COLUMN

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

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

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。

スモールスタートの学習指標

  • 想定していた顧客と実際の購入者は同じだったか。
  • 顧客は想定した価値に反応していたか。
  • 購入を動かした要因は何だったか。
  • 最大の購入障壁は何だったか。
  • リピートする人にはどんな共通点があったか。
  • 当初の事業モデルのどこが合っていて、どこが違っていたか。
  • 次に何を試すべきかが明確になったか。

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。

小さく学ぶ順番

  1. 仮説を作る。
  2. 小さく始める。
  3. 行動を見る。
  4. 理由を聞く。
  5. モデルとの差分を見る。
  6. 仮説を強める、保留する、あるいは捨てる。
  7. もう一度試す。
  8. 少し広げる。
  9. 必要なら定量的に確かめる。

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)

Back to Columns

More Columns

You don't need to have it all figured out yet.

Tell us what caught your interest in the article, or the challenges you are facing right now.

We will learn where your business stands and work with you to sort out the steps you need.

Talk to Hiyaku