退職代行モームリ累計利用者15,934名分のデータ・利用された企業情報を公開～Z世代と新卒で増加する退職代行利用者、労働者の本音はどこに～ 報道関係各位 2024年8月7日 株式会社アルバトロス 退職代行モームリを管理している株式会社アルバトロス（本社：東京都港区、代表取締役：谷本慎二）が、2024年8月1日（木）に退職代行の利用状況の調査を行いましたので、その結果を公開致します。 株式会社アルバトロス https://www.alba-tross.jp/ 退職代行モームリ https://momuri.com/ 退職する会社に本当の退職理由を伝える方はほとんどいないと言われています。 退職代行モームリには利用者15,934名の生の声を反映させたデータがあり、日々蓄積されています。 当社の保有している膨大なデータは、労働者はもちろん企業の方にとっても非常に有益かつ貴重な情報となるかと思いま
国交省推進する「都市計画情報のデジタル化・オープン化」 都市計画とは、都市計画法に基づいて自治体が策定する街づくりのプランのことだ。土地利用（用途地域、地区計画など）や都市施設（道路、公園など）、市街地開発事業（土地区画整理など）に関する計画を総合的に定め、住民が住みやすく、働きやすい都市を目指す。 街づくりは行政のトップダウンですべてがうまくいくような簡単なものではなく、実現には民間事業者の理解と協力が欠かせない。そこで、自治体が都市計画を対外公表することで、事業者側がそこにビジネス機会を見いだし、街ごとのエコシステムが形成されていくことが期待される。 ただ、これまで都市計画のフォーマットは自治体によってバラツキがあり、事業者側にとって街ごとの特性や強みを比較しにくい状況があった。 都市計画のデータ化は以前から少しずつ進められてきた。国交省はすでに2005年には「都市計画GIS導入ガイダ
「洋楽離れ｣をデータから検証する：日本だけじゃない？ 変わる音楽の世界地図｜こちら徒然研究室(仮称)
皆さんは最近「洋楽」を聴いていますか…？ ここ数年、音楽業界では「日本の洋楽離れ」が話題になっているようです。 洋楽離れ止まらぬ日本 K-POP人気、邦楽も台頭https://t.co/IvJHSz5Jkl 日本の2023年ストリーミングランキングの上位100曲に洋楽は1曲も入りませんでした。2月の東京公演が話題となったテイラー・スウィフトさんも、2020年代は20位圏内に入っていません。 — 日本経済新聞 電子版（日経電子版） (@nikkei) March 4, 2024 確かに、日本のヒットチャートを席巻しているのはほとんどが日本の音楽かもしれません。一見すると日本独自の現象のようにも思えます。ただ、データから世界を見てみると、少しちがった風景が浮かび上がってきます。 実は「洋楽離れ」は、日本だけの現象ではないようです。世界中で、いわゆる「洋楽」のヒット曲、特にアメリカのポップミュー
王道か邪道か？ タイムスタンプによるステート管理
Reactによるステート管理では、ある状態が変化したら付随して他の状態も変化してほしい場合があります。例えば、次のような場合を考えます。 チェックボックスが1つある。 チェックボックスの初期状態は、HTTP APIから取得したデータによって決まる。 ユーザーはチェックボックスを操作できる。 APIからデータを再取得する場合があり、その場合はチェックボックスの状態が再取得されたデータに従ってリセットされる。 皆さんは、このような要件をどのように実装するでしょうか。 やりがちな実装 まず、やりがちな実装を見てみましょう。 const apiData = useApiData(); const [isChecked, setIsChecked] = useState(false); useEffect(() => { setIsChecked(apiData.isChecked); }, [ap
2024.08.20 大規模データの負債解消への道のり Lunch LT の登壇資料です。
Data Contractに向けたProtocol Buffersの調査 - yasuhisa's blog
背景: データ品質を担保するにはデータソースの品質が重要 データソースの品質を担保する手段としてのData Contract Data Contractの表現方法の一つとしてのProtocol Buffers Data ContractとしてProtocol Buffersを使う データの入出力を一箇所に集約、Protocol Buffersで抑えるパターン ストレージのスキーマをProtocol Buffersで抑えるパターン 発展的な話題 & 読書会の案内 参考文献 背景: データ品質を担保するにはデータソースの品質が重要 私はデータエンジニアをしており、DWHやデータマートのデータ品質について考えることが多い。BigQueryなどにデータが取り込まれた後のレイヤリングやテスト、改善に向けたデータ品質の可視化について、以前発表した。 データが取り込まれた後の整理は進んでいるものの、やは
先日、日経新聞のこのような2軸グラフが批判されていました。 出所はこちらの記事。グラフのタイトル通り、日米で家計の資産所得（利子・配当収入）には大きな差があるという話の補足として示されたグラフです。 こうした混合2軸グラフ（これは私の命名。通常の2軸グラフとも少し作法が異なるので便宜的にこう呼んで区別します）が批判されがちな理由はいくつかあります。 まず最大の難点が、軸のスケールが不明瞭であること。左軸では日本の資産所得が5〜30兆円のスケールとされています。他方で右軸を見ると、米国の資産所得は「空中」から始まっています。一般的には2軸グラフは双方の軸がグラフ下端から始まりますが、米国の金額の大きさを表現するためか中途半端なところからグラフが始まっています。私が先ほど「通常の2軸グラフとも少し作法が異なる」としたのはここに理由があります。これにより、実質的には2つあるグラフが1つになってい
ドジャース・大谷翔平のように、MLBでは2番にチーム最高の打者が置かれることが珍しくない。いわゆる「2番打者最強打者説」だ。ただこのように「2番に強力な打者を配置できるのは、下位打線にも長打力のある選手が並ぶMLBならでは」、「NPBでは環境が異なるため当てはまらない」という声も根強い。実際にどうなのだろうか。今回はMLBにおける打順論がNPBでも当てはまるのか検証を行っていく。 セオリーの概要とその理由 そもそも2番に強力な打者を配置すべきとされる根拠はセイバーメトリクスの研究からである。著名なセイバーメトリシャンであるTom Tangoの分析からスタートし、徐々にMLBの現場でも採用されるようになっていく。現在のMLBでは2番に強打者を配置するのは当たり前の光景だ。 2番打者には強打者を… よく聞く説の根拠とは？ このセイバーメトリクス的な打順のセオリーは、概ね以下①～③のようなものだ
「データ分析に関する組織」もよくわからない近年の「ビックデータ」や「データサイエンティスト」のブームをきっかけとして「データ分析」が広まった。人が増えた結果、自然な成り行きとして「データを扱うことが活動の中心にある組織」も増えてきた。 そしてご多分に漏れず全体像が整理されないまま個々人がそれぞれに定義の違う言葉を使っておりコミュニケーションに支障をきたしているようだ。 そこで「データ分析に関する組織」を題材に思いついたことを書いてみる。 「データ分析に関する組織」何を責任とするのか「データ分析に関する組織」とは「データ分析」を責任とする組織である。ところがこの「データ分析」という言葉そのものが曖昧であり、それが組織について考える時の混乱を招いていると考えられる。 そこで「データ分析」が何をしているのかを考えてみると、 提案 インテリジェンス データ の3つに分けることができる。つまり「デー
ドコモ、インテージのデータを活用した高度な顧客分析が可能なデータクリーンルーム「ドコモ データクリーンルーム」を開始-個人を特定することなく、プライバシーに配慮したセキュアな環境で分析が可能- | お知らせ | NTTドコモ
お客様の設定により、お客様情報が「非表示」となっております。お客様情報を表示するにはdアカウントでログインしてください。 お客様情報表示についてへ お客様情報表示についてへ Tweet ドコモ、インテージのデータを活用した高度な顧客分析が可能な データクリーンルーム「ドコモ データクリーンルーム」を開始 -個人を特定することなく、プライバシーに配慮したセキュアな環境で分析が可能- ＜2024年8月7日＞ 株式会社NTTドコモ 株式会社インテージ 株式会社ドコモ・インサイトマーケティング 株式会社NTTドコモ（以下、ドコモ）、株式会社インテージ（以下、インテージ）、株式会社ドコモ・インサイトマーケティング（以下、DIM）の3社は、ドコモおよびインテージが保有する各種データを活用して、パートナー企業自身で顧客データ※1を分析することが可能なデータクリーンルーム※2「ドコモ データクリーンルーム
はじめに こんにちは、クラウドエース データソリューション部所属の伊藤です。 普段は、データ基盤や機械学習基盤を中心とした案件に携わったり、エンジニアリングマネージャーをしたり、Google Cloud 認定トレーナーとしてトレーニングを提供したりしてます。 データ処理システムのよくある課題として、データ処理が遅い、今後データ量が増える、などといったものがあります。 そのような課題を解決するために、Google Cloud では、ビッグデータ処理を行うための様々なプロダクトが提供されています。 ただ、候補のプロダクトも多く、似た名前のプロダクトもあるため選択する際に迷うこともあるかと思います。 そこで、本記事では Google Cloud において、ビッグデータ処理に使用される各プロダクトを選択肢に入れるときのポイントや、それぞれのプロダクトの特徴をまとめてご紹介できればと思います。 選択
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
退職代行モームリ累計利用者15,934名分のデータ・利用された企業情報を公開
国交省GISデータ「全公開」の衝撃、企業はどう活用すればいいのか？
データ基盤の負債を生まない技術と技術以外の話
新聞で重用される混合2軸グラフの難点とその解決策｜荻原 和樹 / Kazuki OGIWARA
3番打者にはチーム5位の打者が置かれるべき。セイバーメトリクス的な打順のセオリーはNPBでも当てはまるか
「データ分析に関する組織」を整理する｜データ分析とインテリジェンス
ドコモが開始した「ドコモ データクリーンルーム」の狙いは？ プライバシーに配慮して顧客分析をサポート
Google Cloud でのビッグデータ処理の選択肢