Databricksコネクタは、Unity Catalogを通じてClaudeに組織の内部データへのアクセスを提供し、データベースの分析、カスタムビジネスロジックの実行、および非構造化ドキュメントへのアクセスを可能にします。Databricksは3つの独立したコネクタを提供します。1つは関数用、1つはベクトル検索用、1つはGenie用で、それぞれがDatabricksワークスペース内の異なる機能にアクセスします。
Databricksコンポーネントの確認
ClaudeがDatabricksで何ができるかを探索する前に、Databricksワークスペース内に存在する3つのコアコンポーネントを理解することが重要です。
Unity Catalogの関数：特定の計算、データ変換、またはAPI統合のために組織が作成したカスタムPythonまたはSQL関数。これらには、独自のスコアリングアルゴリズム、正規化された財務計算、またはビジネス固有のデータ処理ロジックが含まれる場合があります。
ベクトル検索：組織のドキュメントとデータセット上に構築されたセマンティック検索インデックス。これらにより、正確なキーワードが一致しない場合でも、概念的に類似したコンテンツを検索できます。
Genie：プレーンな英語の質問をデータに対するSQLクエリに変換する自然言語インターフェース。Genieはテーブルと列に関するメタデータを使用して、ビジネス用語を理解し、適切なクエリを生成します。
このコネクタが提供するもの
統合機能
Databricks統合を通じて、Claudeはワークスペース内のリソースにアクセスできます。
カスタム関数の実行：Claudeは組織によって定義されたUnity Catalog関数を実行できます。これには、複雑なビジネスロジックの実行、計算の適用、またはチームが作成した関数を通じた外部APIの呼び出しが含まれます。たとえば、組織がカスタム顧客ヘルススコア関数を構築している場合、Claudeは分析全体で一貫してそれを適用できます。
セマンティック検索：ベクトル検索インデックスを使用して、Claudeはキーワードだけでなく意味に基づいて関連するドキュメントとコンテンツを見つけることができます。これは、契約書、研究報告書、顧客フィードバック、または技術ドキュメントを検索する場合に特に有用です。類似の概念が異なる方法で表現される場合があります。
自然言語クエリ：Genieを通じて、Claudeはプレーンな英語の質問をSQLクエリに変換できます。複雑なSQLを記述する代わりに、「先四半期の売上成長率は？」のような質問をすることができ、ClaudeはGenieを使用して適切なクエリを生成して実行します。
管理されたアクセス：コネクタを通じたすべてのデータアクセスは、組織のUnity Catalogの権限とポリシーを尊重します。Claudeは、ユーザーアカウントがアクセス権を持つデータと関数のみにアクセスできます。
ClaudeがDatabricksデータを使用する方法
Claudeは包括的なデータ分析をサポートするために、複数の方法でDatabricks機能を適用します。
マルチソース分析：Claudeはデータベースクエリ、ベクトル検索、およびカスタム関数の結果を組み合わせて、包括的な洞察を提供します。たとえば、投資テーゼを検証する場合、Claudeはポートフォリオデータベースから過去の財務パフォーマンスをクエリし、類似のセクター投資に関する過去のデューデリジェンスレポートを検索し、予想リターンをモデル化するために独自のIRR計算関数を適用する場合があります。
反復的な探索：Claudeはデータをクエリし、初期結果を分析し、調査結果に基づいて検索を絞り込むことができます。これにより、1つのクエリからの洞察が次のクエリに情報を提供する分析が可能になります。
カスタムロジックの適用：Unity Catalog関数を実行することで、Claudeは組織の特定のルールと計算を適用します。これにより、独自のメトリクス、調整された計算、および会社固有のロジックがすべての分析全体で均一に適用されることが保証されます。
コンテキストに応じたクエリ構築：プレーンな英語で質問をすると、ClaudeはGenieを使用してそれを適切なSQLクエリに変換します。この変換は、テーブル構造、列名、および関係を考慮して、データベース構造に一致する正確なクエリを生成します。
パターン認識：ベクトル検索を通じて、Claudeはドキュメントとデータ全体のパターンと類似性を見つけることができます。これは、関連する問題、類似のトランザクション、または従来のキーワード検索では明らかでない可能性のある比較可能な状況を見つけるのに役立ちます。
Databricksコネクタの設定
Databricks統合は3つの独立したコネクタで構成され、それぞれ個別のセットアップが必要です。
関数サーバー：計算、ビジネスロジック、およびデータ変換のためのUnity Catalog関数にアクセスします。
ベクトル検索サーバー：インデックス付きドキュメントとデータセット全体のセマンティック検索を有効にします。
Genieサーバー：自然言語からSQLクエリへの変換機能を提供します。
Databricksコネクタの技術詳細は、DatabricksのMCPサーバードキュメントに記載されています。Databricksコネクタとの認証は、OAuth（Claude.aiおよびClaude Desktopの場合）またはDatabricksパーソナルアクセストークン（Claude Desktopのみ）を通じて処理されます。
組織の所有者としてコネクタを追加する
管理設定 > コネクタに移動します。
下にスクロールして、リストの下部にある「カスタムコネクタを追加」をクリックします。
Databricksワークスペースの統合URLを入力します。
統合に名前を付けます。3つの独立したDatabricksサーバーがあることを忘れずに、それぞれを一意に命名することを検討してください（例：「Databricks UC」、「Databricks Genie」、「Databricks Search」）。
「追加」をクリックします。
個別ユーザーの場合
一般的なユースケース
利用可能なリソースの例
これらの機能がどのように連携するかを説明するために、以下のDatabricksリソースが構成されたプライベートエクイティファームを考えてみましょう。
このシナリオのテーブル
portfolio_companies：会社の詳細、買収情報、現在の評価、および債務レベル
financial_statements：調整を含む収益、EBITDAなどの期間財務、および顧客数とチャーンなどの運用メトリクス
market_comparables：評価倍数と成長率を持つセクター比較企業
due_diligence_docs：デューデリジェンスレポート、分析ドキュメント、およびディールメモのリポジトリ
このシナリオのUnity Catalog関数
calculate_normalized_ebitda()：報告されたEBITDAに標準的なプライベートエクイティ調整を適用し、一時的なコストを削除し、所有者報酬を正規化します。
compute_portfolio_irr()：キャッシュフローと保有期間に基づいて内部収益率と投資資本倍数を計算します。
estimate_debt_capacity()：様々なシナリオの下でのコベナンツ遵守ストレステストを使用して、最大レバレッジ容量をモデル化します。
このシナリオのベクトル検索インデックス
due_diligence_index：すべてのデューデリジェンスドキュメント、ディールメモ、および分析レポート全体のセマンティック検索。
ポートフォリオ出口準備分析
入力プロンプトの例：
どのポートフォリオ企業が出口の準備ができていますか？現在の市場倍数に基づいて評価範囲と予想リターンを表示してください。
この分析のために、Claudeは以下のステップで異なるUC関数とGenieを使用する場合があります。
Genie：3年以上保有されているポートフォリオ企業を特定し、最新の財務を取得します。
UC関数：各企業に対して
calculate_normalized_ebitda()を呼び出して、PE調整を適用します。UC関数：各企業のIRRとMOICを計算するために
compute_portfolio_irr()を実行します。Genie：市場比較可能企業をクエリし、正規化されたEBITDAにセクター倍数を適用して評価範囲を取得します。
Claudeは、現在の市場倍数に基づいてIRR、MOIC、および評価範囲を示す出口準備完了企業のサマリーで結果を報告する場合があります。
新規ディール評価
入力プロンプトの例：
TechCorp買収を評価しています（SaaS、売上4,500万ドル、EBITDA1,200万ドル）。公正な評価は何ですか？また、どの程度の債務をサポートできますか？分析に以前のデューデリジェンスレコードを含めてください。
このリクエストを完了するために、Claudeは以下のワークフローに従う場合があります。
Genie：ターゲットのセクターで同様のサイズの企業の市場比較可能企業をクエリして、評価ベンチマークを確立します。
UC関数：ターゲットメトリクスを使用して
estimate_debt_capacity()を呼び出し、レバレッジシナリオをモデル化し、コベナンツ遵守をストレステストします。ベクトル検索：デューデリジェンスインデックスで関連する価値創造プレイブックと先例取引を検索します。
統合：結果を組み合わせて、評価範囲、推奨資本構造、および関連する先例を生成します。
理想的には、Claudeは評価範囲と推奨オファー価格に関するレポートで応答し、その推奨につながるソースを引用します。
コベナンツ違反リスク評価
入力プロンプトの例：
ポートフォリオ全体でEBITDAが15～25％低下した場合、どの企業がコベナンツ違反のリスクがありますか？どのような対策を講じるべきですか？
このタスクのために、Claudeは以下のリソースを使用する場合があります。
Genie：債務を持つポートフォリオ企業を特定し、レバレッジが4倍を超える企業に焦点を当てます。
UC関数：各高レバレッジ企業に対して
calculate_normalized_ebitda()を呼び出して、ベースラインを確立します。UC関数：各企業に対して15％、20％、および25％の低下シナリオで
estimate_debt_capacity()を実行します。Genie：過去の財務をクエリして、運転資本トレンドが悪化している企業を特定します。
Claudeは、企業とシナリオ別に整理された違反リスク分析で応答する場合があります。
Databricksを使用するためのヒント
探しているデータについて具体的に説明してください。
例：「顧客を分析する」の代わりに、「...による上位20の顧客を表示してください」を試してください。
パターンマッチングに「類似を見つける」言語を使用します。
例：「このクレームのような問題を言及しているフィードバックを見つけてください。」
すべてのデータアクセス権限はUnity Catalogの権限に従うことを忘れないでください。Claudeはアクセス権を持つデータのみにアクセスできます。
カスタム関数は一貫した計算を提供します。標準化されたメトリクスを計算するためのUC関数の追加を検討してください。
複雑な分析には複数のステップが必要な場合があります。まず計画を求め、Claudeの提案されたアプローチを確認してください。