product-discovery

プロダクトディスカバリー

構造化されたディスカバリーを実施し、価値の高い機会を特定して、プロダクトへの投資判断のリスクを軽減します。

使用する場面

このスキルは、次の用途に使用します。

• Opportunity Solution Tree のファシリテーション
• 仮説のマッピングとテスト計画
• 課題検証インタビューとエビデンスの統合
• プロトタイプや実験によるソリューション検証
• ディスカバリースプリントの計画と成果物の作成

ディスカバリーの基本ワークフロー

1. 目指す成果を定義する

• 改善する、測定可能な成果を1つ設定します。
• 現状の基準値と目標達成までの期間を定めます。

2. Opportunity Solution Tree（OST）を作成する

• 成果 -> 機会 -> ソリューション案 -> 実験
• 機会は社内の意見ではなく、ユーザーのエビデンスに基づくものにします。

3. 仮説をマッピングする

• 望ましさ、事業性、実現可能性、ユーザビリティに関する仮説を特定します。
• リスクと確信度に基づいて仮説を評価します。

以下を使用します。

python3 scripts/assumption_mapper.py assumptions.csv

4. 課題を検証する

• インタビューと行動分析を実施します。
• 発生頻度、深刻度、解決への意欲を確認します。
• 有望でない機会は早期に除外します。

5. ソリューションを検証する

• 開発前にプロトタイプを作成します。
• コンセプト、ユーザビリティ、価値をテストします。
• 表明された好みだけでなく、実際の行動を測定します。

6. ディスカバリースプリントを計画する

• 仮説を明確にした1～2週間のサイクル
• 毎日のエビデンスレビュー
• 最後に「続行」「方向転換」「中止」のいずれかを決定します。

Opportunity Solution Tree（Teresa Torres）

構成：

• 成果：改善したい指標
• 機会：満たされていない顧客のニーズや課題
• ソリューション：介入策の候補
• 実験：最短で学びを得るためのアクション

品質チェック：

• 収束する前に、少なくとも3つの異なる機会を用意します。
• 有望な機会ごとに、少なくとも2つの実験を用意します。
• すべての枝をエビデンスの出所に結び付けます。

仮説のマッピング

仮説のカテゴリ：

• 望ましさ：ユーザーがこれを求めている
• 事業性：事業価値がある
• 実現可能性：チームが構築・運用できる
• ユーザビリティ：ユーザーが問題なく利用できる

優先順位付けのルール：

• リスクが高く、確信度が低い仮説から先にテストします。

課題検証の手法

• 現在の行動に焦点を当てた課題インタビュー
• ジャーニーにおける摩擦のマッピング
• サポートチケットと営業電話の内容の統合
• 行動分析による多角的な検証

エビデンスの基準例：

• 複数のターゲットユーザーに共通する課題が繰り返し確認される
• 回避行動を観察できる
• 現在の課題によるコストを測定できる

ソリューション検証の手法

• コンセプトテスト（価値提案の理解度）
• プロトタイプのユーザビリティテスト（タスクの成功率／完了時間）
• フェイクドアテストまたはコンシェルジュテスト（需要の兆候）
• 限定ベータ参加者グループ（継続率／アクティベーションの兆候）

ディスカバリースプリントの計画

推奨する10日間の構成：

• 1～2日目：成果と機会の定義
• 3～4日目：仮説のマッピングとテスト設計
• 5～7日目：課題とソリューションのテスト
• 8～9日目：エビデンスの統合と意思決定案の作成
• 10日目：ステークホルダーによる意思決定レビュー

ツール

scripts/assumption_mapper.py

次の機能を備えたCLIユーティリティです。

• CSVまたはインライン入力から仮説を読み込みます。
• リスクと確信度に基づいて優先度を評価します。
• 推奨するテストの種類を含む、優先順位付きのテスト計画を出力します。

フレームワークの詳細については、references/discovery-frameworks.md を参照してください。