[AI新規事業創出]Qualitegが考える、仮説探索の為のインタビュー結果示唆出し方法とは

多くのクライアントが仮説探索インタビュー後の分析を怠りがちです。インタビュー結果をデータ化し、テーマごとにカテゴライズして深く分析することで、パターンや洞察を抽出し、具体的な示唆を開発チームに報告するプロセスが重要です。

[AI新規事業創出]Qualitegが考える、仮説探索の為のインタビュー結果示唆出し方法とは

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。


せっかく仮説探索インタビューをしてもそのあとのインタビュー分析をしないクライアント企業が多く、インタビュー分析の重要性についてアドバイスさせていただくことが多いです。

本日は、仮説探索インタビューの分析手法について解説させていただきます。

まずはデータの整理と分類をしましょう

まず、インタビューから得られた全てのデータをまとめ、テキスト化します。これには、音声録音の書き起こしや、メモのデジタル化が含まれますが、おすすめはあとで分類しやすくするために、それぞれの意見をポストイットやオンラインポストイットに書きだししてみてください。

次に、それぞれの発言データをテーマやカテゴリーに基づいて分類します。これにより、関連する情報が集約され、分析しやすくなります。例えば、ユーザーの悩み、好み、使用状況などのテーマごとにデータを整理して、カテゴライズしていきます。

person in gray shirt holding white printer paper

発言録をもとに深い分析と洞察の抽出を実施しましょう

分類されたデータを基に、深い内容分析を行います。ここで、特定のパターン、頻繁に出現するテーマ、意外な意見などを特定します。

データから洞察を抽出する際には、直感だけでなく、データに基づいた論理的な推論を用いて、なぜそのような意見が出たのか、その背後にある理由を探ります。参加者のコメントや、もともと聞いていた参加者の属性情報などからユーザーのニーズや問題点を読み解きます。

イノベーション創出の鍵は、企業内部の強みと外部リソースの最適なバランスにあります。株式会社Qualitegの Innovation-Crossは、その絶妙なバランスを設計する共創支援プログラム。企業の現状と潜在力を徹底分析し、内部で伸ばすべき領域と外部に求めるべき領域を明確化します。

アイデアワークショップで社内の創造性を引き出しながら、オープンイノベーションやパートナー開拓で「自社だけでは補えない」要素を外部から取り込む—このバランスのとれたアプローチで、真の革新を実現。経験豊富な専門コンサルタントが、御社の特性に合わせた最適な内外リソースの組み合わせを設計し、持続可能なイノベーション創出の仕組みを構築します。内と外の力を掛け合わせる、この相乗効果が未来を創ります。

示唆の整理ができたら、開発チームと事業責任者に報告を

抽出した洞察をもとに、具体的な示唆を整理します。これは、仮説を再構築するための基盤となる情報です。

たとえば、事例で上げたA社の都市部で忙しく働くビジネスマンの生活充実度を向上させるサービスを検討のため、「自身のキャリアアップのためにサポートができるサービス」の競合サービスから、ユーザーのインサイトを分析するという想定でお話ししましょう。

なぜ今、キャリアアップが必要と考えているのか、自身の職場の環境が厳しくなってきている、試しに転職サービスに登録してみたが、思うような仕事の紹介がない、同期がMBAを取得して転職を実現したなど、ユーザーがいまキャリアアップが必要と考えている背景は、このような理由があるから、自身の気持ちが動かされたのだということを明確化する必要があります。

情報が整理できた後には、この分析結果を報告するステップが必要です。示唆を報告する際には、クリアで理解しやすい形で、どのようにこれらの洞察が元の仮説に影響を与えるかを説明します。

ユーザーが抱えている真の課題は何か、それらに対して自社はどのようなソリューションの展開が可能か、具体的にイメージしながら報告資料を作成してみてください。


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

LLM推論基盤プロビジョニング講座 第3回 使用モデルの推論時消費メモリ見積もり

LLM推論基盤プロビジョニング講座 第3回 使用モデルの推論時消費メモリ見積もり

こんにちは!前回はLLMサービスへのリクエスト数見積もりについて解説しました。今回は7ステッププロセスの3番目、「使用モデルの推論時消費メモリ見積もり」について詳しく掘り下げていきます。 GPUメモリがリクエスト処理能力を決定する LLMサービス構築において、GPUが同時に処理できるリクエスト数はGPUメモリの消費量によって制約されます。 つまり、利用可能なGPUメモリがどれだけあるかによって、同時に何件のリクエストを処理できるかがほぼ決まります。 では、その具体例として、Llama3 8B(80億パラメータ)モデルをNVIDIA RTX A5000(24GB)にロードするケースを考えてみましょう。 このGPUには24GBのGPUメモリがありますが、すべてをリクエスト処理に使えるわけではありません。最初にモデル自体が一定量のメモリを消費し、残りの領域で実際のリクエスト処理を行います。 GPUメモリ消費の二大要素 GPUの消費メモリ量は主に以下の2つの要素によって決まります 1. モデルのフットプリント LLMをGPUに読み込んだときに最初に消費されるメモリ

By Qualiteg コンサルティング
システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

こんにちは! 先日、dlibをつかったPythonアプリケーション(conda環境で動作する)作っていたところ、以下のようなエラーに遭遇しました。 ImportError: /home/mlu/anaconda3/envs/example_env/bin/../lib/libstdc++.so.6: version `GLIBCXX_3.4.32' not found (required by /home/mlu/anaconda3/envs/example_env/lib/python3.10/site-packages/_dlib_pybind11.cpython-310-x86_64-linux-gnu.so) 「dlib_pybind11モジュールがGLIBCXX_3.4.32を要求してるけど、みつからない!」という感じのエラーですね。

By Qualiteg プロダクト開発部
LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

こんにちは! 今回はLLM推論基盤プロビジョニング講座 第2回です! STEP2 LLMサービスへのリクエスト数見積もり それでは、早速、LLM推論基盤プロビジョニングの第2ステップである「リクエスト数見積もり」の重要性と方法を解説いたします。 LLMサービスを構築する際に必要となるGPUノード数を適切に見積もるためには、まずサービスに対して想定されるリクエスト数を正確に予測する必要があります。 リクエスト数見積もりの基本的な考え方 LLMサービスへの想定リクエスト数から必要なGPUノード数を算出するプロセスは、サービス設計において非常に重要です。過小評価すればサービス品質が低下し、過大評価すれば無駄なコストが発生します。このバランスを適切に取るための基礎となるのがリクエスト数の見積もりです。 想定リクエスト数の諸元 リクエスト数を見積もるための5つの重要な要素(諸元)をみてみましょう。 1. DAU(Daily Active Users): 1日あたりの実際にサービスを利用するユーザー数です。これはサービスの規模を示す最も基本的な指標となります。 2. 1日

By Qualiteg コンサルティング
Zoom会議で肩が踊る?自動フレーミング映像安定化とAIによる性能向上の可能性

Zoom会議で肩が踊る?自動フレーミング映像安定化とAIによる性能向上の可能性

こんにちは! 本日は、自動フレーミング映像の安定化に関するアルゴリズム・ノウハウを解説いたします 第1章 問題の背景と目的 バストアップ映像を撮影する際、特にオンラインミーティングやYouTubeなどのトーク映像では、人物がうなずく、首を振るなどの自然な動作をした際に「首まわりや肩がフレーム内で上下に移動してしまう」という現象がしばしば起こります。これは、多くの場合カメラや撮影ソフトウェアが人物の「目や顔を画面中央に保とう」とする自動フレーミング機能の働きに起因します。 撮影対象の人物が頭を下げた際に、映像のフレーム全体が相対的に上方向へシフトし、その結果、本来動いていないはずの肩の部分が映像内で持ち上がっているように見えてしまう現象です。 本稿では、この問題を撮影後の後処理(ポストプロセッシング)のみを用いて、高速、高い精度かつロバストに解決する手法をご紹介します。 前半では、従来のCV(コンピュータービジョン)の手法を使い高速に処理する方法をご紹介します。後半では、AIを使用してより安定性の高い性能を実現する方法について考察します。 第2章 古典手法による肩の上下

By Qualiteg 研究部