会話型KPIダッシュボードの実現: Snowflake×Streamlit×Claudeの最強組み合わせ

• Snowflake×Streamlitによるインタラクティブアプリの構築方法
• Claudeなどの生成AIを組み込んだ自然言語インタフェースの実装テクニック
• KPIグラフを会話で生成するための技術構成と実装のポイント
• 実際のユースケースや実装シーンを通じた実践的なアイデア
• Snowflake・Streamlit・Claudeの組み合わせがもたらす技術的優位性

複雑な操作性: フィルターや条件設定が必要で、専門知識がないユーザーには扱いにくい

煩雑な画面遷移: どこに必要な指標があるか分かりづらく、情報探索に時間がかかる

一貫性の欠如: 担当者によって使い方や見る指標がバラバラになりがち

深掘り分析の難しさ: データの異常検知や原因分析には追加作業が必要

「先週の売上をカテゴリ別で教えて」

「コンバージョンが落ちているエリアはどこ？」

「今月の新規顧客獲得コストは先月と比べてどう変化した？」

Pythonだけで実装可能: わずか数行のコードからUIが構築できる

豊富なUIコンポーネント: チャート、ボタン、スライダーなど多様なパーツが標準搭載

迅速なプロトタイピング: データサイエンティストでも手軽に機能性の高いプロトタイプを構築可能

Chat形式のUI対応: 自然言語会話を前提としたインターフェース構築も容易

あなたはKPIアシスタントです。

以下の条件でSQLを生成してください：

・使用可能テーブル：sales_summary, product_master

・テーブル構造：

  sales_summary(date, store_id, product_id, sales, quantity)

  product_master(product_id, category, price, name)

・目的：「先月の売上をカテゴリ別にランキング」

出力形式：

– SQLクエリのみを出力

– コメントは不要

– 必ず実行可能な形式で

明確なペルソナ設定: AIにどのような役割を担わせるかを明示する

テーブル構造の詳細提供: カラム名、データ型、関連性を明確に伝える

出力形式の指定: 必要な形式を具体的に指示する

例示による学習: 理想的な入出力例をいくつか示すことで精度向上

import streamlit as st

import snowflake.connector

import anthropic

import pandas as pd

import plotly.express as px

# アプリケーションのタイトル設定

st.title(“会話で操作するKPIダッシュボード”)

st.subheader(“質問するだけで、必要なKPI情報がグラフで表示されます”)

# サイドバーにカスタマイズオプションを追加

st.sidebar.header(“設定”)

chart_type = st.sidebar.selectbox(“デフォルトグラフタイプ”, [“棒グラフ”, “折れ線グラフ”, “円グラフ”, “ヒートマップ”])

time_period = st.sidebar.radio(“デフォルト期間”, [“今日”, “今週”, “今月”, “今四半期”, “今年”])

# ユーザー入力欄

user_input = st.text_input(“KPIについて質問してください (例: 「先月の売上トップ5カテゴリは？」):”)

# 質問が入力された場合の処理

if user_input:

    with st.spinner(“分析中…”):

        # ClaudeでSQL生成

        claude_client = anthropic.Client(api_key=”your_api_key”)

        prompt = f”””あなたはKPIアシスタントです。以下の条件でSQLを生成してください：

        ・使用可能テーブル：sales_summary, product_master, customer_data

        ・テーブル構造：[テーブル構造の詳細]

        ・目的：「{user_input}」

        出力形式：SQLクエリのみを出力

        “””

        response = claude_client.messages.create(

            model=”claude-3-sonnet-20240229″,

            max_tokens=1000,

            system=”プロのBIアナリストとして、正確なSQLを生成してください。”,

            messages=[{“role”: “user”, “content”: prompt}]

        )

        # レスポンスからSQL抽出

        sql = response.content[0].text

        # Snowflakeへ接続・実行

        conn = snowflake.connector.connect(

            user=’your_username’,

            password=’your_password’,

            account=’your_account’,

            warehouse=’your_warehouse’,

            database=’your_database’,

            schema=’your_schema’

        )

        # SQLを実行してデータフレーム取得

        cursor = conn.cursor()

        cursor.execute(sql)

        results = cursor.fetchall()

        columns = [desc[0] for desc in cursor.description]

        df = pd.DataFrame(results, columns=columns)

        # 結果表示

        st.subheader(“分析結果”)

        st.dataframe(df)

        # グラフ表示

        st.subheader(“データ可視化”)

        if len(df.columns) >= 2:

            # データに応じて適切なグラフを選択

            if len(df) <= 10:  # データ数が少ない場合は棒グラフか円グラフ

                if chart_type == “円グラフ”:

                    fig = px.pie(df, values=df.columns[1], names=df.columns[0], title=user_input)

                else:

                    fig = px.bar(df, x=df.columns[0], y=df.columns[1], title=user_input)

            else:  # データ数が多い場合は折れ線グラフが適切

                fig = px.line(df, x=df.columns[0], y=df.columns[1], title=user_input)

            st.plotly_chart(fig, use_container_width=True)

            # データのCSVダウンロードボタン

            csv = df.to_csv(index=False)

            st.download_button(

                label=”CSVダウンロード”,

                data=csv,

                file_name=”analysis_results.csv”,

                mime=”text/csv”,

            )

        # SQLクエリの詳細（折りたたみセクション）

        with st.expander(“生成されたSQLクエリを表示”):

            st.code(sql, language=”sql”)

# フッター情報

st.markdown(“—“)st.caption(“Powered by Snowflake × Streamlit × Claude”)