02月10日(火)まで無料
0:59:48
割引情報をチェック!
AI BUSINESS SHIFT 第8回 機能別戦略編:AI時代の営業現場のリアル
本コースは、リーダー・マネージャー層を対象に、AIのマネジメント活用・組織活用を体系的に学ぶ『AI BUSINESS SHIFTシリーズ(全12回)』の第8回です。 第8回「機能別戦略編:AI時代の営業現場のリアル」では、AIが営業現場にどのような変化をもたらしているのか、営業担当者・営業マネージャー・組織としての役割や戦略が、AIによってどう進化していくのかを、営業プロセスの分解や実際の現場事例を通じて学びます。 ■こんな方におすすめ ・AIを活用した営業活動の最新動向や現場のリアルを知りたい方 ・営業現場の変化に直面している営業マネージャー・現場リーダーの方 ・AI時代における営業戦略や営業マネジメントのあり方を学びたい方 ■AIシフトシリーズとは? 『AI BUSINESS SHIFTシリーズ』は以下の3部構成で設計された全12回のシリーズです。(順次公開) https://unlimited.globis.co.jp/ja/tags/AI%E3%83%93%E3%82%B8%E3%83%8D%E3%82%B9%E3%82%B7%E3%83%95%E3%83%88 ・基礎編(第1回〜3回):リーダーやマネージャーに求められる、AI時代の基礎的なリテラシーの強化を目的としたコース ・マネジメント編(第4回〜7回):AI時代のリーダーシップや組織変革を中心に学ぶコース ・機能別戦略編(第8回〜12回):AI時代における機能別での戦略のあり方を中心に学ぶコース より実践的なAIツールの活用法について学びたい方は『AI WORK SHIFTシリーズ』をご視聴ください。 https://unlimited.globis.co.jp/ja/search?tag=AI%E3%83%AF%E3%83%BC%E3%82%AF%E3%82%B7%E3%83%95%E3%83%88 ※本コースは、AIのマネジメント活用を学ぶ「AIビジネスシフト」シリーズの一環として提供しています。 ※本動画は、制作時点の情報に基づき作成したものです(2026年2月制作)
02月10日(火)まで無料
マネジャーのための仕事の任せ方
「仕事を任せると失敗が怖い」「自分でやった方が早い」マネージャーとしてメンバーやチームの力を引き出しながら成果を上げるには、どのように仕事を任せていけば良いのでしょうか? 変化の激しい時代において、マネージャーとして成果を上げ続けるためには、メンバーの個性や特性を理解し、それに合わせた効果的な任せ方を身につけることが重要です。このコースでは、ソーシャルスタイル理論を活用してメンバーごとに最適なアプローチを学びます。「任せる力」を高めることで、チーム全体の成長を促進し、自身のリーダーシップを発揮できるようになっていきます。 ※本動画は、制作時点の情報に基づき作成したものです(2024年12月制作)
会員限定
AI時代の個人力
AIが仕事や社会の前提を変え続ける今、最も求められるのは「他者に代替されない個としての力」“個人力”です。 本コースでは、澤円氏の著書『個人力』をもとに、AI時代をしなやかに生き抜くための「前向きな自己中戦略」を学びます。 テーマは、「Being(ありたい自分)」を中心に据え、自ら考え(Think)、変化し(Transform)、協働する(Collaborate)ことで、自分らしい価値を発揮していくこと。 リスキリングやAI活用が叫ばれる今こそ、スキルより先に“自分の軸”を問うことが重要です。 あなたは何を大切にし、どんな未来を描きたいのか? このコースは、あなたが“ありたい自分”として生き、キャリアをデザインしていくための思考と行動のガイドになります。 ※本動画は、制作時点の情報に基づき作成したものです(2025年11月制作)
会員限定
【AI×クリティカル・シンキング】①イシューと枠組みでプロンプトを磨く
生成AIから期待する回答を引き出せず、試行錯誤を重ねていませんか。 本コースでは、生成AI活用の質を高める鍵として、クリティカル・シンキングの視点からイシュー設定と枠組みを押さえる重要性を解説します。 目的に直結する問いの立て方や、プロンプトに落とし込む際の実践ポイントを具体例とともに学ぶことで、AIをより思考のパートナーとして活用できるようになります。 生成AIを業務で使い始めた方から、活用を一段深めたい方まで、再現性あるプロンプト設計を身につけたい方におすすめの内容です。 さらに学びを深めたい方は、こちらも合わせてご覧ください。 【AI×クリティカル・シンキング】②AIの弱点との向き合い方 https://unlimited.globis.co.jp/ja/courses/cdfe41e3/learn/steps/62198 ※本コースは、AI時代のビジネススキルを学ぶ「AIタレントシフト」シリーズの一環として提供しています。 https://unlimited.globis.co.jp/ja/tags/AI%E3%82%BF%E3%83%AC%E3%83%B3%E3%83%88%E3%82%B7%E3%83%95%E3%83%88 ※本動画は、制作時点の情報に基づき作成したものです(2026年1月制作)
会員限定
リーダーの挑戦⑤ 藤田晋氏(サイバーエージェント代表取締役)
グロービス経営大学院学長の堀義人が、日本を代表するビジネスリーダーに5つの質問(能力開発/挑戦/試練/仲間/志)を投げかけ、その人生哲学を解き明かします。第5回目のゲストは、サイバーエージェント代表取締役の藤田晋氏。起業の理由、経営をどうやって学んだか、アメーバブログ・ABEMAの立ち上げ、経営チームづくりについてなど聞いていきます。(肩書きは2020年12月11日撮影当時のもの) 藤田 晋 サイバーエージェント 代表取締役 堀 義人 グロービス経営大学院 学長 グロービス・キャピタル・パートナーズ 代表パートナー
会員限定
ビジネスパーソンのための睡眠スキル ~問題解決編 前編 なぜ眠れないのか?~
「仕事が終わらないから睡眠時間を少し削ろう…」「業務時間中なかなか集中できない…」「毎日朝起きるのがつらい…」。 あなたはこのような経験をしたことはありませんか? 仕事やプライベートの時間をやりくりするために、真っ先に削りがちなのが「睡眠」時間。 実は今、日本社会は世界と比較して「最も眠らない国」だということもわかってきています。 慢性的な睡眠不足は、心身の健康に悪影響なだけでなく、仕事のパフォーマンスにも当然大きな影響を与え、社会全体の経済損失につながります。 このコースでは、基本的な睡眠リテラシーを学んだ後の「問題解決編」として、「なぜ多くのビジネスパーソンは眠れないのか?」について解説していきます。 ▼本コースで学べる主な内容 ・そもそも眠れないことは何が問題なのか? ・眠れなくなってしまう原因とは? 睡眠不足の原因は認知機能の問題にありました。 自身の睡眠不足に対し、正しく「気づき・理解し・行動を変える」第一歩を踏み出しましょう。 ▼関連コース ・ビジネスパーソンのための睡眠スキル ~リテラシー編~ https://unlimited.globis.co.jp/ja/courses/24575c03/learn/steps/53129 ・ビジネスパーソンのための睡眠スキル ~問題解決編 後編 どうしたら眠れるのか?~ https://unlimited.globis.co.jp/ja/courses/4ba981e9/learn/steps/62042 ※本動画は、制作時点の情報に基づき作成したものです(2025年12月制作)
会員限定
大阿闍梨 塩沼亮潤が死の手前で見つけた「生き方」
あすか会議2018 第4部分科会B-1「極限の世界で見つけた人生の歩み方」 (2018年7月7日開催/国立京都国際会館) 1300年間で2人目となる大峯千日回峰行満行を果たした塩沼亮潤大阿闍梨。48キロの山道を1日16時間掛けて歩き、それを千日間に亘って続ける過酷な行の中で、どのような悟りを得たのか。そして、9日間、断食・断水・不眠・不臥を続ける四無行満行という極限の世界で何を見つけたのか。塩沼氏が「創造と変革の志士」へ贈る「人生の歩み方」とは。(肩書きは2018年7月7日登壇当時のもの) 塩沼 亮潤 慈眼寺 住職
無料
英語 de 学ぶ!3Cs Analysis(3C分析)
このコースでは、グロービス学び放題の英語版である『GLOBIS Unlimited』のコースの中から、ビジネスで役立つ頻出の英語表現をピックアップしています。英語ネイティブの方が実際に見ているコースなので、リアルなビジネス英語の表現を学ぶことができます。 今回のコースは「3Cs Analysis(3C分析)」です。一緒に『英語で』ビジネス知識を学んでいきましょう! ▼今回扱ったUnlimitedコース続きは下記からご覧いただけます 3Cs Analysis https://unlimited.globis.co.jp/en/courses/da5ca962/learn/steps/36362 ※本動画は、制作時点の情報に基づき作成したものです(2025年12月制作)
会員限定
より理解を深め、他のユーザーとつながりましょう。
コメント148件
k-akira
線形回帰の理解と何が予測できるかがわかった
36271
線形回帰について学ぶことができました。初めて聞く言葉が多くて少し戸惑いはありました。
hirano_rikiya
線形回帰による相関関係から期待値を表す方法を学習できた。
kazumi_100pot
線形回帰については、理論としては理解できるのですが、しっかりと頭に入ってこない感じがします。もう一度復習してみたと思います。
t_htn
回帰分析の考え方が把握できた。
回帰分析の考え方を用いて、
目的に応じた影響度の高い要因を検討するように
したいと思う。
k_yuna
大変勉強になりました。
gary-a
マーケティングの分析手法の一つとして活用を考えていきたいです。例えば製品について機種毎の市場価格の分析など
koichi_seya
モデルを用いた予測がどのようなロジックで行われているか一例を学べた。
watanabe-tat
重相関係数を使って、重回帰分析の決定係数を判断したい。
naoki_sasano
線形回帰とその評価手法についての考え方について理解できた。偏回帰係数についての考え方も理解できたが、具体的な求め方を示してほしかった。また説明変数の探索方法の説明も聞きたかった。
stani
データ分析に線形回帰を使いバラツキを抑えることが重要である。
chikako_k
明日の天気予報で、明日の売上が予測できるのは、とても良いと思いました。
7031
線形回帰の理解と何が予測できるかが分かるようになりました。
matute
線形回帰を用いて、売上に対する相関ある変数を定量的に可視化して導きだすのに有効だと感じた。
user-name01
線形回帰の基本的なことがわかった。今後、書籍などで深く学習を進めたい。
konbass8
線形回帰のグラフは理解できた。一方で計算式はやや難しく理解が追いつかなかったので復習したい
iso_ken
線形回帰で解析的に導出するという点では機械学習というイメージとつながった
choko0504
一般的なデータサイエンスの手法である線形回帰について学ぶことができた。一番利用シーンが多いと思われるので実務で利用する機会があれば活用したい。
yasupii
線形回帰のパラメーターの影響度について、その値の大きさで評価できそうだと直感的に思っていました。本講座で、単純にその大きさを比べるのではなく、標準化をしておくことが必要だと学びました。そのことを忘れずに活用したいと思います。
inyourmind
線形回帰では説明できる事象は少ないと感じています。
kenjiro_fujita
売り上げ予測を線形解析を用いて構築する。
pon0829
前提がこれですと説明されても
それがなぜなのか?がわからないので
理解が容易にできない
takamasa59
線形回帰の考え方、計算式について理解した、
vz3000
線形回帰の概要、計算式について理解を深めることができた。
sesesese
パラメータの値に意味を見出せるところが素人にはありがたい。
ken222
データから予測を立てる場合、線形回帰を使うことをイメージしシンプルな予測モデルを作ることを考えたい。
taka1962
線形回帰はエクセルでもできるので、今後積極的にやってみたいと思います。
yasu_1234
線形回帰は基本だけど、表現できる事象は少ないと思う。
k--g--
単回帰分析と重回帰分析の差異(結果の評価)に気づくことが出来ました。
hfkd156036
線形回帰を理解できた。
miura_ka
概要について分かったように思うが、業務にどのように持ち帰るか考えたい。
yoshikazu-1103
仕事の中で、件数とそれに伴う実績など『件数が多ければ実績もそれに伴っているか?』いろいろな観点から実装してみたいと思います。
take515
線形回帰の基本的事項について確認できた。
hr-sakai
データが数式で表現できることを知った。今後、学習していきます。
kk1000
始めて学ぶ内容だったので理解まで追いついていませんが、
様々な予測に使えることはイメージできました。
shirojpn
線形回帰は、2次元までは、頭で理解できるが、3次元以降はどうしても
頭の理解がついていかなくなる。ただ、今回の説明はわかりやすかった。
また、線形回帰は解析法で値が求まるという説明は、更になるほどと思った。
kuro-a
数式の表現がとっつきにくい感じを出していましたが、なにを議論しているのかを確認するだけの下地になるかなと思いました
vegitaberu
単回帰分析のメカニズムを復習することができたと思います。と同時に、こんな単純な分析は、実際にはないと思いますので、ここでつな図数、先に進みたいと思います。
madogiwazoku
素人には難しすぎました。頭が痛いです。鼻血もでそうです。
pomu77
専門的な用語が多くて難しかったが、理解出来ました。
sui_
視聴回数が増えると納得度合いが上がってきました!
suzuqp
線形回帰の基礎を復習できた。
k_k_ai
最小二乗法と線形回帰の機械学習の関係が良く理解できました
s-ma
線形回帰モデルの活用例について理解が深まった
michiyomichiyo
数式の出し方がまだ理解しきれていないが、線形回帰についての理解のきっかけとなった
haruka-
線形回帰の基本的な用語と考え方を知った。実際データを取り扱わないと自分の知識として結びつくのは難しそう。
test_test___
線形回帰について概要を知った。実際に使ってみてより理解を深めたい
yasunori-hpe
線形回帰の数学式でシグマの前の1/2は右記の式を微分すると分子に2の整数が出てくる。やがて約分されるので意図的に1/2にしていると説明しているが、理解できない。
だったら2を残しても良い気がするが…
i_mura888
将来予測に役立ちます。
kitano_wataru
相関が低いデータの学習には向いていなさそうな感じがした。
moco_fuwa
少し難しい内容でしたが、繰り返し理解しようと思います。
fukashi_uehara
線形回帰について概要を勉強できた。
cs1960
大変勉強になりました。
makidayo
線形回帰についてわかりやすかった。
whamu
線形回帰は一次関数に近づける学習法。パラメーターは複数設定できて、評価基準との2乗誤差の和で性能評価する。
yokoishida
予測に使ってみようと思いました。
pinguino
新たに学ぶことばかりで理解が追いつかないので、再度視聴したい。
70sp1208
AIを習得するには、今回学んだ統計の知識も重要であることがわかった。学生時代に習ったことがこういった場面で活かされることを知り、もう一度復習してAIについて理解を深めたい。
sakurai_shingo
業務で活用できそう。
yukofunada
応用問題でまだよく分かっていなかったところを理解することができました。
hi-std
線形回帰について学ぶことができました。
mihokado
線形回帰について学ぶことができました。初めて聞く言葉が多くて少し戸惑いはありました。でも、世の中はこのような形で予測をして成り立っているのだということも分かっておもしろいです
hitomi_aaaa
数学が嫌いなのでそこでもう嫌だな、、と見た目でなってしまったのでそんな難しいことじゃないはずと考え地道に習得していこうと思いました。身の回りのこれに活かせるのでは?というイメージすら数式が出てきてそこでつまづき浮かばなくなりました。
tsukamotoya
興味が湧いてきました。学習をすすめてまいります。業務や日常において、どのように活用できるのか、考えながら復習していきます。
atoka
概要について分かったように思うが、担当業務にどのように生かすべきか考えたい。
h-kozawa
数学的観点での機械学習説明であり少々難しいものでしたが、イメージはつかめたと思います。
takumi_1453
線形回帰
例題:小売店で商品の売上と来店客数の関
係を調査
→来店客数から商品売上予測するモ
デルを作る
↓
・来店客数と商品売上の分布に直線を引く
・機械学習では直線を以下のように表現
yハット(x;w)=wEXPTx=w0+w1x1
→この手法を線形回帰と呼ぶ☆☆☆
yハット(x;w)
→モデルの出力(目的変数)
→ある重みwのときに、入力(説明変
数)xに対する出力
*推定値なのでyに対してハットを付
けて表示
w=(w0、w1)EXPT
→パラメータ、学習により適切な値を取
得(最適化)する
x=(1、x1)EXPT
→モデルへの入力(説明変数)
wEXPTx
→ベクトルwの転置と入力ベクトルxの積
=スカラー値となる
来店客数以外に、売上に影響する要因も考慮して予測したい(気温、湿度、知名度etc)
→説明変数を多次元に拡張
w0+x1w1
↓
wEXPTx=Σwixⅰ=w0+w1x1・・wPxP
モデルの評価基準
■パラメータwを最適化するために、評価
基準を設定
■二乗誤差を評価基準とする☆☆☆
■wは二乗誤差の総和が小さくなるように
最適化される
*誤差は+値、−値があるのでそのまま
足さずに二乗する
■二乗誤差の総和ED
・N個の学習データのもとで二乗誤差の
総和EDは次式で定義される
ED=1/2Σ(yハット(xEXP
(n);w)-yEXP(n))EXP2
xEXP(n):n番目のデータの説明変数
yEXP(n):n番目のデータの目的変数
=教師
学習結果
■モデルを得たら直観に反していないか必
ずチェック
→可視化してデータに重ねてみる、係数
をチェックする、など
パラメータの解釈
■線形回帰のパラメータは偏回帰係数と呼
ばれる☆☆☆
■偏回帰係数は、係数に対応した変数以外
の変数を固定し、その変数だけを動かし
たときに得られる目的変数の変化量を意
味する
y=w1x1+w2x2+w3x3・・・
固定→
■目的変数と説明変数をそれぞれ平均0、
標準偏差1に変換(標準化)した上で求
めた偏回帰係数を標準化偏回帰係数と呼
ぶ
・標準化偏回帰係数は同じ土俵で比較可
能
・係数が大きいx→yに影響が大きい
・係数が小さいx→yに影響が小さい
モデルの性能を表す指標
■決定係数
・予測によるバラつき(二乗誤差)が目
的変数のバラつきに比べてどれほど小
さいかを表す
・0以上1以下の実数をとり、1に近いほ
ど高性能
■重相関係数
・正解値(教師)と推定値(モデルの出
力)を用いて算出した相関係数
・重相関係数を二乗した値と決定係数は
結果的に等しくなる
まとめ
■各説明変数に重みを掛けて足し合わせる
シンプルなモデル
■適用例
気温から売上を予測する など
■モデル 線形回帰
評価基準 二乗誤差
最適化 最小二乗法
e_co
線形回帰について理解できたと思うが、実践で使う場面を考えたい。
ta-mo-
線形回帰のイメージがつきました。実際はきれいな線形にはならず、因子が何かを検討し、分類する必要があるのでは、と考えます。
shin_yako
参考になりました。実務での活用を検討します
grateful
線形回帰を学びました。
masato_86
内容がわかりやすかった。
watanabe_aki
一つ一つを理解することで今後の業務においてどのようにデータ作成をしていくのが良いか
選択肢が増えると思いました。
内容が難しく完全には理解できていませんが、今後理解を深め実践に役立てていきたいです。
takahashi_mi
基礎的なところの説明が丁寧にされていて、腑に落ちる点が多かったです。
yoshikouc
線形回帰を使って傾向を把握することができそうです。又最小値を目指すことで期待通りの予測ができる確率があがりそうです。
miki1165
線形回帰について学ぶことができました。数学的要素が強いんですね。
kyo1227
応用問題でまだよく分かっていなかったところを理解することができました。
hrkudo
線形回帰の大枠を理解できました。
tasu-o
線形回帰の基本について学ぶことができた
入電予測や加入者数の推移予測などに活かしていきたいと思います
aokitaka-tci
線形回帰について理解できた、初めてのキーワードも多かったが図などを交えての説明でわかりやすかった
uedadaisuke3718
イベントのアンケートや反応の分析を行う上で今回の線形回帰を使ってデータ分析に活用できると思いました
inagaki_tomomi1
数学になってきましたね
mutame
線形回帰についてわかりやすかった。
risa_sss
計算式が難しいかったですが、線形回帰の重要性が理解でき、期待値を考えるためのロジックは生かせそうと思った。
homma_nanami
線形回帰について学ぶことができました。初めて聞く言葉も多く、再度視聴したいと思いました。
s_miyuki
予測モデルの構築をする
xiu14
パラメータの解釈について、十分に理解できたとは言えないため、
折を見て復習してみたいと思います。
mori_1991
二乗誤差の総和を最小化するパラメーターを解析的にもとめる方法として最小二乗法がある。
myu-tan
線形回帰の概要がわかった。まだ深く理解できてはいないが、散布図を用いて予測を立ててみたい。
otayu
機械学習の結果とこれまでの実績(体感)を照らし合わせを行ない、その誤差があまり無いと認識することが、AIを積極的に取り入れていくきっかけになると感じた。
warashina12345
線形回帰についてわかりやすかった。
asakusajun
現役時代には無かった新しい研修を
楽しみながら学習させていただいています。
akira007
最小二乗法はある程度理解していましたので,分かり易かったです。もう少し具体的な計算方法もやっていただけたらと思います。
aquico52
予測精度を上げるために、どのような条件を組み込んでいくのか、またどれに重みを付けていくのかを判断するには必要な知識だと思った。難しかったが、実践してみれば、納得できそうな気がする。
highway99
線形回帰久しぶりに勉強しました。
takeshita_ta
線形回帰を用いて、通話量や待ち時間の予測が可能である。また、顧客満足度に影響を与える要因を分析し、最適な改善策を導くことが期待できる。
tnema
これは本当に機械学習のセミナーなのかと疑う内容でした。データサイエンティストとしては理解するべき項目なのだろうが、表題が”機械学習”と言うのが少し引っかかりました。
globis-mrm
線形回帰の理解に当たっては、数式だけでなく概念図で考えると理解しやすかった。
実践で役に立てるには、もう少し学ぶことが必要だと思った。
temp954
思考が追い付けませんでした。何度も見返します。
t03290512
日常業務に取り組活動