ユーザーリサーチの統合とインサイト

データの海からインサイトを釣る

ユーザーインタビュー15件、NPS調査200件、サポートチケット500件。データは十分。でもインサイトが見えない。

🔄 Quick Recall: 前回のレッスンで、PM業務を「作業」と「判断」に分け、AIが作業を加速することを学んだ。今回はその最初の実践——ユーザーリサーチデータの統合。

リサーチ統合の3ステップ

ステップ1：データの構造化

生のリサーチデータをAIに渡して構造化する：

以下のユーザーインタビューの記録を分析して：

[インタビュー記録をペースト]

以下の構造で整理して：
1. ユーザーが述べた課題（頻度順）
2. 現在の解決方法（ワークアラウンド）
3. 期待する理想の体験
4. 感情的なトーン（フラストレーション、満足、無関心）
5. 引用（特に印象的な発言、原文のまま）

ステップ2：テーマの抽出

複数のソースからパターンを見つける：

以下の構造化されたリサーチデータから
テーマを抽出して：

[ステップ1の出力をペースト]

テーマの条件：
- 複数のユーザーに共通するパターン
- 具体的かつアクショナブル（「使いにくい」ではなく「オンボーディングの3ステップ目で離脱」）
- 頻度と深刻度の両方を考慮
- テーマ間の関係性も示す

ステップ3：インサイトの変換

テーマをプロダクト判断に使えるインサイトに変換：

以下のテーマをプロダクトインサイトに変換して：

[テーマのリスト]

各インサイトに含めること：
1. インサイトの要約（1文）
2. エビデンス（どのデータがこれを支持するか）
3. プロダクトへの示唆（何を変えるべきか）
4. 確信度（高/中/低）
5. 検証方法（この仮説をどう検証するか）

✅ Quick Check: 最近のユーザーインタビュー1件をAIに渡し、上のステップ1のプロンプトで構造化してみよう。手動で整理した結果とどう違うか？

ペルソナの構築とJTBDマッピング

AIでペルソナを磨く

以下のリサーチデータに基づいてユーザーペルソナを作成して：

[リサーチの要約]

各ペルソナに含めること：
- 名前と役割
- 主要なゴールと課題
- 行動パターン（いつ、どこで、どうプロダクトを使うか）
- 意思決定の基準（何を重視するか）
- フラストレーションポイント
- Jobs-to-Be-Done（このペルソナがプロダクトを「雇う」理由）

条件：データに基づくペルソナのみ。推測は明示的にラベル付け。

JTBDのマッピング

JTBDはユーザーの「やりたいこと」に焦点を当てる：

要素	質問	例
Job	何を達成したいか？	「チーム全員が最新のタスク状況を把握したい」
現在の解決策	今どうやっている？	「Slackで毎朝手動で報告している」
不満	何が不便？	「報告の作成に毎朝15分かかる」
成功の基準	理想はどう？	「自動で最新状況が共有される」

定量データと定性データの統合

定性（インタビュー）と定量（分析データ）を組み合わせる：

以下の定性データと定量データを統合して分析して：

定性データ：
[インタビューテーマとインサイト]

定量データ：
[利用統計、コンバージョン率、離脱ポイント等]

分析してほしいこと：
1. 定性と定量が一致するパターン（強いシグナル）
2. 定性と定量が矛盾するパターン（調査が必要）
3. 定性にはあるが定量に現れないパターン（サンプルサイズの問題？）
4. 定量にはあるが定性で言及されないパターン（ユーザーが意識していない行動？）

Key Takeaways

AIはリサーチ統合の「作業」（構造化、テーマ抽出、パターン発見）を大幅に加速する
AIのリサーチ統合は直近バイアスや認知過負荷の問題を軽減する
ニュアンスの平坦化リスクに注意——AIの出力を必ず生データと照合する
リサーチ統合の3ステップ：データの構造化→テーマ抽出→インサイト変換
定性と定量の統合で、インサイトの確信度が高まる

Up Next

レッスン3：PRDと機能仕様書の作成——インサイトを、エンジニアが実装できる明確な仕様書に変換する方法を学ぶ。