1. はじめに 本記事は、2026年1月15日に開催されたプロジェクトマネジメント学会（以下、PM学会）主催の「2026年 新春PMセミナ」の参加レポートです。 本記事の目的は、PM領域にまだ馴染みの薄い若手エンジニアを主な読者として想定し、セミナで紹介されたフレームワークやリーダーたちの議論を、日々の現場で活かせる形で整理することです。具体的には、以下の内容を扱います。 プロジェクト成功の評価指標が「QCD」から「価値（Value）」へ転換しつつある背景 PMIが提唱するマインドセット「M.O.R.E.

はじめに こんにちは。Insight Edgeの松嵜です。 私は入社時から一貫してアジャイル開発のエンジニアとしてプロジェクトに携わってきましたが、今後のキャリアを考える中でのステップアップとして、プロジェクトマネージャー（以下PM）にも挑戦してみたいと考えるようになりました。 そして機会に恵まれ、昨年の約1年間、生成AIを用いた不確実性の高い案件を中心にPMとしてプロジェクトに関わる経験をさせていただきました。 本記事では、その経験をもとに得た気づきを3つご紹介させていただきます。 目次 １. PMは「

「リリースまで残りわずかなのに、進捗が思わしくない」「予期せぬ仕様変更でスケジュールが崩壊した」 アプリ開発の現場において、納期遅延は多くのプロジェクトマネージャーが直面する最も深刻な課題の一つです。 責任感が強いマネージャーほど、遅れを取り戻そうと一人で抱え込みがちですが、根性論や場当たり的な増員だけでは、かえって品質の低下やさらなる遅延を招く恐れがあります。 アプリ開発が遅れる背景には、単なる作業漏れだけではない、構造的な問題や技術的なボトルネックが複雑に絡み合っています。 そこで今回は開発遅延の正体

アプリ開発の現場において、「誰が何を決めるのか」「どこまでが自分の仕事なのか」が曖昧なために、プロジェクトが停滞したり、リリース直前に予期せぬ不具合が発覚したりといった経験はないでしょうか。 エンジニアとして卓越した技術を持っていても、チームを動かす立場になると「作る」以外の工程がいかに複雑で、多くの専門性を必要とするかに直面することになります。 プロジェクトを円滑に進め、高い品質のプロダクトを納期通りに届けるためには、個人のスキル以上に「適切な役割分担」が鍵を握ります。 今回はアプリ開発における各職種の

TL;DR ML専門チーム以外でも様々なバックボーンを持つ人々がAI/MLに取り組むようになりました。 しかし、施策を実運用に乗せるためには、PoCからプロダクションシステムへ移行する必要があり、そこには独自の課題が存在します。 そこで、それらの課題を解決してボトルネックを解消し、全社のリソースを最大限に活用することで、AI/ML（機械学習）システムを社内で量産し、様々な施策をスピーディに実現できるように整えました。 背景・経緯 MLチームの紹介 こんにちは、株式会社バンダイナムコネクサスのデータ戦略部で

本記事では、情報サービス産業協会（JISA）が主催する第4回技術コンテストの運営を題材に、不確実性の高いプロジェクトをどのように設計・運営するかについて整理したいと思います。 本記事は、技術コンテストの運営経験がある方や、イベント・プロジェクトをリードした経験のあるエンジニア・リーダー層を主な読者として想定しています。 JISA第4回技術コンテストとは 情報サービス産業協会（JISA）第4回技術コンテストは、各企業の若手エンジニアを対象に、総合的な技術研鑽の機会を提供することを目的とした取り組みです（詳細

楽楽明細、楽楽電子保存、楽楽債権管理と複数プロダクトのプロダクトマネジメントを担当しています。 紀井 です。 4月より、この複数プロダクトのプロダクトマネジメントを担う組織の課長に就任しました。所信表明も踏まえて、私がプロダクトマネジメントを意識するようになったきっかけと、今考えていることについてお話しします。 「Whyのない開発」が、私にプロダクトマネジメントを教えた PMFしたら、終わり？違う。そこからが、始まり ラクスのプロダクトマネージャーが目指すこと あなたの原動力は、なんですか？ 最後に 「W

みなさん、こんにちは。AWS ソリューションアーキテクトの古屋です。 日々のお客様との会話の中で、「業務課題を解決するために新たな機能やシステムの開発が必要ではあるが、外部リソースを確保する余力もなく、自社に十分なエンジニアもいないため実現が難しい」というお声をいただきます。同様のお悩みをお持ちの方も少なくないのではないでしょうか。 近年、そういった状況に対して、 Amazon Bedrock や Amazon Q Developer をはじめとする AWS の生成 AI サービスの登場により、限られた開

はじめに はじめまして。NTTデータでデータサイエンティストを務めております池野です。 本記事は、【前編】Databricks Assistantを活用して需要予測モデルを構築してみた 〜EDA編〜の後編です。 前編では、需要予測モデル構築における課題感の整理からスタートし、 Databricks Assistant の設定 データ読み込み EDA（探索的データ解析） 需要に影響を与える要因の仮説出し までを実施しました。 需要予測はビジネスインパクトの大きいテーマですが、実務では前処理やEDA、特徴量設

はじめに

急成長を遂げるメガベンチャー企業において、各プロダクトチームが独立して動く体制は、意思決定のスピードを速める大きなメリットがあります。 しかし、プロダクトが複雑化し、マイクロサービス化が進むにつれ、チームごとの「部分最適」な品質管理だけでは対応しきれない課題が顕在化してきます。 「隣のチームの仕様変更で、自分たちの機能に不具合が出た」 「チームごとに品質基準がバラバラで、リリース直前に大きな手戻りが発生する」 「QAマネージャーとして全体を俯瞰したいが、現場の状況がブラックボックス化している」 このような

こんにちは。SHIFTのプロジェクトマネージャー／プロダクトエンジニアの髙橋です。 3月6日（金）に「アニメから得た学びを発表会 第20回目」で登壇をしました。アニメから得た学びを発表会は、エンジニアニメとも呼ばれています。私はこれまで、同コミュニティの同人誌版や劇場版、アドベントカレンダーなどを通じて、その活動に触れてきました。 一方で、通常回への参加はなかなか叶っておらず、今回ようやく参加できたことに加え、運営のお手伝いや登壇までできたことを大変嬉しく思っています。 本記事では、イベントの概要と、登壇

こんにちは。Findy Tech Blog編集長の高橋（ @Taka_bow ）です。 本記事は、2025年7月にファインディが開催した「 開発生産性Conference 」のキーノートスピーカーとしてお招きした Gene Kim氏 の基調講演を、日本語の全文書き起こしとしてお届けするものです。 Gene Kim氏は、ベストセラー『The DevOps 逆転だ！（The Phoenix Project）』『The DevOps ハンドブック（The DevOps Handbook）』の著者であり、1999

こんにちは！バンダイナムコネクサス データ戦略部の吉村です。 データプロダクト課というデータ基盤、機械学習システムを構築しているチームのマネージャーをやっています。 本記事ではマネージャーを行う上で心がけていることを紹介します。 1.リーダーシップ型とフォロワーシップ型マネジメントの使い分け エンジニアリングマネージャーとしての役割を果たす上で実践していることの一つに、リーダーシップとフォロワーシップの使い分けがあります。 ラインマネジメント、プロジェクトマネジメントという他領域のマネジメント業務に対応す

背景・経緯 MLチームの紹介 こんにちは、株式会社バンダイナムコネクサスのデータ戦略部でML（機械学習）チームに所属している山野です。弊社データ戦略部は、グループ最大のデータ戦略部門です。MLチームはMLプロダクト/プロジェクトマネジメント、モデリング、およびMLシステムの開発/運用にスペシャリティを持つメンバーで構成されています。私たちMLチームはこれまで、MLプロダクト開発を一気通貫で担当してきました。過去の案件事例の一つはこちら（レコメンドシステム導入事例）です。 MLチームのスコープ 青背景部分が