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137件
hr-sakai
ロジスティクス回帰についてわかりやすく理解できたが、数式で表せとなると難しい。復習して学習します。
naoki_sasano
ロジスティック回帰は線形回帰とシグモイド関数を使って説明変数モデルを設定することを理解できた。
評価手法の対数尤度の考え方も理解できた。
matute
ロジスティック回帰の考え方を利用して2値分類を確率的に捉えることができる。今回の研修で概念は理解できた。実践で利用できるようにさらに知識を深めていきたい。
yasupii
ロジスティック回帰、なんとなくそんな感じかな?程度での理解が現状です。使いこなすためにはもう少しじっくりと学習する必要があると思います。
kazumi_100pot
ロジスティック回帰に関する対数尤度については、少し理解が浅いと感じているので、もう少し踏み込んで復習してみたいと思います。
t_htn
ロジスチック回帰の考え方が把握できた。
考え方を活用し、データ分析を行い、
データから適切な判断を行うようにしたいと思う。
k_yuna
大変勉強になりました。
watanabe-tat
ロジスティクス回帰を用いて、製品の外観検査の良・不良判定を実装してみたい。
koichi_seya
難しいので再度学習したい。対数尤度が理解できない。
k-akira
ロジスティク回帰の仕組み、線形回帰との違い及びどういうケースで使えるかの具体事例がわかった
stani
参考にさせていただきます。
7031
データ分析を行い、データから適切な判断を行うようにしたいと思いました。
mainichi365
具体的にどの様に業務に役立てるか、まだ道のりは遠い。
user-name01
ロジスティック回帰の基本的なことがわかった。
解析的に解くという意味と解析的には解けない場合に用いる解法がわかった。
iso_ken
ロジスティック回帰は簡単な分類に使用できそう。用いるべき場面を理解し手運用していきたい。
mikeover
ロジスティック回帰を使った分類に対して最適化を行うところが奥が深いと思った。
choko0504
ロジスティック回帰について学習したが、実務で利用する機会が思いつかなかった。
実際に実務で利用する際に検討したい。
inyourmind
ロジスティック回帰は精度が悪いと言われることもあるせいか、使用されているのを見たことがありません。実例も紹介してくれるとわかりやすかったです。
kenjiro_fujita
あるお客様が商品を買うか、買わないかを、これまでに営業をかけた時間と、相手の役職によって、予測するモデルを作成したい。
shun0708
ロジスティック回帰の数式が難しく感じました
70sp1208
内容としては、数学的な知識が不足しているため、難しく感じたが、再度復習して自分のものにしていきたい。
vz3000
ロジスティク回帰の仕組みや対数尤度の考え方を理解することができた。
sesesese
顧客の契約の可能性などの分析に利用している。
理論についても理解が深まりました。
kazuchacha
テストの点数から将来就く職業の角度まで求められることに驚きを感じた
ken222
尤度を最大にするという考え方を覚えておきたい。
k--g--
なんとなく理解した。
シグモイド関数の出番がでした。
hfkd156036
ロジスティック回帰について学習した
yukotsuchiya
終盤いっきに具体性を帯びず数式の説明だけになり残念。興味を持って視聴いる方々のヒザポンとなる業務や日常の具体例がそこでこそ知りたいです。
miura_ka
時間を空けてもう一度学習する
take515
ロジスティック回帰の基本的事項について確認できた。
yoshidanoikeda
具体的な使い方が判らないです
kk1000
シグモイド関数、対数尤度、勾配法、微分・・・
よく理解できていないのでゆっくりやり直していきたいです。
shirojpn
忘れているだけかもしれませんが、ロジスティック回帰は初めて聞いたように思います。
また、評価指標の 対数尤度という言葉も初めて聞いたように思います。
一気に内容が複雑になった気がしました。
ただ、丁寧な解説により、ある程度は理解が進んだように思います。
ni-shi-me
勾配法=力技、という学びを得た。
vegitaberu
全体的には、理解できましたが、対数尤度が少し、しっくりこない部分が残りましたが、ロジスティック回帰による、2値分類の大まかなメカニズムは理解できました。
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
難しかった。本などから知識を補足して理解を深めたい。
suzuqp
公式については説明を聞いてもいまいちまだわかりませんが、なんとなく言葉の意味を知ることができました。
taka1962
二値予測で確率は計算されることで、その後の対応に変化をつける事務処理に応用できると思います。
popcorn1212
今ある事実のデータで将来の可能性的な予測をする事が出来るのは目から鱗でした。
k_k_ai
ロジスティック回帰が非常にわかりやすかったです。
s-ma
ロジスティック回帰の仕組みについて理解が深まった
michiyomichiyo
数学的な知識が浅いため、具体的に理解しきれなかったが、例に例えられたような適職が何かを確立で出せると、無駄に悩む時間が減ってよいなと思えた。
haruka-
数式難しい。もっと基礎的な内容から勉強しないといけない。
test_test___
なんとなくレベルで理解した。実際に使うときに再度復習する必要がある。
kitano_wataru
前回の線形回帰からよくわかっていないため、今回も含めて復習が必要
fukashi_uehara
ロジスティック回帰に関する概要を理解する事が出来ました。
cs1960
大変勉強になりました。
whamu
ロジスティック回帰は線形回帰の応用。複雑なので解析的には求められず勾配法を使う。評価基準は対数尤度。
yokoishida
このような理論なのだと理解しましたが、自分では説明はできません。
makidayo
行動パターンで嗜好などの予測をすることに使用できそうだと思いました。もう1回振り返りで聞きたいと思いました。
pinguino
概念としてはわかる気がするが、実際に使えるかは自信がない。
sakurai_shingo
業務で活用できそう。
takahashi_mi
概念は理解できた気がする。
yukofunada
ほとんど馴染みのない分野でしたが、日常生活では既にいろいろな場面で利用してきたのだと思います。何かサービス等を利用する場合に、技術をどうやって活用しているのか、考えてみたいです。
hi-std
公式について説明を聞いても実務に結びつけられなかった。
hitomi_aaaa
この動画を見て、理解できる人ってそもそも大学等で学び済みでITの基礎的なものや数学の知識あったり社会人になった人なのでしょうか?数学に興味を持つことがなく学生時代を終えている自分にとってはこの数式を使わなければ〜と前提に置いてしまうとやる気が削がれてしまうので、まず数学なのかなと思わざるをえない感じです。自分も理解して、これに使ってみたい、予測してみたいとワクワクイメージしたいです。
tsukamotoya
ロジスティック回帰(ロジスティックかいき、Logistic regression)は、ベルヌーイ分布に従う変数の統計的回帰モデルの一種である。連結関数としてロジットを使用する一般化線形モデル (GLM) の一種でもあるらしい。ロジスティック回帰分析は、目的変数が0と1からなる2値のデータ、あるいは0から1までの値からなる確率などのデータについて、説明変数を使った式で表す方法のこと。日頃の業務に活かせるように頑張ります。
h-kozawa
機械学習の数学的解釈が非常にわかりやすく、よく理解できました。
takumi_1453
教師あり学習、ロジスティック回帰
・最終出力はy~で表す
・線形回帰+シグモイド関数で確率算出
・評価指標は対数尤度lnPを用いる
分類問題を解く
■エンジニアと非エンジニア
→学生時代の理科・数学の偏差値から
将来エンジニアになれるかを予測する
↓
□直線の境界線を引いて分類
□エンジニアになれるかの予測だけでなく
なる確率も表現したい
↓
■線形回帰を適用する
①エンジニアを1、非エンジニアを0として
線形回帰を当てはめる
②線形回帰の出力が以下を満たす直線を境
界線とする
yハット(x;w)=0.5
③新しいデータが観測されたら
線形回帰のモデルに入力し、出力を得る
④出力が0.5以下ならエンジニアと判定
⑤③の出力を確率に変換し、
確率の大きい場合エンジニアになれる
確率が高いと考える
*変換にはシグモイド関数を使用
シグモイド関数
・入力xが大きくなるにつれて、
関数fxが0から1まで滑らかに変化
・0
モデルの評価指標
■対数尤度lnPを用いる
■対数尤度lnPを最大化するように
パラメータwを学習
*yEXP(n):n番目のデータの正解ラベ
ル=教師
・正解ラベルがエンジニアであるデータ
yEXP(n)lny~(xEXP(n);w)
→エンジニアである確信度が高いほど評
価値が良い
・正解ラベルがエンジニアでないデータ
(1-yEXP(n))ln(1-y~(xEXP
(n);w))
→エンジニアでない確信度が高いほど評
価値が良い
・lnP=Σエンジニア教師+非エンジニア
教師
パラメータの最適化
■対数尤度lnPが最大となるパラメータwは
解析的に求められない
(線形回帰の場合、最小二乗法で解析的
に求められた)
→勾配法という繰り返し計算により最大
値を探索する
→パラメータの微分=傾きを求め、順
次最大値を探っていく
まとめ
■ロジスティック回帰
・線形回帰+シグモイド関数で確率を予
測する
・2クラス分類に用いられる
■適用例
・テストの点数を説明変数として、将来
の職業を予測する
■モデル ロジスティック回帰
評価基準 対数尤度lnP
最適化 勾配法
jishiko
2値分類の1つであるロジスティック回帰について概要を学んだ。対数尤度に関する説明がもう少し欲しかった。
e_co
内容は理解出来ましたが、数学的理解を深めなくてはと感じました。
ta-mo-
ロジスティック回帰分析のイメージはついたが、少し難解であった。
線形回帰、シグモイド関数を使い、説明する変数モデルができるというのは学びであった。
shin_yako
参考になりました。実務で活用を検討します
grateful
ロジスティック回帰を学びました。
masato_86
むずかしいと感じていたが理解できた気がする。
temp_at
線形回帰や数式など、前提になる知識がまだあまり無いため難しく感じた。
yoshikouc
ロジスティック回帰は線形回帰を応用させる。最小値を求める線形回帰や勾配0.5で分類をするところまではわかりましたが、実践でどう使用するのかがまだ想像できずにいます。
hhmorimoto
ロジスティック回帰の考え方を復讐できました
AI活用に向けて、さらに、知識を深めて 効果的な活用方法を検討していきたいと思います
watanabe_aki
データ集約は元々の考え方や数値の拾い方を簡素化することが大切だとわかりました。
kyo1227
公式については説明を聞いてもいまいちまだわかりませんが、なんとなく言葉の意味を知ることができました。
hrkudo
ロジスティク回帰がどういう時利用されるか理解した。
takemaru0530
業務上、予測して回帰式を作ることはあります。式の内容まで理解が深められて良かったです。
aokitaka-tci
ロジスティクス回帰について図が用いられると一定理解しやすかったが、数式のみでの説明となると少し難しかった、イメージとしてもっておく
tasu-o
ロジスティック回帰の大枠を理解することはできたが中身の理解ができていないと感じるため継続して学習を続けていきます
inagaki_tomomi1
数式がなかなか理解できませんが、なんとなく意味は分かりました。
mutame
数式がなかなか理解できませんが、なんとなく意味は分かりました。
miki1165
段々、科学、数学の要素が不可欠になるのでしっかり学ぶ必要がある。
risa_sss
ロジスティック苦手分野です。。具体的なイメージが湧きませんでしたが、考え方は学ぶことができました。
homma_nanami
ロジスティクス回帰について理解できたが、難しいと感じました。
gobau
ロジスティック回帰について理解が深まった。
xiu14
考え方は理解できるものの、計算式は少々難解につき実務に落とし込むには
繰り返しの学習が必要になりそうです。
mori_1991
ロジスティクス学習の基礎を学ぶことができた。
myu-tan
ロジスティクス回帰を分類に活用したい
warashina12345
概念としてはわかる気がするが、実際に使えるかは自信がない。
asakusajun
現役時代には無かった新しい研修です
楽しく学習させていただいています。
aquico52
概念は理解できた。現状はユーザーとして、細かい設定をどうすればよいのかが想像できるようになった段階。サービス担当エンジニアとより突っ込んだ話ができるようになるかもしれない。
takeshita_ta
ロジスティック回帰を活用して、顧客の問い合わせがクレームになるかどうかを予測することが可能である。また、離反顧客を事前に特定し、適切な対応を取ることで顧客満足度向上が期待できる。
tnema
大変貴重な内容でした。理解を深める為に再受講します。
hinaya_0821
各用語と回帰、対数尤度の考え方も理解できたが繰り返し復習してより確実なものと出来るよう頑張りたい。
業務において、旅費申請の際、出張先によって航空機を使用する確率は距離から明確となる。
逆を言えば、航空チケットや宿泊の必要性がある地域の出張であるのにも関わらず、予約をしていない事は特段な理由がない限りあり得ない。
その手続き漏れの場合はアラートが出るような抽出が出来るのではないかと考えた。
globis-mrm
回帰という考え方について、線形回帰とロジスティック回帰の違い、その活用法について学べた。
temp954
解説は図なども取り入れられてわかりやすいが、数式になると難しいです。
yoshiyc
今後は実データを元にグラフ化するところから始め、各種の回帰や関数を扱い実体験が必要だ。
t03290512
日常業務に取り組活動
staka3
ロジスティクス回帰についてわかりやすく理解できたが、数式で表せとなる難易度が上がるので改めて学習をしていかないといけない。
nokt
ロジスティック回帰分析の基礎について学ぶことができたが、少し難解でした。継続して学びたいと思います。
yy_nn
業務で活用するには、データを2クラスに分ける場面の想定をすると良さそうです。あるトラブル発生について、原因が2つ考えられる場合に、ロジスティック回帰によりトラブル発生確率を把握することができるかもしれません。
srk1
ロジスティクス回帰の考え方は採用活動にも活用できると考えます。
everest
二項分類問題を解決し、顧客の購買予測やリスク分析などに活用したい。
konitan1152
分類とその確率を分析できる方法で有効ではあるが、少し複雑であり慣れが必要だと思う。