スモールスタートを「小さく試す」で終わらせない｜成果を見るだけではなく、次の投資につながる学びをどう残すか

ビッグデータ、データドリブン、統計解析、機械学習、そしてAI。

ここ十数年、ビジネスの世界では「データを持っていること」「データから判断すること」が、ほとんど疑う余地のない正義になった。

もちろん、これは基本的には正しい。

勘や経験だけで判断するより、実際の顧客行動を見た方がいい。サンプル数が多ければ偶然の影響を受けにくくなるし、統計的に検証できるなら、その方が意思決定の確度も高まる。

ただ、あまりにもトレンドになりすぎた結果、少し順番がおかしくなっている場面もあるように思う。

「何を知りたいのか」より先に、

• 「Nはいくつですか？」
• 「統計的に有意ですか？」
• 「十分なデータはありますか？」

という話が始まる。

統計は、立てた問いに答えるためには非常に強力な道具だ。

しかし、そもそも何を問うべきなのかまで、統計が自動的に教えてくれるわけではない。

極端に言えば、間違った問いに100万件のデータを使って精密に答えても、精密に間違えるだけである。

これはビッグデータを否定したいわけではない。

むしろ逆で、あまりにも強力な道具だからこそ、私たちはいつの間にか「データを増やすこと」と「理解を深めること」を同じものとして扱うようになってしまったのではないか、という話だ。

そして最近、これとよく似たことが別の言葉でも起きている気がしている。

「スモールスタート」である。

「まずはスモールスタートしましょう」という魔法の言葉

新規事業でも、ECでも、システム開発でも、何か新しいことを始めるとかなりの確率で登場する。

「まずはスモールスタートしましょう」

非常に便利な言葉である。

反対する人がほとんどいない。

いきなり大金を投じるより、小さく始めた方が安全そうだし、経営会議にも通しやすい。

ただ、長年いろいろなプロジェクトに関わってきた私の体感では、「スモールスタート」という言葉の9割くらいは、実際には次のような意味で使われている。

• 「まず小さくやって反応を見ましょう」
• 「成果が出るか見ましょう」
• 「ビジネスとして成立するか見ましょう」

その結果、実務上は、

• 機能を減らす。
• 対象顧客を絞る。
• 開発費を下げる。
• 広告費を抑える。
• 期間を短くする。

という話になりやすい。

要するに、スモールスタートがほとんど「小さな投資」という意味で使われている。

もちろん、それ自体が悪いわけではない。

分からないものにいきなり大金を投じないのは合理的だ。

ただし、そこで一つ問題がある。

小さく始めて「売れませんでした」という結果だけが残った場合、私たちは一体何を学んだのだろうか。

「売れなかった」は、意外と何も教えてくれない

例えば新しいEC事業を小さく始めたとする。

最低限のECサイトを作った。

広告を少し配信した。

1か月経った。

売上30万円。

CVRは1.2%。

CPAは想定より高かった。

そこで、「思ったより反応が悪いですね」「このビジネスは厳しいかもしれませんね」という会話になる。

これは確かに結果を見ている。

しかし、次の意思決定に必要なことは、ほとんど分かっていない。

• 売れなかったのは、商品が悪かったのか。
• 価格なのか。
• ターゲットなのか。
• 商品ページで価値が伝わっていなかったのか。
• 送料なのか。
• 配送日数なのか。
• 決済方法なのか。
• 広告で連れてきた人が違ったのか。
• 単に1か月では短すぎたのか。

「売れなかった」という事実だけでは、これらを区別できない。

つまり、スモールスタートで見るべきなのは、結果そのものだけではない。

その結果が生まれた条件について、何が分かったのか。

こちらの方が重要なのではないかと思う。

Lean Startupが言っていたのは、「安く作れ」ではない

Eric Riesの『The Lean Startup』で中心に置かれているのは、Build–Measure–Learnというフィードバックループである。

作る。測る。学ぶ。

そしてまた次の仮説を試す。

MVPも、単に機能の少ない廉価版の商品を作るという話ではない。

重要な仮説を、できるだけ小さな投資で検証するためのものだ。

つまり、本来重要だったのは、どれだけ小さく作れたかではない。

どれだけ学習できたか。

なので、スモールスタートを言い換えるなら、小さく作ることではなく、小さいうちから学べることなのではないかと思う。

そして「ビジネスとして成立するかを見る」という問いも、少し粗すぎる。

初期段階では、商品も未完成で、ECも未完成で、集客も未成熟で、CRMもほぼ存在しない。

その状態で、「成立した」「成立しなかった」と二択で判定するより、どういう条件なら成立する可能性があるのか、何が分かったのかを見る方がはるかに重要だ。

大量のデータとは別に、「一人を深く見る」という考え方もあった

この話を考える上で参考になるのが、Thick Dataという考え方である。

ビッグデータが大量のデータからパターンを見るのに対し、Thick Dataでは、少人数の人間を深く観察し、その行動の背景にある文脈、感情、価値観、動機を理解しようとする。

大まかに言えば、ビッグデータが「何が起きているか」を見るのが得意だとすれば、Thick Dataは「なぜそれが起きているのか」を考えるための材料になる。

日本のマーケティングで言えば、西口一希氏が提唱してきたN1分析にも近い部分がある。

一人の実在する顧客を深く見る。

• 何に価値を感じたのか。
• なぜ買ったのか。
• その前は何を使っていたのか。
• 何が態度変容のきっかけになったのか。

もちろん、一人がそう言ったから市場全体もそうだ、という話ではない。

N1やThick Dataは、統計の代わりではない。

小さく濃いデータから、「もしかすると、こういうことが起きているのではないか」という仮説を発見する。

そして必要になれば、より大きなデータで確かめる。

発見と検証である。

どちらが正しいかではなく、役割と順番が違う。

ECで「小さく学ぶ」なら、先に仮説を置く

では、ECで具体的に何をすればいいのか。

ここで重要なのは、取得できるデータを片っ端から眺めることではない。

スモールスタートを始める前に、事業が成立する仮説をある程度モデル化しておくことだと思う。

例えば最低限、

• 誰が買うのか
• 何に価値を感じるのか
• 何が購入の決め手になるのか
• 何が購入を妨げるのか
• 何が満足や再購入につながるのか

くらいは仮説として置いておく。

「30代女性に売れると思う」だけでは少し粗い。

例えば、「この顧客は、この状況で、この問題を抱えており、価格よりこの価値を重視する。そのため、この訴求を見れば購入するのではないか」くらいまで考える。

すると、実際に売れなかったとしても、

• 顧客が違ったのか。
• 価値が違ったのか。
• 訴求が違ったのか。
• 購入障壁が想定外だったのか。

を切り分けられるようになる。

スモールスタートで見るべきなのは、単なる結果ではなく、最初に置いたモデルと実際に起きたこととの差分なのである。

行動で分かることと、聞かなければ分からないことを分ける

そのうえでECの行動データを見る。

• どこから来たか。
• 何を検索したか。
• どの商品を行き来したか。
• どこでカートを離脱したか。
• 送料や配送ページを何度見たか。
• 何を一緒に買ったか。
• 何日後に再購入したか。

スモールスタートだからこそ、「CVRが2%でした」だけで終わらず、残り98%が何をしていたのかを見ることができる。

ただし、行動だけでは理由までは分からない。

送料ページを3回見たからといって、送料が高いと思ったとは限らない。

そこで一問だけ聞く。

購入後なら、「今回購入を決めた一番の理由は何ですか？」

返品時なら、「今回返品される最も大きな理由は何ですか？」

購入を迷っている人には、「購入を迷っている理由があれば教えてください」でもいい。

重要なのは大規模なアンケートを取ることではなく、仮説を判定するために、行動だけでは分からないところを聞くことである。

β販売や限定販売なら、購入後の簡単なフィードバックへの協力を最初からお願いしてもいい。

単に「100個売れるかを見る」のではなく、100個売ったあと、次の1000個をどう売るべきかが少しでも分かる状態を作る。

その方がスモールスタートらしい。

結果を見るのではなく、仮説を更新する

小さいデータを扱う以上、10人中7人がそう答えたから「市場の70%がそう思っている」とは言えない。

だから、スモールスタートで無理に結論を出す必要もないと思う。

見るべきなのは、

• 仮説が強まったのか。
• まだ分からないのか。
• 見直すべきなのか。

である。

例えば、複数の異なる顧客で同じ行動が見られ、本人の回答とも一致しているなら、その仮説は少し強くなる。

逆に、

• 想定していた顧客とは違う人ばかりが買っている。
• 購入者がこちらの想定とはまったく違う価値を語っている。
• 想定していた訴求をほとんど見ずに購入している。

こうしたことが繰り返されるなら、仮説を見直した方がいい。

できればスモールスタートを始める前に、何が起きたら仮説を強めるのか、何が起きたら見直すのか、くらいは決めておく。

そうしないと、結果を見てから、「思ったより悪くないですね」「もう少し続けてみましょう」と、いくらでも解釈できてしまう。

ただし、小さいデータには当然バイアスがある

ここまで書くと、「それなら昔からモニター調査もサンプル配布もアンバサダーマーケティングもあったではないか」という話になる。

その通りである。

小さいデータを取りにいくこと自体は、まったく新しくない。

商品を無料で配って感想を聞く。ファンを集めて意見を聞く。購入者にアンケートする。

昔からいくらでも行われてきた。

ただし、ここには当然バイアスがある。

• 無料でもらった人に「この商品どうでしたか？」と聞けば、多少は好意的になる。
• ブランドのアンバサダーだけを集めれば、当然ブランドへの評価は高くなる。
• 購入者だけに聞けば、そもそも購入しなかった人の声は存在しない。

だから重要なのは、バイアスを完全になくすことではなく、このデータが誰から取られたものなのかを自覚することだと思う。

• アンバサダーなら、熱量の高い顧客が何に価値を感じているかを見る。
• 離脱者なら、何が購入障壁になったのかを見る。
• リピーターなら、何が継続理由になっているのかを見る。

問いに応じて、見るN1を変える。

一人の意見を市場全体に一般化するのではなく、複数の異なるN1から仮説を作り、必要なら定量的に確かめる。

AIは、要約だけでなく「仮説を壊す」ためにも使える

そして、この問題はAIを使ったところで消えない。

むしろ少し怖い。

購入者30人のポジティブなコメントだけをAIに渡せば、AIは非常に上手に、「顧客がこの商品を支持する5つの理由」を整理してくれる。

文章が上手いだけに、妙に説得力もある。

でも元データが偏っていれば、綺麗に整理された偏った結論が出来上がるだけである。

だからAIには、「購入理由をまとめて」だけではなく、

• 「この事業仮説と矛盾する行動や発言を探して」
• 「想定顧客像と一致しない購入者を抽出して」
• 「同じ購入結果でも理由が異なる顧客を分けて」

と聞く方が面白い。

AIを、都合よく結果を要約する道具ではなく、仮説を壊すための道具として使う。

これは、小さいデータを扱う上ではかなり重要だと思う。

そしてAIによって、小さいデータを「読み切る」コストが下がった

小さいデータを活用するという考え方自体は昔からあった。

問題は、非常に手間がかかることである。

例えば10人に1時間ずつインタビューをしたら10時間。

• 文字起こしする。
• 全部読む。
• 似た話をまとめる。
• 違う話を探す。
• 問い合わせ履歴と突き合わせる。
• 購買履歴を見る。
• さらにサイト行動も見る。

これを毎回人間が行うとなると、なかなか重い。

だから企業はこれまで、可能な限りデータを構造化してきた。

購入した、しなかった。星5、星4、星3。Aを選んだ、Bを選んだ。

数値にすれば集計できるからだ。

しかし生成AIは、問い合わせ、自由記述、インタビュー、レビュー、検索ワードなど、これまで人間が大量に読まなければ扱いづらかった非構造データを整理し、比較し、仮説を探すことができる。

AIが10人を1万人にしてくれるわけではない。

10人のデータをAIで分析しても、統計的な信頼性が上がるわけでもない。

変わるのはそこではない。

10人から得た情報を、人間が以前より読み切りやすくなる。

AIが変えるのは、サンプルサイズではなく、読み切れる情報密度なのかもしれない。

100人の顧客は、100行のデータではない

例えばECに100人しか顧客がいないとする。

ビッグデータという観点では、とても小さい。

でも、

• 購入履歴
• サイト内検索
• 閲覧履歴
• 問い合わせ
• 購入理由
• 返品理由
• レビュー
• メールへの反応

そのすべてを一人の顧客単位でつなげたらどうだろう。

同じ100人でも全く違う。

100人を、「100件の購買データ」として見るのか、「100人分の顧客ストーリー」として見るのか。

AI以前とAI以後では、後者を扱うコストが大きく変わってきている。

これから重要になるのは、単純にNを増やすことだけではなく、一人から得られる情報の密度をどう高めるかなのかもしれない。

スモールスタートで見るべきなのは、「成果」だけではない

ここまで考えると、スモールスタートの評価指標も少し変わる。

もちろん、売上、CVR、CPA、ROASを見る。

事業なので当然である。

ただし、初期段階ではそれだけではない。

これらもスモールスタートの成果である。

極端な話、売上100万円を作ったが何も分からなかったスモールスタートと、売上30万円だったが、次の1000万円を作るための重要なことが5つ分かったスモールスタートなら、後者の方が成功している場合もある。

つまり、スモールスタートで確認するべきなのは「成果が出たか」だけではなく、「成果が出る条件について何を学べたか」である。

ここまでやると、スモールスタートも普通に金がかかる

……と書いてきたところで、少し嫌な事実に気づく。

これをちゃんとやろうとすると、普通に大変である。

• 仮説を作る。
• 計測を設計する。
• データをつなぐ。
• 質問を設計する。
• 誰に聞くか考える。
• 結果を判定する。
• バイアスも考える。
• 必要ならインタビューする。

AIに任せるにしても、何を入力し、何を問い、結果をどう解釈するかは人間側に残る。

つまり、正しいスモールスタートには、普通に専門性が必要で、普通にお金もかかる。

ここは少し皮肉である。

「まずは安くスモールスタートしましょう」と言って始めたはずなのに、本気で学ぼうとすると、調査費も分析費も必要になる。

ただ、これは矛盾ではないと思う。

スモールスタートで削るべきなのは、学習に寄与しない大きな投資であって、学習するための投資そのものではない。

1000万円かけて完成版を作ってから、「売れませんでした」と分かるより、500万円で小さく作り、その中に調査・分析・改善まで含めて、「この顧客には、この価値が、この条件なら刺さる」まで分かった方がいい。

スモールスタートとは、最安値で事業を始めることではない。

分からないものに大金を張らないことなのだと思う。

おわりに｜「小さく始める」より、「小さく学ぶ」

ビッグデータは強い。統計も強い。

N1もThick Dataも万能ではない。AIも当然万能ではない。

重要なのは、それぞれを適切な順番で使うことだと思う。

そして、確信が持てるようになったところで大きく投資する。

考えてみれば、非常に当たり前の話である。

ただ、ビッグデータやAIの話があまりにも大きくなった今だからこそ、逆にこの当たり前を考え直す意味があるのではないかと思う。

スモールスタートの本質は、小さく作ることではない。

小さいうちから学べることである。

そしてAIによって、その「小さく学ぶ」ためのコストを下げられる場面は確実に増えている。

とはいえ、ここまで散々書いてきた通り、ちゃんとやろうと思えば、仮説設計もデータ分析もインタビューも必要なので、それなりにお金はかかる。

……と、最後に散々ハードルを上げておいてなんですが、当社ではこのあたり、比較的リーズナブルにお受けしております。笑

関連コラム：ロイヤルカスタマーは、ポジティブなレビューを書かない。だが、ネガティブなレビューは書く｜「おいしい」が最頻出だったプレミアムブランドのレビューから考えたこと（本記事で扱った「このデータが誰から取られたものか」という声のバイアスを、実際のレビュー分析から描いた回）