職務を明確に定義する「ジョブ型」雇用の欠点は、特集1話目でも指摘した通り、自分のジョブを超えて業務を拡大するのが難しいこと、職務が明確な半面、硬直化しやすく、時代の要請に対応しづらいこと、ジョブローテーションにより、本人さえ気づかなかったような適職に巡り会うキッカケを得にくいことなどだ。 雇用の支援を祖業とし、人材輩出会社として知られるリクルートグループは、ジョブ型のこうしたネガティブな面を認め、60年前の創業以来、メンバーシップ型でもジョブ型でもない独自の「ロール(役割)型」人事を貫く。
93%→44% 47%→67.4% さて、これはなんの数字だろう。 さっそく種を明かすと、これはドイツの人の「食品を買う基準」の統計結果だ。 ロシアによるウクライナ侵攻前の2月末~3月頭にかけてのアンケートでは、食品を買う基準は「味」と答えた人は93%、「価格」と答えた人は47%。 しかし4か月後、7月のようすを見てみると、「価格」が67.4%で「味」が44%と、価値観は大きく変化した。 ドイツで食品価格が高騰、消費者は味よりも価格を重視(ドイツ、ウクライナ、ロシア) | ビジネス短信 ―ジェトロの海外ニュース – ジェトロ (jetro.go.jp) 元ソース→https://www.bve-online.de/presse/pressemitteilungen/pm-180722-lebensmittelpreise-deutsche-sorgen-sich-und-achten-me
数理・データサイエンス・AI教育強化拠点コンソーシアム MIセンターは、2022年度政府予算に盛り込まれた「数理・データサイエンス・AI教育の全国展開の推進」事業の東京大学における実施主体です。 同事業で選定された29大学(拠点校11大学、特定分野校18大学)のコンソーシアムの幹事校として、大学、産業界、研究機関等と幅広くネットワークを形成し、地域や分野における先進的教育モデルの拠点として、数理・データサイエンス・AIの実践的教育の全国普及に努めます。 同時に、この分野を牽引できる国際競争力のある人材および産学で活躍できるトップクラスのエキスパート人材の育成を目指します。 [コンソーシアムホームページ] 数理・データサイエンス・AIの活用事例動画 本動画集は数理・データサイエンス・AIリテラシーレベル教材の導入となるような活用事例を収集したものです。数理・データサイエンス・AIリテラシーレ
STUDY HACKERの読者のみなさま、こんにちは。外資系コンサルティングファーム、投資銀行、プライベートエクイティファンドなどの在籍者らを中心に、グローバルに活躍するプロフェッショナルのキャリア形成を支援する「Liiga(リーガ)」の編集部です。 突然ですが、「地頭がいい」ってどういうことでしょうか。あえて「地」頭と表現することで、生まれもっての頭の良さというイメージがありますが、鍛えることはできないのでしょうか。 「Liiga」編集部では、教育や採用の分野の有識者、ビジネス界で活躍する、プロフェッショナルファーム経験者らに「地頭」について取材し、特集記事を作成しました。今回はその一部を、前編に続いてご紹介します。 >>前編はこちら『「地頭」って何? どうすれば鍛えられるの? “地頭ブームの火つけ役” に聞いてみた。』 >>Liigaにて、6記事で構成する地頭に関する特集を掲載していま
昨今、企業の長期的な成長にはESGの観点が必要だという認識が高まり、組織の多様性は当たり前のように語られつつあります。 コンサルティングファームのマッキンゼー・アンド・カンパニーの調査では、経営陣にジェンダーや人種で多様性があると、パフォーマンスが上がることが示されています。
サービスを0→1でつくる上でまず必要になるのが、サービスのコンセプトづくりです。 いままで自社事業や様々な企業との共同プロジェクトを通じてサービスづくりに取り組む中で、サービスのコンセプトづくり、すなわちコンセプトメイキングのプロセスにもある種の型があることに気付きました。 このnoteでは社内ドキュメントである「サービスコンセプトのつくり方」の内容を一部NDAでシェアできない資料を除いて全公開します。 <コンセプトメイキングの大前提>🧐 STEP1:コンセプトとは何かを知ろうコンセプトが何かを知る上で、コンセプトの立ち位置と役割を知ろうコンセプトそれ自体は様々な形があり、非常に漠然としている。 なので、コンセプトがそれ以外の要素とどういった関係にあるのか、どういった役割を果たすのかという観点からコンセプトとは何かを理解しよう。 まずサービスアイデアは下図のような構造を持っている。 ある
こんにちは、くぼみ(@kubomi____)です。 家にいることが多い今の時期だからこそ、「なにか新しいことを学びたい」と思っている人も多いのではでしょうか。最近話題の、海外の一流大学の講義が受けられるオンライン教育サービスCoursera(コーセラ)で海外大学の授業を受講してみたので、おすすめの授業を紹介したいと思います。 今こそ新しいことを学ぼう社会人になると、仕事や家事に追われて、なにかを自主的に勉強することはついつい後回しにしてしまいがちです。ですが、外出自粛期間が続き、家にいる時間を使って「なにか新しいことを学びたい」「スキルを身につけたい」と思い始めた人も多いのではないでしょうか。 かくいう私も、そんな一人です。コロナ期間で自分に向き合う時間が増え「この機会に何か新しいことを学びたい」と思うようになりました。 そんな時、Coursera(コーセラ)というサービスを知りました。オ
注)この記事は”10Xに入社して見えてきたPMFの実現方法”のパート3となります。パート1から読まれることをオススメします。 サマリー事業を継続的に成長させるためには、その成長構造を理解して適切なレバーを引くことが重要である。10XではStailerのFlywheelを定め、全ての機能・非機能の開発をこの構成要素となるレバーに紐づかせている。今回はSelectionの具体例を紹介し、どのように組織の中で取り組んでいるのかを説明する。 事業成長の鍵となるFlywheel10Xの話をする中で、少しだけAmazonの話をさせてもらいたい。 Amazonでは成長のレバーとして、Input MetricsとOutput Metricsを明確にわけていて(例えそれが小売であろうと、Prime Videoであろうと、Alexaであろうと)、事業部は明確にそのInput Metricsにフォーカスする。
こんにちは。 データアナリスト 兼 チームのマネージャ としてメルカリという会社に4年ほど勤めていたのですが、色々やった気はするが、思い返してみると結局の所何をしたんだっけ?という気持ちに突然なりました。僕は忘れっぽいので、今後もこういう瞬間は何度も訪れそうな気がしています。 ということで、この4月から新しいことを始めるこのモーメントに自分が何をしたのかをちゃんと書き残しておくことにしました。 自分自身の記憶のアーカイブの役割とともに、誰かの参考になれば望外の喜びです。 大体2016−2019年くらいの話です(今のメルカリのデータ分析チームはもっと進化していますのであしからず。) LTVの概念を導入した2022年現在となってみると非常に不可解ではあるが、私がメルカリに入社した2016年頃には、社内では「LTVを見る」という概念はなかった。 ゆえに、投資がリクープ(回収)できているかどうかを
「メタバース」や「Web3」は結局なんなのか説明して欲しいと言われたら、あなたはなんと答えますか? それらの言葉を聞かない日がないくらい注目を集めていますが、意外と上記の質問にスパッと答えるのは難しいですよね。 さらに、「関連技術であるXR技術を含めた3つの技術の関係性はどうなっているか?」という問いに答えられる人もまだ少ない状況だと思っています。 私たちMESONは、XRを軸にしながらメタバースやWeb3などの関連領域も含めて事業を行う企業なので、上記の問いの言語化は非常に重要なのですが、ちょうど最近しっくりくる言語化と整理ができました。 捉えどころのない「メタバース」や「Web3」の概念、さらには「XR」も含めた関係性を掴む助けになればと思い、社内MTGでチームに話した内容を以下で書き綴っていきます。 「メタバース」「Web3」「XR」の正体これから「メタバース」「Web3」「XR」の
委託調査報告書のご案内 下記のリンク先にある掲載一覧(PDFファイル、エクセルファイル)に記載した委託調査報告書毎のアドレスにリンクすることで閲覧が可能です。 令和5年度分の掲載一覧(PDF形式:61KB) 令和5年度分の掲載一覧(Excel形式:15KB) 令和4年度分の掲載一覧(PDF形式:390KB) 令和4年度分の掲載一覧(Excel形式:120KB) 令和3年度分の掲載一覧(PDF形式:396KB) 令和3年度分の掲載一覧(Excel形式:131KB) 令和2年度分の掲載一覧(PDF形式:384KB) 令和2年度分の掲載一覧(Excel形式:111KB) 平成31年度・令和元年度分の掲載一覧(PDF形式:325KB) 平成31年度・令和元年度分の掲載一覧(Excel形式:100KB) 過去の報告書 過去の報告書については、国立国会図書館に納本されています。 下記より検索してご利用
給料のために嫌な仕事をしている人もいれば、他人の給料が気になる人、給料日前にやせ細った財布を見てため息をついている人もいるだろう。
企業のDXやデータ活用を手探りで進めるのは難しいものです。そこでデータ活用の“いろは”を解説したベストセラー書籍「統計学が最強の学問である」の著者である西内啓氏に、日本のDX推進のヒントを聞いた特別対談の前編です。 企業のDX(デジタルトランスフォーメーション)やデータ活用が叫ばれる中、手探りで進めるにはハードルが高いこともあります。さまざまな成功例が紹介される一方で、データ基盤の構築や機械学習の応用などの説明は難しいので苦手意識を覚えてしまう人もいるはずです。 そこで今回は、データ活用の“いろは”を解説してベストセラーになったビジネス書「統計学が最強の学問である」の著者で、データ分析ツールを提供するデータビークル(東京都港区)の副社長 CPOである西内啓氏をお招きして、DXやデータ活用のポイントを解説してもらいました。 聞き手は、企業のAI活用を支援する取り組みを進めるデル・テクノロジー
■ 本講座の位置づけ 何らかの事業を起こすにしろ、会社に入るにしろここから先の時代においてデータドリブンな分析力、問題解決力、データ利活用に対する皮膚感覚的な理解は不可欠である。 本講座は、高校1-2年程度の数学の知識、スキル、Excelで基本的なことができる程度の素養はあるが、データ分析、データの利活用についてさして経験のあるわけではない人に対して、データの大切さと力、分析の楽しさを実感してもらうことを通じ、現代社会を生き抜くため最低限、基礎となるデータリテラシー、データで考える力を身につけてもらうことを目指す。 ■ 身につけてもらうことを目指す技能 - データ社会に対するパースペクティブ - 各種関連バズワードの適切な理解 - データの意味合いを理解するための基礎となる力 - データに騙されないようになるための基礎となる力 - 数字のハンドリング力、数量的分析力 - 基本的な問題解決能
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く