLの統合
2026年までに、50％の組織が市場の収束によりABIとDSMLプラットフォームを統一ソリューションとして評価します。 ABIとDSMLの統合は重要なトレンドとなっており、分析と機械学習に対する全体的なアプローチを推進しています。
製品機能とユーザーケース
製品を設計する際、考慮すべき2つの重要な側面があります：
製品機能
これらは、製品がその領域内で効果的に機能するために必要な基本的な機能と特性です。
ユースケース
主要なユーザーパーソナとその適用シナリオ、それぞれが独自の優先事項と特定の製品機能への重点を持っています。
ユースケースを対応する製品機能にマッピングすることは、製品設計を導く中心的な要素であり、プラットフォームがユーザーのニーズに応えつつ、コア目標と一致することを保証します。
ABI製品機能
ABI製品機能は12のカテゴリに分類できます：
分析カタログ: 分析コンテンツを表示し、ユーザーがリソースを発見し利用しやすくします。検索機能をサポートし、推奨を提供します。
自動洞察: MLを活用して、データセット内の最も重要な属性を特定するなど、自動的に洞察を生成します。
コラボレーション: 分析ワークフローにコラボレーションを統合し、幅広いユーザーがプロジェクトで協力できるようにします。
コンポーザビリティ: モジュール式で柔軟なユーザーインターフェースを構築し、ワークフローに分析を埋め込むためのローコードおよびノーコードツール（例：API/SDK）を提供します。通常、機能を強化するためにGenAIを統合します。
データの準備: ドラッグアンドドロップ操作、ユーザー主導のデータソースの組み合わせ、およびカスタムメトリクス、コレクション、グルーピング、階層などの分析モデルの作成をサポートします。
データサイエンスの統合: プロトタイピングと開発を強化し、データサイエンティストがコンポーザブルなMLモデルを作成し、より広範なエコシステムと統合できるようにします。
データストーリーテリング: インタラクティブな視覚化と物語技術を組み合わせ、意思決定者にとって魅力的で理解しやすい形式で洞察を提供します。
データビジュアライゼーション: インタラクティブなダッシュボードとさまざまな視覚化を通じたデータ探索を提供します（例：ヒートマップ、ツリーマップ、地理マップ、散布図など）。
ガバナンス: データの使用を追跡し、情報の共有と促進を管理して、品質、コンプライアンス、および制御を確保します。
メトリクスレイヤー: メトリクスを再利用可能な資産として定義し、データウェアハウスから管理し、下流の分析、データサイエンス、およびビジネスアプリケーションをサポートするために仮想化レイヤーを提供します。目標管理機能を含みます。
NLQ: ユーザーがテキストまたは音声コマンドを使用してデータに関する質問をすることを可能にし、分析とのインタラクションを簡素化します。
レポーティング: 一貫性と信頼性のある洞察の提供のために、大規模なユーザーグループにスケジュールされた配信が可能なピクセル完璧でページ分割されたレポートを提供します。
ABIユースケース
以下は、4つの主要なABIユースケースです: 分析開発者、ビジネスアナリスト、拡張された消費者、データサイエンティスト。
分析開発者
分析開発者は、データチーム内のプロフェッショナルであり、組織全体で大規模なユーザーベースに分析コンテンツを作成し配布する責任を負っています。
このユースケースにおける重要な機能:
メトリクスレイヤー
コンポーザビリティ
ガバナンス
レポーティング
データビジュアライゼーション
分析カタログ
コラボレーション
自然言語クエリ
自動洞察、データサイエンスの統合、およびデータストーリーテリングは、このユースケースではあまり関連性がありません。
ビジネスアナリスト
ビジネスアナリストは、IT部門に依存せずに視覚的分析のためのさまざまなデータソースを統合する担当者を指します。
このユースケースにおける重要な機能:
データビジュアライゼーション
自動洞察
データの準備
分析カタログ
データストーリーテリング
メトリクスレイヤー
コラボレーション
コンポーザビリティ
ガバナンス
自然言語クエリ
データサイエンスの統合とレポーティングは、このユースケースではあまり関連性がありません。
拡張された消費者
このユースケースは、分析コンテンツの消費者（HR、販売、オペレーションチームなど）を強化することを目指す組織に焦点を当てており、ビジネスオペレーションおよび意思決定をサポートするために直接分析コンテンツを消費します。
このユースケースにおける重要な機能:
自然言語クエリ
データストーリーテリング
自動洞察
分析カタログ
データビジュアライゼーション
コラボレーション
メトリクスレイヤー
ガバナンス
コンポーザビリティ、データの準備、データサイエンスの統合、およびレポーティングは、このユースケースではあまり関連性がありません。
データサイエンティスト
このユースケースは、ユーザーが仮説をテストし、データサイエンティストやMLOpsチームにデプロイのために引き渡すことができる非生産モデルを構築することに焦点を当てています。
このユースケースにおける重要な機能:
データサイエンスの統合
データの準備
メトリクスレイヤー
自動洞察
コラボレーション
コンポーザビリティ
データビジュアライゼーションガバナンス
分析カタログ、データストーリーテリング、およびレポーティングは、このユースケースではあまり関連性がありません。
2025年のABI製品トレンド
GenAIは、ABI製品機能、ユーザーケース、および全体的な体験に多くの面で深い影響を与えています。以下に、GenAIによってもたらされた主要な変化を示します：
拡張されたデータの準備
機能の例:
データを自動的に一致させ、リンク、分析、タグ付け、注釈を追加して変換の準備を行います。
データセット内の敏感な属性を特定します。
繰り返しの変換および統合を自動化します。
データの品質と豊かさを強化するための推奨を提供します。
コード（Python、R、SQL、DAX）を自動生成、デバッグ、および変換し、ドキュメントも生成します。
ユーザー体験の例:
ドラッグアンドドロップ操作を可能にし、ユーザーがさまざまなソースから簡単にデータを結合できるようにします。
分析モデル（カスタムメトリクス、コレクション、グルーピング、階層など）の作成をサポートします。
コードやインターフェースに対する自然言語の説明を生成します。
自然言語コマンドを使用して、データベース、スクリプト、またはAPIと対話するためのコードを作成します。
コード内のエラーを特定し、異なるプログラミング言語間でのシームレスな変換を行います。
生成AI（LLM）を使用して、解釈可能なコードのドキュメントを作成します。
DSMLおよびAIプロセス（データプロファイリング、品質チェック、調和、モデリング、操作、強化/推測、合成データ生成、メタデータの開発、データカタログなど）を自動化し加速します。
自動洞察
機能の例:
主要なドライバーを分析して、結果に影響を与える重要な要因を特定します。
データセット内の異常や外れ値を自動的に検出します。
データのインテリジェントなクラスタリングとセグメンテーションを行います。
未来のトレンドやパターンを予測するための予測分析を実施します。
ユーザー体験の例:
データセット内の最も重要な属性を特定することにより、エンドユーザーのために洞察を自動生成します。
ユーザーの役割やビジネスワークフローに基づいた異常や外れ値のリアルタイム通知を提供します。
データセット内のクラスターを自動的に発見して、より良いセグメンテーションを実現します。
ARIMAなどの基本的な手法を使用して、データセット内の連続変数の予測を生成します。
予測の解釈性と信頼性を高めるために、予測誤差を表示します。
データストーリーテリング
機能の例:
データ洞察のストーリーテリングを自動化します。
自然言語を使用して物語を生成します（物語の自動化）。
ユーザー体験の例:
連続的なモニタリングに基づいて、ヘッドライン、物語テキスト、データビジュアライゼーション、および音声/ビデオコンテンツを組み合わせたニューススタイルのデータストーリーを作成します。
一連の分析洞察を提示するために、書かれたり話されたりする物語を自動生成して要約します。
これらのすべての機能は、大規模な言語モデル（LLM）の統合や、より直感的な体験のための自然言語インタラクションによって強化される可能性があります。
拡張されたデータビジュアライゼーション
機能の例:
より洞察に富んだインタラクティブな分析のためのデータビジュアライゼーションを強化します。
さまざまなデバイスやユースケースに適応するマルチエクスペリエンスユーザーインターフェース。
潜在的な結果を探るための「もしも」シナリオ計画。
データ内の関係を特定するための相関とグラフ分析。
位置情報に基づく洞察のための地理空間分析。
ユーザー体験の例:
チャートビジュアルの直接操作を通じて、高度にインタラクティブなダッシュボードとデータ探索を可能にします。
マルチエクスペリエンス分析のために、ユーザーインターフェース、インタラクションモード、および分析機能の最適化を行い、コンテンツ消費を向上させます。
協力的かつ3Dビジュアライゼーションインターフェースを用いて、進化するユースケースの要求に応じた没入型分析体験を提供します。
拡張現実（AR）、複合現実（MR）、および仮想現実（VR）技術を活用して、意思決定の強化のためのデータ駆動の洞察を提供します。
自然言語クエリ
機能の例:
直感的なデータ探索のための質問と回答の機能。
より深い分析洞察を提供するための論理的な推論。
ユーザーがクエリやアクションを形成するのを支援する提案や自動補完。
クエリ理解を改善するための同義語認識と適応学習。
インタラクティブな分析のためのチャットボット。
クエリ処理や解釈を向上させるための大規模な言語モデル（LLM）との統合。
ユーザー体験の例:
自然言語クエリ（NLQ）により、ビジネスユーザーが検索インターフェイスやチャットボットを介してビジネスターンを入力してデータにクエリをかけることができます。
一部のABIベンダーはキーワード検索を使用し、他のベンダーは自然言語処理を利用して用語を自然言語の質問に変換し、さらに一部は両方のアプローチを組み合わせています。
特定のユースケースでは構造化データをクエリできる一方、他のユースケースではマルチ構造情報全体で意味検索をサポートします。
分析コラボレーション
機能の例:
ユーザー間のシームレスなコミュニケーションを促進します。
共有された洞察のための協力的なコミュニティエコシステムを構築します。
多様なユーザーのニーズに応えるためのマルチロール環境をサポートします。
迅速な反復と適応のためのアジャイル開発を可能にします。
ABIプラットフォームにおけるコラボレーションは、ユーザーがソーシャルメディアのようなネイティブ体験内で、分析コンテンツを注釈し共有できる協力的なエコシステムを育成することを含みます。データに関する多様な視点を集めることは、合意を形成し、複雑な意思決定プロセスを推進する上で不可欠です。
データサイエンスの統合
機能の例:
開発プロセスを簡素化するためのガイド付きモデル構築。
DSML機能の生成、統合、および探求。
モデルパフォーマンスを最適化するための自動アルゴリズム選択。
精度と効率を向上させるための自動モデル調整。
運用の効率化のための自動モデルデプロイメントとモニタリング。
モデル出力の透明性と信頼性を高めるための説明可能AI。
高度なデータサイエンスワークフローのためのRおよびPythonとの統合。
ユーザー体験の例:
これらの機能は、市民と専門のデータサイエンティストの両方が、コンポーザブルなDSMLモデルの開発とプロトタイピングを強化することを可能にします。それは、先進的な分析と機械学習のためのシームレスで効率的なエコシステムを形成するために、より広範なDSMLツールチェーンとの深い統合を可能にします。
メトリクスレイヤー
機能の例:
ビジネスプロセスおよび組織の目標にメトリクスをマッピングします。
行動可能な結果を支援するために、メトリクスを発行、共有、および広範囲のオーディエンスにプッシュします。
生成AI（GenAI）を使用して、ABI、DSML、およびSaaSアプリケーションを接続し、プラットフォーム全体でデータ洞察を提供します。
ユーザー体験の例:
この機能は、ユーザーが次のことを行える仮想化レイヤーを導入します：
ビジネスメトリクスをコードとして定義します。
データウェアハウスからこれらのメトリクスを直接管理します。
下流の分析、データサイエンス、およびビジネスアプリケーションをサポートします。
GenAIを活用して、より多くのプラットフォームがセマンティックレイヤーに基づいて構築され、自然言語のインタラクションを通じてデータ洞察を提供し、シームレスで直感的なユーザー体験を実現します。
コンポーザビリティ
機能の例:
ビジネスワークフローへのシームレスな統合のための埋め込み分析。
カスタマイズと拡張性のためのAPIおよびSDKサポート。
意思決定駆動型ワークフローを自動化および簡素化するための運用フレームワーク。
メタデータを使用して意思決定をモデリング、カタログ化、および監査するための意思決定中心のユーザーインターフェース。
ワークフローや論理表現のためのドメイン固有言語（DSL）を活用したコーディファイド分析。
ユーザー体験の例:
この機能は、拡張された分析を埋め込むことによって、柔軟でモジュール式のユーザーフレンドリーなABI機能を構成することに焦点を当てています。API/SDKを利用し、コンテナ化されたまたはマイクロサービスアーキテクチャを実装しています。
埋め込み分析: ビジネスシナリオ内の処方型分析を文脈化し、行動可能な洞察を提供します。
運用フレームワーク: ユーザーがデータ駆動の意思決定ワークフローを構築および自動化できるようにし、リアルタイムのビジネスオペレーションをトリガーします。
意思決定中心のユーザーインターフェイス: 意思決定メタデータを使用して、意思決定をモデル化、カタログ化、監査することを容易にします。
コーディファイド分析: 分析ワークフローや論理をコードや設定ファイルとして表現し、ユーザーが他のソフトウェアコードと同様にアジャイル施策で管理できるようにします。
GenAIは急速に拡張分析の重要なアクセラレーターとなっています。これにより、限られた技術的専門知識を持つユーザーが非常に複雑なビジネス質問をすることができ、分析の採用が促進されます。ガートナーは、「消費者がクリエイターになる」というトレンドを強調しており、現代のデータと分析（D&A）におけるビジネスユーザーの役割の進化を反映しています。これは、受動的な洞察の消費者から能動的な洞察のcreatorへのシフトであり、このシフトが製品デザインの急速な進化と反復を促進しています。
AI駆動のIDE製品（Cursor、Windsurf、Bolt.Newなど）は、グローバルなソフトウェア開発の風景を革命的に変えています。しかし、AIによるデータ分析の変革は、ビジネスの意思決定の最終段階におけるエラーに対するゼロトレランスゆえに、より困難です。この複雑さにもかかわらず、このトレンドは開発されており、一旦ブレークスルーが達成されれば、世界中の産業への破壊的影響はソフトウェア開発をはるかに上回ると予想されています。
この記事は、数多くのガートナー報告書から収集した洞察の要約です。ガートナーのアナリストたちの素晴らしい作品に深い感謝の意を表します。
