[AI新規事業創出]Qualiteg流、顧客課題仮説探索インタビューをベースにした顧客課題設定とは

新規事業開発のコンサルティングにおいて、多くの方がすぐにアイディア出しを行いたがる傾向にあります。実際は顧客の課題を把握し、ファクトに基づいたアプローチが質の高い企画につながります。このプロセスには顧客のニーズの再確認、インサイトの抽出、そして「How Might We」というフレームワークを用いた課題の発散が含まれます。

[AI新規事業創出]Qualiteg流、顧客課題仮説探索インタビューをベースにした顧客課題設定とは

Qualiteg blogを訪問してくださった皆様、こんにちは。Micheleです。AIを活用した新規事業やマーケティングを手がけている私には、クライアントからよく寄せられる質問があります。AIを用いた事業展開を検討されている方々が共通して直面するであろう課題に対して、このブログを通じて私なりの解答をご提供したいと思います。


新規事業開発のコンサルティングさせていただいている中で、皆さんやはり、アイディア出しをすぐにやりたいと焦っておられる方が多いです。

しかし、そのアイディアを出すために、顧客が何を課題としているか、ファクトをもとに考えていく必要があります。

本日は、顧客の課題をどのように考え、選定していくか、そして本取組で着目し、解決すべき課題を仮説をどうやって検討するべきかという手法についてお話させていただきたいと思います。

まずは、問いの確認を実施する

初めに検討すべき項目は「問いの確認」です。アイディア出しの前に、調査などで発見した問題やニーズの再確認をしましょう。

ここでは、顧客インサイトの抽出方法について解説します。

man holding his chin facing laptop computer

電気自転車レンタルサービスを例に考えてみましょう。

例えば、

電気自転車をレンタルしたいと思って借りてみたが、充電された電気量が少なかった

というファクトがあったとしましょう。

そのファクトから顧客のインサイト(=こういう状態だったらいいのになと思う状態や、不安材料などの心の声)を想像して書いていきます。

この場合

もっと電気があったら、1回のレンタルで目的地まで行けるのになあ
途中で電気がなくなったら、自転車が重くなって動かなくなるのではないのだろうか

このようなユーザーの心の声が聞こえてくると思います。それらをユーザーの「問い」であると認識しましょう。

株式会社Qualitegの Innovation-Crossは、イノベーション共創の全プロセスをカバーする総合支援プログラムです。企業の現状分析に基づく精緻な戦略立案から、実行計画の策定、オープンイノベーションやパートナー開拓の実践、そして成果の評価・改善まで、革新創出の全工程を一貫してサポート。

アイデアワークショップ、ハッカソン企画、AI技術活用など、多彩なサービスメニューを通じて、「自社だけでは実現困難」な革新を、外部との協業によって確実に実現します。戦略と実行の両面で豊富な経験を持つ専門コンサルタントが、御社のイノベーション創出を総合的に支援し、社内外の知恵を融合させた新たな価値創造へと導きます。共創イノベーションのワンストップ・ソリューションを、ぜひご活用ください。

次は問いの発散をしてみましょう

ここではHow Might Weというデザインシンキングの問いを定義するフレームワークを活用します。

「How Might We」を日本語に訳すと「どのようにして私たちは〜できるか」となります。しかし、直訳だとなかなかイメージがわかないので、Qualitegでは以下のようなフレームワークとして活用しています。

どうしたら、我々は 「誰」 の為に、「何」を実現してその課題を解決や改善をすることができるだろうか。

このフレームワークに当てはめて「問いの発散」をしてみましょう。

「どうしたら我々は、いつも自社サービスを使ってくださっているユーザー向けに、遠くの目的地までレンタル電動自転車を使ってもらうことができるのだろうか。」
「どうしたら我々は、初めて自社サービスを使いたいと思ってくださる顧客向けに、途中で電気がなくなったら自転車が重くなって動かなくなるのではないかという不安を取り除くことができるのだろうか」

このような形で、顧客インタビューの結果などのファクトをもとに、顧客の課題を出すことができます。

ここがポイントですが、このフェーズでは課題の良し悪しは判断する必要はなく、たくさん課題を抽出することを目的としております。次のフェーズでその課題のうちどの課題を選び、自社の解決策としていくべきかを考えていきましょう。


コラムを最後までお読みいただき、誠にありがとうございます。私たちQualitegは、AI技術や新規事業の企画方法に関する研修およびコンサルティングを提供しております。もしご興味をお持ちいただけた場合、また具体的なご要望がございましたら、どうぞお気軽にこちらのお問い合わせフォームまでご連絡くださいませ。

また、新規事業創出のステップを体得したいという方にご好評のワークショップも実施しております。それぞれの担当者の方が役員目線で事業を考えるという点にフォーカスしたトレーニング内容となっており、企画担当者の方だけではなく、カウンターパートのエンジニア、デザイナー、マーケターの方にもご受講いただけるコンテンツとなっております。

皆様からのお問い合わせを心よりお待ちしております。次回のコラムも、ぜひご期待くださいね。


navigation

Read more

Google GenAI SDK のストリーミングでマルチターン画像編集🍌が不安定になる問題と対処法

Google GenAI SDK のストリーミングでマルチターン画像編集🍌が不安定になる問題と対処法

こんにちは! Gemini 3 Pro Image (Nano banana Pro)を使ったマルチターン画像編集機能を実装していたところ、動いたり動かなかったりするという厄介な問題に遭遇しました。 本記事では、この問題の現象、原因調査の過程、そして解決策を共有します。 問題の現象 実行環境 Google GenAI SDKライブラリ(pip): google-genai 1.56.0 期待する動作 1. ユーザー: 「かわいい子猫の画像を生成して」 2. Gemini: 子猫の画像を生成 3. ユーザー: 「この子にメガネをかけて」 4. Gemini: 同じ子猫にメガネをかけた画像を生成 実際に起きた現象 1. ユーザー: 「かわいい子猫の画像を生成して」 2. Gemini: 茶色の子猫の画像を生成 3. ユーザー: 「この子にメガネをかけて」 4. Gemini: メガネをかけた女の子の画像を生成

By Qualiteg プロダクト開発部
【出展報告】TOKYO DIGICONX 2026

【出展報告】TOKYO DIGICONX 2026

こんにちは! 先日、「TOKYO DIGICONX 2026」に出展してまいりましたのでレポートさせていただきます! TOKYO DIGICONX 2026 TOKYO DIGICONX 2026は、2026年1月8日(木)~10日(土)に東京ビッグサイト 南3・4ホールで開催された、XR・メタバース・AI・Web3をテーマにした総合展示会です。 正式名称は「第3回 TOKYO XR・メタバース&コンテンツビジネスワールド」で、東京都、XRコンソーシアム、Metaverse Japan、東京商工会議所で構成されるXR・メタバース等産業展実行委員会が主催しています。 180社以上のスタートアップや企業が出展し、ビジネスデイ(8日・9日)とパブリックデイ(10日)の3日間にわたり、XR・メタバース・AI分野の最前線を体感できるイベントとなりました。 冬の東京ビッグサイト 新年明けて間もない1月の東京ビッグサイト。お正月気分もそこそこに、気合を入れて会場入りしました�

By Qualiteg ビジネス開発本部 | マーケティング部
コーディングエージェントの現状と未来への展望 【第2回】主要ツール比較と構造的課題

コーディングエージェントの現状と未来への展望 【第2回】主要ツール比較と構造的課題

こんにちは! 今回は、コーディングエージェントシリーズ第2回です! 前回の第1回では、2025年12月時点で百花繚乱状態にあるAIコーディングエージェントの全体像を俯瞰しました。 AIコーディングエージェント20選!現状と未来への展望 【第1回】全体像と基礎こんにちは! 今回は、20種類以上あるまさに百花繚乱なAIコーディングツールを一挙に紹介&解説していきたいとおもいます! AIをつかったコーディングはもはや常識となり、日々目まぐるしく新しいツールが登場しています。当社でも自社開発のAIコーディングツールをふくめ複数のツールを活用してソフトウェア開発をすすめていますが、次々とナイスなツールがでてきて興奮しつつも、正直キャッチアップが追いつかない…!という状況です。 「結局どれを使えばいいの?」「Claude CodeとCursorって何が違うの?」「オープンソースでも使えるやつあるの?」——そんな疑問を持っている方も多いのではないでしょうか。 そこで本シリーズでは、2025年12月時点でのAIコーディングツールを徹底的に整理してみました。商用サービスからオープンソースまで、20

By Qualiteg コンサルティング
LLM学習の現実:GPU選びから学習コストまで徹底解説

LLM学習の現実:GPU選びから学習コストまで徹底解説

こんにちは! なぜOpenAIやAnthropicは世界最高水準のLLMを作れるのに、それに肩を並べる日本発のLLMは存在しないのでしょうか? 技術力の差でしょうか。それとも人材の問題でしょうか。 答えはもっとシンプルです。GPUの枚数とお金です。 今日はそんな 「LLMの学習」にフォーカスをあて、そのリアルについて徹底解説いたします! 1. はじめに 「LLMを自分で学習させてみたい」 そう思ったとき、最初にぶつかる壁がGPUの問題です。 どのGPUを何枚使えばいいのか。クラウドで借りるべきか、オンプレで買うべきか。そもそも個人や小規模チームでLLM学習は現実的なのか。 本記事では、こうした疑問に対して、具体的な数字と事例を交えながら答えていきます。 たとえばLLaMA 2の学習にはA100が2,048枚使われました。DeepSeek-V3は約8億円かかりました。では、あなたの手元のGPUでは何ができるのか。そこを明らかにしていきたいと思います。 対象読者は、LLM学習に興味があるエンジニアや研究者です。PyTorchでモデルを書いたことがある程度の知識を前提とし

By Qualiteg プロダクト開発部, Qualiteg 研究部