🔖仮説検証

Overview

仮説を立てて検証する思考法について, マーケティングやスタートアップの文脈をまとめる.

• コンサル寄りの思考は📝仮説思考にまとめる.
• 科学的寄りの思考は📝科学的思考にまとめる.

🐥Glossary

Approve

採用

Reject

棄却.

仮説検証: What

📝仮説が事実かどうか検証する. 仮説はまちがっているかもしれない.

仮説検証: How

• 統計データやグラフ(定量的
• MVPの作成と実験(定量的)
• インタビュー (定性的)
• 調査・検索(定性的)
  • Google
  • チャットAI

🔖仮説検証サイクル

仮説検証フレームワークまとめ. 名前が付いているが過去の焼き回しなものも多い印象.

仮説検証のフローを１回実施することを仮説検証サイクルという.

そして何度も高速でサイクルを回すことが大事と強調される. この何度もサイクルを回していくことは, しばしば 仮説検証スパイラル, 仮説検証ループ とも言われる.

• 📝BMLサイクル: リーンスタートアップ
• 📝グロースエンジン: グロースハック
• 📝スプリント: スクラム開発

ビジネスに限定しなければ, スクラム開発で検索すると情報がたくさん出てくる印象がある.

📝PDCAサイクル

有名すぎる.

• Plan
• Do
• Check
• Action

仮説検証ツール

仮説検証学習サイクルを可視化するためのフレームワーク(思考の枠組み), ツール(ソフトウェア). 両者は混ざっていることも多い.

仮説検証学習サイクル＝実験管理.

ロジックツリーによる進捗管理

📝ロジックツリーは問題の分解図だが, このツリーを元にして優先順位に従って進めることで進捗管理みたいなこともできる.

• イシュー #1
  • サブイシュー #1-1
    • キークエッション #1-1
      • ファクト
  • サブイシュー #1-2
    • キークエッション #1-2
      • ファクト
      • ファクト
  • サブイシュー #1-3
    • キークエッション #1-3
      • ファクト

例えば検証したい論点に対して GitHub Issueを立てるとか.

キークエッション

YES/NOで答えれられる問いであり, これがNoならば仮説の見直しが必要.

カンバンボード

カンバンボード機能はいろんなタスク管理ツールに実装されてる.

Trelloが有名.

ジャベリンボード

起業の科学で紹介されていたもののあまり情報がないな.

英語では Jabelin Experiment Boardという.

• 仮説検証学習サイクルを可視化するツール「Experiment Board」 - Product Run - Medium

Experiment Report

リーンスタートアップのとくにBMLに特化して可視化するためのフレームワーク. Zach Niesがまとめた.

日本語訳: リーンスタートアップのリフレーミング：Frame-Build-Measure-Learn（構成-構築-計測-学習） - UXploration

ポイントは BMLにFrame(構成)を加えたこと. Framing(構成)と Unframing(分解)を繰り返し、意味性を追加する.

Frame(構成)には課題の構成と実験の構成からなる. 課題の構成とは, まずなにを学ぶか or どのような課題を解決したいのか, という構成から始める.

実験の構成は, 背景, 仮説, 実験方法, 期待する計測結果を言語化する.

1. 問いの設定. ユーザーはいるか？課題はあるか？
2. アサンプションを洗い出す. 最もリスクの高い思い込みは？
3. 仮説化する. 検証可能なものにする.
4. 実験方法を考える. 開発せずに検証するにはどうすれば?
5. 実験する, 試してみる.
6. 結果を計測する.
7. なにを学んだかを確認する.
8. 繰り返す.

---

• refs.
  • 仮説検証学習サイクルを可視化するツール「Experiment Board」
  • 日本語訳と同じ人のMedium.

🔖仮説検証基盤

• 💡投資戦略を大量生産するリサーチラボを稼働させる
• 🔖アウトプット駆動開発

仮説検証Topics

• 🔖科学者マインド
• 📍ChatGPTを問題解決/仮説検証に活かすには?
• 💡一次情報と二次情報

Enlightens

• 🔦問題を解くためには仮説と検証を繰り返すしかない

💡仮説検証のキモは学び

仮説検証の目的は学びである.

そして学びから得られるものは, 仮説の確度 と 新たな情報 である.

💡仮説は検証によってどの程度確からしいかを学ぶ

仮説の確度 = 確からしさは 0 or 1 ではない.

i.e. 離散的ではなく連続的である.

検証を通して どの程度確からしいか を学ぶことができる.

💡ビジネスでは綿密な分析よりも雑で素早い分析

ビジネスの現場では, 綿密な分析ではなく雑で素早い分析がいい. BCGのコンサルタントはチラシの裏でちょちょっと計算するらしい.

📐コンサルの分析の基本はクイック&ダーティー

同じ話は, マッキンゼー出身のロコンド社長も言っていた.

💡イシューアナリシスはまずイシューを砕いて3つの疑問文をつくる

なにも根拠が無いよりかは, 簡単な皮算用でもいいので素早く計算なり仮説を構築して, とりあえず先に進む. しかし確からしさで言えば簡単な検証でもいいんだ. 雑でもいいので仮説を構築しつつ前に進む.

---

• ✨日常の仮説思考で平均と標準偏差から異常と判断する基準を素早く決める

💡まずはつくるよりもググる

一番コストのかからない気軽な仮説検証手法はサーベイ, もっと言えばGoogle検索. なによりつくるよりも圧倒的に速く気軽にデキル. 👨馬田さんは10ページくらいスクロールして調べたほうがいいと言っている.

検索すればすでに誰かが考えていたり, 実験してしまっていたりすることが多い. アカデミックなトピックならば, 論文漁りも. 過去に誰かが検証しているならばそれを活用する.

ビジネスにおける仮説検証の元ネタは科学における仮説演繹法

19世紀に発展した科学における仮説演繹法がビジネスにそのまま応用させて発展している.

目に見える事象から目に見えない未知の物理法則や化学物質を解明するときに, 仮説を立ててそれを調べる方法は, 従来の網羅的な手法よりも遥かに効率がよかった.

---

• 📝仮説演繹法(アブダクション)
• 💡19世紀から科学の対象が目に見えないモノになりアブダクションを発展した

Insights

• 🌳仮説検証

References

• 💻ビジネスの仮説検証と実験の考え方 - FoundX
• もう「データ分析」は聞き飽きた仮説ドリブンの”真”の課題発見｜稲田宙人 / LayerX｜note
  • ECサイトを事例にした仮説ドリブン事例.

🔗Related

• 📝学習棄却(アンラーニング)
• 📝実験
• 📝問題解決
• 📝仮説思考