Upgrade to Pro — share decks privately, control downloads, hide ads and more …

仮説生成力を鍛える 💡 スタートアップの仮説思考 (2)

仮説生成力を鍛える 💡 スタートアップの仮説思考 (2)

仮説生成の方法論について、仮説生成に必要な「事実」と「推論」の要素をさらに細分化して解説しました。
仮説思考シリーズの 2 つ目です。

Takaaki Umada の Web サイト

東京大学 FoundX の各種リソース

FoundX Review - 起業家向けノウハウ情報

FoundX Resource - 整理された記事の紹介

FoundX Online School - 30以上の学習ビデオ教材

FoundX Founders Program - 個室の無償提供とコミュニティ

FoundX Pre-Founders Program - 起業準備プログラム

FoundX Fellows Program - アイデア探しの支援プログラム

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

イシューからはじめよ

74e775bf3904dfeca8ee5a49388cc756?s=128

Takaaki Umada / 馬田隆明
PRO

February 17, 2021
Tweet

Transcript

  1. 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

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

    意思決定
  3. 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 3 1. 仮説生成 2. 仮説選択 3. 仮説検証 4.

    意思決定
  4. 4 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

  5. スタートアップの仮説生成 6

  6. 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。 7 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
  7. 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 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
  8. 9 起業家は常に 仮説を生成し続ける 必要がある

  9. 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。 10 • 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
  10. 仮説のパターン 11 事実に関する仮説 「顧客は〇〇という課題を持っている」と いうパターン 推論の仮説 「もしこの記事がバズると、メルマガ登録 者が増える」「注目されている状況だと、 売上が増える」など、推論に関する仮説 多くの場合、if-then

    の形で文が書かれる。
  11. 12

  12. 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
  13. 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
  14. 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) 😱

  15. 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。
  16. 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
  17. 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
  18. 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 😭

  19. 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 👍

  20. 21 【仮説生成の方法】 アウトプットをして 事実を生み出しながら 推論や解釈のための インプットを増やす

  21. 22 だから、なにはともあれ 良い仮説を 生成しよう

  22. 23 仮説の生成は 事実×推論

  23. 仮説は事実と推論から成り立つ 24 事実 推論 仮説

  24. 「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)

  25. 「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)

  26. 「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)
  27. 28 あなたは探偵

  28. 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

  29. まず事実について 30 事実 推論 仮説

  30. 1. 事実 31

  31. 事実の中身を見てみると… 32 事実 推論 仮説

  32. 4 つの要素がある 33 推論 仮説 生成 把握 再解 釈 解釈

  33. 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。
  34. 35 (1) 事実の把握 推論 仮説 生成 把握 再解 釈 解釈

  35. 二種類の事実をうまくつかう 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。
  36. 37

  37. 38

  38. 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)

  39. 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

  40. 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

  41. 42 (2) 事実の生成 推論 仮説 生成 把握 再解 釈 解釈

  42. 43 事実や情報を 新たに生み出して インプットを増やす

  43. 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)

  44. 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)

  45. 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

  46. 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
  47. 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
  48. するとインプットが少しだけ大きくなる 49 💡 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)
  49. さらにアウトプットの過程や結果で独自の体験をする 50 💡 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)

  50. するとさらにインプットが増す 51 💡 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)
  51. 52 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

  52. 53 🚀 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

  53. 大きくなったインプットから 54 💡 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)

  54. 大きくなったインプットから新たな仮説が生まれ 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

  55. 新たな仮説からさらに大きなアウトプットが生まれる 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

  56. アウトプットでさらに情報や体験、事実が得られ… 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 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
  57. このサイクルが回りだす 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

  58. どんどんと回していくことでインプットは大きくなり 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

  59. 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 良い仮説に辿り着ける

  60. 61 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

  61. 62 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 😮

  62. 63 を作って今すぐローンチしよう🚀

  63. とにかく雑に作れ 64 とにかく 雑に 作って出す

  64. 65 MVP を作り🔨 ローンチして🚀 独自の事実を得よう

  65. 66 ※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

  66. 67 (3) 事実の解釈 推論 仮説 生成 把握 再解 釈 解釈

  67. 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。 68 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
  68. 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 69

  69. 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 70

  70. 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 71 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
  71. 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

    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 探偵ならでは の視点
  72. 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 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
  73. これは水です 74 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。」

  74. 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。」 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?」

  75. 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?」 人は意外と「事実」を 認識していないときもある

  76. 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 77 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
  77. 78 私たちの事実の認識には 隠れた ”理論” や “解釈” が紛れ込む

  78. 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。 79 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)。
  79. 80 1. バイアス (見方の偏り、誤り)

  80. 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。 81 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。
  81. 82 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)

  82. 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。 83 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。
  83. 84 3. フレーミング (枠、解釈のスキーマ)

  84. 85 同じ写真でもフレームが違えば印象が違う

  85. 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。 86 死亡率 10% 生存率 90%

  86. 87 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)

  87. 88 (4) 事実の再解釈 推論 仮説 生成 把握 再解 釈 解釈

  88. 89 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

  89. 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

  90. 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。 91 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。
  91. リフレーミング (1) 最初に提示された情報を… 92 死亡率 10%

  92. 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。 93 死亡率 10% 生存率 90%

  93. 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。 94 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。
  94. 再解釈を支援する道具 95 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。
  95. 96 人間の思考の癖を知って 事実を上手に認識しよう

  96. 4 つの要素について解説した 97 推論 仮説 生成 把握 再解 釈 解釈

  97. 98 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

  98. 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

  99. 100 結局 インプット と アウトプット が大事

  100. 事実について解説した 101 事実 推論 仮説

  101. 2. 推論 102

  102. 103 仮説を作るためには 推論力 も必要

  103. 次に推論の方法について 104 事実 推論 仮説

  104. 推論の三つの手法 105 事実 仮説 演繹 法 アブダク ション 帰納 法

  105. 主な三つの推論法:演繹法、帰納法、アブダクション 106 演繹法 帰納法 アブダク ション

  106. まずは演繹法から 107 演繹法 帰納法 アブダク ション

  107. 主な三つの推論法:演繹法、帰納法、アブダクション 108 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。
  108. 109 ビジネスで使う 演繹法の例

  109. 1. まず規則や仮定としてのベストプラクティスがある 110 社内外のベストプラクティス と状況(仮定、大前提)

  110. 2. 現在の状況はベストプラクティスの状況と類似 111 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)

  111. 3. よって結論としてベストプラクティスをするべき 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) この会社でもこのベストプラ クティスをするべき (結論)

  112. 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。 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)
  113. 114 推論も インプット を増やすことが鍵

  114. 次に帰納法のビジネスでの応用について 115 演繹法 帰納法 アブダク ション

  115. 主な三つの推論法:演繹法、帰納法、アブダクション 116 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。
  116. 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 117

  117. 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。 118 全ての白鳥は白い

  118. 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。 119 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。
  119. ※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。 120 全ての白鳥は白い

  120. 最後にアブダクション 121 演繹法 帰納法 アブダク ション

  121. 122 アブダクション (仮説形成法)

  122. 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 123 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)。
  123. 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。 124 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
  124. 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。 125 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
  125. 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。 126 演繹法 帰納法 アブダク ション

  126. 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 127 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)
  127. 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 128 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。
  128. 129 「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

  129. アブダクションのツール 130

  130. 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。 131 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

  131. まずはアナロジーから 132 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

  132. (1) アナロジー アブダクションのツール 133

  133. 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 134 ベース ターゲット

  134. 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 135 ベース

  135. 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 136 ベース ターゲット

  136. 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 137 ベース ターゲット 類似した要素の 対応付け

  137. 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 138 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?
  138. アナロジーを行う上で重要なポイント 139 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。
  139. 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… 140 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

  140. 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。 141 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

  141. 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 142 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?

  142. 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。 143 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)
  143. 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。 144 • 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
  144. 145 アイデア(仮説) = イノベーション = 新結合

  145. 146 アイデア(仮説) = イノベーション = 新結合

  146. 147 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

  147. 148 推論も インプット を増やすことが鍵

  148. (2) フレームワーク アブダクションのツール 150

  149. 次に推論のフレームワーク 151 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

  150. 152 解釈と推論の 型としての フレームワーク

  151. 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。 153 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。
  152. 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。 154 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)
  153. 155 ※ 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)

  154. 156 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/

  155. (3) 水平思考 アブダクションのツール 159

  156. 次に水平思考 160 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

  157. 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 161 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
  158. 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 162 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
  159. 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 163
  160. 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 164
  161. 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) 165
  162. 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 4.0 166 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。
  163. 思考法の 2 分類 https://en.wikipedia.org/wiki/Vertical_thinking 167 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)
  164. (4) 人 アブダクションのツール 168

  165. 最後に「人」 169 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

  166. 170 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)

  167. 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。 171 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。
  168. 172 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

  169. 173 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)

  170. 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。 174 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

  171. 推論の三つの手法を解説した(主にアブダクション) 175 事実 仮説 演繹 法 アブダク ション 帰納 法

  172. まとめ:仮説生成力を鍛え方 176

  173. 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。 177 事実 推論 仮説

  174. まとめ:仮説生成力を鍛えることに近道はない 178 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。
  175. 生成した仮説をチェックする方法 179

  176. 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。 180 徹底的に 言語化 する 人に話す 時間を 使って

    育てる
  177. まずは言語化から 181 徹底的に 言語化 する 人に話す 時間を 使って 育てる

  178. 182 (1) 徹底的に 言語化 する 📕

  179. 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。 183 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。
  180. 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-/ 184
  181. 次に人に話す 185 徹底的に 言語化 する 人に話す 時間を 使って 育てる

  182. 186 (2) 人に話す 💬

  183. 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。 187 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。
  184. 188 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 📅

  185. 189 (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) 🕐

  186. 190 検証を通して 仮説と仮説生成力を 徐々に育てていく

  187. 191 🕐 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)

  188. 192 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

  189. 193 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

  190. 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。 194

  191. テトロック「超予測力」など 195 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

  192. 196 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

  193. 197 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

  194. 198 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

  195. 199 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

  196. まとめ 203

  197. 仮説は事実と推論から成り立つ 204 事実 推論 仮説

  198. 事実や推論にもいくつかの 205 仮説 演繹 法 アブダク ション 帰納 法 生成

    把握 再解 釈 解釈
  199. 206 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 👍

  200. 207 それに一度の推論と仮説で 正解に到らなくても良い

  201. 208 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

  202. 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。 209 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
  203. 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。 210 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
  204. 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。 211 1. 仮説生成 2. 仮説選択 3. 仮説検証 4.

    意思決定
  205. 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 212
  206. 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。 213 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。
  207. 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 214 M-GTA TEM

  208. FoundX の紹介 215

  209. FoundX とは 216 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
  210. 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。 217 👨‍👩‍👧 ‍👦 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。
  211. 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/ 218 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
  212. 219 https://foundx.jp/ ご応募お待ちしています 😊