なぜ市場に刺さらない製品は、学習データが足りないのか

Hatched by tttt

May 21, 2026

1 min read

3 views

91%

その製品、売れないのは機能不足ではなく「学習不足」かもしれない

新しい製品が売れないとき、私たちはついこう考えます。機能が足りないのか、価格が高いのか、営業が弱いのか、認知が足りないのか。けれど本当に問うべきなのは、もっと根本的なことです。その製品は、誰について何を学んだ結果なのか。

多くの失敗は、製品が悪いから起きるのではありません。製品を作るための学習が曖昧なまま、学習結果を売ろうとするから起きます。まるで十分に訓練していないモデルに本番予測をさせるようなものです。学習データが雑なら、テストデータで崩れます。市場で刺さらない製品も同じです。誰にとっての価値なのかを学んでいないなら、営業もマーケも動きようがありません。

この視点で見ると、PM, マーケ, 営業の役割分担は単なる組織論ではなく、市場という未知のデータにどう向き合うかという学習設計になります。

PMFとは、製品と市場の相性ではなく「仮説の精度」である

PMF, Product Market Fit は、しばしば「市場に受けること」と訳されます。けれど実際には、もう少し鋭く捉えたほうが本質に近いです。PMFとは、ある顧客セグメントについて、価値仮説が十分に当たっている状態です。

ここで重要なのは、製品が市場に「広く」受けることではありません。最初に必要なのは、たった一人の顧客、あるいは極めて明確なタイプの顧客に対して、深く当たることです。競馬で言えば、あらゆるレースで万能に当たるモデルを最初から目指すのではなく、特定の条件下で勝ち馬を高確率で当てられるかを見極める段階に近い。まずは局所的に当て、その後に一般化するのです。

ここで陥りやすい罠が、顧客の要望をそのまま足し算することです。顧客は「これが足りない」とは言えても、「何が本当の原因か」までは見えていないことが多い。だから、聞こえのいい要望をそのまま実装すると、学習データに過剰適合したモデルのように、特定の声には反応するが、本番では役に立たない製品になります。過学習した製品は、要望には忠実だが、現実には不忠実です。

製品開発で大事なのは、要望を集めることではなく、要望の背後にある行動パターンを学ぶことだ。

このときPMの仕事は、機能を増やすことではなく、市場のどの断片に対して、どんな価値命題が成立するかを定義することです。つまりPMFは偶然のヒットではなく、仮説の精度です。

営業とマーケは「売る人」ではなく、モデルの汎化能力を試す人である

組織がうまくいかないとき、よくある会話があります。

PMは「なんで売れないの？」と悩む。マーケは「これはうちのマーケ施策に乗せるべき製品ではない」と感じる。営業は「とにかく売ってこいと言われても、誰にどう刺さるのか分からない」と困る。

このズレの正体は、役割の不一致というより、検証の単位が揃っていないことです。PMが作るのは製品そのものではなく仮説の塊であり、マーケはその仮説を市場に投げて反応を見る装置、営業はその仮説が実際の商談で成立するかを確認する装置です。三者はバラバラに働くのではなく、同じ問いに違う形で答えるべきです。

ここで役立つのが、機械学習の発想です。トレーニングデータは「何が勝ち筋か」を学ばせるためのもの、テストデータはその学びが未知の状況でも通用するかを見るためのものです。これを営業とマーケに置き換えると、PMがつくるのは学習済みモデルではなく、どのデータを見て学ぶかという学習設計です。

たとえば、あるBtoBソフトがあるとします。PMが「便利そうだから」と機能を足し込み、マーケが広く広告を打ち、営業が全業種に片端から提案する。これでは、どのセグメントで本当に反応が出たのかが分かりません。逆に、対象を「従業員100人から300人の急成長SaaS企業で、導入担当が少人数のチーム」に絞れば、反応の良し悪しが学習可能になります。営業の時間も最適化され、マーケもメッセージを磨ける。セグメントの明確化は、売上のためだけでなく、学習のために必要なのです。

マーケは認知を作る人ではなく、仮説の輪郭を濃くする人です。営業は押し売りをする人ではなく、仮説が現場で成立するかを試す人です。こう捉えると、三者の連携は急にシンプルになります。誰に、どんな価値を、どの文脈で届けるのか。この問いに対する解像度を揃えることが、組織の前進条件になるのです。

分類とクラスタリングの違いは、顧客理解の深さにそのまま現れる

市場理解を考えるうえで、分類とクラスタリングの違いは非常に示唆的です。分類は、あらかじめ決めたラベルにデータを当てはめる方法です。たとえば「勝つか負けるか」「導入するかしないか」のように、正解がある世界では分類が有効です。一方、クラスタリングは、まだ正解が分からない状態で、似ているもの同士を自然にまとめる方法です。

この違いは、そのまま製品開発に当てはまります。多くのチームは、まだ市場の構造が見えていないのに、いきなり分類しようとします。つまり、「この機能が必要な人」「この業界の人」「この役職の人」と、既存のラベルで市場を切り分けてしまう。しかし本当に見るべきは、表面的な属性ではなく、行動の似方です。

たとえば、同じマーケティング責任者でも、ある人は「広告予算の最適化」に悩み、別の人は「営業との連携」で悩み、さらに別の人は「社内説得」に苦しんでいるかもしれない。属性は同じでも、欲しい価値は違う。逆に、業界が違っても「初回導入後の定着率に悩む」「意思決定者が多く稟議が長い」といった行動パターンが似ていれば、同じ解決策が効くことがあります。

ここで大事なのは、市場は最初からラベル付きではないという事実です。顧客インタビューや問い合わせ、商談、利用ログは、まだ意味が確定していない生データです。それを丁寧にクラスタリングすることで、真のセグメントが見えてきます。そして、そのあとで初めて分類が可能になる。つまり、良いPMは、いきなり答えを当てる人ではなく、まず市場を意味ある塊に分ける人です。

市場を理解するとは、顧客をラベルで切ることではない。似た痛み、似た行動、似た意思決定の癖を見つけることだ。

この視点は、フィルターバブルにもつながります。自分向けに最適化された情報ばかりを見ていると、世界が狭くなります。企業の製品開発も同じで、社内の思い込みだけで情報が最適化されると、市場の本当の姿が見えなくなる。だからこそ、意図的に外れ値や失敗例を観察し、クラスタリングの発想で未知のパターンを探る必要があるのです。

失敗しないチームは、製品を作る前に「何を学ぶか」を決めている

ここまでの話を一つにまとめると、製品開発の本質は機能設計ではなく学習設計です。どの顧客を見て、何を仮説として置き、どの行動を観測し、何をもって学びが成立したと判断するのか。これが決まっていないと、組織はすぐに「もっと機能を」「もっと売って」「もっと認知を」と、別々の正論を叫び始めます。

実際に強いチームは、会議の前に小さなキャンバスを描きます。誰が顧客か。どんな困りごとか。なぜ今なのか。何をやめてまでこれを選ぶのか。こうした仮説を、完全でなくてもよいので可視化する。すると会議が、意見のぶつけ合いではなく、検証設計の場に変わります。

ここで有効なのが、最初の一人に刺さることを最優先するという原則です。これは市場を小さく見ろという意味ではありません。むしろ逆で、最初の一人に深く刺さる製品は、その後の拡張可能性を持つからです。最初の一人に刺さらない製品は、十万人にも刺さりません。なぜなら、価値の核が曖昧だからです。

たとえば、ある業務ツールが「全員に便利」を目指しているとします。現実には、誰にとっても中途半端になりがちです。ところが、最初の顧客を「毎週の手作業レポートに3時間取られている小規模チーム」に絞れば、明確な価値が作れます。導入前後の変化も測りやすい。営業は誰に売るべきか分かり、マーケは何を訴求すべきか分かり、PMは次にどこを伸ばすべきか分かる。こうして、学習が循環し始めます。

この循環こそが、PMFの正体です。PMFとは静的な到達点ではなく、学習が市場に収束していく動的な状態です。だから、一度PMFが来たら終わりではない。顧客が変われば、競争環境が変われば、データも変わる。再び仮説を立て直し、再学習する必要があります。