DWH（データウェアハウス）の成功事例6選｜データが散らばる・分析が遅い・基盤の運用が重い壁をどう越えたか

「分析に使うデータを集めるだけで、1週間以上かかる」「1回の集計に何十秒もかかり、試行錯誤ができない」「グループ会社や事業ごとにデータが分かれていて、横断して見られない」。データを経営や現場の判断に生かしたいのに、その手前の準備で止まっている組織は少なくありません。

この記事では、クラウドのDWH（データウェアハウス）を使ってこうした壁を越えた6つの企業の成功事例を集めました。ツールの機能紹介ではなく、「どんな課題があり、担当者が何を原因と考え、何から手を付け、どうなったか」をストーリーで追います。アパレル、総合スーパー、食品スーパー、電力、損害保険、生命保険と、業種が偏らないように選び、BigQuery、Snowflake、Amazon Redshift、Databricksの4つの基盤にまたがっています。

先に結論を言うと、6件を並べて見えた共通点は次の3つです。

• 分析の前の「データ集め」の時間を減らすことから始めている：散らばったデータを1か所に集め、分析のたびにデータを抽出・加工する作業そのものをなくしていました。
• 一気に作り直さず、段階的に移している：既存の処理をそのまま移す、主要なダッシュボードから移す、1つの業務から始めるなど、範囲を絞って進めていました。
• 基盤の運用の手間を減らし、人をデータ活用に回している：フルマネージドのサービスや自動化で、サーバーの保守や権限の設定にかかる時間を減らしていました。

本記事は、掲載企業から報酬を受け取らずにAbin編集部が独自に調査・編集しています。有償の掲載がある場合は「PR」と明記します。

この記事の読み方

• 成果の数字は、すべてDWHの提供会社の事例ページに載っている数字です（顧客の担当者の発言を含みます）。施策と成果の因果関係は、各社の説明のまま紹介し、編集部では断定していません。
• 「仮説」の欄は、事例ページで担当者が「なぜそうしたか」を語っている内容だけを書いています。語られていない部分は「編集部の読み解き」と明記し、事実と分けています。
• 事例ページは2026年11月12日に確認しました。調べ方の詳細は記事の最後にまとめています。

DWHの成功事例マップ｜自分に近い事例を探す

6件の事例を、読者の悩みの型ごとに並べました。前半の2件は「分析の準備と速さ」、続く2件は「現場で使えるデータと業務の効率化」、最後の2件は「グループ・事業をまたぐデータの統合」です。成果の数字は各社の事例ページの表記で、比較の基準や定義は事例ごとに違います。

事例1：分析の前のデータ集めに最大1か月かかっていた。BigQueryでデータレイクを作り、準備作業を1週間に短縮｜アパレル

状況

アダストリアは、「グローバルワーク」「ニコアンド」「ローリーズファーム」など30を超えるブランドを、国内外の約1,400店舗で展開するカジュアルファッションのチェーンです。売上・利益・在庫などのKPIを日次・週次で見て動くほか、ECサイトのレビューや、購入前の質問のデータも分析して、商品やサービスの開発に生かしています。データの収集と加工は、デジタル推進部とマーケティング本部が担っていました。

壁

アパレル、飲食、家具など業態が複数あるため、データが数十種類のシステムに分散していました。必要なデータを集めるのに時間がかかり、集めても、抜けや漏れ、定義の確認に時間がかかりました。そもそも、本番に近いデータを扱えるデータベースの環境がありませんでした。分析のたびに各システムからデータを抽出・集約・クレンジングし、その準備に1週間、長いもので1か月かかっていました。

仮説（事例ページで語られていること）

デジタル推進部の部長は、データ分析を速くするには、この3つの課題を解消する必要があったと語っています。まず社内の人材育成と外部からの採用で分析の組織を作り、次に分析の基盤となるデータレイクの構築に取りかかりました。ほかのシステムでは別のクラウドを使っていましたが、データレイクの最大の目的であるビッグデータの活用を考え、BigQueryが最適と判断したとしています。

打ち手

1. 2018年6月ごろから検討を始め、Google Cloudの知見を持つパートナー（トップゲート）に、要件の整理から設計、構築、運用保守までの支援を依頼する。
2. いろいろな生データをCloud Storageに集め、構造化データとともにBigQueryに保存する。
3. 加工してから保存するETLではなく、BigQueryに保存してから加工するELTの方式にし、BigQueryだけでデータレイクを実現して構成をシンプルにする。
4. 加工のワークフローはCloud Composerで管理し、データポータルで可視化する。

データの置き場所を1つにしたことで、分析の前の作業はどれくらい減ったのでしょうか。

結果

Google Cloudの事例ページによると、2020年2月に本番稼働し、それまで1週間、長いもので1か月かかっていた準備作業が、新規のデータ収集でも1週間、それ以外はゼロにまで短縮できたとしています。営業部やマーケティング部の担当者が、新しい施策を行うときにデータをすぐに可視化できるようになりました。外部のパートナーとの連携でも、CSVでデータを抽出して定義を説明する作業が要らなくなり、アクセス権を設定すれば新しいパートナーもすぐにデータを使えるようになったといいます。

ここが効いた

• 基盤より先に、データ分析の組織づくり（育成と採用）から始め、基盤を「使う人」をそろえていた。
• ELTで「まず全部入れてから加工する」形にし、分析のたびにデータを集める作業そのものをなくした。

支援：BigQuery（BigQueryの評判・口コミ）／出典：Google Cloud 株式会社アダストリアの導入事例（事例制作：2021年）

事例2：1回の分析に30〜40秒かかり、施策の振り返りが追いつかない。BigQueryに移して約5秒に｜総合スーパー

状況

イオンリテールは、総合スーパーの「イオン」「イオンスタイル」を396店舗展開しています。年間のべ数億人のレジ通過客数から生まれる購買データと顧客データを生かすため、2017年夏にスマートフォン向けの「イオンお買物アプリ」をリリースし、アプリのユーザーデータとPOSの購買データを結びつけて分析する環境を作ろうとしていました。

壁

当初はアプリをASP（アプリケーションサービスプロバイダ）で作り、分析基盤も別の大手プラットフォームを使っていましたが、運用開始から数か月で、急増する会員を処理しきれなくなりました。分析基盤では1つの分析に30〜40秒かかり、複数の施策の分析に時間がかかりすぎて、施策の振り返りや次の施策の意思決定が遅れていました。毎晩の集計とキャンペーンのワークフローも重く、ユーザーが増え続ければ、いずれ朝までに終わらなくなることが明らかでした。

仮説（事例ページで語られていること）

デジタル企画部長は、アプリの実行環境を将来の拡張がしやすいクラウドに移すと決めた時点で、データ分析基盤にも限界が見え始めていたため、BigQueryの導入も視野にGoogle Cloudを選んだと語っています。分析を速くすることで、正確な分析にもとづく施策の振り返りと、次の施策の立案ができるようになると考えていたことが読み取れます。

打ち手

1. 2018年春にアプリの実行環境をCompute Engineに移し、その後、データ分析基盤をBigQueryに置き換える。
2. 2019年にはアプリの実行環境をApp Engineに移し、混雑時の自動での拡張と、深夜の縮小で費用を抑える。
3. 毎晩の日次集計、キャンペーンの集計、スタンプ特典の発行などのワークフローを、BigQuery上で並行して動かす。

分析の待ち時間が短くなったことで、現場の動き方は変わったのでしょうか。

結果

Google Cloudの事例ページによると、1つの分析に30〜40秒かかっていたものが、BigQueryへの移行後は約5秒で終わるようになったとしています。担当者は「トライ＆エラーがしやすくなった」と話しています。毎晩のワークフローは、当時の数倍となる20〜30本を回し、集計の対象ユーザーが400万人以上、レコードが2,000万件に増えた後でも、すべて合わせて約1時間半で終わっているといいます。費用はむしろ当時より抑えられているとしています。

ここが効いた

• 分析の速さを、施策を考えてから実行・振り返りまでの時間を縮めるための手段として位置づけていた。
• アプリとデータ分析基盤を同じクラウドにそろえ、会員の急増にも耐えられる形にした。

支援：BigQuery（BigQueryの評判・口コミ）／出典：Google Cloud イオンリテール株式会社の導入事例（事例制作：2022年）

事例3：外注に頼った分析基盤で、データ活用を広げられない。Snowflakeとdbtで刷新し、主要ダッシュボードで利用率の約80%をカバー｜食品スーパー

状況

ヤオコーは、関東圏で食品スーパーを展開し、単体で200店舗、グループで243店舗（2025年11月末時点）を構えています。店長を中心に店舗が地域に合わせた店づくりをする「個店経営」を強みとし、数年前からIT部門を強化して、AIによる自動発注などのDXを自社主導で進めてきました。データ基盤は、AWSへの移行とデータの統合までは進んでいました。

壁

分析基盤の構築を外注していたため、コストとスピードの両面で、データ活用の範囲を広げたり、システム間の連携を柔軟にしたりする上で大きな障壁になりつつありました。分析のレスポンスを保つために大きなインスタンスを確保する運用の負荷や、データの変換に使っていたC#の独自の仕組みのライブラリの制約も課題でした。社内には約80種類のダッシュボードがありました。

仮説（事例ページで語られていること）

CDO（最高デジタル責任者）は、データ連携基盤のモダナイズが進んだことで、次の投資領域はDWHの層の刷新だと判断したと語っています。テックリードは、技術的な負債を残しにくい解決策を探す中で、データ変換のdbtと、それと組み合わせるデータ基盤としてSnowflakeが浮かび上がったと説明しています。パートナーも、Snowflakeとdbtの両方に強い会社という条件で選びました。

打ち手

1. 2023年12月にプロジェクトを本格的に始め、パートナー（DATUM STUDIO）と組む。
2. データの取り込みにSnowpipe、変換にSnowflakeとdbtを使い、可視化はSnowpark Container Services上のStreamlitなどで帳票をデジタルで再現する。
3. 約80種類のダッシュボードのうち、よく使われる主要20から先に移す。

すべての帳票を一度に移さず、主要なものから移した結果はどうだったのでしょうか。

結果

Snowflakeの事例ページによると、新しい基盤は2025年11月に全社での運用を始め、主要20のダッシュボードの移行だけで利用率の約80%をカバーし、第2弾を加えると90%をカバーできる見込みだとしています。インフラの保守メンテナンスへの対応はほぼ不要になったといいます。ランニングコストは、ウェアハウスを柔軟に拡張・縮小できるSnowflakeへの移行で3割の削減を実現すると見ている、としています（事例ページの見通しの表記です）。

ここが効いた

• 「内製化」という目的から逆算して、エコシステムのあるSQLとPythonの環境と、それに強いパートナーを選んでいた。
• 帳票を利用率の高い順に移し、少ない移行の量で現場の大半をカバーした。

支援：Snowflake（Snowflakeの評判・口コミ）／出典：Snowflake ヤオコーの事例（掲載日の記載なし（2026年11月確認））

事例4：Excelの在庫管理が数十秒かかり、固まることもある。Snowflakeで再構築し、処理を約1秒に｜電力・エネルギー

状況

JERAは、燃料の調達から火力発電、電力の卸販売までを担い、日本の約3割の電力を発電する会社です。火力発電の燃料であるLNG（液化天然ガス）を年間約3,500万t取り扱っています。約180名のデジタル部門が全社のDXを担い、2023年にSnowflakeを中核とするデータプラットフォームの構築に着手しました。

壁

データの連携がシステムごとに個別に行われ、連携のロジックが各システムに散らばって、保守運用の負荷が重くなっていました。事業部やサービスごとに情報がサイロ化し、全社のデータカタログもありませんでした。中でもLNGの配船・在庫管理の業務はExcelで運用され、複雑なマクロと数式で処理に数十秒かかり、Excelが固まることもありました。

仮説（事例ページで語られていること）

担当の課長は、Snowflakeを選んだ理由として、メンテナンスがほぼ要らないことと、ウェアハウスのサイズを変えるだけですぐに拡張できる柔軟性を挙げています。複数の製品を比べた結果、Snowflakeが最もパフォーマンスが高く、簡単に使え、拡張性に優れていると判断したとしています。

打ち手

1. LNGの配船・在庫管理を、Snowflakeを中核とする基幹システム「LIOS」として再構築し、Excelの複雑な処理ロジックをSnowparkで実装する。
2. 厳しく管理するコアのアカウントと、データシェアリングで切り出した分析用のアカウントを分け、分析用ではワークシートやNotebooks、Streamlit、外部のBIツールを使えるようにする。
3. デジタル部門の新人研修でも、実際のデータを使ったハンズオンを行う。

Excelでの処理をデータ基盤の上に移して、計画の立て方はどう変わったのでしょうか。

結果

Snowflakeの事例ページによると、LIOSでは処理時間が数十秒から約1秒に短縮され、処理効率は10分の1以下に改善したとしています。配船・在庫の調整の時間を十分に確保できるようになり、Excelではできなかった約80パターンの在庫シナリオを同時に比べられるようになったといいます。インプットや中間ファイルも約3割減り、数億円単位の損失につながるおそれのあるオペレーションを、ロジックで確実に防げるようになったとしています。

ここが効いた

• 全社の基盤づくりと並行して、業務への影響が大きいLNG在庫管理という1つのシステムで、目に見える成果を出していた。
• 厳しく守るアカウントと自由に使えるアカウントを分け、ガバナンスとデータの民主化を両立させた。

支援：Snowflake（Snowflakeの評判・口コミ）／出典：Snowflake JERAの事例（掲載日の記載なし（2026年11月確認））

事例5：グループ各社のデータが各社の中に閉じている。Redshiftでグループ横断の基盤を作り、権限管理の負荷を10分の1に｜損害保険・生命保険・介護

状況

SOMPOホールディングスは、国内損害保険、国内生命保険、海外保険、介護・ヘルスケアの4つの事業を展開しています。お客さまの人生に寄り添う「安心・安全・健康のテーマパーク」という目標に向け、グループ各社の協力体制を強めようとしていました。たとえば自動車保険と医療保険の情報が連携されていれば、事故に遭ったお客さまに負担をかけずに案内ができます。

壁

これまで各サービスとその情報はグループ各社の中に閉じており、各社をまたいだ顧客情報の把握や分析は難しい状態でした。保険や健康状態に関する、極めてセンシティブなデータを扱うため、厳格なデータの保管ルールを満たす必要もありました。また当初は、統合されたデータ基盤の必要性は感じていたものの、具体的にどのような活用や分析が必要かまでは検討しきれていませんでした。

仮説（事例ページで語られていること）

システム会社のシニアアーキテクトは、厳格なデータ保管ルールを満たすアーキテクチャと機能を持つクラウドサービスは、検討当時AWSだけだったと語っています。活用の形がまだ固まっていなかったため、仮説の検証をしながら要件とアーキテクチャを固めていく進め方を選んだとしています。

打ち手

1. パートナー（ウルシステムズ）の支援で、社内のリスク管理の担当とも協議しながら綿密なPoCを行う。
2. ストレージにAmazon S3、DWHにAmazon Redshiftを使い、グループ各社の数千万件規模のデータを集める。
3. データサイエンティスト向けには自由にツールを選べる高度分析の環境を、ビジネスの現場向けにはBIツールのTableauを用意する。
4. 複雑な権限管理の作業を自動化する。

活用の形を決めきらずに始めた基盤は、どう使われるようになったのでしょうか。

結果

AWSの導入事例によると、複雑な権限管理の作業を自動化したことで、運用の負荷を10分の1に下げられたとしています。自動化で設定ミスによるセキュリティのリスクを避けられ、浮いた人手をIT戦略に回せるといいます。活用のイメージが具体化したことからBIの用途も同じ基盤で実現し、すでに1,000名近いユーザーがTableauでデータを活用しているとしています。

ここが効いた

• 最初から全ての用途を決めず、仮説を検証しながら基盤を育てる進め方を選んだ。
• 権限管理を自動化して、センシティブなデータの安全と運用の手間を同時に抑えた。

支援：Amazon Redshift（Amazon Redshiftの評判・口コミ）／出典：AWS 導入事例：SOMPOホールディングス株式会社（掲載日の記載なし（2026年11月確認））

事例6：事業の統合で、分かれたシステムが多すぎる。古いDWHからDatabricksへ段階的に移し、ウェアハウスのコストを最大60%削減｜生命保険・損害保険

状況

アクサ・ジャパンは、生命保険と損害保険を扱い、保険の引き受け、業務、顧客体験でデータが中核になっている会社です。健康情報や保険金の請求履歴、リスクのモデルなど、多様なデータに依存しており、従業員の半数以上がアナリティクスを活用しています。生命保険と損害保険の事業を統合する「OneAXA」の取り組みを進めていました。

壁

各事業部門が長年、独自のデータレイクやレガシーのアプリケーション、運用の仕組みを作ってきたため、分断されたシステムが多すぎる状態になっていました。分析が社内に浸透した分、データのスピード、信頼性、アクセスのしやすさへの期待も高まっていました。

仮説（事例ページで語られていること）

最高データ責任者（CDO）は、インフラからBI、AIまでデータを管理しながらランニングコストも削減できる、統合された単一のツールを求めていたと語っています。すべてのデータを1か所に集めて、効率よくアクセスでき、データの品質を確保できる「信頼できる唯一の情報源」を作ることを目指し、当初からMLOps（機械学習の運用）を支えられる基盤を求めていました。

打ち手

1. Databricksを選び、サイロ化したデータを1つのガバナンスの効いたレイクハウスに統合する。
2. RedshiftとOracleを使っていたレガシーシステムを、全面的に作り直すのではなく段階的に廃止する。ロジックが複雑なため、作り直し（リファクタリング）の計画をやめ、そのまま移す「リフト＆シフト」に切り替える。
3. OracleとInformaticaのETLロジックを自動のコード変換で移し、dbtのモデルとしてDatabricks SQL上で動かす。新旧のシステムを並行して動かし、性能を確かめながら移す。
4. Unity Catalogで権限の管理を一元化する。

作り直しをやめ、そのまま移すことにした判断は、どんな結果につながったのでしょうか。

結果

Databricksの事例ページによると、ワークロードをDatabricksに集約することで、移行の特定の段階でウェアハウスのコストを最大60%削減し、移行済みのワークロードではETLのコストを70%削減したとしています。シニアデータエンジニアは、移行後は開発の速度が40%近く向上したと話しています。古いOracleのサーバーを廃止したことで、インフラの保守の負担も減ったといいます。

ここが効いた

• 複雑なロジックの作り直しにこだわらず、リフト＆シフトに切り替えて移行を前に進めた。
• 新旧のシステムを並行して動かし、利用者への影響を抑えながら段階的に移した。

支援：Databricks（Databricks SQLの評判・口コミ）／出典：Databricks アクサ・ジャパンの導入事例（掲載日の記載なし（2026年11月確認））

6つの成功事例を並べて見えた「勝ちパターン」

ここからは、6件の事例に書かれている事実だけをもとに、共通点を整理します。6件からの観察なので、「こうすれば必ず成果が出る」という法則ではありません。

勝ちパターン1：分析の前の「データ集め」の時間を減らすことから始めている

勝ちパターン2：一気に作り直さず、段階的に移している

• ヤオコーは、約80種類のダッシュボードのうち、主要20から先に移しました。
• アクサ・ジャパンは、作り直しをやめてリフト＆シフトにし、新旧を並行して動かしました。
• JERAは、全社の基盤づくりと並行して、LNG在庫管理という1つの業務から成果を出しました。

勝ちパターン3：基盤の運用の手間を減らし、人をデータ活用に回している

• SOMPOホールディングスは、権限管理を自動化して運用負荷を10分の1にしました。
• ヤオコーは、インフラの保守メンテナンスへの対応がほぼ不要になったとしています。
• アダストリアは、フルマネージドのサービスで運用保守の作業負荷を減らせると説明しています。

明日から試せるチェックリスト｜自社に当てはめる6つの問い

1. 分析の前に、データを集めて整える作業に、毎回どれくらいの時間がかかっていますか？（アダストリア）
2. 1回の集計の待ち時間が短くなったら、試せる施策や分析の数はどれくらい増えますか？（イオンリテール）
3. 社内のダッシュボードや帳票のうち、よく使われている上位はどれですか？そこから移せますか？（ヤオコー）
4. Excelで重い計算をしている業務のうち、データ基盤に移すと効果が大きいものはどれですか？（JERA）
5. グループ会社や事業ごとに閉じているデータを、権限を守ったまま共有する方法を決めていますか？（SOMPOホールディングス、JERA）
6. 古いシステムを作り直すか、まずそのまま移すかを、移行の前に決めていますか？（アクサ・ジャパン）

DWHの成功事例についてよくある質問

DWHを入れると、何が一番変わりますか？

今回の事例では、分析の前のデータ集めの時間（アダストリア）、集計の待ち時間（イオンリテール、JERA）、基盤の運用の手間（SOMPOホールディングス、ヤオコー）、基盤の費用（アクサ・ジャパン）が変わっていました。どれが一番変わるかは、今どこで時間やお金がかかっているかによります。

中堅・中小企業の事例はありますか？

今回の6件は、いずれも大企業の事例です。顧客名と成果の数字がそろった中堅・中小企業の事例は、今回確認した公式の事例ページでは見つけられませんでした。BigQueryの無料枠やRedshift Serverlessのように、使った分だけの料金で小さく始められるサービスもあるため、まず1つの業務のデータで試してみるのが現実的です。

導入にはどれくらいの期間がかかりますか？

事例ページの記載では、アダストリアは2018年6月ごろに検討を始め、2020年2月に本番稼働しています。ヤオコーは2023年12月にプロジェクトを本格的に始め、2025年11月に全社での運用を始めました。集めるデータとシステムの数、移す帳票の数で大きく変わります。

社内にデータエンジニアがいなくても進められますか？

6件のうち、アダストリア（トップゲート）、ヤオコー（DATUM STUDIO）、SOMPOホールディングス（ウルシステムズ）は、パートナーの支援を受けて進めています。アダストリアは基盤づくりの前に、育成と採用で分析の組織を作っていました。社内の人材と外部の支援を組み合わせる形が多く見られます。

プロに頼むなら｜DWHを比べる

自社に合うDWHを選ぶときは、使っているクラウドとの相性、運用の手間、料金の決まり方を同じ基準で比べるところから始めるのが近道です。Abinでは、DWHを比べた記事を公開しています。

• DWH（データウェアハウス）おすすめ8選｜BigQuery・Snowflake・Redshiftなどを料金・運用のしやすさで比較

今回の事例に登場したサービスの評判・口コミは、次の記事にまとめています。

• BigQueryの評判・口コミ（事例1 アダストリア、事例2 イオンリテール）
• Snowflakeの評判・口コミ（事例3 ヤオコー、事例4 JERA）
• Amazon Redshiftの評判・口コミ（事例5 SOMPOホールディングス）
• Databricks SQLの評判・口コミ（事例6 アクサ・ジャパン）

課題の型ごとに、近い記事もあります。

• データを集めて取り込む仕組みを比べたい：ETLツールおすすめ
• 集めたデータをグラフや表で見たい：BIツールおすすめ

ツギノテ編集部（運営：株式会社Abin）にマーケティング・DXについて相談したい場合や、事例・掲載についてのお問い合わせは、お問い合わせフォームから受け付けています。

調査方法と出典

確認日：2026年11月12日。

調べ方：「DWH（データウェアハウス）おすすめ8選」の記事に掲載したサービスの公式の事例ページを読みました。比較サイトの事例紹介は使っていません。

選び方：顧客名が公開されていて、実際の成果の数字が載っている事例だけを候補にしました（匿名の事例、目標や見込みの数字だけの事例は除外）。ほかの成功事例記事で紹介した顧客の事例は除き、1つのサービスから2件までとしました。Microsoft Fabric、Oracle Autonomous AI Lakehouse、Teradata VantageCloud、ClickHouse Cloudの公式ページでは、日本企業の顧客名と成果の数字がそろった事例を今回は見つけられませんでした。事例の並び順は悩みの型の順で、優劣を表すものではありません。

数字の扱い：成果の数字は、すべて事例ページの表記です（顧客担当者の発言を含みます）。施策と成果の因果関係は各社の説明のまま紹介し、編集部では断定していません。ヤオコーの「ランニングコスト3割削減」は、事例ページの本文では見通しとして語られているため、成果の欄には入れていません。アクサ・ジャパンの「最大60%」「70%」は、移行の特定の段階・移行済みのワークロードについての数字です。

出典

• Google Cloud 株式会社アダストリアの導入事例（事例制作：2021年）
• Google Cloud イオンリテール株式会社の導入事例（事例制作：2022年）
• Snowflake ヤオコーの事例（掲載日の記載なし（2026年11月確認））
• Snowflake JERAの事例（掲載日の記載なし（2026年11月確認））
• AWS 導入事例：SOMPOホールディングス株式会社（掲載日の記載なし（2026年11月確認））
• Databricks アクサ・ジャパンの導入事例（掲載日の記載なし（2026年11月確認））