仮説生成力を鍛える 💡 スタートアップの仮説思考 (2)

Slide 1

Slide 1 text

https://foundx.jp/ Takaaki Umada / 馬田隆明東京大学 FoundX（インセプションプログラム） https://foundx.jp/ スタートアップの仮説思考 (2) 仮説生成力を鍛える

Slide 2

Slide 2 text

スライドが本になりました本スライドを基にした書籍『仮説行動』発売 2 第1部仮説行動を理解するなぜ仮説は重要なのか仮説行動の全体像第2部仮説を強くする仮説を生成する仮説を検証する仮説マップを生成／統合するループの停滞を回避する第3部仮説を現実にする仮説を評価する決断する仮説を実行する第4部大胆な未来を実現する影響度の大きな仮説を目指す目次

Slide 3

Slide 3 text

仮説思考の全体像仮説思考には四つの段階がある。 3 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 意思決定

Slide 4

Slide 4 text

今回は「仮説生成」について解説する今回はプロセスの中でも仮説生成について解説する 4 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 意思決定

Slide 5

Slide 5 text

5 全体像の詳細は「仮説思考入門」で https://speakerdeck.com/tumada/jia-shuo-si-kao-ru-men-sutatoatupufalsejia-shuo-si-kao-1

Slide 6

Slide 6 text

スタートアップの仮説生成 7

Slide 7

Slide 7 text

スタートアップの代表的な仮説初期のスタートアップには検証するべき様々な仮説がある。 8 課題仮説解決策仮説価値仮説製品仮説 (機能・体験) 製品の実現性仮説市場仮説成長方法仮説実行仮説創業チーム仮説組織仮説ビジネスモデル仮説戦略仮説ファイナンス仮説

Slide 8

Slide 8 text

スタートアップの代表的な仮説初期のスタートアップには検証するべき様々な仮説がある。 9 課題仮説解決策仮説価値仮説製品仮説 (機能・体験) 製品の実現性仮説市場仮説成長方法仮説実行仮説創業チーム仮説組織仮説ビジネスモデル仮説戦略仮説ファイナンス仮説これの仮説をすべて生成して検証を通して仮説の確からしさを総合的に上げていく

Slide 9

Slide 9 text

10 起業家は常に仮説を生成し続ける必要がある

Slide 10

Slide 10 text

スタートアップで度々求められる「仮説」起業家は常に新しい仮説を生み出し続けなければならない職種である。 11 • マーケティング施策の仮説 • 採用に関する仮説 • 組織に関する仮説 • 新製品に関する仮説 • etc

Slide 11

Slide 11 text

時間最後の仮説さえ合ってれば良い？ 13 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 意思決定 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却

Slide 12

Slide 12 text

時間実はそんなことはない 14 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 意思決定 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却

Slide 13

Slide 13 text

15 最初が微妙な仮説だと良いフィードバックが貰えずサイクルが回り始めない（質の低い仮説だと顧客や同僚に取り合ってもらえない）

Slide 14

Slide 14 text

微妙な仮説を検証にかけたときによくあること 16 検証の学びが少ない微妙な仮説だと、検証フェーズに入ったときに、顧客や顧客候補から「良いと思う」程度の微妙なフィードバックしかもらえず、仮説の改善がしづらい。そもそも実験できない微妙な仮説だと顧客候補を紹介してもらえることが少なくなり、そもそも顧客を通した検証ができない。

Slide 15

Slide 15 text

良い仮説生成ができないと… THE SCIENTIFIC METHOD (AGW Falsified) by Dr. Vincent Gray 17 現象観察仮説生成実験⇒ データデータ分析仮説の検証仮説の確認仮説の反駁仮説の洗練仕組み化顧客の顧客を通した顧客や社会の

Slide 16

Slide 16 text

良い実験が行えず詰んでしまう THE SCIENTIFIC METHOD (AGW Falsified) by Dr. Vincent Gray 18 現象観察仮説生成実験⇒ データデータ分析仮説の検証仮説の確認仮説の反駁仮説の洗練仕組み化顧客の顧客を通した顧客や社会の

Slide 17

Slide 17 text

19 特に初期の仮説（アイデア）は “あまり良くない” ものが多いので良い実験ができずに”詰む”ことが多い

Slide 18

Slide 18 text

20 少しだけ見込みのある仮説を生成できたタイミングで仮説思考のサイクルが回り始める

Slide 19

Slide 19 text

22 だから、なにはともあれ良い仮説を生成しよう

Slide 20

Slide 20 text

23 仮説の生成は事実×推論

Slide 21

Slide 21 text

仮説は事実と推論から成り立つ 24 事実推論仮説

Slide 22

Slide 22 text

「雲→雨→傘」の考え方: 事実雲という事実を見る。 25 雲がある（事実）

Slide 23

Slide 23 text

「雲→雨→傘」の考え方: 推論そこから「雨が降る」ことを推測する。 26 ⛆ 雲がある（事実）雨が降るかもしれない（推論）

Slide 24

Slide 24 text

「雲→雨→傘」の考え方: 仮説雲という事実を見て、そこから「雨が降る」ことを推測し、その結果として「傘を持っていくべき」という仮説が生まれる。 27 ⛆ 雲がある（事実）雨が降るかもしれない（推論）傘を持っていくと良いだろう（仮説）

Slide 25

Slide 25 text

28 あなたは探偵

Slide 26

Slide 26 text

29 「隠れた事実」を見つけて「推理」して仮説へと辿り着くあなたは探偵

Slide 27

Slide 27 text

まず事実について 30 事実推論仮説

Slide 28

Slide 28 text

1. 事実 31

Slide 29

Slide 29 text

事実の中身を見てみると… 32 事実推論仮説

Slide 30

Slide 30 text

4 つの要素がある 33 推論仮説生成把握再解釈解釈

Slide 31

Slide 31 text

仮説生成のベースとなる「事実」ための四つの要素 34 1. 把握観察や顧客インタビューなどを用いて、現状起こっていることを把握する。 2. 生成アンケートなどの行動をして事実を新たに「生成」することもある。また顧客や社会に働きかけて、新たな事実を生成する。 3. 解釈事実認識には人の解釈やバイアスが入り込む余地がある。事実や現象をとらえようとしたときに、バイアスをうまく回避する手段を身に着ける。 4. 再解釈事実を異なる視点から見ることで、新しい事実の側面を見つけることができることもある。再解釈の方策を身に着けることで、事実の新たな側面が見えてくることもある。

Slide 32

Slide 32 text

35 (1) 事実の把握推論仮説生成把握再解釈解釈

Slide 33

Slide 33 text

二種類の事実をうまく使う 36 質的顧客インタビューや観察を通して得られる事実。量や数値では表せない情報としての事実を把握する。量的主にデータを使って事実を把握する。市場についてなど、既にデータがある場合もあるため、それらを把握すrことも市場の把握や経時的な変化には役立つが、新たな驚くべき事実が得られることはそれほど多くない。

Slide 34

Slide 34 text

Slide 35

Slide 35 text

Slide 36

Slide 36 text

39 質と量の両方の ”事実” を抑える（それぞれの重要性はフェーズによって異なる）

Slide 37

Slide 37 text

40 事実のインプットを増やすことがまず最初に行うこと

Slide 38

Slide 38 text

41 さらに事実の解像度を高めることで構造などを把握する

Slide 39

Slide 39 text

42 (2) 事実の生成推論仮説生成把握再解釈解釈

Slide 40

Slide 40 text

43 事実や情報を新たに生み出してインプットを増やす

Slide 41

Slide 41 text

仮説を作るためには事実などのインプットが必要 44 インプット (事実、情報、独自の体験)

Slide 42

Slide 42 text

事実を基に推論をして仮説を作る 45 推論仮説インプット (事実、情報、独自の体験)

Slide 43

Slide 43 text

仮説を基に製品開発をする 46 仮説製品開発インプット (事実、情報、独自の体験) 推論

Slide 44

Slide 44 text

すると何かしらのアウトプットが生まれる 47 仮説アウトプットインプット (事実、情報、独自の体験) 推論製品開発製品や MVP

Slide 45

Slide 45 text

アウトプットを出すことでフィードバックが得られる 48 仮説アウトプット製品や MVP を通して得た他人や市場からのフィードバックによる新しい情報や事実（自分だけのユニークな情報/洞察）インプット (事実、情報、独自の体験) 推論

Slide 46

Slide 46 text

するとインプットが少しだけ大きくなる 50 仮説アウトプットインプット (事実、情報、独自の体験) 推論製品や MVP を通して得た他人や市場からのフィードバックによる新しい情報や事実（自分だけのユニークな情報/洞察）

Slide 47

Slide 47 text

さらにアウトプットの過程や結果で独自の体験をする 51 仮説アウトプット推論自分だけのユニークな体験/洞察インプット (事実、情報、独自の体験)

Slide 48

Slide 48 text

するとさらにインプットが増す 52 仮説アウトプットインプット (事実、情報、独自の体験) 推論自分だけのユニークな体験/洞察インプット (事実、情報、独自の体験)

Slide 49

Slide 49 text

53 仮説を形にして世に出すと情報が生まれる仮説を誰かにぶつけるだけでも違う

Slide 50

Slide 50 text

54 アウトプット（ローンチ）をすれば「独自の情報」や「独自の体験」という「新たな事実」を得られる

Slide 51

Slide 51 text

大きくなったインプットから 55 仮説アウトプットインプット (事実、情報、独自の体験) 推論インプット (事実、情報、独自の体験)

Slide 52

Slide 52 text

大きくなったインプットから新たな仮説が生まれ 56 仮説アウトプットインプット (事実、情報、独自の体験) 推論

Slide 53

Slide 53 text

新たな仮説からさらに大きなアウトプットが生まれる 57 仮説アウトプットインプット (事実、情報、独自の体験) 推論

Slide 54

Slide 54 text

アウトプットでさらに情報や体験、事実が得られ… 58 仮説アウトプットインプット (事実、情報、独自の体験) 推論更なる自分だけのユニークな体験/洞察さらに他人や市場から得た新しい情報や事実さらに自分だけのユニークな情報/洞察

Slide 55

Slide 55 text

このサイクルが回りだす 59 仮説アウトプットインプット (事実、情報、独自の体験) 推論

Slide 56

Slide 56 text

どんどんと回していくことでインプットは大きくなり 60 仮説アウトプットインプット (事実、情報、独自の体験) 推論

Slide 57

Slide 57 text

61 仮説アウトプットインプット事実、情報、独自の体験) 推論良い仮説に辿り着ける

Slide 58

Slide 58 text

62 とにかく仮説を形にして世に出し続けるすると独自の情報を得られアドバンテージになる

Slide 59

Slide 59 text

63 行動量やアウトプットが多い人が良い仮説に辿り着きやすいのもこうしたフィードバックサイクルを回しているため

Slide 60

Slide 60 text

64 を作って今すぐローンチしよう

Slide 61

Slide 61 text

とにかく雑に作れ 65 とにかく雑に作って出す

Slide 62

Slide 62 text

66 MVP を作りローンチして独自の事実を得よう

Slide 63

Slide 63 text

67 ※アンケートやインタビューは質問によってはおかしな事実を生成してしまうこともあるので注意しながら行う

Slide 64

Slide 64 text

68 (3) 事実の解釈推論仮説生成把握再解釈解釈

Slide 65

Slide 65 text

事実にも「解釈」が含まれる（群盲象を評す）一つの事実に対しても、解釈は人によって異なることもある。 69 木のようだ蛇のようだ蛇のようだ箕のようだ壁のようだ

Slide 66

Slide 66 text

事実にも「解釈」が含まれる同じペンという事実を見ても、 • ペンがあった 70

Slide 67

Slide 67 text

事実にも「解釈」が含まれる同じペンという事実を見ても、 • ペンがあった • 黒ペンがあった 71

Slide 68

Slide 68 text

事実にも「解釈」が含まれる同じペンという事実を見ても、 • ペンがあった • 黒ペンがあった • 黒ペンがあった 72 1980年生産でたまたまその事故によって発生した世界で100 本しか生産していない超レアなペンマニアの視点解像度が異常に高い

Slide 69

Slide 69 text

事実にも「解釈」が含まれる同じペンという事実を見ても、 • ペンがあった • 黒ペンがあった • 黒ペンがあった • ペンのような盗撮カメラだ 73 1980年生産でたまたまその事故によって発生した世界で100本しか生産していない超レアな探偵ならではの視点

Slide 70

Slide 70 text

事実にも「解釈」が含まれる同じペンという事実を見ても、 • ペンがあった • 黒ペンがあった • 黒ペンがあった • ペンのような盗撮カメラだ • ペンの周りに空気がある • もしかしてこのペンは宙に浮いている…？など、様々な理解や解釈が可能 74 1980年生産でたまたまその事故によって発生した世界で100本しか生産していない超レアな

Slide 71

Slide 71 text

これは水です 75 2匹の若いサカナが泳いでおり、逆方向に泳ぐ年上のサカナに会いました。すれ違い様、年上のサカナはこう言いました。「おはよう少年たち。今日の水はどうかね。」

Slide 72

Slide 72 text

これは水です 76 2匹の若いサカナが泳いでおり、逆方向に泳ぐ年上のサカナに会いました。すれ違い様、年上のサカナはこう言いました。「おはよう少年たち。今日の水はどうかね。」 2匹のサカナは特に気にもとめず、しばらく泳いでから、顔を見合わせて言いました。「てか水って何？」

Slide 73

Slide 73 text

これは水です 77 2匹の若いサカナが泳いでおり、逆方向に泳ぐ年上のサカナに会いました。すれ違い様、年上のサカナはこう言いました。「おはよう少年たち。今日の水はどうかね。」 2匹のサカナは特に気にもとめず、しばらく泳いでから、顔を見合わせて言いました。「てか水って何？」人は意外と「事実」を認識していないときもある

Slide 74

Slide 74 text

私たちは”理論”(素朴理論含む) を通して現象を理解する THE SCIENTIFIC METHOD (AGW Falsified) by Dr. Vincent Gray 78 現象観察仮説生成実験⇒ データデータ分析仮説の検証仮説の確認仮説の反駁仮説の洗練理論化予測

Slide 75

Slide 75 text

79 私たちの事実の認識には隠れた ”理論” や “解釈” が紛れ込む

Slide 76

Slide 76 text

事実の解釈性私たちの事実把握にはどうしても解釈が紛れ込む。その解釈の歪みのもとについて解説する。 80 1. バイアスバイアスは偏りや偏見のこと。自分自身でも気づいていない認識のゆがみ。バイアスがあると適切な事実把握ができない。 2. ステレオタイプ多くの人が持つ固定観念や先入観、紋切り型の考え方、パターン化されたモノの見方。一種の「自分自身の理論」。たとえば「こういう人はこうに違いない」といったようなもの。もともとはステロ版という印刷の型から来た言葉で、型にはまったものの意味。 3. フレーミングものの見方のこと。窓のフレーム（枠）などから来ている言葉。スキーマと呼ばれることもある（少しニュアンスが異なる）。

Slide 77

Slide 77 text

81 1. バイアス（見方の偏り、誤り）

Slide 78

Slide 78 text

1. バイアスの例私たちの認識は自然状態だと偏っている。「無意識のバイアス」などと呼ばれたりする。 82 確証バイアス仮説や信念を支持する情報ばかりを集めて、自分の仮説に反する事実を集めない傾向がある（特に初回の起業家に顕著）。また自分の信念に合致する主張を信じる「信念バイアス」や自分にとって都合の悪い情報を無視したり過小評価する「正常性バイアス」などもある。可用性バイアス頻繁に起こることや、印象の強いこと、直近のこと、思い出しやすいことを過剰に重要視してしまう傾向や偏りのこと。またある事象の評価が、事前に与えられた情報にひきずられてしまう「アンカリング」などもある。

Slide 79

Slide 79 text

83 2. ステレオタイプ（解釈の型: 図は男の子らしさ、女の子らしさのステレオタイプ）

Slide 80

Slide 80 text

2. ステレオタイプの例ステレオタイプと呼ばれる解釈の「型」も事実の認識をゆがめるときがある。 84 過度な一般化や単純化をする特定のカテゴリに属する人やものを、特定の特徴と紐づける考え方。たとえば「男の子、女の子らしさ」「女性は話が長い」「高齢者はこれだから」などはステレオタイプの一つであり、こうした見方は偏見や差別に結びつきやすい。なかなか変容しない固定観念として固まっており、中々変化が起こらないのもステレオタイプの特徴として挙げられる。

Slide 81

Slide 81 text

85 3. フレーミング（枠、解釈のスキーマ）

Slide 82

Slide 82 text

86 同じ写真でもフレームが違えば印象が違う

Slide 83

Slide 83 text

3. フレーミング以下の二つは同じ情報（事実）なのに後者のほうを好ましく感じる。人はフレームによって事実認識を大きく変えてしまうことがある。 87 死亡率 10% 生存率 90%

Slide 84

Slide 84 text

88 自分の認識している「事実」は本当の「事実」ではないかもしれないことに注意する（少なくとも認識は偏っていることが多い）

Slide 85

Slide 85 text

89 (4) 事実の再解釈推論仮説生成把握再解釈解釈

Slide 86

Slide 86 text

90 受動的な (無意識的な) 事実の認識能動的な (意識的な) 事実の認識

Slide 87

Slide 87 text

91 受動的な (無意識的な) 事実の認識能動的な (意識的な) 事実の認識

Slide 88

Slide 88 text

事実の再解釈の技法意識的に事実を再解釈することで、新たな事実の側面を見ることができる。 92 リフレーミング (re-framing) 新たな視点でものを見ること、意図的に異なるフレームを当てはめて物事を見直してみること。異なる見方で事実を見ることで新たな側面に気付けることも多い。レンズ政治系では理論のことをレンズと呼ぶことがある。異なる理論で同じ現象を見ることを、「レンズを入れ替える」と言ったりする。理論を多く知ることで、私たちは多くのレンズを通して物事を見ることができるようになる。

Slide 89

Slide 89 text

リフレーミング (1) 最初に提示された情報を… 93 死亡率 10%

Slide 90

Slide 90 text

リフレーミング (2) 合えて異なる見方をしてみることで、事実の印象や意思決定などが変わったりする。 94 死亡率 10% 生存率 90%

Slide 91

Slide 91 text

メタ認知的知識を持ち、メタ認知的活動を行う自分の解釈に潜むバイアスなどに注意しながら、能動的にその解釈を変えてみて、同じ事実から新しい側面を発見すること。 95 メタ認知的 “知識” バイアスや思い込み、ステレオタイプなど、人の認知についての知識を持つこと。バイアスやステレオタイプなどの知識を持ち、それが入り込むタイミングについて知ること。メタ認知的 “活動” 自分の思考を監視して、不適切な部分を修正する活動のこと。メタ認知的知識（認知バイアスに関する知識）を持っていても、その知識を活用できる人はそう多くないため、きちんとその知識を活用できているかをチェックする。

Slide 92

Slide 92 text

再解釈を支援する道具 96 沢山の理論を知る理論（レンズ）をたくさん持つことで、事実の異なる見方を身に着けられる。理論を知ることで事実の再解釈が行えるようになる。メタ認知を行う自分の思考状態を監視するメタ認知を意識して行い、バイアスなどに極力気づき、それを省こうと努力する。もしくは異なる思考回路に持って行けるような意識付けを行う。解像度を高める解像度を高めることは異なる解釈を行うことでもあり、これを通して再解釈を行える。

Slide 93

Slide 93 text

97 人間の思考の癖を知って事実を上手に認識しよう

Slide 94

Slide 94 text

4 つの要素について解説した 98 推論仮説生成把握再解釈解釈

Slide 95

Slide 95 text

99 アウトプットをして事実を生み出しながら考え方や解釈のインプットを増やす

Slide 96

Slide 96 text

100 アウトプットをして事実を生み出しながら考え方や解釈のインプットを増やす

Slide 97

Slide 97 text

101 結局インプットとアウトプットが大事

Slide 98

Slide 98 text

事実について解説した 102 事実推論仮説

Slide 99

Slide 99 text

2. 推論 103

Slide 100

Slide 100 text

104 仮説を作るためには推論力も必要

Slide 101

Slide 101 text

次に推論の方法について 105 事実推論仮説

Slide 102

Slide 102 text

推論の三つの手法 106 事実仮説演繹法アブダクション帰納法

Slide 103

Slide 103 text

主な三つの推論法：演繹法、帰納法、アブダクション 107 演繹法帰納法アブダクション

Slide 104

Slide 104 text

まずは演繹法から 108 演繹法帰納法アブダクション

Slide 105

Slide 105 text

主な三つの推論法：演繹法、帰納法、アブダクション 109 演繹法大前提→小前提→結論の順で結論を導く推論。 1. 人間は死ぬ 2. ソクラテスは人間だ 3. ソクラテスは死ぬなどの例が有名。大前提以上の新しい情報はないが、形式に合う限り正しい。

Slide 106

Slide 106 text

110 ビジネスで使う演繹法の例

Slide 107

Slide 107 text

1. まず規則や仮定としてのベストプラクティスがある 111 社内外のベストプラクティスと状況（仮定、大前提）

Slide 108

Slide 108 text

2. 現在の状況はベストプラクティスの状況と類似 112 社内外のベストプラクティスと状況（仮定、大前提）現在のこの会社の状況（小前提）

Slide 109

Slide 109 text

3. よって結論としてベストプラクティスをするべき 113 社内外のベストプラクティスと状況（仮定、大前提）現在のこの会社の状況（小前提）この会社でもこのベストプラクティスをするべき (結論)

Slide 110

Slide 110 text

ビジネスにおける演繹法の例グローバル展開をしている戦略コンサルでよくあるパターン。社内外から集めたベストプラクティスを一つの法則として用いて結論を演繹する。ただしベストプラクティスを当てはめられるような状況かどうかを分析を行う必要や、そもそものベストプラクティスの精度が高く、例を多数熟知していることが前提としてある。 114 社内外のベストプラクティスと状況（仮定、大前提）現在のこの会社の状況（小前提）この会社でもこのベストプラクティスをするべき (結論)

Slide 111

Slide 111 text

115 推論もインプットを増やすことが鍵

Slide 112

Slide 112 text

次に帰納法のビジネスでの応用について 116 演繹法帰納法アブダクション

Slide 113

Slide 113 text

主な三つの推論法：演繹法、帰納法、アブダクション 117 演繹法大前提→小前提→結論の順で結論を導く推論。 1. 人間は死ぬ 2. ソクラテスは人間だ 3. ソクラテスは死ぬなどの例が有名。大前提以上の新しい情報はないが、形式に合う限り正しい。帰納法複数の事実から法則を導く推論。「これまで見てきた白鳥はすべて白い。よって白鳥は白い」の例が有名。すべてのケースが網羅されれば正しいが、多くの場合無理。どこかで帰納的飛躍が行われ、蓋然的推論に留まる。大量のデータを用いて精度を上げるなども可能。

Slide 114

Slide 114 text

帰納法の例：まずは事例を観察するたとえばまずは白鳥をとにかく見ていく 118

Slide 115

Slide 115 text

帰納法の例その結果として、「すべての白鳥は白い」という結論を導く。 119 全ての白鳥は白い

Slide 116

Slide 116 text

帰納法のビジネスでの例基本的には多くの人が同じ結論に行きつくことになる。 121 事実の収集多くの事例から共通のパターンを見つけること。そのため事実を幅広く集められるかどうか、事実の認識がうまくなるかどうかがカギとなる。データ分析大量のデータを用いて、そこからすべてに当てはまるパターンを導き出す。もしくは蓋然的推論を行い、パターンを導き出す。ユーザー全体に共通するものはないため、特定のセグメントに区切って考えることが多い。

Slide 117

Slide 117 text

※帰納法によって導かれた仮説は棄却されるときがあるたとえば黒い白鳥が出てきたら帰納法によって出てきた「すべての白鳥は白い」という仮説は棄却される。 122 全ての白鳥は白い

Slide 118

Slide 118 text

最後にアブダクション 123 演繹法帰納法アブダクション

Slide 119

Slide 119 text

124 アブダクション（仮説形成法）

Slide 120

Slide 120 text

主な三つの推論法：演繹法、帰納法、アブダクション米盛『アブダクション―仮説と発見の論理』を参照 125 演繹法大前提→小前提→結論の順で結論を導く推論。 1. 人間は死ぬ 2. ソクラテスは人間だ 3. ソクラテスは死ぬなどの例が有名。大前提以上の新しい情報はないが、形式に合う限り正しい。帰納法複数の事実から法則を導く推論。「これまで見てきた白鳥はすべて白い。よって白鳥は白い」の例が有名。すべてのケースが網羅されれば正しいが、多くの場合無理。どこかで帰納的飛躍が行われ、蓋然的推論に留まる。大量のデータを用いて精度を上げるなども可能。アブダクション最良の説明への推論。リトロダクション（訴求推論）、仮説形成法、仮説的推論ともいわれる。発見性は高い。ただし仮説的飛躍が行われるため、可謬性も高い（間違っている可能性が高い）。

Slide 121

Slide 121 text

アブダクションをビジネスで使うシーンビジネスにおいてほとんどの仮説生成はアブダクションになる。 126 顧客の行動や発言顧客には課題 A がある事実（結論）仮説アブダクション

Slide 122

Slide 122 text

アブダクションをさらに重ねていくビジネスにおいてほとんどの仮説生成はアブダクションになる。 127 顧客の行動や発言顧客には課題 A がある事実（結論）仮説アブダクション課題 A は製品 B で解決できるアブダクション

Slide 123

Slide 123 text

帰納法とアブダクションの違い混乱しがちな帰納法とアブダクションの違いを解説する。 128 演繹法帰納法アブダクション

Slide 124

Slide 124 text

帰納は類似、アブダクションは異種のものを導く米盛『アブダクション―仮説と発見の論理』を参照 129 帰納法: 類似の結論観察したものから一般化する。その結果、観察結果と類似の法則を導き出すことになる。アブダクション観察したことの説明を導き出す。その結果、観察したものとは違う種類の何か、時には観察不可能なもの（物理法則など）を導き出す。ニュートンのリンゴによる万有引力の法則の発見もアブダクションの一種（帰納法だと「リンゴは木から落ちる」としか言えない）

Slide 125

Slide 125 text

主な三つの推論法：演繹法、帰納法、アブダクション Wikipedia: アブダクションの例を参考にした 130 演繹法 1. 仮定 α を見る 2. 規則「αならばβである」を当てはめる 3. 結論 β を導く帰納法 1. 「α ならば β である」という事例をすべて観察する 2. 結論 β を導くアブダクション 1. 結論 β を見る（例：驚くべき事実など） 2. 仮説 α が真であれば β は当然である 3. よって仮説 α は真であると考える理由があるただし α が真であることは保証しない。

Slide 126

Slide 126 text

131 「アブダクション」がスタートアップの仮説生成ではキーとなる

Slide 127

Slide 127 text

アブダクションのツール 132

Slide 128

Slide 128 text

アブダクションを起こすための四つのツール主に四つに分けてアブダクションのツールを解説する。 133 アブダクション（推論）アナロジーフレームワーク水平思考人

Slide 129

Slide 129 text

まずはアナロジーから 134 アブダクション（推論）アナロジーフレームワーク水平思考人

Slide 130

Slide 130 text

(1) アナロジーアブダクションのツール 135

Slide 131

Slide 131 text

アナロジーとは既知の事物（ベース）から新たな事物（ターゲット）に対して、構造や関係性を写像して推論すること。 http://www.jaist.ac.jp/~j-morita/wiki/index.php?plugin=attach&refer=%BB%F1%CE%C1&openfile=dCr3.pdf 136 ベースターゲット

Slide 132

Slide 132 text

まずはベースの構造を把握する http://www.jaist.ac.jp/~j-morita/wiki/index.php?plugin=attach&refer=%BB%F1%CE%C1&openfile=dCr3.pdf 137 ベース

Slide 133

Slide 133 text

次にターゲットの構造を把握する http://www.jaist.ac.jp/~j-morita/wiki/index.php?plugin=attach&refer=%BB%F1%CE%C1&openfile=dCr3.pdf 138 ベースターゲット

Slide 134

Slide 134 text

ベースからターゲットへと類推する http://www.jaist.ac.jp/~j-morita/wiki/index.php?plugin=attach&refer=%BB%F1%CE%C1&openfile=dCr3.pdf 139 ベースターゲット類似した要素の対応付け

Slide 135

Slide 135 text

ベースに関する知識を用いて、新たな洞察を推論する http://www.jaist.ac.jp/~j-morita/wiki/index.php?plugin=attach&refer=%BB%F1%CE%C1&openfile=dCr3.pdf 140 ベースターゲット類似した要素の対応付け欠けている要素や新しい要素の推論的生成もしかしてここに要素があるのでは？

Slide 136

Slide 136 text

アナロジーを行う上で重要なポイント 141 構造や特徴の把握類似性を把握するためには、ターゲットとベースの両方の構造や特徴の把握を行えていることが前提となる。また同じ対象についても、構造を複数の抽象度で見ることができたり、深い解像度で把握できているかが類似性の発見のポイントとなる。ベースのパターンベースとなりうる構造のパターンを多く持っていることで、より多くの類似を見出せる。たとえばスタートアップのパターンを知っていることは新たなスタートアップのアイデア（仮説）を生み出す助けとなる。具体と抽象の行き来どの抽象度レベルで物事を見るかで、構造の認識は変わる。これについては後述する。

Slide 137

Slide 137 text

把握している抽象度で類似性は変わる具体的に見てみると全然形が違うものも… 142 ベースターゲット超具体的な視点ではこの二つは全然違うもの

Slide 138

Slide 138 text

把握している抽象度で類似性は変わる抽象度を上げてみてみると、似ている部分が見えてくることがある。 143 ベースターゲット抽象度を上げると似ている構造が見えるときもある

Slide 139

Slide 139 text

把握している抽象度で類似性は変わる既知の事物（ベース）から、新たな事物（ターゲット）へと 144 ベースターゲット異なる抽象度ではアナロジーが発揮できることもこの部分があるかも？

Slide 140

Slide 140 text

抽象度や解像度を上下させて類似構造を見つける抽象度の違いで「似ている」「似ていない」の認識の仕方は異なる。 145 抽象度ベース（人）ターゲット（猿）結論高動物動物似てる（同じ行動を取るだろう）中哺乳類哺乳類似てる（同じ行動を取るだろう）低人猿似てない（違う行動を取るのでは）

Slide 141

Slide 141 text

アナロジーのためのベースをたくさん持つ沢山のベースの知識を持っておくことで、アナロジーできる範囲が広がる。 146 • ソーシャル • マーケットプレイス • SaaS • パッションエコノミー • シェアリングエコノミー新規ビジネス X • 広告モデルベースとなる知識ターゲット

Slide 142

Slide 142 text

147 アイデア（仮説）＝イノベーション＝新結合

Slide 143

Slide 143 text

148 アイデア（仮説）＝イノベーション＝新結合

Slide 144

Slide 144 text

149 新結合のためには…… 結合しうる要素を沢山持たないと新しい結合は中々起きない

Slide 145

Slide 145 text

150 推論もインプットを増やすことが鍵

Slide 146

Slide 146 text

(2) フレームワークアブダクションのツール 152

Slide 147

Slide 147 text

次に推論のフレームワーク 153 アブダクション（推論）アナロジーフレームワーク水平思考人

Slide 148

Slide 148 text

154 解釈と推論の型としてのフレームワーク

Slide 149

Slide 149 text

フレームワークフレーム（枠）の名が示す通り、フレームワークは私たちに枠を提供して解釈や推論を半ば強制して促す機能を持つ。 155 解釈のフレームカスタマージャーニーマップなどはどのような視点で顧客の行動などを解釈すれば良いかのフレームを提供してくれる。また穴埋め問題になっている文章も一種のフレームとして機能する。推論のフレームビジネスモデルキャンバスなど、特定の要点を押さえる推論を行うことを支援する。また論理的思考やデザイン思考で用いられているものも多い。

Slide 150

Slide 150 text

フレームワークフレーム（枠）の名が示す通り、フレームワークは私たちに枠を提供して解釈や推論を半ば強制して促す機能を持つ。 156 解釈のフレームの例 • AEIOU • カスタマージャーニーマップ • ペルソナ推論のフレームの例 • 論理的思考（MECE、ツリー構造、ピラミッド構造、 Five Whys など） • デザイン思考（How might we、POV、 Crazy 8s、プロトタイプ、スケッチ、アフィニティマップなど） • スタートアップ系（Lean Canvas など）

Slide 151

Slide 151 text

157 ※ フレームワークの使い時を適切に選ぶのが難しいので利用は注意すること（フレームワークまとめ本の通りにやってもうまくいかないことが多い）

Slide 152

Slide 152 text

158 デザイン思考系は東京工業大学の EDP が順序立てて整理しているのでお勧め https://edp.esd.titech.ac.jp/toolkit/

Slide 153

Slide 153 text

(3) 水平思考アブダクションのツール 161

Slide 154

Slide 154 text

次に水平思考 162 アブダクション（推論）アナロジーフレームワーク水平思考人

Slide 155

Slide 155 text

思考法の 2 分類アイデア発想の方法として、エドワード・デボノが提案した仁分理央。 https://en.wikipedia.org/wiki/Vertical_thinking 163 垂直的思考 (vertical) 分析的な思考のこと。いわゆる論理的な思考のステップを踏んで行われる考え方。穴を掘り進んでいくイメージなので垂直思考。例） • 研究開発して技術を深める • 演繹して答えを導く水平的思考 (lateral) 既成の概念にとらわれずに、複数の視点やユーモア、ランダム性などを活用した思考。アナロジーも一種の水平的な思考。例） • 既存の技術を中心に組み合わせる • 旧来のビジネスモデルを使う

Slide 156

Slide 156 text

思考法の 2 分類アイデア発想の方法として、エドワード・デボノが提案した仁分理央。 https://en.wikipedia.org/wiki/Vertical_thinking 164 垂直的思考 (vertical) 分析的な思考のこと。いわゆる論理的な思考のステップを踏んで行われる考え方。穴を掘り進んでいくイメージなので垂直思考。例） • 研究開発して技術を深める • 演繹して答えを導く水平的思考 (lateral) 既成の概念にとらわれずに、複数の視点やユーモア、ランダム性などを活用した思考。アナロジーも一種の水平的な思考。例） • 既存の技術を中心に組み合わせる • 旧来のビジネスモデルを使う多くのスタートアップが狙っているのはこちら

Slide 157

Slide 157 text

水平思考の優位性 (1) 3M での発明の研究 (Ouderkrik, 2014) 「専門家」「ゼネラリスト」「ポリマス（博識家：少なくとも一つの分野で深い知識＋幅広い知識）」に分類。ポリマスが 3M の中で最も栄誉ある賞を受賞していた。特許の研究 (Melero, 2015) 不確実性の高い分野には、役に立たなかった特許と大当たりした特許が混在し、大当たりの特許は幅広い経験がある人のチームから生まれていた。確実性の高い分野では、ある程度役に立つ特許が多く、スペシャリストのチームによる開発が多かった。 RANGE（レンジ）知識の「幅」が最強の武器になるなどを参考 165

Slide 158

Slide 158 text

水平思考の優位性 (2) ヒットした漫画家の研究 (Taylor, 2006) クリエイターが複数のジャンルに関わったことがあるほうが、商業的価値の高いコミックや革新的なコミックを生み出した。クリエータ個人の経験の幅が広がると、チームでの革新性を上回るようになる。 RANGE（レンジ）知識の「幅」が最強の武器になるなどを参考 166

Slide 159

Slide 159 text

水平思考の優位性 (3) ヒットした論文の研究 (Uzzi, 2013) (Wang, 2017) 一般的な組み合わせを用いつつ、一般的でない組み合わせ (通常一緒に現れない雑誌からの引用) を取り入れた論文がヒット（ただし組み合わせの新規性が高すぎる論文はヒットしない） ※新しい知識を組み合わせた論文は、最初は評価されないが、3 年経過すると引用件数が増え、15 年経つとトップ 1% に入る割合がはるかに多くなる（＝つまり新しい知識を組み合わせた論文は研究資金を得られる可能性が低く、有名な雑誌に掲載される可能性も低いしかし長期的に見たら大ヒットする可能性が高い） 167

Slide 160

Slide 160 text

水平思考のためのツール水平思考的な発想を促すためのツールもいくつかある。 TRIZ の図は FotoSceptyk 氏によるもの。CC BY-SA 4.0 168 TRIZ 40の発明原理という形で「分ける」「一部を変える」などの推論の方向性を支持する。 SCAMPER オズボーンのチェックリストを覚えやすくしたもの。入れ替え、組み合わせ、当てはめ、変更、他の用途への転用、排除・縮小、並べ替え・逆転の英語の頭文字を取ったもの。

Slide 161

Slide 161 text

思考法の 2 分類 https://en.wikipedia.org/wiki/Vertical_thinking 169 垂直的思考 (vertical) 分析的な思考のこと。いわゆる論理的な思考のステップを踏んで行われる考え方。穴を掘り進んでいくイメージなので垂直思考。例） • 研究開発して技術を深める • 演繹して答えを導く水平的思考 (lateral) 既成の概念にとらわれずに、複数の視点やユーモア、ランダム性などを活用した思考。アナロジーも一種の水平的な思考。例） • 既存の技術を中心に組み合わせる • 旧来のビジネスモデルを使う ※ただしほとんどの場合は垂直と水平の組み合わせ (特定の部分は垂直で深めて、残りは水平など)

Slide 162

Slide 162 text

(4) 人アブダクションのツール 170

Slide 163

Slide 163 text

最後に「人」 171 アブダクション（推論）アナロジーフレームワーク水平思考人

Slide 164

Slide 164 text

172 同程度かそれ以上の解像度を持つ人と議論をする（チームメイト、研究者同士など）

Slide 165

Slide 165 text

人と話すことは推論の大きな助けになる人と話すことで異なる推論の仕方を学んだり、会話の中で新しい推論に気づけたりする。 173 壁打ち同程度かそれ以上の知識や経験を持つ人と話すことで、新たなアブダクションの方法に気付けるときもある。インタビュー顧客と話すことを通して、新たな推論に気づくことができることもある。メンタリング先輩などとのメンタリングセッションを受けることを通して、新たなアブダクションの手法を学べるときもある。

Slide 166

Slide 166 text

174 結局人との議論を通して新たな推論に辿り着くことが多い

Slide 167

Slide 167 text

175 最初の微妙な仮説にもきちんと反応してくれる人がいる環境に身を置くこと（そしてフィードバックを真摯に受け止めること）

Slide 168

Slide 168 text

アブダクションを起こすための四つのツール主に四つに分けてアブダクションのツールを解説した。 176 アブダクション（推論）アナロジーフレームワーク水平思考人

Slide 169

Slide 169 text

推論の三つの手法を解説した（主にアブダクション） 177 事実仮説演繹法アブダクション帰納法

Slide 170

Slide 170 text

ここまでのまとめ（まだ続きます） 178

Slide 171

Slide 171 text

仮説生成力を鍛えるために事実と推論の両方に共通する、鍛えるための Tips をまとめる。 179 事実推論仮説

Slide 172

Slide 172 text

まとめ：仮説生成力を鍛えることに近道はない 180 インプットを増やす解釈も推論もそのベースにあるのはインプット。理論（仮説の束）を知っていることで予測が可能になり、仮説が生まれやすくなる。またほかの仮説を知っていることで、その仮説を当てはめることも可能になる。他社スタートアップも仮説なので知るとヒントになる。仮説検証数を増やす事実認識や推論の能力は上げるためには、行動量を増やしてアウトプットを続け、自分の仮説に負荷をかけて仮説検証を何度もしながら学んでいく。何度も正しい仮説検証をしないと事実認識や推論の能力は上がらない。解像度を高くするアナロジーを適用できるような構造化の把握や分解をできるようにする。そのためには解像度を高めて、抽象度の行き来をすること。構造化がうまくなっていたり、構造化のパターンを知識として持っていると強い。

Slide 173

Slide 173 text

仮説生成に加えて、生成した仮説をチェックする方法 181

Slide 174

Slide 174 text

仮説を生成したあとにチェックする方法仮説を生成した後に、仮説の精度を手軽にチェックする手法がいくつかある。 182 徹底的に言語化する人に話す時間を使って育てる

Slide 175

Slide 175 text

まずは言語化から 183 徹底的に言語化する人に話す時間を使って育てる

Slide 176

Slide 176 text

184 (1) 徹底的に言語化する

Slide 177

Slide 177 text

仮説を言語化によるメリット仮説を言語化することで、解像度を自分でチェックできるようになる。 185 解像度が低いところが分かる言語化すると、「デザインがよい」など抽象的な単語が使われているところに気付ける。気付いたところはきちんと説明できるようにしておく。そのためには解像度を高めておく必要がある。細かく説明できない場合などは、まだ仮説の粒度が粗い可能性が高い。客観的に認識できる文字に起こしてみることで、自分の仮説を客観的に認識できる。また他人にもチェックしてもらいやすくなる。

Slide 178

Slide 178 text

Amazon は「プレスリリース」を書いて精緻化するプレスリリースを書くことで言語化を強制する。箇条書きなどで誤魔化さない。プレスリリースの内容 1. 見出し 2. サブ見出し 3. サマリー 4. 課題 5. ソリューション 6. 開発側の声 7. 始め方 8. 顧客の声 9. クロージングと Call to Action 画像は Amazon のプレスリリースより: https://amazon-press.jp/Top-Navi/Press-releases/Presselist/Press- release/amazon/jp/Ops/20210222_distance-assistance/20210222_Distance-Assistant-/ 186

Slide 179

Slide 179 text

次に人に話す 187 徹底的に言語化する人に話す時間を使って育てる

Slide 180

Slide 180 text

188 (2) 人に話す

Slide 181

Slide 181 text

人に話して壁打ちをする人に話すことで仮説のあいまいな点が分かりやすくなる。 189 共同創業者候補に話す共同創業者候補に仮説を話すことで、自分の仮説の曖昧なところが分かるようになる。場合によっては相手からのつっこみもある。また同時に共同創業者の巻き込みにもなるのでお勧め。起業仲間に話す同じフェーズの起業仲間と仮説をぶつけあうことで、異なる領域の仮説や情報を知ることができる。

Slide 182

Slide 182 text

190 共同創業者候補や仲間と仮説の壁打ちの時間を毎週持とう

Slide 183

Slide 183 text

191 (3) 時間を使う（たいていの人が十分な時間を使っていない）

Slide 184

Slide 184 text

192 検証を通して仮説と仮説生成力を徐々に育てていく

Slide 185

Slide 185 text

193 経験則では最初の良い仮説に到るまで 200 時間ぐらいかかる (フルタイムで働いて 1 か月ぐらい)

Slide 186

Slide 186 text

194 たった一か月で卒論・修論のアイデアが固まれば凄い方良い仮説を作るにはそれ以上の時間が必要

Slide 187

Slide 187 text

195 たった一か月で卒論・修論のアイデアが固まれば凄い方良い仮説を作るにはそれ以上の時間が必要

Slide 188

Slide 188 text

定期的な予定を持って仮説を考える時間を作ることリズムを作り、仮説を生成し続けること。絵も毎日書けばうまくなるように、仮説作りも日々続ければうまくなる。 196

Slide 189

Slide 189 text

仮説を生成したあとにチェックする方法仮説を生成した後に、仮説の精度を手軽にチェックする手法がいくつかある。 197 徹底的に言語化する人に話す時間を使って育てる

Slide 190

Slide 190 text

テトロック「超予測力」など 198 そして仮説をアウトプットして「答え合わせ」をすることで仮説を作るための推論能力が鍛えられる

Slide 191

Slide 191 text

199 答え合わせをしていかないと推論が合っているか分からないとにかく素早く検証することで推論能力は上がる

Slide 192

Slide 192 text

200 答え合わせをしていかないと推論が合っているか分からないとにかく素早く検証することで推論能力は上がる

Slide 193

Slide 193 text

201 最初の良い仮説に辿り着けるまで付き合ってくれる人がいる環境に身を置きながら何度もアウトプットを繰り返し独自の事実を得ていくことが仮説生成力を高めていく

Slide 194

Slide 194 text

202 最初に助けてくれるがいる環境に身を置いて仮説を生み出し続けて学び続けよう

Slide 195

Slide 195 text

まとめ 206

Slide 196

Slide 196 text

仮説は事実と推論から成り立つ 207 事実推論仮説

Slide 197

Slide 197 text

事実と推論で仮説を生む 208 仮説演繹法アブダクション帰納法生成把握再解釈解釈

Slide 198

Slide 198 text

209 一般的には推論力ではなく事実を得る力のほうが差別化要素になるので事実側を鍛えることをお勧め

Slide 199

Slide 199 text

210 それに一度の推論と仮説で正解に到らなくても良い

Slide 200

Slide 200 text

211 作った仮説の検証を行ってもし間違っていればもう一度推論をし直せばよい

Slide 201

Slide 201 text

時間仮説検証のサイクル全体を最適化する単体の仮説だけで完璧を目指さず、全体の速度を上げること。 212 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 意思決定 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 仮説棄却

Slide 202

Slide 202 text

重要なのは推論能力ではなく、検証の一連のスピード推論の筋が良くても 100% 正解はあり得ない。だから推論能力だけではなく、検証までのスピードが大事。 213 仮説生成 (推論) の筋の良さ仮説生成から検証までのスピード

Slide 203

Slide 203 text

次回のスライドは「仮説選択」次のスライドでは仮説選択について解説する。 214 1. 仮説生成 2. 仮説選択 3. 仮説検証 4. 意思決定

Slide 204

Slide 204 text

更なる文献 • アブダクション―仮説と発見の論理 • 類似と思考改訂版 • アナロジーの力 • 考えることの科学 • 仮説思考 215

Slide 205

Slide 205 text

補足: 質的研究の技法を応用する: M-GTA, SCAT, TEM 質的研究の技法は仮説生成向きなので、参考になる部分がある。代表的な手法として三つを紹介する。 216 GTA/M-GTA Grounded Theory Approach (GTA) ならびに Modified GTA (M-GTA)。概念の抽象化と要素間の関係性の整理を通して、プロセスの全体構造を把握し、仮説を生成する。 SCAT Steps for Coding and Theorization。大谷氏による質的データ分析の手法。ステップが明示されているため、着手しやすい。 TEM/TEA 複線径路・等至性モデルもしくはアプローチ (Trajectory Equifinality Model/Approach)。時系列を中心にまとめていく。

Slide 206

Slide 206 text

同じ対象を異なる方法論で整理した事例それぞれ分析の趣向が異なるため、どれを使うかは注意しながら選ぶこと。子どもの経験を質的に描き出す試み 217 M-GTA TEM

Slide 207

Slide 207 text

FoundX の紹介 218

Slide 208

Slide 208 text

FoundX とは 219 東京大学 FoundX は東京大学産学協創推進本部の下部組織です。東京大学本郷キャンパスの近くに 3 つの施設を構え、起業志望者向けのプログラムを複数提供しています。投資は行いませんが、無償での個室貸与やプログラムの提供、起業家コミュニティへの参加を支援します。興味情熱 Fellows (6 か月) Pre-Founders (6 か月) Founders (9 か月) 共同創業者の説得有利な資金調達フルコミットビジネス実績初契約初売上製品開発と改善助成金やコンテスト賞金の獲得 Review, Resource, School 試行錯誤アイデアの種検証されたアイデア起業家の基礎知識＆スキルプロトタイプ顧客インタビュー

Slide 209

Slide 209 text

FoundX の提供する起業家支援プログラム & リソース主に東京大学の卒業生向けに、無償のスタートアップ支援プログラムや学習リソースを提供。 220 チーム向け Founders Program 事業と起業家の成長を、コミュニティを通して達成するプログラム。個室を無償で最大 9 か月間貸与。 Pre-Founders Program Founders Program に入るまでの準備を行うプログラム。個人向け Fellows Program スタートアップ的手法の実践を通してアイデアを見つけ、育てるためのプログラム。学習リソース FoundX Review 平日ほぼ毎日更新し、スタートアップのノウハウ情報を提供。カテゴリ別のまとめは FoundX Resource。 FoundX Online School 動画形式でスタートアップの基礎を学べる。

Slide 210

Slide 210 text

スライド著者 & FoundX 運営馬田隆明 (東京大学 FoundX ディレクター） University of Toronto 卒業後、日本マイクロソフトでの Visual Studio のプロダクトマネージャーを経て、テクニカルエバンジェリストとしてスタートアップ支援を行う。スタートアップ向けのスライド、ブログなどの情報提供を行う。サイト: https://takaumada.com/ 221 スタートアップの方法論の基礎 Amazon (2017年3月) 起業環境の重要性とアクセラレーターの設計方法 Amazon (2019年4月) スタートアップの公共や規制との付き合い方 Amazon (2021年1月) スタートアップについてのスライド Slideshare SpeakerDeck

Slide 211

Slide 211 text

222 https://foundx.jp/ ご応募お待ちしています