要素分解MECE×3軸マインドマップをAIの仮説ツリーにする

AIに「この数値が下がった原因を調べて」と聞くと、それっぽい仮説は返ってきますが網羅性がありません。大事な要因を見落としたまま結論に飛びます。

解決策は、AIに渡す前に人間側でMECE分解した仮説ツリーを用意すること。この「仮説ツリー」こそが、AI時代における本質的な競争優位になります。分析フレームの設計と、AIへの渡し方をまとめます。

問題：AIの「それっぽい仮説」は網羅性に欠ける

典型的な失敗例

1
Prompt: 「売上が先月比20%下がった。原因を分析して」
2

3
AI回答:
4
- 季節要因
5
- 競合の値下げ
6
- マーケティング施策の効果減退
7
- ユーザー離脱

4つの仮説はそれぞれもっともらしいです。しかし：

• 漏れている: 決済システムの障害、配送遅延、SEO順位低下、広告タグの不具合
• ダブっている: 「マーケティング施策の効果減退」と「ユーザー離脱」は重複している可能性
• 粒度がバラバラ: 「季節要因」（外部）と「競合の値下げ」（外部）と「施策効果」（内部）が同列

AIはトレーニングデータの”よく語られる仮説”を返すだけで、この事業特有の盲点は拾えません。

解決策：MECE × 3軸で仮説ツリーを作る

ステップ1: 問題をMECEに分解する

売上の変動なら、恒等式で分解するのが確実です。

1
売上 = 集客数 × CVR × 客単価 × 購入頻度

この分解は「MECE（漏れなくダブりなく）」が保証されます。恒等式なので、いずれかの要素が動けば売上も動く、逆も真です。

ステップ2: 各要素に3軸を掛ける

各要素について、以下の3軸を掛けて立体化します。

「集客数がDOWNした」に3軸を掛けると：

このマトリクスが仮説ツリーの1ノードになります。同じことを他の3要素（CVR、客単価、購入頻度）にも適用すると、全16セル × 4要素 = 64個の検証ポイントが自動的に並びます。

ステップ3: 各セルに具体的な調査項目を紐付ける

セル単位で、調査に使うデータソースと検証方法を書き出します。

1
[集客数 × DOWN × 内部 × ネガティブ]
2
  - サイトエラー率（5xx）→ サーバーログ
3
  - 広告配信停止 → 広告管理画面
4
  - SEO順位低下 → Search Console
5
  - 紹介元URLの変化 → アクセス解析 / アクセスログ

これを全セルで埋めると、抜け漏れのない調査プロトコルができます。

AIへの渡し方

NG: 仮説ツリーを渡さずに聞く

1
「売上が下がった。原因を調べて」
2
→ AIは自分でトレーニングデータから仮説を組み立てる（粒度バラバラ、網羅性なし）

OK: 仮説ツリーを渡して「当てはめ」を依頼する

1
以下の仮説ツリーの各セルについて、
2
直近1ヶ月のデータで「該当する事象があるか」を判定してください。
3

4
【仮説ツリー】
5
- 集客数
6
  - DOWN × 内部 × ネガティブ
7
    - サイトエラー率の増加
8
    - 広告予算の削減
9
    - SEO順位低下
10
  - DOWN × 外部 × ネガティブ
11
    - 検索アルゴリズム変更
12
    - 競合の新規参入
13
  - （以下64セル）
14

15
【データソース】
8 collapsed lines
16
- アクセス解析: (CSV添付)
17
- サーバーログ: (CSV添付)
18
- Search Console: (CSV添付)
19

20
各セルについて：
21
1. 該当する兆候があるか（YES/NO/データ不足）
22
2. 根拠となる数値
23
3. 確信度（1-5）

AIは網羅的に判定する役回りになります。自分で仮説を生成させるのではなく、人間が用意した仮説をデータと突き合わせることに徹させます。

なぜこれがAI時代の競争優位になるか

1. AIが生成するのは「平均的な仮説」

AIは学習データの中央値的な答えを返します。業界特有の、あるいは自社特有の盲点は含まれません。ドメイン知識を持つ人間が作った仮説ツリーは、AIには作れません。

2. テンプレート化できない部分

プロンプトは真似されますが、「良い仮説ツリー」を作る能力は経験とドメイン知識に依存します。どの恒等式で分解するか、どの軸を掛けるか、各セルに何を紐付けるか——これらは実務の蓄積でしか身につきません。

3. AIの出力品質が跳ね上がる

仮説ツリーを渡すと、AIの仕事が「生成」から「当てはめ」に変わります。幻覚（hallucination）が減り、網羅性が担保されます。AIを使って精度を上げるのではなく、自分が設計したフレームでAIを回します。

仮説ツリーの設計パターン

パターン1: 恒等式で分解

1
利益 = 売上 - コスト
2
売上 = 客数 × 客単価
3
コスト = 固定費 + 変動費

数学的にMECEが保証されます。最初に試すべきパターンです。

パターン2: プロセスフローで分解

1
顧客獲得 → 初回購入 → リピート → ロイヤル化 → 離脱

各段階での離脱率とコンバージョン率を見ると、ファネルのボトルネックが特定できます。

パターン3: 5W1Hで分解

1
Who: 誰が / どのセグメントが
2
What: 何を / どの商品が
3
When: いつ / どの時間帯が
4
Where: どこで / どのチャネルが
5
Why: なぜ / どの動機で
6
How: どうやって / どの導線で

定量だけでは見えない質的な要因を網羅します。

パターン4: 内部/外部 × コントロール可能/不可能

1
             コントロール可    コントロール不可
2
内部要因     施策選択          組織の制約
3
外部要因     交渉可能な相手    市場環境

今アクションを取れる象限を優先的に調べられます。

実装例：Obsidian + Miroで仮説ツリーを資産化する

個人開発なら、以下のワークフローが効率的です。

1. Obsidianで仮説ツリーをmarkdown化

1
# EC売上下落の仮説ツリー
2

3
## 集客数
4
### DOWN × 内部 × ネガティブ
5
- [ ] サーバーエラー率増加 → serverログで検証
6
- [ ] 広告予算削減 → 広告管理画面
7
- [ ] SEO順位低下 → Search Console
8

9
### DOWN × 内部 × ポジティブ
10
- [ ] 低質トラフィック除外施策 → アクセス解析フィルタ設定
11

12
### DOWN × 外部 × ネガティブ
13
- [ ] Google検索アルゴリズム変更 → 業界ニュース
14
- [ ] 競合の新規参入 → 競合調査

2. Miroで視覚化

複雑な分解はマインドマップで可視化します。Miroのテンプレートを1つ作っておけば、別の分析にも流用できる資産になります。

3. AIにmarkdownごと渡す

1
以下のObsidianノート（仮説ツリー）の各チェックボックスについて、
2
添付のアクセス解析/サーバーログデータで判定してください。
3
判定結果を - [x] / - [ ] で更新し、根拠を付記してください。

AIはmarkdown構造を保ったまま判定を埋めてくれます。結果をObsidianに戻せば、検証履歴がそのまま残ります。

落とし穴

落とし穴1: 分解の粒度がバラバラ

1
- 集客数
2
- CVR
3
- 季節要因    ← 粒度が違う。これは「集客数」の要因
4
- 広告費      ← これも「集客数」の要因

恒等式レベル（客数/CVR/単価）と、その要因（季節/広告費）を混ぜません。階層を揃えます。

落とし穴2: MECEにならない分解を選ぶ

1
- 新規顧客
2
- リピート顧客
3
- 優良顧客      ← 「リピート顧客」と重複する可能性

「優良」という定性軸を入れるなら、別の階層にします。

落とし穴3: 仮説ツリーを作り込みすぎて調査が進まない

ツリー設計に1週間かけ、調査が始まらないのは本末転倒です。80点のツリーで回し、調査しながら改善します。

落とし穴4: AIが「該当なし」と答えたのを信じすぎる

AIはデータから読み取れない兆候を見逃します。重要なセルは自分でも確認します。AIは一次スクリーニング、最終判断は人間です。

まとめ

AI時代の競争優位は、**“AIを使う能力”ではなく、“良い仮説ツリーを作る能力”**にあります。ドメイン知識を構造化して仮説ツリーに落とし込めるかどうかが、分析の質を分けます。

AIに丸投げするのではなく、AIに渡す前の設計に時間を投資します。これがテンプレート化できない、模倣されにくい強みになります。