Why Products Fail When Teams Treat Markets Like Training Data

Hatched by tttt

Jun 30, 2026

1 min read

2 views

88%

もし営業が悪いのではなく、そもそも学習対象が間違っていたら？

新製品が売れないとき、会議ではたいてい同じ犯人探しが始まります。PMは営業の努力不足を疑い、営業は製品の訴求力不足を嘆き、マーケは「そもそも売るべき市場が違う」と言う。だが、もっと不都合な問いがあるはずです。私たちは本当に正しい顧客を学習できているのか。

営業、マーケ、PMの連携は、しばしば組織論の問題として語られます。しかし本質はもっと深いところにあります。これは、誰が何を担当するかではなく、どのデータから何を学び、その学習をどう市場に反映するかという問題です。製品開発も営業もマーケティングも、結局は一つの問いに回収されます。どの入力から、どの出力を予測し、どこまでその予測を信じてよいのか。

この視点で見ると、PMFは単なる「良い製品と市場の一致」ではありません。むしろ、市場をデータとしてどう解釈するかの精度です。売上、利用、解約、問い合わせ、紹介、商談化。これらはすべて観測値ですが、観測値は真実そのものではない。そこにこそ、製品が失速する最大の原因があります。

売れない理由は、製品ではなく「特徴量設計」にある

機械学習の線形回帰では、入力は特徴、出力は応答と呼ばれます。キャビンのサイズが入力で、価格が出力です。ここで重要なのは、モデルは入力と出力の関係を学習するが、世界そのものを完全には理解しないという点です。サイズが大きいほど高い傾向があっても、水辺に近い、サウナがある、地域の人気が高い、といった別の要因が混ざれば、単純な関係は崩れます。

これは製品市場でもまったく同じです。多くのチームは「顧客の声」を入力として扱いますが、実際には何を特徴量にするかで学習結果は大きく変わります。例えば「この機能が欲しい」という要望は、表面的にはわかりやすい入力です。しかし本当に知るべきなのは、その要望が生まれる行動文脈、代替手段、意思決定の制約、購買のトリガーです。

たとえば営業支援ツールを売る場合、顧客が「レポート機能が欲しい」と言ったとします。これをそのまま入力にすると、PMはレポート機能の追加に走り、マーケは「分析が強い製品」として訴求し、営業は「高度な分析を求める企業」へ売り込むでしょう。けれど、真の特徴量は別にあるかもしれません。実はその顧客は、営業会議で進捗を説明するたびに手作業で資料を作り直しており、欲しいのはレポートではなく会議前の準備時間を削減することかもしれない。

顧客の要望はしばしば答えではなく、ノイズを含んだ観測値である。

だからPMFとは、機能を増やすことではなく、どの特徴量が出力に本当に効くかを見極めることです。マーケがメッセージを磨く前に、営業が見込み客リストを整える前に、PMはまず「何が価格を生むのか」を定義しなければならない。ここを外すと、どれだけ優れた実行も、誤ったモデルの精度を上げるだけです。

顧客の声をそのまま信じると、製品デスサイクルに入る

顧客に聞けば答えが返ってくる。そう考えるのは自然ですが、現実はもっと厄介です。観測データには、ノイズ、交絡変数、選択バイアスが混ざっています。製品でも同じで、意見が大きい顧客ほど会議に現れ、予算のある顧客ほど購買に影響し、離脱した顧客ほど不満をはっきり言う。つまり、耳に入りやすい声ほど、全体を代表しているとは限らない。

ここでよく起こるのが、いわゆる製品デスサイクルです。顧客要望を聞くたびに機能を足していくが、誰もそれを使わない。なぜなら、個々の要望は本来、別の課題の症状にすぎないからです。線形回帰で交絡変数を見落とすと、サイズと価格の関係が歪むのと同じです。購買担当者の評価だけを見て、本当の利用者の痛みを見逃せば、機能は増えても導入は増えない。

ここで大切なのは、顧客の言葉を否定することではなく、言葉を仮説として扱うことです。たとえば「もっと通知がほしい」という要望を受けたら、すぐ通知機能を増やすのではなく、何が起きると困るのか、誰がどのタイミングで失敗するのか、代替行動は何かを検証する。要望はゴールではなく、観測された現象です。PMの仕事は、その背後にある因果を掘り当てることにあります。

このとき役立つのが、仮説ドリブンという考え方です。最初に正解を決めるのではなく、どの顧客に、どんな価値が、どの条件で刺さるかを仮説化し、インタビューや行動データで確かめる。これは研究というより、モデルの係数推定に近い。複数の観測から、実際に効いている説明変数を見つける作業です。

PM, マーケ, 営業のズレは、役割の違いではなく学習段階の違い

多くの組織で、PMは「作る人」、マーケは「伝える人」、営業は「売る人」と理解されています。だが、うまくいくチームでは三者は別々の職能ではなく、同じ学習ループの異なる段階として動いています。PMは市場の仮説を立て、マーケはその仮説に合うメッセージを設計し、営業はその仮説が現実で通用するかを最前線で検証する。

この関係は、線形回帰で言えばトレーニング、評価、一般化に似ています。学習データでうまくいっても、テストデータで崩れることがある。これはモデルが悪いというより、学習したパターンが現実の分布を十分に捉えられていないからです。営業が「売れない」と言うとき、それはしばしばテストデータで失敗しているというサインです。マーケが「この製品は訴求しづらい」と言うとき、それはメッセージ以前に、仮説そのものが弱い可能性を示しています。

だからこそ、三者は会議で意見交換するだけでは足りません。必要なのは、共通のキャンバスです。どのセグメントを狙うのか。どんな価値提案なのか。どの行動が購買につながるのか。どの顧客が「最初の一人」なのか。これらを一枚に描ければ、PMは仕様の優先順位を決めやすくなり、マーケは訴求軸を絞れ、営業は追うべき見込み客を選別できます。

ここで重要なのは、営業に「とにかく売ってこい」と言わないことです。モデルが未学習のまま予測だけ求められても困るのと同じで、営業も「誰に売れるのか」「なぜ響くのか」が定義されていなければ動けません。営業効率を上げるとは、単に件数を増やすことではなく、予測可能性の高い顧客に時間を集中することです。

優れた営業連携とは、売る力を高めることではなく、売れる相手を先に見つけること。

PMFとは、正しい顧客を見つけるまでの反復である

ここまでの話を一つにまとめると、PMFとは「市場に受け入れられる製品を作ること」ではなく、市場の中で最初に学習すべき分布を見つけることです。大きな市場を最初から狙うのではなく、まず一人の顧客に刺さるかを確かめる。10人に広げ、次に100人に広げる。その順番を飛ばすと、学習が雑になり、ノイズに飲まれます。

この考え方は、機械学習のデータ増加に対する直感も修正します。データは多いほど良いとは限らない。少ないデータでも、対象が絞れていれば精度は高くなることがある。一方で、雑多なデータを大量に集めても、交絡とバイアスが強ければ、モデルはむしろ悪化する。製品でも同じです。あらゆる顧客から要望を集めるより、刺さる顧客像を明確にした少量の濃い学習のほうが、ずっと強い市場適合を生みます。

ここでの鍵は、売上をいきなり最大化しようとしないことです。最初にすべきなのは、再現可能な学習条件を作ることです。どの属性の顧客が反応するのか。どの利用場面で価値が立ち上がるのか。どのメッセージが商談化を生むのか。これらが見えれば、ようやくスケールの議論が始まります。スケールはPMFの後に来るのであって、PMFの代わりにはなりません。

Key Takeaways

顧客の要望をそのまま機能に変換しない 要望は答えではなく仮説。背後の行動、制約、代替手段を先に探る。
PMFは市場との相性ではなく、学習の精度である 何を特徴量として扱うかで、製品の勝ち筋は大きく変わる。
PM, マーケ, 営業は別仕事ではなく同じ学習ループ PMは仮説を作り、マーケは表現に変え、営業は現場で検証する。
営業に必要なのは気合ではなく、選別基準 誰に売るべきか、なぜ響くのかを明確にすると、営業効率は一気に上がる。
まずは一人に刺さる設計から始める 10人、100人への拡張は、その一人の成功を再現できてから考える。

結論: 製品を作るとは、市場を予測するモデルを育てること

私たちはつい、製品を「機能の集合」として見てしまいます。しかし本当は、製品とは市場の反応を予測するためのモデルです。PMはそのモデルの設計者であり、マーケは特徴量の伝え方を磨く人であり、営業は現実のデータを回収する人です。誰か一人が頑張れば解決する話ではなく、学習の仕組みそのものを整える必要がある。

だから、売れないときに問うべきは「誰が悪いか」ではありません。問うべきは、「私たちは何を入力として見ていて、何を出力として目指し、どのノイズを真実だと誤認しているのか」です。その問いに答えられたとき、PMFは偶然の成功ではなく、再現可能な方法になります。

市場は待っているのではなく、学習されるのを待っている。 その学習が正しければ、営業は売れるようになり、マーケは語るべき言葉を得て、PMは本当に作るべきものを見つける。製品づくりの勝負は、実は開発より前に始まっているのです。