なぜ優れた判断は「分類」ではなく「仮説」から始まるのか

Hatched by tttt

Jun 02, 2026

1 min read

3 views

86%

予測が外れる本当の理由は、モデルではなく問いにある

AIでもプロダクトでも、失敗の原因はたいてい「精度が低いこと」ではありません。もっと手前にあるのは、何を当てにいくのかを決める問いが雑であることです。学習データとテストデータを分ける理由は、単に評価のためではありません。未来に通用するかどうかを確かめるために、過去の成功に酔わない仕組みを作るためです。

この視点は、プロダクト開発にもそのまま移せます。良い製品は「みんなに向けた便利なもの」から生まれるのではなく、誰の、どんな永続的な問題を、どの摩擦の少ない方法で解くかという仮説から生まれます。ここで重要なのは、問題を定義する前に解決策へ飛びつかないことです。なぜなら、解くべき問題を誤れば、どれだけ賢い実装でもただの過学習になるからです。

優れた製品づくりとは、正解を作ることではない。未来でも崩れない問いを作ることだ。

未来で通用するかを測るには、過去への最適化を疑う

機械学習の世界で最も有名な教訓のひとつは、学習データだけで高得点を取っても意味がない、ということです。学習データに合わせ込みすぎると、見たことのないデータに弱くなります。これが過学習です。つまり、モデルが現実の法則を学んだのではなく、過去の例外やノイズまで暗記してしまった状態です。

これは人間の意思決定でも同じです。例えば、過去のヒット商品を分析して「若者向け、短尺、低価格、SNS映え」を揃えれば売れる、と考えるのは危険です。それは成功の本質を学んだのではなく、たまたま成功した表面の共通項を暗記しているだけかもしれません。市場は常に少しずつ変わるので、昨日の勝ち筋をそのまま今日に持ち込むと、いちばん大事なところで外します。

ここで大切なのは、トレーニングデータとテストデータの分離は、時間の分離であると同時に、思考の分離でもあるという点です。過去の事例は学ぶために使う。しかし、それが本当に効くかどうかは、まだ見ていない未来の状況で試さなければならない。プロダクトの文脈で言えば、顧客インタビューで得た理解は訓練データにすぎません。実際に購入され、継続利用され、競合より選ばれるかどうかがテストです。

だから、良いチームは最初から「成功したい」と言うのではなく、「何をもって成功とみなすか」を定義します。学習のうまさと実運用の強さは別物です。ここを混同すると、見かけの精度だけが上がり、本番では何も起こらないという悲劇が起きます。

分類とクラスタリングの違いは、実は市場理解の深さの違いでもある

分類は、あらかじめあるラベルに当てはめる作業です。犬か猫か、勝ちか負けか、買うか買わないか。これは非常に強力です。なぜなら、意思決定を速くし、施策を明確にし、運用を可能にするからです。しかし同時に、分類は世界を狭くします。最初からラベルがある前提で見るので、ラベルに収まらない現実を見落としやすいのです。

一方でクラスタリングは、正解を与えずに似たもの同士をまとめます。馬で言えば、スピード型、スタミナ型、重馬場得意型のような自然な群れが見えてくる。プロダクトでも同じで、年齢や属性だけでなく、行動や文脈で見ると、まったく違うセグメントが浮かび上がります。たとえば、同じ30代でも、時間がないから即決したい人と、比較検討を楽しむ人では、必要な体験が全然違います。

この違いは単なる分析手法の話ではありません。もっと本質的には、市場を「既存の箱に入れる」のか、「まだ言語化されていない塊を見つける」のかという姿勢の違いです。多くの失敗するプロダクトは、分類だけで市場を理解した気になっています。「20代女性」「中小企業」「健康意識の高い層」といったラベルは便利ですが、ラベルは問いを小さくするだけで、問題を解いたことにはなりません。

市場はカテゴリではなく、摩擦のパターンでできている。

この視点で見ると、優れたクラスタリングとは、単に似た人をまとめることではなく、同じ不便を共有している人を見つけることです。言い換えれば、セグメントとは属性の束ではなく、未充足の仕事の束です。ここを取り違えると、見た目は似ているが必要なものが違う人たちを、ひとつの製品で無理やりまとめてしまいます。

本当に難しいのは、「誰に」ではなく「何を解くか」を固定すること

製品市場適合性の仮説で最も重要なのは、ペルソナ、需要、摩擦の三つを分けて考えることです。まず「誰か」を仮説化する。次に、その人が抱える永続的な問題や仕事を定義する。そして最後に、現在の代替手段よりも十分に優れた解決策を示せるかを確かめる。この順番が崩れると、すべてが曖昧になります。

多くのチームは、最初から「この機能が必要だ」と考えてしまいます。しかし、機能は答えではありません。機能は、問題が定義されたあとに初めて意味を持つ実装です。たとえば、配車アプリの本質は車を呼べることではなく、移動の不確実性を減らすことです。宅配サービスの本質は荷物を運ぶことではなく、手間と待ち時間の摩擦を下げることです。ここを見誤ると、似た機能を足しても顧客には刺さりません。

このとき役に立つのが、「問題を解く」という言葉を、もっと厳密に扱うことです。問題には少なくとも三層あります。

表面の不満: 使いにくい、遅い、わかりにくい
行動の阻害: 途中でやめる、比較が面倒、信頼できない
恒常的な仕事: 早く済ませたい、失敗したくない、安心したい

表面の不満は変わりやすいですが、恒常的な仕事は長く残ります。だから製品は、UIの微調整で勝つより、仕事そのものを再定義できるかで差がつきます。たとえば「書類整理が面倒」という不満に対して、単にフォルダを増やすのは表面対応です。対して、必要な書類を自動で収集し、期限を知らせ、提出まで導くなら、仕事の流れそのものを変えています。

この差は、まさに過学習と汎化の差です。目先の不満にだけ合わせ込むと、環境が変わった瞬間に効かなくなる。永続的な仕事に合わせると、多少のUI変更や市場変化にも耐えられる。つまり、優れたプロダクト仮説とは、未来の変化を見越しても崩れにくい抽象度に立つことなのです。

フィルターバブルは、プロダクトチームの内側にも生まれる

フィルターバブルという言葉は、たいてい情報消費の偏りを指します。自分の好みに合わせて最適化されすぎると、世界が狭くなる。面白いのは、この現象がユーザーだけでなく、作り手側にも起こることです。チームは自分たちが信じたい仮説ばかり集め、都合のよいデータだけ見て、「やっぱりこの方向で正しい」と確信してしまう。

これはアルゴリズムのバイアスというより、組織の認知のバブルです。営業が喜んだ、知人が褒めた、インタビューで反応がよかった。こうしたシグナルは重要ですが、すべて訓練データです。しかも、声の大きい少数に偏りやすい。大切なのは、そうした反応を鵜呑みにすることではなく、どの条件でそれが崩れるかを探すことです。

ここで、テストデータの発想が強く効きます。製品のアイデアを検証するときは、好意的な相手に聞くだけでは足りません。自分の仮説を壊しにいく必要があります。たとえば、以下のような問いを立てます。

この人は本当に買い手なのか
今の代替手段より十分に優れているか
もし価格が2倍ならまだ使うか
もし機能が半分でも価値は残るか
別のセグメントでも同じ問題が起きているか

こうした問いは、単なるアンケートではなく、仮説の耐久試験です。良い製品戦略は、盛り上がる仮説を選ぶことではなく、壊れにくい仮説を残すことです。

市場調査の役割は、賛成者を増やすことではない。仮説の弱点を見つけることだ。

実務で使えるひとつのフレームワーク: ラベルより摩擦を測る

ここまでの話を、実務で使える形に圧縮すると、次のフレームワークになります。市場や顧客を見るとき、属性ではなく摩擦を軸に観察するのです。

1. まずラベルを外す

「30代女性」「個人事業主」「初心者」といったラベルは一旦脇に置く。代わりに、その人が何を達成しようとしているかを見る。

2. 次に、仕事を一文で書く

「私は何を片付けたいのか」「何を避けたいのか」「何を早く終えたいのか」を、解決策抜きで書く。

3. 代替手段を観察する

顧客は今どうやってその仕事をこなしているか。エクセル、メモ、口頭、我慢。そこに本当の市場が見える。

4. 摩擦の大きさを測る

時間、認知負荷、失敗リスク、心理的抵抗。どの摩擦が最も高いかを特定する。

5. テストデータで壊す

別の文脈、別のセグメント、別の価格帯で同じ仮説が生きるかを確認する。

このフレームワークの価値は、顧客理解をより「正確」にすることだけではありません。むしろ、製品の本質を属性の外側に置き直すことにあります。属性は変わるが、摩擦は繰り返される。だから摩擦を見れば、まだ言語化されていない需要の芯に近づけます。

たとえば、同じ「健康に関心がある人」でも、ジムに通いたい人、食事を整えたい人、数字で管理したい人では、摩擦の種類が違います。分類ではひとつに見えても、クラスタリングと仕事分析を重ねると、全く別のプロダクト機会が見えてくるのです。

Key Takeaways

学習データに合うことと、未来で通用することは別。過去の成功パターンを暗記するだけでは、すぐに過学習になる。
良いプロダクト仮説は、誰に届けるかより先に、何を解くかを定義する。機能ではなく、永続的な仕事に焦点を当てる。
分類だけで市場を理解しない。属性のラベルではなく、共通する摩擦や未充足の仕事で顧客を見直す。
フィルターバブルはユーザーだけでなく作り手にも起きる。自分たちに都合のよい反応を訓練データとして扱い、必ずテストで壊す。
仮説検証の目的は賛成を集めることではない。壊れやすい仮説を早く捨て、壊れにくい仮説だけ残すこと。

もっとも重要な問いは、「この答えは誰の未来にも効くのか」

優れた判断とは、過去にうまくいったものをうまく複製することではありません。むしろ、過去のノイズに引きずられず、未来でも残る構造を見抜くことです。機械学習で学習と検証を分けるのも、プロダクトで問題と解決策を分けるのも、結局は同じことをしています。現実は一度きりの成功例ではなく、繰り返し現れる摩擦の集合だと認めることです。

だから、次に新しいアイデアを見たら、こう問い直してみてください。「これはうまく見えるか」ではなく、「これは別の環境でも崩れないか」。この問いに耐える仮説だけが、真に市場に適合します。つまり、最も強いプロダクトは、最も派手な答えではなく、最も深い問題定義から生まれるのです。