[AI新規事業創出]Qualitegオリジナル、仮説探索と顧客理解で行うべき7つのステップとは

新規事業開発において、クライアントはしばしば「仮説探索」という用語に馴染みがないことが多いです。事業アイデアを考える前に、ターゲットユーザーの具体的な課題を把握する「顧客の課題仮説探索」が必要です。このプロセスを通じて、本当に市場で求められるサービスのアイディアを形成し、事業成功の可能性を高めるための戦略を立てます。

[AI新規事業創出]Qualitegオリジナル、仮説探索と顧客理解で行うべき7つのステップとは

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。


「仮説探索インタビューの必要性」についてクライアントにお話しすると、「仮説探索という言葉は初めて聞きました!」とおっしゃる方が非常に多いです。

新規事業開発を行う上で、どのようなサービスを考えるべきかを考える前に、「ターゲットユーザーはどのような課題を抱えているか」を確認する必要があります。それが”顧客の課題仮説探索”というフェーズです。

今日はこの”顧客の課題仮説探索”や”顧客理解”を具体的にどのような手法でやるべきかを解説させていただきますね。

そもそも”課題”とは、”誰の課題”であるべきか?

「顧客課題の仮説を探索する」というステップを踏むことをQualitegとしては強く推奨しています。というのも、新規事業アイディアを出すときに、「あ、こんなのあったらいいな~」というノリで考えてしまわれる方がほとんどなのですが、これは本当にNGです。(今読んでくださっているあなた、ドキッとしましたか?w)

実は、コンサルティング企業の上位職の方からも

新規事業のコンサルティングをする際に、クライアント企業の担当者個人の悩み、例えば日報書くのが面倒くさいとかそういう課題から始まるから、それでDX検討しても結局、小粒な案になっちゃって。コンサル案件もなんとか粘っても事業性がないから、PoCで終わって、商用化に向けた検討みたいに案件が次につながらないんだよ、どうしたらいいのかなあ。

と相談されることが多々あります。

man using MacBook

ずばりお答えしますと、その課題ってお金出してまで解決したい課題ですか、そうじゃないと商売にならないです!というケースがほとんどです。

ご自身が企画担当として「この課題、グッとくる」と思ってスタートしたとしても、あなたに私は問いたいです。

「あなたはその課題を解決するために毎月いくら確実にお支払いいただけますか?」

と。

新規事業の企画でだいたい失敗する方、有名コンサルティング企業に頼んでも、大金はたいて小粒なアイディアが出そろい、挙句の果てに商用化まで進まない方、この最初の「課題設定」に問題ありです。

企業の競争力の源泉は、その知的資産にあります。株式会社Qualitegの Innovation-Crossは、企業の知的資産を共創によって強化・拡充するプログラム。

現状分析を通じて企業の知的資産を可視化し、その価値を最大化するための戦略を策定します。アイデアワークショップで社内の暗黙知を形式知化しながら、オープンイノベーションやパートナー開拓で「自社だけでは獲得困難」な知見や技術を外部から取り込み、知的資産のポートフォリオを拡充。最先端AI技術の活用も含め、経験豊富な専門コンサルタントが、御社の知的資産と外部リソースを最適に組み合わせた革新的な価値創造を実現します。知の融合と創造を通じて、企業の持続的な競争優位性を確立します。

Qualitegが推奨する新規事業開発のメソッド

Qualitegが推奨する新規事業開発のメソッドでは、自社販路の活用こそが自社のアセット活用の第一歩と考えているため、自社サービスのターゲットユーザー向けの異なるサービスを企画しましょう”、というスタイルを提唱しています。

某ファーストフードで例えるなら「ご一緒にポテトもいかかでしょうか」でおなじみの”クロスセル”戦略です。

ターゲット顧客が同じであれば、サービス導入後も同じ営業チームが活躍できますし、ホームページもB2B用、B2C用と二つ持つ必要もありません。

two women near tables

それでは、ターゲットユーザーが決まったところで、仮説探索と顧客理解はどのように進めていくべきでしょうか。

Qualitegが提唱する7つのステップ

QualitegがこのDiscoverフェーズである、顧客課題仮説探索や、顧客理解が必要なフェーズでは、以下の7ステップで検討を進めていくべきと考えています。

  1. 顧客課題仮説探索の調査設計・準備
  2. 顧客課題仮説探索インタビュー実施
  3. 顧客課題仮説探索インタビュー結果確認・示唆出し
  4. 顧客課題仮説探索インタビューをベースにしたペルソナ策定
  5. 顧客課題仮説探索インタビューをベースにした共感マップ策定
  6. 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
  7. 顧客課題の評価・比較

となります。一つ一つの進め方につきましてはまた、次のブログでお話しさせていただきますね。


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