見える世界を広げるには、先にラベルを疑え: プロダクト管理と機械学習に共通する意思決定の罠

あなたが最適化しているのは、現実ではなく「切り取った世界」かもしれない

私たちはよく、データが増えれば判断は良くなると信じている。だが実際には、データが増えるほど世界が狭くなることがある。なぜなら、私たちが扱うのは現実そのものではなく、誰かが定義したラベル付きの世界だからだ。

プロダクトの現場でも、機械学習の現場でも、この罠は同じ形で現れる。プロダクトマネージャーは、チームの内側だけを見ていると、肝心の利害関係者との摩擦を見落とす。モデルは、訓練データだけを見ていると、本番で崩れる。どちらも「うまく学べた」と思った瞬間に、実は現実からずれ始めている。

真の難しさは、予測することではない。何を予測対象として固定するかを決めることにある。

この視点で見ると、プロダクトマネジメントと機械学習は驚くほど似ている。どちらも、未知の現実を扱うために、既知の枠組みを作る仕事だ。そして、枠組みが強すぎると、現実が見えなくなる。

ラベルは便利だが、現実を削る

機械学習の分類器は、あらかじめ用意されたカテゴリにデータを振り分ける。勝つか負けるか、犬か猫か、スパムか非スパムか。これが強力なのは、世界を扱いやすくするからだ。しかし同時に、ラベルは現実の一部を切り捨てる。馬の強さは勝敗だけではないし、ユーザーの価値も継続率だけではない。

プロダクトでも同じことが起こる。OKR、チーム憲章、ビジネスモデル、ステークホルダーマップ。これらはすべて世界を整理するためのラベルだ。だが、ラベルが増えるほど安心する一方で、ラベルに入らないものが見えなくなる。たとえば、営業は売上を気にし、サポートは問い合わせを気にし、開発は技術負債を気にする。どれも正しいが、同じ箱に入れてしまうと、どこかで現実が摩耗する。

ここで重要なのは、分類器的な思考とクラスタリング的な思考を使い分けることだ。

• 分類的思考: 既に決めた答えに沿って判断する
• クラスタリング的思考: まだ名前のない似た現象を見つける

前者は意思決定を速くする。後者は発見を生む。問題は、多くの組織が分類を早くしすぎて、クラスタリングの余地を失うことだ。つまり、現実にラベルを貼る前に、現実がどう似ているのかを観察していない。

過学習する組織は、会議では強く、本番で弱い

機械学習で過学習が起こると、訓練データでは驚くほど正確なのに、未知のデータでは急に弱くなる。これはモデルが「本質」を学んだのではなく、例外や癖まで暗記したからだ。組織も同じで、内輪の会議に強い組織ほど危うい。

たとえば、社内資料で毎回通る提案があるとする。関係者の言葉遣いを覚え、過去の承認パターンをなぞり、反対しそうな人向けの一文まで用意する。これは一見、優れた準備に見える。しかし実際には、組織の「訓練データ」に過剰適合しているだけかもしれない。外部の顧客、別部署、初めての市場環境に出た瞬間、その提案は弱くなる。

逆に、良いプロダクトマネージャーは、訓練データを暗記する人ではない。どの変数が本質で、どの変数が偶然かを見分ける人だ。顧客インタビュー、利用ログ、営業の声、サポートの記録。これらを眺めるとき、表面的な一致に飛びつくのではなく、「この痛みは本当に同じ種類のものか」と問う必要がある。

たとえば、「解約率が高い」という現象を考えてみよう。ある顧客は価格に敏感で、別の顧客は導入時の摩擦に疲れているかもしれない。さらに別の顧客は、製品の価値は認めているが社内合意を取れない。数字は同じでも、原因は違う。ここを混ぜると、対策も混ざる。値下げすべきなのか、オンボーディングを変えるべきなのか、社内稟議の支援を作るべきなのか、見えなくなる。

過学習とは、たくさん覚えた状態ではない。大事なものとノイズの区別がつかなくなった状態だ。

「許可を求めるな」は、無謀でなく実験設計の原則である

現場で何かを改善したいとき、多くの人は先に許可を取りたがる。だが本当に必要なのは、許可ではなく検証可能な小さな前進だ。これは反抗のすすめではない。むしろ、ラベルが固まる前に現実を確かめるための、極めて実務的な姿勢だ。

機械学習でも、いきなり本番導入はしない。訓練データで学んだら、テストデータで試す。うまくいくかどうかを、未知のデータで確認する。プロダクトでも同じで、机上の正しさより、小さな実地テストが重要だ。新しいメッセージ、新しい導線、新しい要件定義、新しい会議体。まずは小さくやってみる。

ここで有効なのが、プロダクト判断を三層に分ける考え方だ。

1. 意味の層: これは何を解決しているのか
2. 関係の層: 誰が得をして、誰が困るのか
3. 検証の層: どの環境で、本当に効くのか

多くの失敗は、意味だけで止まるか、関係だけで止まるか、検証を飛ばすかのどれかだ。たとえば、新機能の説明は完璧でも、営業の説明負荷が増えて売れないことがある。あるいは、経営には歓迎されても、現場にとっては運用不能かもしれない。だから、関係者とのインターフェースを磨くことは、単なるコミュニケーション術ではない。現実の摩擦を減らす設計作業なのだ。

フィルターバブルの正体は、分類の快感である

フィルターバブルは、見たい情報だけが返ってくる状態だとよく言われる。だが本質は、情報が偏ることではない。自分の既存ラベルを気持ちよく強化してしまうことにある。

アルゴリズムは、似たものを似たものとして返す。最近傍分類器もそうだ。近いデータを同じクラスに入れる。便利だが、近さはしばしば思考の近さにすり替わる。すると、違う視点や異質なデータは「遠いもの」として退けられる。世界は整理されるが、発見は減る。

これは個人にも組織にも当てはまる。会議でいつも同じ人が正しいとされる組織は、実は最近傍分類器のように動いている。前回うまくいった発言者、前回通った論点、前回成功した市場。そこから少しでも外れると、異物扱いされる。すると新しい機会は、最初からデータに入っていないものとして見逃される。

ここで必要なのは、ラベルを守る力ではなく、ラベルを揺らす力だ。クラスタリングはその助けになる。正解を与えずに眺めると、意外なまとまりが見える。プロダクトの利用ログでも、職種別ではなく行動別に見ると、まったく違う顧客群が現れることがある。たとえば、毎日深く使う少数派と、月1回しか使わないが重要な意思決定時だけ使う多数派。どちらも「ユーザー」だが、必要な体験は異なる。

では、どうすれば「現実に強い」意思決定ができるのか

答えは、分類とクラスタリング、訓練とテスト、内側と外側を往復することだ。優れたプロダクト組織は、正解を早く決める組織ではない。正解の形を疑い続けながら、少しずつ確からしさを上げる組織だ。

そのためには、次のような習慣が役に立つ。

• 顧客の声を「要望」として聞く前に、「どんな摩擦が起きているか」として聞く
• 施策を決める前に、似た行動や似た痛みを持つグループを探す
• 社内合意を取る前に、小さな実験で未知の反応を確かめる
• KPIを追うだけでなく、そのKPIに入らない価値を言語化する
• 「誰にとっての成功か」を毎回確認する

こうした習慣は地味だが、強い。なぜなら、現実はいつもラベルより複雑だからだ。良い判断とは、複雑さを消すことではなく、複雑さを壊さずに扱うことに近い。

仕事で必要なのは、答えを知っていることではない。答えを固定しすぎないまま、前に進めることだ。

Key Takeaways

1. ラベルは真実ではなく仮説 です。分類した瞬間に見えなくなるものがあると意識する。
2. 過学習は組織でも起こる ため、社内で通る理屈と本番で効く理屈を分けて考える。
3. 分類とクラスタリングを使い分ける。答えがある問題には分類、まだ名前のない現象にはクラスタリングが有効。
4. 小さな実地テストを優先する。許可よりも、検証可能な前進を設計する。
5. フィルターバブルを破るには異質なデータを見る。いつも通りの顧客、いつも通りの会議、いつも通りのKPIだけを見ない。

結論: 賢い組織とは、正しく分類する組織ではない

私たちはしばしば、優秀さを「素早く正しく分類する力」だと考える。しかし本当の優秀さは、そのラベルがどれほど暫定的かを知りながら動けることにある。訓練データで賢く見えるモデルより、未知のデータに強いモデルのほうが価値がある。同じように、会議で上手に説明できる人より、現場の摩擦に耐えて学び続けられる人のほうが強い。

だから、次に誰かが「これはこういうユーザーです」「これはこういう案件です」「これはこういう問題です」と言ったら、少しだけ立ち止まってほしい。重要なのは、その分類が正しいかではない。その分類が、まだ見えていない現実を隠していないかどうかだ。

現実は、最初に貼ったラベルより広い。賢さとは、その広さを失わずに進む技術である。