日日是Oracle APEX

Hermes Agentのコンテナ・イメージにSQLclを組み込み、SQLclのMCPサーバーを呼び出せるようにします。Streamable HTTPを話すリモートMCPサーバーとは異なり、コンテナ・イメージにSQLclとJavaを組み込む手間がありますが、反対にOracle DatabaseとはSQL*Netで接続するためデータベース側の準備が不要になります。

MCPサーバーの接続先となるOracle Databaseには、サンプル・スキーマSH（Sales History）がインストール済みとします。

作業は前回の記事と同様にMacbook Proで行います。

作業ディレクトリhermes-agent-sqlclを作成し、作成したディレクトリに移動します。

mkdir hermes-agent-sqlcl
cd hermes-agent-sqlcl

% mkdir hermes-agent-sqlcl

% cd hermes-agent-sqlcl

hermes-agent-sqlcl %

Nous Research社が作成しているHermes Agentのコンテナ・イメージに、SQLclを組み込んだコンテナ・イメージを作成します。

コンテナ・イメージの作成に以下のDockerfileを使用します。

作業ディレクトリにDockerfileを作成し、コンテナ・イメージをビルドします。今回はApple SiliconのMacbookで作業をしているので、platformにlinux/arm64を指定しています。

docker buildx build \
--platform linux/arm64 \
--no-cache \
-t hermes-agent-sqlcl:arm64 \
--load .

hermes-agent-sqlcl % docker buildx build \

> --platform linux/arm64 \

> --no-cache \

> -t hermes-agent-sqlcl:arm64 \

> --load .

[+] Building 29.5s (13/13) FINISHED docker:colima

=> [internal] load build definition from Dockerfile 0.0s

=> => transferring dockerfile: 1.19kB 0.0s

=> resolve image config for docker-image://docker.io/docker/dockerfile:1 1.2s

=> CACHED docker-image://docker.io/docker/dockerfile:1@sha256:2780b5c3bab67f1f76c781860de469442999ed1a0d7992a5efdf2 0.0s

=> => resolve docker.io/docker/dockerfile:1@sha256:2780b5c3bab67f1f76c781860de469442999ed1a0d7992a5efdf2cffc0e3d769 0.0s

=> [internal] load metadata for docker.io/nousresearch/hermes-agent:latest 1.0s

=> [internal] load metadata for docker.io/library/debian:bookworm-slim 1.0s

=> [internal] load .dockerignore 0.0s

=> => transferring context: 2B 0.0s

=> CACHED [sqlcl-builder 1/3] FROM docker.io/library/debian:bookworm-slim@sha256:67b30a61dc87758f0caf819646104f29ec 0.0s

=> => resolve docker.io/library/debian:bookworm-slim@sha256:67b30a61dc87758f0caf819646104f29ecbda97d920aaf5edc83412 0.0s

=> CACHED [stage-1 1/3] FROM docker.io/nousresearch/hermes-agent:latest@sha256:cdcda342ff2b3919eaa7b3dbd7c5178b7b76 0.0s

=> => resolve docker.io/nousresearch/hermes-agent:latest@sha256:cdcda342ff2b3919eaa7b3dbd7c5178b7b7676db62ddac273af 0.0s

=> [sqlcl-builder 2/3] RUN apt-get update && apt-get install -y --no-install-recommends curl unzip 6.2s

=> [stage-1 2/3] RUN apt-get update && apt-get install -y --no-install-recommends openjdk-21-jre-headless & 7.2s

=> [sqlcl-builder 3/3] RUN curl -fsSL "https://download.oracle.com/otn_software/java/sqldeveloper/sqlcl-latest.zip 16.4s

=> [stage-1 3/3] COPY --from=sqlcl-builder --chmod=755 /opt/sqlcl /opt/sqlcl 0.1s

=> exporting to image 4.4s

=> => exporting layers 3.4s

=> => exporting manifest sha256:64475b6128c1a73482e6fafaa521948a598adeb68e4480f8ec58f146d608b2f2 0.0s

=> => exporting config sha256:b93153409b3871b9e5041a43b03b34b4376d9bb39d9bebfbdc5832883de4e5c9 0.0s

=> => exporting attestation manifest sha256:a557e7c7714538a127f27e850df20d2f7575e7902a111d6bfb44aedc7ba5237e 0.0s

=> => exporting manifest list sha256:c77a0e8fe3a253b1a42d6f4bc97f16bf021cc1511c4a62a6e412db5ed9f288b9 0.0s

=> => naming to docker.io/library/hermes-agent-sqlcl:arm64 0.0s

=> => unpacking to docker.io/library/hermes-agent-sqlcl:arm64 1.0s

hermes-agent-sqlcl %

SQLclが組み込まれたHermes Agentのイメージが作成できました。

コンテナを実行して、Hermes Agentのセットアップを行います。

docker run -it --rm -v ${PWD}:/opt/data hermes-agent-sqlcl:arm64 setup

Quick setupを選択します。

How would you like to set up Hermes?

↑↓ navigate ENTER/SPACE select ESC cancel

→ (●) Quick setup — provider, model & messaging (recommended)

(○) Full setup — configure everything

今回の作業ではLLMのプロバイダとして、ローカルで動作しているLM Studioを使用します。

Select provider:

↑↓ navigate ENTER/SPACE select ESC cancel

(●) Nous Portal (Nous Research subscription)

(○) OpenRouter (100+ models, pay-per-use)

→ (○) LM Studio (local desktop app with built-in model server)

(○) Anthropic (Claude models — API key or Claude Code)

(○) OpenAI Codex

(○) Qwen Cloud / DashScope Coding (Qwen + multi-provider)

(○) Xiaomi MiMo (MiMo-V2.5 and V2 models — pro, omni, flash)

(○) Tencent TokenHub (Hy3 Preview — direct API via tokenhub.tencentmaas.com)

(○) NVIDIA NIM (Nemotron models — build.nvidia.com or local NIM)

(○) GitHub Copilot (uses GITHUB_TOKEN or gh auth token)

(○) GitHub Copilot ACP (spawns `copilot --acp --stdio`)

(○) Hugging Face Inference Providers (20+ open models)

(○) Google AI Studio (Gemini models — native Gemini API)

(○) Google Gemini via OAuth + Code Assist (free tier supported; no API key needed)

(○) DeepSeek (DeepSeek-V3, R1, coder — direct API)

(○) xAI (Grok models — direct API)

(○) Z.AI / GLM (Zhipu AI direct API)

(○) Kimi Coding Plan (api.kimi.com) & Moonshot API

(○) Kimi / Moonshot China (Moonshot CN direct API)

(○) StepFun Step Plan (agent/coding models via Step Plan API)

(○) MiniMax (global direct API)

(○) MiniMax via OAuth browser login (Coding Plan, minimax.io)

(○) MiniMax China (domestic direct API)

(○) Ollama Cloud (cloud-hosted open models — ollama.com)

(○) Arcee AI (Trinity models — direct API)

(○) GMI Cloud (multi-model direct API)

(○) Kilo Code (Kilo Gateway API)

(○) OpenCode Zen (35+ curated models, pay-as-you-go)

(○) OpenCode Go (open models, $10/month subscription)

(○) AWS Bedrock (Claude, Nova, Llama, DeepSeek — IAM or API key)

(○) Azure Foundry (OpenAI-style or Anthropic-style endpoint — your Azure AI deployment)

(○) Vercel AI Gateway

(○) Qwen OAuth (reuses local Qwen CLI login)

(○) Alibaba Cloud Coding Plan — dedicated coding tier

(○) custom (direct API)

(○) Custom endpoint (enter URL manually)

(○) Configure auxiliary models...

(○) Leave unchanged

LM StudioにAPIキーは不要なので、デフォルトを選択します。

No LM Studio API key configured.

LM_API_KEY (Enter for no-auth default 'dummy-lm-api-key'):

Hermes Agentはコンテナで実行されています。LM Studioはホスト上、つまりコンテナの外で動作しているため、コンテナ内からホストを指すhost.docker.internalがホスト名になります。そのため、Base URLに以下を設定します。LM Studioのローカル・サーバーに割り当てたポート番号は1234でない場合は、ポート番号の部分を変更します。

http://host.docker.internal:1234/v1

Base URL [http://127.0.0.1:1234/v1]: http://host.docker.internal:1234/v1

LM Studioにダウンロードされているモデルが一覧されます。今回はmlx-community/gpt-oss-120bを選択します。

Found 24 model(s) from LM Studio

Select default model: google/gemma-4-31b

baai_robobrain2.0-7b@q6_k

baai_robobrain2.0-7b@q6_k_l

baai_robobrain2.0-7b@bf16

-> mlx-community/gpt-oss-120b

gemma-3n-e4b-it-mlx@bf16

unsloth/gpt-oss-120b

openai/gpt-oss-20b

openai/gpt-oss-120b

qwen/qwen3-30b-a3b-2507

gemma-3n-e4b-it-mlx@8bit

llm-jp-3-8x13b-instruct3

qwen/qwen2.5-vl-7b

qwen3-30b-a3b-mlx@4bit

qwen3-30b-a3b-mlx@8bit

gemma-3-27b-it-qat

gemma-3-27b-it

phi-4-mini-instruct@4bit

phi-4@8bit

phi-4@4bit

gemma-2-27b-it

phi-4-mini-instruct@8bit

unsloth-phi-4

lmstudio-community/phi-4

Enter custom model name

Skip (keep current)

Hermes Agentはコンテナで実行していますが、ユーザー・インターフェース自体もコンテナで実行しています。そのため、terminal backendの選択はlocalになります。

Keep current (local)のまま、次へ進みます。

Select terminal backend:

↑↓ navigate ENTER/SPACE select ESC cancel

(○) Local - run directly on this machine (default)

(○) Docker - isolated container with configurable resources

(○) Modal - serverless cloud sandbox

(○) SSH - run on a remote machine

(○) Daytona - persistent cloud development environment

(○) Vercel Sandbox - cloud microVM with snapshot filesystem persistence

(○) Singularity/Apptainer - HPC-friendly container

→ (●) Keep current (local)

messaging platformへの接続を求められます。今回はTelegramやDiscord（Slackなども含む）といったチャット・ツールからの利用は考えていないので、スキップします。

Connect a messaging platform? (Telegram, Discord, etc.)

↑↓ navigate ENTER/SPACE select ESC cancel

(●) Set up messaging now (recommended)

→ (○) Skip — set up later with 'hermes setup gateway'

色々と構成が実行され、最終的に構成が完了します。設定ファイルconfig.yamlを直接編集して設定を追加するため、setupはここで終了します。

🚀 Ready to go!

hermes Start chatting

hermes gateway Start messaging gateway

hermes doctor Check for issues

Launch hermes chat now? [Y/n]: n

hermes-agent-sqlcl %

記事「Claude CodeおよびOpenAI CodexでAgent Skillsを参照しMCPサーバー経由でOracle Databaseに問い合わせる」にて作成しているAgent Skillsを、作業ディレクトリにダウンロードします。

git clone https://github.com/ujnak/sh-sales-analysis.git

hermes-agent-sqlcl % git clone https://github.com/ujnak/sh-sales-analysis.git

Cloning into 'sh-sales-analysis'...

remote: Enumerating objects: 28, done.

remote: Counting objects: 100% (28/28), done.

remote: Compressing objects: 100% (21/21), done.

remote: Total 28 (delta 3), reused 27 (delta 2), pack-reused 0 (from 0)

Receiving objects: 100% (28/28), 10.77 KiB | 10.77 MiB/s, done.

Resolving deltas: 100% (3/3), done.

ynakakoshi@Ns-Macbook hermes-agent-sqlcl %

このDockerコンテナで動作するHermes Agentが、Agent Skillsを参照するように設定します。

デフォルトではconfig.yamlのskillsは、以下のように記載されていました。

skills:

external_dirs: []

template_vars: true

inline_shell: false

inline_shell_timeout: 10

guard_agent_created: false

creation_nudge_interval: 15

external_dirsとして、/opt/data/sh-sales-analysis/.apm/skillsを追加します。ホスト上の作業ディレクトリは、コンテナから見ると/opt/data以下にマップされています。

skills:

external_dirs:

- /opt/data/sh-sales-analysis/.apm/skills

template_vars: true

inline_shell: false

inline_shell_timeout: 10

guard_agent_created: false

creation_nudge_interval: 15

SOUL.mdとしてsh-sales-analysis/.apm/instructions/sh-schema.instructions.mdを参照するようにします。デフォルトのSOUL.mdはコメントのみでしたが、一応バックアップを取ります。Hermes Agentが動作しているコンテナからは、作業ディレクトリが/opt/dataとして見えることに注意が必要です。

mv SOUL.md SOUL.md.bak
ln -s ./sh-sales-analysis/.apm/instructions/sh-schema.instructions.md SOUL.md

hermes-agent-sqlcl % mv SOUL.md SOUL.md.bak

ln -s ./sh-sales-analysis/.apm/instructions/sh-schema.instructions.md SOUL.md

hermes-agent-sqlcl %

SQLclのMCPサーバーを設定します。config.yamlに以下の設定を追加します。デフォルトではmcp_serversの設定は含まれていなかったので、ファイルの末尾に追加しました。

SQLclのMCPサーバーをHermes Agentに設定する場合、sampling.enabledをfalseに設定する必要があります。

mcp_servers:
  sqlcl-mcp:
    command: "/opt/sqlcl/bin/sql"
    args: [ "-home", "/opt/data/sqlcl-home", "-R", "4", "-mcp" ]
    sampling:
      enabled: false
    enabled: true
    env:
      TNS_ADMIN: "/opt/data/sqlcl-home"
    tools:
      include: [ list-connections, connect, disconnect, run-sqlcl, run-sql, schema-information ]
      resources: false
      prompts: true

config.yamlの末尾に記述されているコメント文の前に、mcp_serversの設定を挿入しています。

mcp_servers:

sqlcl-mcp:

command: "/opt/sqlcl/bin/sql"

args: [ "-home", "/opt/data/sqlcl-home", "-R", "4", "-mcp" ]

sampling:

enabled: false

enabled: true

env:

TNS_ADMIN: "/opt/data/sqlcl-home"

tools:

include: [ list-connections, connect, disconnect, run-sqlcl, run-sql, schema-information ]

resources: false

prompts: true

# ── Fallback Model ────────────────────────────────────────────────────

# Automatic provider failover when primary is unavailable.

# Uncomment and configure to enable. Triggers on rate limits (429),

# overload (529), service errors (503), or connection failures.

SQLclの接続の保存先および環境変数TNS_ADMINの指定先となるディレクトリsqlcl-homeを作成します。

mkdir sqlcl-home

hermes-agent-sqlcl % mkdir sqlcl-home

hermes-agent-sqlcl %

以上でAgent SkillsとMCPサーバーの設定は完了です。

Hermes Agentを再度起動します。今度はsetupではなくchatコマンドを実行します。引数を与えなければ、chatが起動します。

docker run -it --rm -v ${PWD}:/opt/data hermes-agent-sqlcl:arm64

Hermes Agentが起動します。先ほど設定したMCPサーバーsqlcl-mcpが正常に認識されていることを確認します。

MCPサーバーは正常に起動していますが、データベースへの接続が保存されていません。

実行中のコンテナに接続し、SQLclを呼び出してデータベースへの接続を保存します。

実行中のコンテナ名を確認します。

docker ps --filter "ancestor=hermes-agent-sqlcl:arm64" --format "{{.Names}}"

% docker ps --filter "ancestor=hermes-agent-sqlcl:arm64" --format "{{.Names}}"

festive_matsumoto

確認できたコンテナに接続します。

docker exec -it [上記のコンテナ名] bash

% docker exec -it festive_matsumoto bash

root@507df03e5c90:/opt/hermes#

Hermes Agentはユーザーhermesで実行されています。

ユーザーhermesに切り替え、SQLclを起動します。TNS_ADMINおよびSQLclのhomeともに、/opt/data/sqlcl-homeを指定します。

su - hermes
export TNS_ADMIN=/opt/data/sqlcl-home
/opt/sqlcl/bin/sql -home /opt/data/sqlcl-home /nolog

$ export TNS_ADMIN=/opt/data/sqlcl-home

$ /opt/sqlcl/bin/sql -home /opt/data/sqlcl-home /nolog

SQLcl: Release 26.1 Production on Thu May 14 05:53:53 2026

SQL>

データベースへの接続を保存します。

接続先として、ローカルのコンテナで動作しているOracle AI Database 26ai Freeを指定します。UC Local APEX Devを使用して作成した環境で、ランダムに生成された接続ユーザーのパスワードは、.envファイルに記載されています。

conn -save local-26ai-apexdev -savepwd apexdev@host.docker.internal/freepdb1

SQL> conn -save local-26ai-apexdev -savepwd apexdev@host.docker.internal/freepdb1

Password? (**********?) ****************

Name: local-26ai-apexdev

Connect String: host.docker.internal/freepdb1

User: apexdev

Password: ******

Connected.

SQL>

以上でSQLclのMCPサーバーが参照できるデータベース接続も保存できました。

接続情報などはホストのファイルシステムに保存されています。そのため、コンテナを再作成しても、保存したデータベースの接続は参照できます。

SQLclを終了し、接続しているコンテナから離れます。

SQL> exit

Disconnected from Oracle AI Database 26ai Free Release 23.26.1.0.0 - Develop, Learn, and Run for Free

Version 23.26.1.0.0

$ exit

root@507df03e5c90:/opt/hermes# exit

exit

hermes-agent %

起動中のHermes Agentに戻り、MCPサーバーsqlcl-mcpで利用可能な接続を確認します。

「MCPサーバーsqlcl-mcpで利用できる接続を一覧して」

────────────────────────────────────────

● MCPサーバーsqlcl-mcpで利用できる接続を一覧して。

Initializing agent...

────────────────────────────────────────

┊ ⚡ preparing mcp_sqlcl_mcp_list_connections…

┊ ⚡ mcp_sqlcl 0.0s

╭─ ⚕ Hermes ──────────────────────────────────────────────────────────────────────────────────────────────────────────────╮

利用可能な Oracle データベース接続は以下の通りです。

- local-26ai-apexdev

この接続名を使って mcp_sqlcl_mcp_connect でデータベースに接続できます。

╰─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯

⚕ gpt-oss-120b │ 16.5K/64K │ [███░░░░░░░] 26% │ 24m │ ⏲ 46s

───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────

先ほど保存した接続local-26ai-apexdevに接続し、スキーマSHの情報を確認します。

「local-26ai-apexdevに接続して、スキーマSHを説明して。」

────────────────────────────────────────

● local-26ai-apexdevに接続して、スキーマSHを説明して。

────────────────────────────────────────

┊ ⚡ preparing mcp_sqlcl_mcp_connect…

┊ ⚡ mcp_sqlcl 0.9s

┊ ⚡ preparing mcp_sqlcl_mcp_schema_information…

┊ ⚡ mcp_sqlcl 1.0s

╭─ ⚕ Hermes ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮

SH スキーマ概要（Oracle Database）

カテゴリ: ファクトテーブル

内容: SH.SALES、SH.COSTS

主なポイント: 取引・コストの集計基点。SALES は売上金額・数量、COSTS は商品単位コストで粗利計算に使用

────────────────────────────────────────

カテゴリ: ディメンションテーブル

内容: SH.PRODUCTS、SH.CUSTOMERS、SH.TIMES、SH.CHANNELS、SH.PROMOTIONS

主なポイント: 商品情報・顧客属性・日付・販売チャネル・プロモーションを保持

────────────────────────────────────────

カテゴリ: 主要カラム（FACTOR）

内容: PROD_ID, CUST_ID, TIME_ID, CHANNEL_ID, PROMO_ID, QUANTITY_SOLD, AMOUNT_SOLD

主なポイント: すべての分析はこれらで結合・集計

────────────────────────────────────────

カテゴリ: テーブル構造（抜粋）

内容: <pre>SALES: PROD_ID, CUST_ID, TIME_ID, CHANNEL_ID, PROMO_ID, QUANTITY_SOLD, AMOUNT_SOLD</pre> <pre>COSTS: PROD_ID,

TIME_ID, CHANNEL_ID, PROMO_ID, UNIT_COST, UNIT_PRICE</pre> <pre>PRODUCTS: PROD_ID, PROD_NAME, CATEGORY, SUBCATEGORY,

LIST_PRICE …</pre> <pre>CUSTOMERS: CUST_ID, NAME, CITY, STATE, INCOME_LEVEL …</pre> <pre>TIMES: TIME_ID (DATE),

CALENDAR_MONTH_DESC, FISCAL_…</pre> <pre>CHANNELS: CHANNEL_ID, CHANNEL_DESC (Direct Sales / Internet / Partners / Tele

Sales)</pre> <pre>PROMOTIONS: PROMO_ID, PROMO_NAME, CATEGORY (999 = プロモーションなし)</pre>

主なポイント: 各テーブルは PROD_ID・CUST_ID・TIME_ID などで SALES と結合

────────────────────────────────────────

カテゴリ: インデックス／パーティション

内容: 主キーインデックス (*_PK) と結合カラムに対するビットマップインデックス（例: SALES_PROD_BIX）

主なポイント: クエリ高速化のために大量データがパーティション分割（COSTS, SALES など）

────────────────────────────────────────

カテゴリ: マテリアライズドビュー

内容: CAL_MONTH_SALES_MV、FWEEK_PSCAT_SALES_MV

主なポイント: 月次・週次の集計を事前に保持し、分析性能向上

────────────────────────────────────────

カテゴリ: ビュー

内容: PROFITS（売上‑コスト）など

主なポイント: ビジネスロジックの再利用に便利

────────────────────────────────────────

カテゴリ: 特記事項

内容: - PROMO_ID = 999 は「プロモーションなし」<br>- 時系列分析は SH.TIMES.CALENDAR_MONTH_DESC（'YYYY‑MM' 形式）や

EXTRACT(YEAR FROM s.TIME_ID) を使用

主なポイント: プロモーション効果の有無や年月別集計で頻繁に利用

使い方例（SQL）

sql

-- 月別売上合計（プロモーションなしを除外）

SELECT t.CALENDAR_MONTH_DESC,

SUM(s.AMOUNT_SOLD) AS 売上合計

FROM SH.SALES s

JOIN SH.TIMES t ON s.TIME_ID = t.TIME_ID

WHERE s.PROMO_ID <> 999 -- プロモーションありのみ対象外

GROUP BY t.CALENDAR_MONTH_DESC

ORDER BY t.CALENDAR_MONTH_DESC;

-- 粗利（売上‑コスト）上位10商品

SELECT p.PROD_NAME,

SUM(s.AMOUNT_SOLD) AS 売上合計,

SUM(s.QUANTITY_SOLD * c.UNIT_COST) AS コスト合計,

SUM(s.AMOUNT_SOLD) - SUM(s.QUANTITY_SOLD * c.UNIT_COST) AS 粗利

FROM SH.SALES s

JOIN SH.PRODUCTS p ON s.PROD_ID = p.PROD_ID

JOIN SH.COSTS c

ON s.PROD_ID = c.PROD_ID

AND s.TIME_ID = c.TIME_ID

AND s.CHANNEL_ID = c.CHANNEL_ID

AND s.PROMO_ID = c.PROMO_ID

GROUP BY p.PROD_NAME

ORDER BY 粗利 DESC

FETCH FIRST 10 ROWS ONLY;

ポイントコメント

- スキーマ修飾子必須：SH. を常に付けること（例: SELECT * FROM SH.SALES）。

- 日付フィルタは CALENDAR_MONTH_DESC（文字列）か TIME_ID の DATE 型を利用。

- プロモーション分析では PROMO_ID = 999 を除外、またはケース分けして「あり/なし」比較。

- 粗利計算は SH.COSTS と4列キー（PROD_ID, TIME_ID, CHANNEL_ID, PROMO_ID）で結合する必要あり。

- パフォーマンス：大量集計はマテリアライズドビューやビットマップインデックスを活用すると高速化できる。

╰──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯

⚕ gpt-oss-120b │ 22.9K/64K │ [████░░░░░░] 36% │ 28m │ ⏲ 1m 42s

────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────

販売分析を実施します。

「これらの情報を元に、販売分析を実施して。」

────────────────────────────────────────

● これらの情報を元に、販売分析を実施して。

────────────────────────────────────────

┊ ⚡ preparing mcp_sqlcl_mcp_run_sql…

┊ ⚡ mcp_sqlcl 0.1s

┊ 🐍 preparing execute_code…

┊ 🐍 exec 0.0s [error]

┊ ⚡ preparing mcp_sqlcl_mcp_run_sql…

┊ ⚡ mcp_sqlcl 0.1s

┊ ⚡ preparing mcp_sqlcl_mcp_run_sql…

┊ ⚡ mcp_sqlcl 0.1s

販売分析サマリー（SH スキーマ）

| 項目 | 集計結果 |

|------------------------|---------------|

| 総売上金額 | 98,205,831.21 |

| 総販売数量 | 918,843 個 |

| ユニーク顧客数 | 7,059 名 |

| 取引件数（レコード数） | 918,843 |

1. 売上トップ 10 商品

| 順位 | 商品名 | 売上合計 (¥) | 販売数量 |

|------|-----------------------------------------|---------------|----------|

| 1 | Lithium Electric Golf Caddy | 15,011,642.52 | 9,591 |

| 2 | Soccer Goal - Official | 8,314,815.40 | 6,160 |

| 3 | Pitching Machine and Batting Cage Combo | 7,189,171.77 | 6,010 |

| 4 | Match Used Autograph Racquet | 6,691,996.81 | 10,903 |

| 5 | Soccer Goal - Portable | 6,312,268.40 | 6,002 |

| 6 | Right‑Handed Graphite Shaft Iron Set | 5,635,963.08 | 5,766 |

| 7 | Speed Trainer Bats and Training Program | 5,498,727.81 | 5,205 |

| 8 | Limited Edition Racquet | 3,845,387.38 | 7,197 |

| 9 | Team shirt | 3,721,699.61 | 76,854 |

| 10 | English Willow Cricket Bat | 3,543,725.89 | 16,796 |

2. チャネル別売上・取引件数

| チャネル | 売上合計 (¥) | 取引件数 |

|--------------|---------------|----------|

| Direct Sales | 57,875,260.60 | 540,328 |

| Partners | 26,346,342.32 | 258,025 |

| Internet | 13,706,802.03 | 118,416 |

| Tele Sales | 277,426.26 | 2,074 |

3. 主なインサイト

- 売上の大半は Direct Sales（約 59%）が占め、次いで Partners（≈31%）。Internet と Tele Sales はそれぞれ約 14%・0.3%。

- トップ商品は Golf Caddy 系列が圧倒的に高売上。スポーツ用品（サッカーゴール、ラケット等）が続くが、Team shirt の販売数量は突出（76k枚）で在庫回転が速い可能性。

- ユニーク顧客数は 7,059 と比較的少ないが、取引件数は約 919k 件と顧客あたり平均購入回数 ≈130 回。リピーターが多いことを示唆。

- 総売上金額 ≈ 9.8 億円、平均単価は約 107 円/個（98,205,831 ÷ 918,843）。

4. 次の分析ステップ（提案）

1. プロモーション効果測定

- PROMO_ID = 999 を除外し、プロモーション別売上を比較。

- PROMO_ID と CHANNEL_DESC のクロス集計で、どのチャネルがプロモーションに最も反応するか把握。

2. 顧客セグメント別 LTV（ライフタイムバリュー）

- CUSTOMERS の所得レベル・都市情報と結びつけ、顧客属性別の平均売上・購入頻度を算出。

3. 季節性分析

- TIMES.CALENDAR_MONTH_DESC で月次売上推移を可視化し、ピーク・オフシーズンを特定。

- 前年同月比（YoY）や前月比（MoM）をウィンドウ関数で算出。

4. 粗利分析（SH.COSTS と結合）

- 商品別・チャネル別の粗利率を算出し、利益貢献度が高い組み合わせを抽出。

5. 在庫最適化

- 高回転商品（例: Team shirt）と低回転・高単価商品を区別し、在庫補充戦略を再検討。

ポイントコメント

- すべてのクエリはスキーマ修飾子 SH. を付与して実行済み。

- 金額はカンマ区切り、数量は整数で表示しています。

- 必要に応じて追加のフィルタ（期間、プロモーション有無、顧客属性）を組み込めば、さらに詳細な洞察が得られます。

ご要望があれば、上記のステップ別に具体的な SQL を作成・実行します。

⚕ gpt-oss-120b │ 24.8K/64K │ [████░░░░░░] 39% │ 34m │ ⏲ 4m 56s

Hermes Agentが回答する際に、SQLclのMCPサーバーを呼び出していることが確認できました。

今回の記事は以上になります。

完

日日是Oracle APEX

2026年5月14日木曜日

Hermes Agentのコンテナ・イメージにSQLclを組み込みMCPサーバー経由でOracle Databaseに問い合わせる