Snowflake AI Data Meetup WESTで「AIを活用したStreamlitアプリ開発のTipsと、ほかのAI機能との棲み分け」というタイトルで登壇しました
データ事業本部の鈴木です。
2026年3月26日(木)に開催された「Snowflake AI Data Meetup WEST」に「AIを活用したStreamlitアプリ開発のTipsと、ほかのAI機能との棲み分け」というタイトルで登壇しました。
登壇資料
ポイント
1. Snowflake IntelligenceとStreamlitの棲み分けについて
Snowflake IntelligenceはAIエージェントをエンジンとした強力な分析機能で、SnowflakeネイティブのチャットUIが提供されています。Streamlit in SnowflakeもPythonスクリプトを作成するだけで簡単にデータアプリをホストできる機能となっています。
Amazon Web Servicesブログで公開されている「Amazon QuickSightを使ったアクションにつながるビジュアルベストプラクティス」によると、ダッシュボードは粒度と追加・変更頻度の２軸でみたときに大きく３つに分類できるとされています。
現状Snowflakeでネイティブにサポートしている可視化機能だと、以下の対応付けになると考えており、粒度が粗く変更頻度が小さいダッシュボードでStreamlitアプリが活躍します。
※Snowflakeのダッシュボードは2026/06/22に使えなくなるとのアナウンスがあったのでここでは記載していません。
ただし、StreamlitアプリはPythonスクリプトを作成できないと使えません。そのため、どのような流れで効果的な分析が可能なダッシュボードを設計できるか、さらにコーディングエージェントで簡単に実装ができないかを試してみました。
2. コーディングエージェントによる実装例
Jaffle Shopのサンプルデータを例に、店舗の客単価向上施策の評価を行うダッシュボードの設計と、その実装を試しました。
全体の流れは以下のようなイメージになります。今回はCursorを使っていて、モデルはautoにしました。検証した時期は2026年3月下旬です。
テーブル定義はdbtで管理しておけるとコーディングエージェントと相性がよかったです。Snowflakeではdbt Projects on Snowflakeをサポートしています。
ビッグデータ分析の場合、ダッシュボードの表示時にデータを集計しているとコンピューティングコストも表示時間もかかるため、データマートをあらかじめ作成しておくことが一般的です。集計結果のイメージが持てていても集計ロジックを設計・実装してみると結構工数がかかってしまうことも多かったのですが、コーディングエージェントを使うとdbtモデルと画面モックを入力に60点程度のものはすぐ作れました。集計ロジックの設計はドメイン知識も必要なため、手直しは必要ですが、かなり実装時間が短縮されて良い体験でした。
また、可視化の設計書を作るとアウトプットが制御しやすいというのも新しい発見でした。
自分でデータマートを作っているとそのままの勢いでアプリを作ってしまいがちですが、データマートをどのように表示しているかの設計書が残りにくく、なぜそのような実装になっているかが暗黙知になりがちでした。
データマートからいくつかの可視化を作るため若干汎用的に設計した場合や、表示側で期間などのフィルタをつける場合は、アプリ側で追加の集計をします。また、グラフに何を使うかやどのカラムをどの表示項目に対応させるかは明文化しないとコーディングエージェントに伝えられないため、文書として作成しました。
設計書が揃ってしまえば、それを入力にコーディングエージェントに実装して貰えばOKです。出力が違っていた場合はスクリーンショットを渡して調整してもらうのも新しい体験でした。ただし、あまり細かい修正はStreamlitのコンポーネントや可視化ライブラリが対応しておらずコードを複雑にして対応する可能性がありました。画面モックの時点で、Streamlitアプリで対応可能なように設計しておくことが重要でした。
最後に
2026年3月26日(木)に開催された「Snowflake AI Data Meetup WEST」の登壇資料のご紹介でした。
参考になりましたら幸いです。
