保育現場の日常を支える、登降園記録の正確性と安定性
コドモンのサービスは全国の多くのこども施設で毎日使われており、保育現場の日常業務を支える ICT として、高い信頼性が前提になります。なかでも際立った水準を求められるのが、登降園管理システム「コドモンレコ」です。
コドモンレコでは、園児の登園時や降園時にカードをかざすと、その時刻が打刻実績としてシステムに記録され、延長保育料の自動計算につながります。さらに、この打刻実績は所在確認アラートとも連携しています。登園予定時刻までに打刻が確認できない場合に、施設と保護者の双方へ通知を出す機能です。正確な記録と安定した処理は、施設運営を支えるうえで重要な要素です。
応答速度も同じ理由で重要になります。カードをかざした際に園児の名前が表示されるため、応答が遅ければ、園児と保護者が端末の前で待たされることになります。登園ピークという短い時間帯に打刻が集中する以上、処理の成否だけでなく速さも信頼性を支える要素になります。
プロダクト開発部 SREチーム マネージャーの佐々木 真也 氏は、この水準を人の目で担保し続けることの難しさを踏まえ、モニタリングの設計を進めてきました。
登降園の記録は、保育現場の日常業務を支える大切な情報です。だからこそ、正確で安定した処理を継続できるよう、システムの状態を把握することを重視しています。
安定したサービス運用を支える、3 つの監視
コドモンのシステムは AWS 上に構成され、施設向けサービスと保護者向けサービスの 2 系統が動いています。アプリケーションは ECS 上で稼働し、プッシュ通知やメール通知は Lambda などのサーバーレス構成で処理されます。この構成に対して、コドモンレコでは 3 つの切り口で Datadog を活用しています。
1 つ目は、アプリケーションのアラート対応です。エラーが上がったとき、サーバー内部に起因するものか、実際に打刻や通知が止まったものかを見分けて対応する必要があります。コドモンは Error Tracking を使い、Application Performance Monitoring(APM)から得られるアプリケーションのエラーやログのアラートを起点に調査します。エラーの発生箇所がソースコードやデータベースの単位まで分かるため、調査時間の短縮につながりました。
2 つ目は、応答速度による SLO の可視化です。APM で API ごとのレイテンシーを計測し、Lambda の実行時間とあわせてアラートを設定しています。日を追って少しずつ遅くなるような変化も、これで捉えられます。
3 つ目は、トレンドの予測とリソースコントロールです。アクセス数に合わせて ECS のタスク数をオートスケールで調整していますが、時期やイベントによる偏りも考慮しなければなりません。蓄積したメトリクスデータに対して Datadog の関数や AI による分析を使い、傾向を把握しています。実際に、夏休みなどの長期休暇中は登園の総数が減る一方で、特定の短い時間帯に打刻が集中することが分かり、タスク数の調整につなげました。
エラーの発生箇所がソースコードやデータベースの単位で分かるので、調査時間を短縮できます。
異常検知の起点が、利用者からシステムへ
3 つの取り組みを通じて得られた最も大きな変化は、異常検知の起点が移ったことでした。サービスを提供する側として、利用者からのお問い合わせによって初めて問題を認識するのではなく、可能な限りシステム側で兆候を捉え、早期に対応することを重視しています。
これまで気づけなかった変化も捉えられるようになっています。応答が少しずつ遅くなっていることや、トラフィックの偏りからタスク数の調整が必要になる兆しなどです。
開発メンバーの負担も軽くなりました。アラート体制の整備と、Error Tracking による調査時間の短縮が効いています。
利用者からのお問い合わせを待たず、システム側で兆候を捉え、早期に対応することを重視しています。
Datadog MCP Server が、調査の担い手を開発部全体に広げた
一方で、社内の活用状況には差がありました。SRE チームのメンバーは日常的に Datadog を触っているため使いこなせていましたが、開発部全体で見ると、活用の度合いは人によってばらばらでした。誰かが作ったダッシュボードを見るだけで止まり、そこから調査に進む使い方には個人差がありました。
これを大きく変えたのが、Datadog MCP Server の利用です。MCP Server を介することで、Datadog の機能や画面に関する知識がなくても調査ができるようになりました。さらに、Datadog のデータだけでなく、AWS 上のログ検索や GitHub にあるソースコードやリリース情報も含めて、横断的に調べられます。調査結果は Notebooks に出力することで読みやすいレポートになり、履歴をたどる用途にも適していました。
変化は数字にも表れました。開発チームへ Datadog MCP Server を案内した時点と比べ、利用数は約 8 倍に増えています。開発者全体のうち利用する人の割合も、22% から 55% へと拡大しました。
広がり方について、佐々木氏は特別な働きかけをしたわけではないと振り返ります。使いたいというリクエストを受けて利用できることを示したところ、スキルやプロンプトを自ら作って共有するメンバーが現れ、それを見た人たちが自分にも使えそうだと感じていったといいます。
日々の業務にも効果が及んでいます。デイリーのダッシュボード確認では、事前に AI にサマリーレポートを作らせることで、確認時間が 5 分から 2 分に短縮されました。それ以上に、これまで気づけなかった変化に気づけるようになったことが大きいといいます。API ごとのトラフィック量の可視化も、ALB ログを Athena で検索してバイト数を集計し、CSV 化してグラフにするという手間のかかる作業でしたが、スキルを用意することで約 30 分から 3 分に短縮しました。コンテナイメージの脆弱性スキャンについても、アラートを起点に該当箇所をソースコードで確認して対応可否を判断する流れを整え、1 回あたり約 15 分から 3 分になっています。
調査の実行環境については、現在も検討を続けています。これまではローカルの Claude Code を使う形が主でしたが、調査の計画を共有しにくく、自動化を考えたときにやりにくい面がありました。そこで、エージェントを自社で構築して Slack から扱う形や、AWS DevOps Agent、Datadog の Bits Investigation や Bits Agent Builder などを比較しているところです。
Datadog の機能や画面の知識がなくても、調査ができるようになりました。
運用の意思決定を、自動化に近づける
コドモンが次に見据えるのは、運用に関わる意思決定を自動化に近づけることです。コドモンレコで取り組んできた、データをもとにタスク数をコントロールするような判断を、できるだけ自動で回せる状態にしていく考えです。
そのために、Datadog を運用のハブに位置づけようとしています。1 つはデータの集約です。あらゆるデータを取り込めるのが理想ですが、コストとの兼ね合いがあるため、APM の Adaptive Sampling などを使い、適切なサンプリングレートで集約を進めています。もう 1 つはイベントの集約です。各サービスが個別に Slack へ通知していた状態を、いったん AWS の EventBridge で受けて Datadog のイベントとして送る形に整えました。これにより、メトリクスのデータとイベントの情報を紐づけて調査できるようになります。
高い信頼性が求められる機能は、検知の主体が利用者ではなくシステムになるよう意識する。監視結果をただ見るだけで終わらせず、意思決定に使える形に変える。この 2 つを土台に、コドモンは Datadog を運用のハブとして育てていきます。