外れた仮説は失敗ではなく情報です。でも「修正して続けるか、捨てて別に行くか」の判断を間違えると、時間を大きく無駄にします。

この記事でわかること

• 仮説が外れたとき、なぜ固執してしまうのか
• 「修正」と「撤退」の判断基準
• 外れた仮説から次の仮説を作る方法

「UI変更が解約の引き金ではないか」。データを見た。UI変更の前後で解約率に差がなかった。仮説は外れ。

ここで２つの選択肢があります。仮説を修正してもう少し掘るか、捨てて別の仮説に行くか。

修正すべきなのに捨ててしまうと、正解に近い仮説を手放す。捨てるべきなのに修正を続けると、間違った方向に時間を使い続ける。

なぜ外れた仮説に固執してしまうのか

仮説が外れたとき、素直に「外れた」と認めるのは意外と難しい。

すでに時間を使っているから。 データを集めて、分析して、チームにも共有した。「やっぱり違いました」とは言いにくい。でも、すでに使った時間は返ってこない。これからの時間をどう使うかが大事です。

「もう少し掘れば当たるかも」と思うから。 「UI変更そのものは原因ではなかったが、UI変更に伴うサポート対応の遅れが原因かもしれない」。元の仮説の延長で掘り続けたくなる。これが正しいこともあるが、ただの固執のこともある。

Vol.1で「仮説は間違っていていい」と整理しました。頭では分かっている。でも実際に外れると、感情的に手放しにくい。だからこそ、判断基準を先に持っておくことが大事です。

「修正」と「撤退」の判断基準

仮説が外れたとき、2つの基準で判断します。

基準①：データが「完全否定」か「部分否定」か

UI変更の前後で解約率にまったく差がなかった。ヘビーユーザーにも偏りがなかった。これは完全否定です。仮説の方向自体が間違っている。撤退して別の仮説に行く。

UI変更後に解約率はやや上がっているが、差が小さい。ヘビーユーザーの偏りも微妙。これは部分否定です。方向は合っているかもしれないが、表現が不正確。「UI変更が主因ではないが、一因かもしれない」と修正する余地がある。

基準②：修正した仮説に「新しい検証方法」があるか

仮説を修正したとき、修正後の仮説を検証する方法が具体的に思いつくか。

「UI変更と同時期に行ったサポート体制の変更が原因ではないか」。これなら、サポート体制変更の前後で解約率を比較するという新しい検証方法がある。修正して進む価値がある。

「UI変更が間接的に何か影響しているのではないか」。これだと何を検証すればいいか分からない。仮説が曖昧になっている。こうなったら撤退のサインです。

修正するたびに仮説が曖昧になっていくなら、それは「掘っている」のではなく「しがみついている」。 修正後の仮説が前よりも具体的で、検証方法が明確なら修正。曖昧になっていくなら撤退。

外れた仮説から次の仮説を作る

撤退を決めたら、外れた仮説を捨てて終わりではありません。外れた仮説から得た情報を、次の仮説の材料にする。

「UI変更は原因ではなかった」。これは情報です。原因の候補が１つ減った。では、他に何が考えられるか。

ここでVol.3の「仮説の立て方」に戻ります。事実を並べ直す。

「解約率が上がっている」「UI変更は原因ではなかった」。ここに、検証過程で副産物として見えた事実を加える。「解約した顧客の契約期間を見ると、12ヶ月契約の更新月に偏っている」。

新しい事実が加わると、新しいパターンが見える。「12ヶ月契約の更新タイミングで離脱しているのではないか」。次の仮説が生まれます。

外れた仮説の検証過程で見えた事実が、次の仮説の素材になる。 だから仮説が外れても無駄ではない。外れるたびに、手元の事実が増え、次の仮説の精度が上がっていきます。

AIを使うなら、このタイミングが有効です。外れた仮説の情報と、手元にある生の事実データをまとめて渡して「この事実群から、別の角度で考えられる仮説を出して」と聞く。自分では気づかなかった切り口をAIが提案してくれることがあります。ただし、AIが出した仮説候補はあくまで出発点。自分の現場感覚と照らし合わせて「これはあり得る」「これは違う」と判断すること。

外れることへの耐性が、仮説思考の速度を決める

仮説思考が上手い人は、仮説が当たる精度が高いわけではありません。「外れたあとの切り替え」が速いのです。

外れた。何が分かったか整理する。次の仮説を立てる。検証する。このサイクルが速い。1つの仮説に固執して１週間使うのではなく、3つの仮説を3日で回す。

外れることに慣れている人は、外れることへの抵抗が小さい。「外れた＝失敗」ではなく「外れた＝情報を得た」と捕らえられる。この感覚は、Vol.3で整理した「普段から小さなPDCAを回す」ことで身についていきます。

まとめ

この記事のポイントを3つにまとめます。

• 仮説が外れたとき、「修正」か「撤退」かは2つの基準で判断する。データが完全否定か部分否定か、修正後の仮説に具体的な検証方法があるか。修正するたびに仮説が曖昧になるなら撤退
• 外れた仮説から次の仮説を作る。検証過程で見えた事実が次の仮説の素材になる。外れるたびに手元の事実が増え、次の仮説の精度が上がる
• 仮説思考の速度を決めるのは、仮説が当たる精度ではなく、外れたあとの切り替えの速さ

次回はミニシリーズ最終回として、仮説思考のサイクルにAIをどう組み込むかを整理します。AIは仮説思考のすべてのステップを速くしてくれますが、使い方を間違えると落とし穴になる。加速装置にするか、落とし穴にするかは指示の出し方次第です。