PMFは市場への過学習を避ける技術である

売れない製品は、学習データの中では「成功している」

製品チームが「顧客の要望をたくさん取り入れたのに、なぜ売れないのか」と悩むとき、そこには機械学習の過学習と同じ構造が隠れている。

過去の顧客、声の大きいユーザー、社内で繰り返された成功事例に製品を合わせ続けると、チームは一見すると賢くなる。要望への対応数は増え、既存顧客への説明も滑らかになり、営業資料も充実する。しかし、初めて会う顧客には価値が伝わらない。実際の市場では、予測精度が急落する。

これは単なる営業やマーケティングの問題ではない。製品が、既知の顧客に対してだけ過度に最適化されている問題である。

機械学習では、訓練データとテストデータを分ける。訓練データで高い精度を出しても、未知のデータに対応できなければ、モデルは実用にならない。同じように事業では、既存顧客から得た知識だけでなく、まだ十分に理解していない市場で価値が再現するかを検証しなければならない。

ここから、製品市場適合、営業、マーケティング、顧客インタビュー、そしてフィルターバブルという一見別々のテーマが、ひとつの問いに収束する。

私たちは本当に市場を学習しているのか。それとも、自分たちがすでに知っている顧客だけを何度も見ているのか。

PMFとは「当たること」ではなく「未知の顧客にも当てられること」

製品市場適合、つまりPMFは、単に製品が売れた状態ではない。たまたま一社に導入されたことや、創業者の人脈で最初の顧客を獲得できたことだけでは、PMFが成立したとは言い切れない。

より正確には、PMFとは特定の顧客課題に対する価値が、顧客が変わっても再現する状態である。

たとえば、経理部門向けの業務効率化ツールを考えてみよう。最初の顧客が、創業者の知人である大企業の経理責任者だったとする。その顧客は、導入のために社内調整をしてくれ、細かい設定にも付き合い、製品の不足機能を丁寧に教えてくれる。チームはその声を受けて機能を追加し、製品を改善する。

ところが、次の顧客は従業員三十人の会社だった。専任の情報システム担当者はいない。導入にかけられる時間も少ない。大企業向けに追加した高度な権限管理は必要ないが、初期設定の簡単さと導入後の効果が重要だった。

最初の顧客にとっての「良い製品」と、次の顧客にとっての「買う理由」は一致しない。前者に忠実であるほど、後者から遠ざかることもある。

機械学習で言えば、これは訓練データの偏りである。モデルが過去のデータの細部を覚えすぎると、そこに含まれる偶然まで一般則だと勘違いする。製品も同じだ。ある顧客の特殊な業務フロー、ある担当者の好み、ある業界の慣習を、普遍的な市場ニーズだと誤認する。

だからPMFを測るときに重要なのは、顧客数だけではない。見るべきは、価値の再現性である。

次のような問いを立てると、売上の裏側にある一般化の度合いが見えてくる。

1. 顧客が変わっても、同じ課題が存在するか
2. 顧客が同じ言葉を使わなくても、同じ価値を認識するか
3. 営業担当者が変わっても、同じ顧客像を見つけられるか
4. 導入のきっかけと、継続利用の理由は再現しているか
5. 製品の利用結果が、顧客の主観ではなく行動や成果に現れているか

この視点に立つと、PM、マーケティング、営業の役割も変わって見える。PMは製品を作る人、マーケティングは認知を作る人、営業は契約を取る人という分業だけでは不十分である。三者はそれぞれ異なる種類のデータを集め、製品の価値が未知の顧客にも一般化するかを検証するチームなのだ。

営業とマーケティングは、製品の「テストデータ」を持っている

製品開発の現場では、営業からの失注報告やマーケティングからの反応データが、単なるフィードバックとして扱われがちだ。しかし本来、それらは製品仮説を検証するための重要なテストデータである。

PMが「この製品は中小企業の経理責任者に、月末処理の時間短縮という価値を提供する」と仮説を立てたとする。マーケティングは、その顧客群がどのメッセージに反応するかを調べる。営業は、実際にどの企業が商談に進み、どこで離脱し、誰が社内で導入を推進するかを観察する。利用データは、契約後に本当に価値が実現したかを確かめる。

この一連の流れは、機械学習の評価に似ている。

訓練に相当するのは、顧客インタビュー、既存顧客の利用状況、過去の商談、社内の仮説である。テストに相当するのは、まだ十分に接触していない顧客、別の業界、異なる規模の企業、異なる営業担当者による商談である。ここで価値が再現しなければ、製品の精度は既存顧客に対してだけ高かったことになる。

ただし、営業をテスト担当、PMを開発担当と単純に分けてはいけない。テストで失敗したとき、問題は製品そのものかもしれないし、顧客セグメントの設定かもしれないし、価値の伝え方かもしれない。重要なのは、失敗を「営業が弱い」「広告が悪い」と早急に分類しないことだ。

たとえば商談が失注したとき、少なくとも次の四つを分解する必要がある。

1. 対象の誤り: そもそも課題を持たない企業に売ろうとしていないか
2. 課題の誤り: 課題はあるが、解決の優先順位が低くないか
3. 価値の誤り: 製品が課題を解決できても、経済的な意味が伝わっていないか
4. 証拠の誤り: 効果を信じるための事例、数値、導入手順が足りないのか

この分解がなければ、失注のたびに機能を追加することになる。結果として製品は複雑になり、誰のためのものかがさらに見えなくなる。これは過学習を直すために、データの偏りを調べずモデルを複雑にするようなものだ。

営業が必要としているのは、完成した製品の説明書ではなく、どの条件で価値が生まれるかという仮説である。

「良い製品だから売ってきて」では、営業は市場に放り出された観測者になる。そうではなく、「この条件の企業では、月末処理に一定以上の時間がかかり、責任者が改善を主導できる。初回商談では処理時間と既存システムの制約を確認し、この成果を提示する」と共有すれば、営業は仮説を検証する実験者になる。

顧客を分類しすぎると、顧客が見えなくなる

ここで、分類とクラスタリングの違いが役に立つ。

分類は、あらかじめ決めたカテゴリーにデータを振り分ける方法だ。「大企業」「中小企業」「医療」「製造」といったセグメントは、営業やマーケティングにとって便利な分類である。しかし分類は、最初から人間が用意したラベルに依存している。ラベルが悪ければ、どれほど精密に分類しても、現実を見誤る。

一方、クラスタリングは、ラベルを先に決めず、行動や特徴の近さから集団を見つける。企業規模や業界ではなく、「毎週手作業でデータを転記している」「導入決裁者が現場にいる」「既存ツールへの不満が強い」といった行動の共通性から顧客群を発見する。

この違いは、顧客理解において決定的である。

ある会社が「小売業向け」として製品を売り始めたとする。しかし小売業の中には、百店舗を運営する企業もあれば、店主一人で経営する店舗もある。業界は同じでも、課題の深刻さ、導入能力、購買プロセス、成功条件はまったく違う。

逆に、業界は異なっていても、「複数拠点の在庫を毎日手作業で統合している」という同じ行動を取る企業は、同じ顧客群になり得る。

良いセグメントとは、企業の属性が似ている集団ではない。同じ理由で動き、同じ価値を感じ、同じ障害にぶつかる集団である。

実務では、分類とクラスタリングを順番に使うとよい。まず既存の分類で市場を大まかに整理する。その後、顧客の行動、導入理由、失注理由、継続率、利用頻度を並べ、分類を越えたパターンを探す。最後に、見つかった行動パターンを営業が使える言葉に変換する。

この手順を踏むと、「製造業」という広すぎる市場が、「現場データを毎日集計し、改善責任者が導入を主導する製造拠点」のように具体化される。そこでは、広告のメッセージ、営業の質問、製品の初期設定、導入後の指標が同じ仮説に結びつく。

フィルターバブルは、組織の中にも存在する

フィルターバブルという言葉は、個人が自分の好みに合う情報だけを見る現象を指す。しかし同じことは、企業の製品開発にも起こる。

PMは顧客インタビューだけを見る。マーケティングは広告のクリック率だけを見る。営業は目の前の商談だけを見る。経営陣は売上だけを見る。それぞれが自分に最適化された情報環境に閉じこもると、全員が合理的に行動しているのに、組織全体では現実から離れていく。

特に危険なのは、既存顧客の声が強すぎる場合だ。製品をすでに使っている顧客は、製品の概念を理解し、導入の手間を乗り越え、細かい不満を言語化できる。そのため、彼らの要望は具体的で説得力がある。しかし、まだ顧客になっていない人の沈黙は、要望として届かない。

既存顧客は「何を追加してほしいか」を語る。非顧客は、そもそも「なぜ今のやり方を変える必要があるのか」を語らない。後者を見なければ、製品は既存ユーザーの満足度を上げながら、市場の広がりを失う。

この罠を避けるには、組織に意図的な異物を入れる必要がある。たとえば、次のような観測を定例化する。

1. 既存顧客だけでなく、失注企業と商談に至らなかった企業を調べる
2. 最も利用頻度が高い顧客だけでなく、登録後に使わなかった顧客を見る
3. 営業の成功事例だけでなく、再現できなかった成功事例を記録する
4. 顧客の要望ではなく、実際に時間や予算を使った行動を確認する
5. セグメントごとに、継続率だけでなく導入までの摩擦を比較する

ここで大切なのは、情報を増やすことではない。自分たちの仮説が崩れる可能性のある情報を、定期的に見ることである。

良いグロースハックキャンバスも、単なる計画書ではない。その価値は、チーム全員が同じ仮説を書き、どの事実がそれを支持し、どの事実が壊すのかを共有できる点にある。キャンバスは地図というより、誤差を発見するための観測装置なのである。

一人目の顧客を「教師データ」にしないために

「まず一人の顧客に刺さる製品を作る」という原則は、スケールを急がないという意味では正しい。しかし、その一人を市場全体の代表だと扱ってはいけない。

最初の顧客は、製品に最も強く反応する特殊な存在である可能性が高い。問題意識が強く、導入に協力的で、多少の不具合を許容し、チームに多くの時間を割いてくれる。その顧客から学べることは多いが、その顧客の条件を一般化できるとは限らない。

したがって、初期顧客との関係は二段階で設計すべきだ。

第一段階は、深く刺さることの確認である。その顧客が本当に困っているのか、製品を使って行動が変わるのか、対価を払うほどの価値を感じるのかを確かめる。

第二段階は、少し条件を変えて再現性を試すことである。企業規模、担当者、業界、導入経路、利用目的のどれかを変え、価値が残るかを見る。ここで価値が消えるなら、製品が悪いのではなく、仮説の適用範囲が狭いと分かる。

この考え方を、一般化の梯子として整理できる。

1. 一人の顧客で、課題の存在を確認する
2. 複数の顧客で、同じ価値が生じるか確認する
3. 顧客の属性を変え、価値の境界を確認する
4. 営業担当者やメッセージを変え、発見経路の再現性を確認する
5. 利用データで、契約後の成果が再現するか確認する

各段階で見るべきなのは「何社売れたか」だけではない。どの条件が変わっても、何が変わらずに残るのかである。

たとえば、顧客が共通して評価するのが「高機能な分析画面」ではなく、「毎週三時間の手作業がなくなること」なら、製品の中心価値は画面ではなく時間の回復である。この発見によって、開発の優先順位、広告の表現、営業の質問、成功指標が一つにつながる。

Key Takeaways

1. 既存顧客の要望を、そのまま市場ニーズだと見なさない。要望の背後にある行動、課題の頻度、支払い意志を確認する。
2. 営業とマーケティングを、販売部門ではなくテスト環境として扱う。失注や低反応は、製品仮説を更新するデータである。
3. 属性による分類と、行動によるクラスタリングを使い分ける。「中小企業」より「導入を主導する担当者がいて、毎週同じ手作業に困っている企業」の方が実行可能な顧客像になる。
4. 仮説を壊す情報を定例的に見る。失注、未利用、商談前離脱を、既存顧客の声と同じ重要度で分析する。
5. 一人目の顧客から、すぐに市場全体を推論しない。顧客や条件を変えながら、価値の再現範囲を段階的に確かめる。

製品市場適合を、売上の勢いとしてだけ捉えると、企業は短期的な成功に過学習する。反対に、PMFを未知の顧客への一般化能力として捉えると、営業、マーケティング、開発、顧客理解は一つの学習システムになる。

市場は、こちらが作った分類表の中に存在しているわけではない。顧客が実際に何をし、何を避け、何に時間とお金を使うかという行動の中に存在する。

本当に強い製品とは、最も詳しく説明できる製品ではない。自分たちがまだ知らない顧客に出会ったときにも、価値を発見され、使われ、成果を生み出せる製品である。

そして強い組織とは、自分たちの仮説を守る組織ではない。仮説が通用しない場所へ、意図的に出ていける組織である。