2026年10月23日/約1分で読めますAI & ML
SnowflakeのセールスファイナンスチームがAIを活用して月次予測にかかる時間を1週間から数時間に短縮した方法
Snowflakeのセールスファイナンスチームでは、以前は月次予測の作成に1週間以上費やしていました。現在では、数時間で完了します。
変化したのは、誰かが質問を入力する前に、AIが当社のデータについてどれだけのことを知っているかということです。
その知識により、AIの効率も向上しました。アナリティクスチームは、データ、用語、ワークフローに関する定常的なコンテキストをAIに提供するプロファイルを構築しました。これにより、Snowflake CoCoは半分以下のステップで回答に到達できるようになり、チームがより多くの質問をしても、各質問のコストは削減されます。
本記事では、これらの結果の背後にあるCoCoプロファイル、それが各回答をより効率的にする理由、そしてアナリストがその上に36のスキルをどのように構築したかについて説明します。
重要なポイント
Snowflakeのセールスファイナンスチームは、月次予測と差異分析にかかる時間を1週間以上から数時間に短縮した
CoCoプロファイルにより、回答あたりのステップ数が約3.0から1.3に削減され、各質問のコストが低下した（Snowflake社内のCoCo使用状況、2026年2月〜5月、n = 44人のファイナンスユーザー）
すべての回答は、アナリティクスチームによって認定されたデータソースに遡ることができる
チームは2か月で36のスキルを構築し、初期導入者の87%が現在も毎日CoCoを使用している
1週間かかっていた予測プロセスが数時間に短縮
セールスファイナンスチームは、Snowflakeのセールスリーダー向けに、トップライン予測、セールスパイプライン、コミッション、ビジネスパフォーマンスレポートなど、毎月30以上の定期的な分析を実行しています。予測はこれらの中で最も複雑であり、前回の予測から何が変化したかを説明する差異分析が伴います。以前は、予測を作成するために、パイプラインの案件をレビューし、CRMのアカウントノートを読み、過去のトレンドと比較し、現在の現場の行動を確認する必要がありました。この作業は複数のアナリストで分担されており、1週間以上かかっていたため、月に1回しか実行できませんでした。
CoCoのトップライン予測スキルを使用することで、現在では同じ分析を数時間で完了できます。この迅速な対応により、ペースが変化しました。現在では月半ばのアップデートを公開しているため、セールスリーダーはまだ行動を起こす時間があるうちに、四半期の方向性を把握できます。また、どのアナリストもスキルを再実行してシナリオをテストできます。
"CoCoは、私たちのチームにおけるすべての定常業務フローやアドホック分析において、まさに第一の選択肢となりました。処理時間を短縮しただけでなく、複雑な高度分析を実行する能力をも解き放ちました。今では誰もがこのスキルを活用してデータを深く掘り下げ、シナリオ分析を実行できるようになっています。"
Gayatri Kannan
Senior Director of Sales Finance, Snowflake
優秀なAIもデータを知らなければ役立たない
当社のデータは毎日変化し、数十の認定ソースと、一晩で修正された案件を反映するCRMに分散しています。
最初の試みは、実際のファイナンス業務にAIを適用したことがある人なら誰でも経験するようなものでした。AIは優秀でしたが、私たちの世界を知りませんでした。関連してはいるものの不正確なデータソースを参照したり、経験豊富なアナリストなら必要としないような説明を求めたりしました。
どちらの失敗も、コンテキストの欠如に起因していました。セッションごとに、AIは私たちが知っているものの書き留めたことのない事柄を推測しなければなりませんでした。
"最初にチームへAIを導入した当初は、出力のばらつきや精度の低さに起因する多くの苦労がありました。まるで新入社員に対して、関連する専門用語や参照すべきデータソースを何度も繰り返し教え直しているような感覚でした。しかし、専用の「GTM（Go-to-Market）ファイナンス・プロファイル」を整備したことで状況は一変しました。現場チームは、最小限の技術サポートだけで高度な分析を自律的に実行し、業務フローそのものを自らの手で再構築できるようになり、ガバナンス上の懸念も一切なくなりました。"
Gayatri Kannan
Senior Director of Sales Finance, Snowflake
GTM Financeプロファイルの実際の内容
Snowflakeの戦略的ファイナンスアナリティクスチームのパートナーが、「GTM Finance」向けのCoCoプロファイルを構築しました。
プロファイルとは、AIが回答する前に読み込む定常的なコンテキストであり、プロンプトで再入力する必要はありません。
これがないと、AIはセッションごとに約3つのステップを費やして、適切なデータソースを見つけ、用語を解決し、経験豊富なアナリストがすでに知っていることを推測することになります。プロファイルが導入されたことで、すべての会話の最初のステップがすでに作業そのものになっています。
| レイヤー | 含まれる内容 | ファイナンス部門に必要な理由 |
|---|---|---|
| 認定データソース | アナリティクスチームによって認定された20以上のソース | アナリティクスチームが承認したソースから回答が提供される |
| 用語 | ブッキング、パイプライン、クオータ、その他の主要なメトリクスの定義 | 報告されるメトリクスに曖昧さがない |
| 反復的な分析 | 毎月および四半期ごとの定期的な作業 | AIがタスクを認識する |
| 出力フォーマット | 標準的なレポートと差異のレイアウト | レビュー可能な状態で出力が届く |
| エスカレーションパス | 数値がおかしい場合の問い合わせ先 | 人が例外を解決する |
メモリスケーリング：プロファイルが各回答をより効率的にする理由
メモリスケーリングとは、AIエージェントが環境に関するコンテキストを蓄積するにつれて、作業単位あたりのコストが低下する効果のことです。より少ないステップで回答し、各ステップでコンピュートを使用します。
44人のファイナンスユーザー全体で、プロファイルを持つユーザーは約1.3ステップで回答に到達したのに対し、持たないユーザーは約3ステップかかりました。
2つの要素が各回答をより効率的にします。プロファイルはステップ数を削減し、ステップはコストを押し上げます。プロファイルがない場合、追加のステップごとに約0.05クレジット（約10セント）が加算されるため、5ステップのセッションは1ステップのセッションの約3.5倍のコストがかかります。また、プロファイルにより、同じ長さのセッションでもコストが削減されます。データ内のすべてのステップ数において、プロファイルを使用したセッションは、使用しないセッションよりもコストが低くなりました。
ファイナンスアナリストが独自のAIスキルを構築
基盤が整うと、アナリストはアナリティクスチームに大きく依存することなく、その上に独自のスキルを構築できるようになりました。
スキルとは、AIが認識して要求に応じて実行する再利用可能なワークフローであり、その構築に技術的な背景は必要ありません。
2か月でライブラリは3つのスタータースキルから36に増え、いくつかのExcelワークブックは、より幅広いチームが実行できる共有スキルになりました。立ち上げから3か月後、初期導入者の87%が現在も毎日CoCoを使用していました。以下は、私たちが構築したスキルの一部です。
| スキル | 置き換えられたもの |
|---|---|
| ブッキングBvA | データとファイナンスにまたがる手動の月末差異分析 |
| セールス出張経費レポート | チーム横断的なレポート作成と手動でのEメール作成にかかる数時間 |
| トップライン予測 | 複数人で1週間かかるプロセス |
| コミッションの照合 | Excelベースの手動ワークフロー |
これが機能する理由はオーナーシップにあります。月に15回コミッションの照合を実行するアナリストは、外部から構築する誰よりもそのワークフローを理解しています。
当社のコーポレートFP&Aチームも、誰がファイナンスアプリケーションを構築するのかについて書いた際に同じ主張をしており、当社のスキルライブラリは、その変化が大規模にどのようなものかを示しています。
ブッキングBvA
コーポレートFP&Aの同僚は、AIが生成した差異の解説やその背後にあるガバナンスモデルを含む、同様の構築である自動化された差異分析ワークフローについて書いています。ブッキングBvAは、同じアイデアをブッキングに適用します。アナリストがCoCoに「bookings bva」と入力し、いくつかのパラメータプロンプトに答えると、どの商談がなぜ遅れたかを含め、案件カテゴリ全体の月末の差異が数分で得られます。
これは、チーム横断的な定期的な組み立て作業を置き換えたスキルの最も明確な例です。
セールス出張経費レポート
出張はフィールドセールスチームにとって最大の管理可能なコスト項目の1つであり、アカウンタビリティには定期的な可視性が必要です。セールス出張経費レポートスキルは、レポート期間を独自に決定し、budgetの差異、ポリシー外の支出、上位の支出者を含むリーダーごとのインサイトを生成し、各リーダーへのEメールを起草します。2つのチームにまたがって数時間かかっていた作業が約15分で完了するようになり、どのチームメンバーでも実行でき、手動バージョンよりも一貫したインサイトが得られます。
アナリストが独自のスキルを構築する際の制御の維持
スキル構築をチームに開放することは、数値に責任を持つ人にとって明らかな疑問を提起します。アナリストが独自のロジックを作成した場合、制御はどうなるのでしょうか。
これは、ファイナンスリーダーがAIに求める信頼性と監査可能性の要件の背後にあるのと同じ懸念であり、上記の数値が意味を持つ前に回答する必要があります。以下の3つの要素がそれを制限内に保ちます。
- アナリティクスチームが信頼できる情報源を認定する：技術的なソースガイドがプロファイルを支え、どのデータソースをなぜ使用するのかを定義します。フォローアップの質問やアドホックな分析も同じソースを利用するため、回答の一貫性と追跡可能性が維持されます。
- コンテキストレイヤーは一元的に管理される：アナリストはプロファイルの上に構築し、アナリティクスチームはその基盤となるデータソースと用語を定義します。
- スキルは共有され、検査可能である：コミッションの照合を実行するスキルは、それに依存するチームから可視化されます。これは、1台のノートパソコン上のスプレッドシートよりも強力なレビュー体制です。
チームでこれを再現する方法
当社のアプローチはファイナンス部門以外にも適用されます。プラットフォームの専門家が基盤を構築し、機能チームがその上に独自のスキルを作成します。これを実現するには3つのステップがあります。
- まずソースを認定する：チームが回答する各質問に対してどのソースが信頼できるかを決定し、その理由を書き留めます。これを省略すると、下流のすべてのワークフローは、どの数値が正しいかという未解決の疑問を引き継ぐことになります。
- 次に用語と出力フォーマットをエンコードする：チームが当然と見なしている定義こそ、AIが推測できないものです。それらを一度、一元的に記録します。
- その後、スキル構築をチームに開放する：基盤となるレイヤーが信頼できるものであれば、ワークフローに最も近い人々がその最適なバージョンを構築します。これを逆にすると、誰も合意していないソースに基づいて構築された高速なワークフローができあがります。
このアプローチは、定期的なレポート作成をはるかに超える作業をサポートします。当社のコーポレートFP&Aチームも、長期計画に対して自然言語で質問するという同様の取り組みを行っています。
定常的なコンテキストがなければ、すべての会話はゼロから始まります。AIツールを持っているチームと、AIが日常業務の中心となっているチームの違いは、通常、AIが業務についてどれだけ知っているかということです。
Snowflake Expeditionでの詳細情報
ファイナンスチームがSnowflakeを使用してどのように働き方を変革しているかについて、詳しくはこちらをご覧ください。2026年11月3日〜5日に開催されるグローバルなバーチャルイベント、Expeditionにご参加ください。
データ：Snowflake社内のCoCo使用状況、2026年2月〜5月、プロファイルを持つファイナンスユーザーと持たないファイナンスユーザーの比較（n = 44ユーザー）。1クレジット = 2米ドル。
