AI×ECブログ

LINE公式アカウントのデータをAIで分析する方法｜BigQueryダッシュボードの作り方

公開日 2026/07/23

LINEデータをAIで分析しBigQueryダッシュボードを作る方法を紹介するアイキャッチ

AIを使ったEC運用、何から始めるべきか迷っていませんか？

ChatGPTや生成AIをEC運用に活用したい。でも、商品登録・ページ改善・SNS投稿・LINE配信・分析業務のどこから使えばいいか分からない。

そんな状態で、なんとなくAIツールを触って終わっていませんか。

Pathosionでは、現場の運用に合わせて、AIで効率化できる作業や売上改善につながる活用方法を一緒に整理します。

AIを使ったEC運用を前に進めたい方は、まずはLINEでお気軽にご相談ください。

AI×EC運用の相談受付中！ LINEで無料相談する

LINE公式アカウントの管理画面で友だち数を確認できても、「どの導線から増えたのか」「追加後に何をしたのか」「どのシナリオを改善すべきか」まで一続きで見るのは簡単ではありません。

そこで今回は、LINE HarnessのAPIデータをBigQueryなどの自社データ基盤へ取り込み、AIコーディングエージェントを使ってKPIダッシュボードを構築しました。友だち追加数の推移、流入元、追加後の行動経路は同じ期間条件で切り替え、シナリオ利用は現在の累計値として確認できます。さらに、AIへ集計結果を渡せるため、画面を見るだけでなく、増減要因の探索や改善仮説の整理にもつなげられます。

この記事で分かることは次の通りです。

LINE HarnessのデータをAIでBigQueryへ連携する構成
友だち追加、流入元、シナリオ、行動経路の可視化方法
ダッシュボードの数値をAIで分析する進め方
Lステップ、L Message（エルメ）でも同じことができるか
LINE運用に合わせて指標や画面を拡張する考え方

そのまま使えるAI向けプロンプト

最初に、自社のLINE運用データを調査し、可視化と分析の計画を作るためのプロンプトを掲載します。角括弧を自社環境に合わせて置き換えてください。

あなたは、LINE公式アカウント運用、API連携、BigQuery、データモデリング、KPIダッシュボード構築に詳しいデータエンジニアです。

LINE運用データを自社のデータ基盤へ取り込み、友だち追加から追加後の行動まで可視化・分析したいです。既存環境を調査したうえで、読み取り確認、データ設計、集計、画面実装、テスト、日次運用まで段階的に進めてください。

前提:
- 利用中のLINE拡張ツール: [LINE Harness / Lステップ / L Message / その他]
- 使用クラウド: [Google Cloud / AWS / その他]
- データウェアハウス: [BigQuery / Snowflake / Redshift / 未導入]
- 既存リポジトリ: [パスまたはURL]
- 既存ダッシュボード: [あり / なし]
- 更新頻度: [毎日 / 毎時 / その他]
- 改善したい指標: [友だち追加 / 有効友だち / 流入元 / シナリオ / フォーム / CV]

進め方:
1. 利用できる公式API、MCP、CSV出力、既存コード、データ基盤を読み取り専用で確認する。
2. 「何を改善したいか」から必要なKPI、データ項目、更新頻度を逆算する。
3. 友だち追加数、現在の有効友だち数、流入元、シナリオ利用、行動イベントを取得できるか確認する。
4. APIレスポンスをrawとして保存し、分析用のstagingとmartを分ける設計を提案する。
5. ダッシュボード用には集計済みデータだけを渡し、表示名、ユーザーID、メッセージ本文などの個人情報を含めない。
6. ダッシュボードには、任意期間指定、日/月、累積/実数、流入元比較、シナリオ累計比較、経路データ探索を実装候補として整理する。
7. AI分析用に、期間比較、流入元別の増減、離脱の多いステップ、改善候補を返す集計クエリと分析プロンプトを用意する。
8. schema、集計値、欠損、重複、期間境界、画面、モバイル表示をテストする。
9. 日次ジョブと監視を設計し、取得失敗と「実績ゼロ」を区別する。

制約:
- 対象は自社または正当に管理を委任されたアカウントに限定する。
- APIキー、アクセストークン、パスワード、個人情報を会話、Git、ログ、公開JSONへ出さない。
- 公式仕様、実データで確認した事実、推測を分けて記録する。
- 取得できるデータから画面を決めず、運用上の問いからKPIを決める。
- 既存基盤がある場合は、別システムを増やす前に統合案を優先する。
- 本番書き込み、権限変更、デプロイ、公開、削除を行う前に、変更対象、影響、ロールバック方法を示して確認を求める。

最初に、現状確認結果、不足情報、推奨アーキテクチャ、KPI案、段階別TODOを提示してください。

このプロンプトの目的は、AIに一度で完成品を出させることではありません。既存環境と取得可能なデータを調べ、実装単位を小さく分けるための初期ブリーフです。

完成画面：LINE HarnessとBigQueryで見える4つの分析領域

今回使ったLINE Harnessは、LINE運用の機能だけでなく、APIやコードを通じて自社のシステムへ組み込める構成です。AIコーディングエージェントへ既存リポジトリとクラウド環境を調べさせることで、次の作業を一続きで進められました。

LINE Harness APIから友だち、会話イベント、シナリオ統計を取得する
取得時点のデータをクラウドストレージへraw保存する
BigQueryでraw、staging、martを分けて集計する
ダッシュボード用JSONと表示画面を実装する
集計、匿名化、画面表示をテストする
日次同期へ組み込み、継続して更新する

LINE HarnessのLINE KPIダッシュボード全体像。期間指定と主要KPIを確認できる

重要なのは、用意されたレポート画面へデータを当てはめるのではなく、自社が答えたい問いに合わせてデータモデル、集計、画面を変更できることです。新しい流入導線やコンバージョンを追加したら、AIへ既存実装を調査させ、必要な取得項目、BigQueryのview、グラフを同じコードベースへ追加できます。

今回の完成画面では、友だちKPI、流入元、シナリオ利用、追加後の行動経路という4つの分析領域を一つにまとめました。

LINEデータの可視化・分析を始める7ステップ

自社で進める場合は、次の順番がおすすめです。

改善したい問いを決める
使用中ツールのAPI、MCP、CSVで取得できるデータを確認する
友だち追加、流入元、シナリオ、行動イベントの定義をそろえる
rawを保存し、BigQueryなどで分析用martを作る
KPI推移、流入元、シナリオ、経路探索を実装する
AIが参照できる集計データと分析プロンプトを用意する
日次更新、欠損検知、テストを組み込む

最初の画面は、友だち追加数と流入元だけでも構いません。運用会議で実際に使い、「次に何を決められなかったか」を基に、シナリオや経路分析を追加していく方が、使われるダッシュボードになります。

各ステップの入力、成果物、完了条件まで落とすと、実装を分解しやすくなります。

ステップ	入力・確認対象	成果物	完了条件
1. 問いを決める	運用会議で決めたいこと	KPI定義	数値が変わったときの次の行動を説明できる
2. 取得方法を調べる	公式API、MCP、CSV、既存コード	取得可否一覧	必要項目の取得方法と更新頻度が決まる
3. 取得単位を決める	friends、journeys、scenarios、conversions	raw schema	各リソースをサンプル取得し、rawへ保存できる
4. 分析用に集計する	rawデータと完了marker	stagingとmart	未完了同期と重複を除外し、KPI単位で集計できる
5. 表示用に絞る	summary、日次友だち、流入元、シナリオ、経路node/link	dashboard JSONと画面	個別friend IDを含めず、デスクトップとモバイルで表示できる
6. AI分析を用意する	martまたは集計JSON、比較期間、指標定義	分析プロンプト	確認できる事実と改善仮説を分けて出力できる
7. 日次運用する	取得・集計・公開ジョブ	スケジュール、監視、復旧手順	取得失敗時に古い正常データを壊さず、martから再公開できる

LINE公式アカウント、LIFF、Webhookなどの接続がまだ済んでいない場合は、次の記事で初期構成と接続手順を確認できます。

AIでLINE運用するには？公式アカウントの運用基盤を作る手順Pathosion編集部Pathosion

AIでLINE運用を進めるために、LINE公式アカウント、LIFF、Webhook、Cloudflare、管理画面をつなぐ運用基盤の作り方と確認ポイントを整理します。

pathosion.com

AIでLINE運用するには？運用基盤の作り方を示すアイキャッチ。LINE、Codex、GitHub、Cloudflareのロゴと運用設計、初期設定、接続確認のバッジを配置

データの流れは「API → raw → BigQuery → 表示用データ」に分ける

今回の構成は次の通りです。

LINE Harness API
  ↓
Cloud Storage raw archive
  ↓
BigQuery raw
  ↓
BigQuery staging
  ↓
BigQuery mart
  ↓
dashboard JSON
  ↓
KPI dashboard

APIから取得する単位は、友だちのfriends、行動イベントのjourneys、シナリオ統計のscenarios、成果イベントのconversionsです。BigQueryでは、取得事実をrawに残し、stagingで完了済み同期だけを重複排除し、次のmartへ変換しました。

mart	主な入力	dashboard JSONで使う出力
mart_lineharness_summary	友だちとシナリオの最新状態	主要KPIのsummary
mart_lineharness_friends_daily	友だちsnapshot	日次の追加数と有効友だち増加数
mart_lineharness_friend_sources	友だち追加日とref code	流入元別の追加数、構成比、有効友だち数
mart_lineharness_scenario_usage	最新のシナリオsnapshot	シナリオ別の参加、実行中、完了、一時停止、完了率
mart_lineharness_journey_nodes / links	友だち追加後のイベント列	ステップ別nodeと経路linkの通過人数

シナリオ利用は期間別履歴ではなく最新snapshotから作るため、開始月・終了月には連動させず、現在の累計比較として表示します。

APIレスポンスをすぐ画面表示用データへ変換せず、rawを残すのがポイントです。後から指標を増やす、集計条件を直す、API側の値を再確認するといった場面で、取得時点のデータまで戻れます。

BigQueryでは、少なくとも次の単位に分けると扱いやすくなります。

層	主な役割
raw	APIから取得した事実をできるだけそのまま保存する
staging	日付、イベント名、流入元コードなどを分析しやすい形へそろえる
mart	友だち追加、流入元、シナリオ、行動経路を画面単位で集計する
dashboard JSON	ブラウザへ渡す必要最小限の集計結果を持つ

個別ユーザーの表示名、LINE上のID、メッセージ本文は、表示用データへ含めません。経路分析も個別行をブラウザへ渡すのではなく、BigQuery側で「ステップ × イベント × 通過人数」へ集計してから表示します。

KPI推移と流入元を同じ期間で見る

友だち数だけでは、増加の理由や改善する導線が分かりません。今回のダッシュボードでは、開始月と終了月を指定し、次の指標を同じ期間条件で切り替えられるようにしました。

LINE友だち追加数
有効友だち増加数
日次／月次
累積／実数
流入元別の追加数、構成比、有効友だち数

LINE友だち追加数と有効友だち増加数の推移、流入元別の追加数を確認できるKPI画面

流入元は単なる一覧ではなく、構成比を横棒で比較します。これにより「どのref codeから増えたか」「追加後も有効な友だちとして残っているか」を同じ行で確認できます。

たとえば記事、広告、リッチメニュー、店頭QRに別々のref codeを付けておけば、AIへ次のように聞けます。

今月と先月の流入元別友だち追加数を比較してください。
増減の大きい流入元を特定し、有効友だち率も踏まえて優先的に改善する導線を3つ挙げてください。
数値で確認できる事実と改善仮説を分けてください。

ダッシュボードが「見る画面」で終わらず、分析に使う共通データになるのが、AIとデータ基盤をつなぐ利点です。

経路データ探索で、友だち追加後の分岐を分析する

友だち追加後のイベントを時系列の一覧にするだけでは、全体としてどこへ進み、どこで離脱したかを把握しにくくなります。そこで、友だち追加を共通の始点にし、その後のイベントをステップ別に集計しました。

友だち追加を始点に、メニュー操作などのイベントをステップ別に可視化した経路データ探索

画面では、次の情報を確認できます。

始点となる友だち追加人数
ステップ+1から+4までのイベント
各イベントを通過した人数
イベント間の分岐と線の太さ
選択期間に連動した経路の変化

この集計があると、AIへ「友だち追加後にフォームへ進む主な経路」「離脱が多いステップ」「成果につながるメニュー操作」を問い合わせられます。シナリオ名、フォーム、コンバージョンなど自社固有のイベントを追加できるため、一般的なアクセス解析よりLINE運用の実態に合わせやすい構成です。

AIで増減要因と改善仮説を分析する

AI活用は、ダッシュボードのコードを書く場面だけではありません。BigQueryの集計結果や表示用データを参照できれば、定例分析にも使えます。

たとえば、次のような分析が可能です。

前月比で友だち追加が増減した流入元を抽出する
追加数と有効友だち数の差が大きい導線を探す
利用人数は多いが完了率が低いシナリオを特定する
コンバージョンへ到達する代表的な経路を要約する
前週から離脱が増えたステップを検出する
結果を基に、次に検証する配信や導線の仮説を作る

分析結果を安定させるには、AIへ画面のスクリーンショットだけを読ませるより、定義済みのmartや集計JSONを渡す方が有効です。指標の定義、対象期間、比較条件を固定でき、同じ問いを定期的に繰り返せます。

実際に分析を始めるときは、個別ユーザー行ではなく、次のような小さな匿名集計を渡します。これは入力形式のテンプレートであり、角括弧を自社の集計値へ置き換えて使います。

{
  "metric_definition": {
    "friend_adds": "対象期間に追加された友だち数",
    "active_friends": "現在も有効な友だち数"
  },
  "current_period": "[YYYY-MM-DD to YYYY-MM-DD]",
  "previous_period": "[YYYY-MM-DD to YYYY-MM-DD]",
  "sources": [
    {
      "source": "[流入元A]",
      "current_friend_adds": "[数値]",
      "previous_friend_adds": "[数値]",
      "current_active_friends": "[数値]",
      "previous_active_friends": "[数値]"
    }
  ],
  "journey_steps": [
    {
      "from": "友だち追加",
      "to": "[次のイベント]",
      "users": "[通過人数]"
    }
  ]
}

このデータと指標定義を添え、AIへ次のように依頼します。

渡した匿名集計だけを使ってLINE運用を分析してください。

1. 現期間と前期間の差を、流入元別の友だち追加数と有効友だち数で比較する。
2. 数値から直接確認できる事実と、追加調査が必要な改善仮説を分ける。
3. 経路データでは、通過人数が大きく減るステップを示す。原因は断定しない。
4. 次に確認する配信、導線、フォームを3件以内で挙げ、それぞれ必要な追加データを書く。
5. 使った期間、指標名、計算式を回答内に残す。

出力形式:
- 事実: 指標 / 比較値 / 差分 / 対象期間
- 仮説: 仮説 / 根拠にした事実 / 追加で必要な確認
- 次の検証: 対象 / 変更案 / 判定指標

出力後は、流入元別の合計がダッシュボードの期間合計と一致するか、比率の分母が同じか、欠損と実績ゼロが混ざっていないかを確認します。AIが因果関係を断定していないこと、事実欄の数値が入力データだけから再計算できることも検算条件です。この例は分析方法のテンプレートであり、特定施策の改善成果を示すものではありません。

LINE Harness・Lステップ・L Messageの違いと選び方

結論から言うと、AIを使った分析自体はLINE Harnessだけの機能ではありません。LステップとL Messageにも、分析や外部連携の選択肢があります。ただし、公式資料で確認できる連携方法と、自由に作れる範囲は異なります。

Lステップ：標準分析を早く使い、必要に応じてREST API連携したい場合

Lステップには、URLクリック測定、コンバージョン、クロス分析、ファネル分析、流入経路分析などの組み込み機能があります。Lステップ公式の分析機能紹介では、友だち追加から購入までの行動を複数の分析機能で確認できると説明されています。

また、2026年6月時点では公式REST APIが公開され、友だち情報、タグ、対応マーク、友だち情報欄、トーク履歴、テンプレートなどを外部システムから取得・更新できます。API連携機能の紹介では、ChatGPT、Gemini、Claude、スプレッドシート、Shopify、Salesforce、HubSpotなどとの連携例も案内されています。

そのため、LステップでもREST APIを使い、AIや自社データ基盤と連携する実装は可能です。一方、今回確認した公式資料では、BigQueryへの直接接続や、任意のコードで恒常的なカスタムダッシュボードを作る標準機能までは確認できませんでした。必要な場合はAPIを使った個別実装になります。

L Message：MCPで既存データをAIから分析したい場合

L Messageは、ChatGPTやClaudeと接続するMCP連携を提供しています。2026年6月26日更新の公式マニュアルでは、アカウント・友だち統計、友だち詳細、配信、ステップ、リッチメニュー、自動応答、フォーム、URL分析、クロス分析、CSV、売上、予約など20カテゴリの情報をAIから読み取り、分析や改善提案に使えるとされています。

つまり、エルメでは「AIにLINE運用データを読ませて分析する」導線がすでに用意されています。現時点の公式マニュアルではMCP経由の操作は読み取り専用で、設定変更や配信は行えません。また、クロス分析、流入アクション分析、CSV管理も利用できます。

L Messageについても、今回確認した公式資料ではBigQueryへの直接接続や、独自UIを継続運用するカスタムダッシュボード機能は確認できませんでした。AIとの会話で既存データを分析する用途と、自社データ基盤へ蓄積して独自指標を長期運用する用途は分けて考える必要があります。

3サービスの違いを整理する

比較軸	LINE Harness	Lステップ	L Message
組み込み分析	必要な画面を実装して拡張	流入、クロス、ファネルなどが豊富	クロス、流入、URLなどを提供
AIからの分析	API・DB・コードを通じて構成できる	REST API経由で外部AI連携が可能	MCPでChatGPT・Claudeから読み取り可能
自社DB連携	APIからBigQuery等へ自由に実装	REST APIによる個別実装	CSV等による連携。公式MCPは読み取り中心
画面の自由度	指標、集計、UIをコードで拡張できる	標準分析画面が中心。APIで個別開発可能	標準分析画面とAI対話が中心
向いているケース	自社KPI、他チャネル、独自経路を一つの基盤で扱いたい	豊富な標準機能を早く使い、必要に応じてAPI連携したい	設定済みデータをAIへ手軽に読ませて分析したい

※比較は2026年7月23日に各社の公式公開情報で確認した範囲です。契約プラン、APIの提供範囲、仕様変更によって利用できる機能は変わります。

LINE Harness：自社KPI・他チャネル統合・独自画面を設計したい場合

比較から分かる通り、「AIでLINEデータを分析できる」だけではLINE Harness固有の強みとは言えません。LステップはREST APIと豊富な分析機能を持ち、L MessageはMCPでAI分析へ直接つながります。

LINE Harnessが向いているのは、次のような要件です。

LINE以外の広告、EC、CRMデータとBigQueryで結合したい
自社独自のKPI定義を使いたい
ref codeやイベントの追加に合わせて集計を変えたい
既製レポートにない経路探索や比較UIを作りたい
AIへコード、SQL、テスト、画面まで継続して改修させたい
ダッシュボードとAI分析で同じデータ定義を共有したい

今回も、最初から完成形があったわけではありません。期間指定を全画面で統一し、流入元を横棒へ変え、個別タイムラインを段階別の経路探索へ置き換えるなど、運用上の問いに合わせて何度も形を変えました。コードとデータモデルを自社で持てるため、この変更をAIとの対話で積み重ねられます。

よくある質問

LINE Harnessを使えばBigQueryへ自動で接続できますか？

今回の構成では、LINE Harness APIからデータを取得する処理、BigQueryのテーブル・view、日次ジョブ、ダッシュボードをAIコーディングエージェントと実装しました。設定だけでBigQueryへ直結するという意味ではなく、APIと自社基盤をAIで調査・実装できることがポイントです。

LステップでもBigQueryダッシュボードを作れますか？

公式REST APIがあるため、必要なデータがAPIの提供範囲に含まれていれば個別実装できます。ただし、BigQuery直接接続を標準機能として確認できたわけではありません。利用プラン、取得対象、API制限を確認して設計します。

L MessageならAIだけで分析できますか？

公式MCPを通じてChatGPTやClaudeからデータを読み取り、分析や改善提案に使えます。2026年6月26日更新の公式情報では読み取り専用のため、設定変更や配信まで自動実行する機能とは分けて考えます。

個別ユーザーの行動も表示すべきですか？

運用改善が目的なら、まずはイベントと通過人数を集計した経路で十分です。表示名、ユーザーID、メッセージ本文をダッシュボードへ出さず、必要な傾向を集計で確認できる構成を優先します。

まとめ

LINE HarnessとAIを組み合わせると、LINE運用データの取得だけでなく、BigQueryへの蓄積、独自KPIの集計、ダッシュボード実装、分析まで一続きで進められます。

今回作ったのは、友だち数を表示するだけのレポートではありません。KPI推移、流入元、友だち追加後の経路は同じ期間で比較し、シナリオ利用は現在の累計として確認したうえで、AIへ増減要因や改善仮説を問い合わせられるデータ基盤です。

一方、LステップにもREST APIと豊富な分析機能があり、L MessageにはMCPを使ったAI分析があります。選ぶ基準は「AIが使えるか」ではなく、標準機能で完結したいか、自社データ基盤や独自指標まで自由に作り込みたいかです。

LINE、EC、広告、CRMのデータをまとめ、自社の運用に合う可視化と分析を作りたい場合は、既存環境を確認したうえで小さなKPI画面から始めてみてください。

ブログに戻る