「論点を持とう」 「仮説を立てよう」 「視野を広く、視座を高く」
言っていることは分かる。
でも新人側からすると、最初に出てくる感想はだいたいこれである。
いや、その論点と仮説が思いつかんのですが。
そこで先輩から「インプットが足りない。30分調べたら5分止まって、分かったことと疑問を整理しよう」と教わる。
なるほど。やってみる。
30分調べる。 5分整理する。 「あ、もしかして原因はAでは？」となる。
成長した。
そして次の瞬間、
「Aを確かめるデータがない」 「じゃあ計測を追加しよう」 「計測するには実装が必要」 「実装したらテスト」 「テストしたら観測」 「観測したらAよりBの方が怪しくなった」 「Bを調べるために別のログが必要」 「ついでにCとDも見つかった」
ウィィィィィン……。
仕事が増えた。
これが、論点・仮説思考を身につけた後に待っている、あまり説明されない第二章である。
この記事では、完全なゼロから始める1年目の人向けに、
調べる → 整理する → 論点を切る → 仮説を立てる → 測れるようにする → 試す → 観測する → 仮説を更新する → やらない仮説を決める
までを、研究知見と実務の両方から一本につなげる。
1. 最初の誤解：論点・仮説思考は「ひらめき大会」ではない
初心者にいきなり、
「売上低下の論点を出して」 「原因仮説を10個出して」
と言っても、難しい。
なぜなら、その領域で何を見るべきかという「部品」がまだ頭に入っていないからだ。
Webなら、表示回数、CTR、順位、流入経路、新規・既存、国、言語、ページ、回遊率。
営業なら、商談数、成約率、単価、失注理由、案件化率、リード源、担当者、期間。
工場なら、不良率、停止時間、段取り、設備、材料、作業者、ロット、温度、時間帯。
経験者は異常を見た瞬間に、こういう変数が勝手に並ぶ。
初心者には並ばない。
だから「もっと考えろ」だけでは、空の棚から商品を出せと言っているのと同じである。
シミュレーション型の探究学習を扱った研究では、初心者に領域の基本情報を先に与えることで、変数の理解やその後の知識獲得が改善した。 これは職場のコンサル教育を直接検証した研究ではないが、「仮説生成には材料となる領域知識が要る」という設計原理としてはかなり分かりやすい。
2. ゼロ→1では、最初から仮説を作らせない
1年目の最初にやるべきことは、自由な仮説生成ではない。
まずは完成品を見る。
たとえば、
- 現象：売上が20％落ちた
- 最初の分解：客数か、客単価か
- 確認：客数は横ばい、客単価が低下
- 次の分解：商品構成か、値引きか
- 確認：値引き率は変わらないが、高単価商品の構成比が低下
- 仮説：高単価商品の選択率が落ちている
- 次の確認：商品別閲覧数、在庫、表示順位、説明変更を見る
こういう「思考の完成例」を何本か見る。
Worked example、つまり解法つきの完成例は、特に初心者の初期学習で認知負荷を抑え、保持や近い課題への転移を助ける研究がある。
だから新人教育で最初から「自分で考えて」は、自由を与えているようで、実は地図を渡さず山に放している可能性がある。
最初は地図を見ていい。
むしろ見た方がいい。
3. 1年目の成長曲線は「補助輪を外す順番」で作る
ここからが実践編。
この1年プランは「12か月やれば誰でも同じ能力になる」という実証済みカリキュラムではない。教育研究から得られる原則を、職場の問題解決へ移植した実務用ロードマップである。
1〜2か月目：まず「何を見る世界なのか」を覚える
最初の目標は、仮説を当てることではない。
変数を知ること。
担当領域で頻出する数字、工程、登場人物、制約、正常値、異常値、前後関係を覚える。
毎日やることは3つでいい。
- 実際の案件を1件見る
- 先輩が何を見たかをメモする
- 「なぜその数字を見たのか」を一つだけ聞く
この時期は完成例を多めにする。
ただし暗記は目的ではない。
「現象Aを見たら必ずB」ではなく、
経験者は最初にどんな候補を頭に出しているのか
を盗む。
3〜4か月目：比較する癖をつける
論点は、何もないところから生まれにくい。
差から生まれやすい。
そこで異常を見たら、まずこの5問を使う。
- いつから変わった？
- どこだけ変わった？
- 何は変わっていない？
- 正常なものとの違いは？
- 直前に何が変わった？
「売上が落ちた。なぜ？」は広すぎる。
「東日本だけ？」「新規だけ？」「先月から？」「商品Aだけ？」「価格改定後？」まで切ると、仮説の材料が急に増える。
この段階では、「原因を当てる」より「比較軸を出せる」を評価する。
5〜6か月目：仮説を検証可能な文に変える
ここでようやく仮説を書く。
型は簡単でいい。
もしXが主因なら、Yが観測されるはず。
例：
「検索露出低下が主因なら、アクセス低下と同じ時期に表示回数も落ちるはず。」
「在庫不足が主因なら、売上低下は欠品した商品・地域・期間に強く出るはず。」
「教育不足が主因なら、経験の浅い担当者でエラー率が高いはず。」
さらに一段進めるなら、
Yが観測されなければ、この仮説は弱くなる
まで書く。
これで「なんとなくAな気がする」が、データで殴れる文章になる。
初心者への足場として「変数や関係語だけ渡す」より「部分的な仮説まで渡す」方が、より複雑な仮説生成やデータ収集を助けた研究もある。 だから最初の数か月は、穴埋め式でもいい。
7〜8か月目：「答えがないなら、測れるようにする」を覚える
ここで仕事が急にエンジニアっぽくなる。
調べても答えが載っていない。
社内データにも必要な切り口がない。
そこで、
instrumentation（計測できる状態を作ること）
が必要になる。
たとえば、
- ログ項目を追加する
- アンケート項目を追加する
- エラー分類を増やす
- 商品別・地域別に切れるようにする
- 前後比較できる日付を残す
- 実験群と比較群を作る
- 変更前の基準値を保存する
ここで新人は初めて気づく。
「調査」の仕事は検索では終わらない。
答えが存在しないなら、答えが生まれる計測系を作るところから仕事である。
9〜10か月目：実装→テスト→観測→更新を回す
ここからが本当のループ。
仮説A。 ↓ 計測。 ↓ 小さく実装。 ↓ テスト。 ↓ 観測。 ↓ 結果。 ↓ 仮説Aを維持・修正・棄却。 ↓ 次の仮説。
重要なのは、「仮説が当たったか」だけではない。
外れた時に、
なぜ自分はそれを有力だと思ったのか
を言語化する。
2024年の研究では、問題解決の誤りについて足場つきの自己説明を促すと、誤り修正と近い問題への転移が改善した。
また、問題解決中の自己評価精度に関する35研究のメタ分析では、介入全体の効果は小さいものの、課題全体を振り返る支援、メタ認知知識、外部基準を使う支援などが精度改善に有効だった。
だから「自分ではうまくできたと思います」で終わらせない。
予想と結果を並べる。
11〜12か月目：ついに「仮説を増やす」より「捨てる」が重要になる
ここまで来ると、初心者時代とは逆の問題が起きる。
仮説が出ないのではない。
仮説が出すぎる。
A、B、C、D、E。 全部ありそう。 全部調べたい。
ここで全部やると、永遠に終わらない。
そこで見るのが、
- 意思決定への影響
- 起きていそうな度合い
- 検証コスト
- 何個の仮説をまとめて削れるか
- 結果が出たら次の行動が変わるか
である。
決定分析にはValue of Information、つまり「追加情報によって意思決定がどれだけ改善し得るか」という考え方がある。
職場で数式まで回さなくても発想は使える。
その調査で、何の決定が変わるの？
変わらないなら、面白くても後回しでいい。
4. 「30分調べて5分整理」は、魔法の時間ではなく検索沼の非常ブレーキ
30分と5分が科学的に最適、という話ではない。
価値があるのは時間そのものではなく、
検索を一度止める仕組み
である。
初心者は調べ始めると、
記事A。 関連リンクB。 知らない用語C。 参考資料D。 さらにE。
と、永遠に深く潜れる。
だから30分程度を目安に一度止まり、
- 今わかったこと
- まだ分からないこと
- 今もっとも有力な仮説
- その仮説なら何が観測されるか
- 次の30分で何を確認するか
を5分で書く。
ポイントは、
次に確認したいことを一文で書けないなら、まだ検索を再開しない。
である。
検索量ではなく、検索の方向が更新されているかを見る。
5. そして仕事が増える。「論点が見える」はタスク生成能力でもある
ここは新人研修ではあまり言われない。
能力が上がるほど、異常が見える。
初心者：
「特に問題なさそうです」
少し慣れた人：
「成約率が落ちています」
さらに慣れた人：
「全体成約率は落ちているが、既存顧客は横ばい。新規の特定チャネルだけ落ちていて、流入数は変わっていない。初回面談から提案への遷移が先月から落ちている」
はい。
仕事が増えました。
次は、
- チャネル別に確認
- 担当者別に確認
- 面談内容を比較
- 変更点を洗う
- 計測漏れを疑う
- 小さな改善を試す
ウィィィィィン……。
論点・仮説思考は仕事を減らす魔法ではない。
最初はむしろ、今まで見えなかった仕事を発見する。
上達してから初めて、
発見した仕事のうち、やらないものを決める技術
が必要になる。
6. だから最終形は「研究者＋エンジニア＋分析官」に近づく
実務の改善ループを一本にするとこうなる。
Research 何が既に分かっているか調べる。
Hypothesis 何が起きているか仮の説明を置く。
Instrumentation 検証できるように測定系を作る。
Intervention 小さな変更を入れる。
Observation 結果を見る。
Update 仮説を更新する。
Prioritization 次に潰す不確実性を選ぶ。
コンサル、企画、品質、DX、プロダクト、マーケ、研究、社内改善。
名称は違っても、かなり多くの仕事がこのループを持っている。
7. 新人に渡す「原因箱」は6個でいい
何も思いつかない時は、自由発想を要求しない。
原因を6箱に入れて探す。
| 箱 | 問うこと |
|---|---|
| 入力 | 入ってくる量・質が変わった？ |
| 処理 | 工程・ルール・導線が変わった？ |
| 出力 | 商品・結果・表示が変わった？ |
| 人 | 顧客・担当者・利用者が変わった？ |
| 環境 | 競合・季節・市場・制度が変わった？ |
| 計測 | そもそも数字の取り方が変わった？ |
初心者の「思いつかない」は、能力不足というより検索空間が広すぎることが多い。
箱を置くだけで、探す場所ができる。
8. 指導側がやること：「もっと考えて」ではなく、補助輪を段階的に外す
1年目の育成は、こう進めると扱いやすい。
レベル0：完成例 先輩の思考を最初から最後まで見る。
レベル1：論点を渡す 「客数と単価、どちらが動いた？」まで渡す。
レベル2：候補を渡す 「客数、単価、商品構成、計測異常のどれ？」と選ばせる。
レベル3：原因箱だけ渡す 入力・処理・出力・人・環境・計測から自分で作る。
レベル4：自走 「何が問題で、次に何を見る？」だけ聞く。
2026年の研究でも、完成例だけを見続けるより、学習系列に実際の問題解決を組み込んだ条件で高いテスト成績が見られた。 初心者に例を与えることと、永遠に答えを与えることは同じではない。
補助輪は、付けることより外す順番が重要である。
9. 1年目の週間運用テンプレ
毎日大げさな研修をする必要はない。
実務の中に埋め込む。
毎案件
- 現象を一文で書く
- 比較軸を最低3つ出す
- 仮説を1〜3個に絞る
- 「XならYが見えるはず」と書く
- 結果を残す
30分ごとの調査停止
- 分かったこと
- 疑問
- 現時点の仮説
- 次に見るデータ
- そのデータで何の判断が変わるか
週1回
1案件だけ振り返る。
「当たった仮説」より、
外した仮説と、見落とした変数
を見る。
月1回
自分の「見る変数リスト」を更新する。
1年前には存在しなかった比較軸が増えているなら、それが成長である。
10. やりがちな失敗
失敗1：インプットだけ増やす
本を読む。 記事を読む。 動画を見る。
でも仮説を書かない。
これは知識は増えるが、検索と判断の橋ができにくい。
失敗2：いきなり自由研究にする
「自由に考えて」は上級者には自由だが、初心者には無限の空白である。
最初は型を渡す。
失敗3：一つ目の仮説を愛しすぎる
自分で考えた説はかわいい。
でも仕事では、かわいさと真偽は別である。
「この仮説が間違いだとしたら何が見える？」を入れる。
失敗4：調査して満足する
「競合を30社調べました」
で終わらない。
「だから次の意思決定が何に変わったか」まで行く。
失敗5：全部調べる
一番危険。
能力が上がるほど候補は増える。
そこで最後に必要なのが、情報価値と検証コストである。
11. 研究から言えること、言えないこと
今回の研究からかなり支持されるのは、
- 初心者には基礎的な領域情報が重要
- 完成例は初期学習に有効
- 部分的な仮説などの足場が役立つことがある
- 誤りについて自己説明させると学習を助ける
- 外部基準を使った振り返りが自己評価精度を改善し得る
- ある程度進んだら実際の問題解決を入れる
という方向である。
一方で、
「30分＋5分が最適」 「この12か月配分が科学的に最強」 「学生実験の結果がそのまま新人コンサルに当てはまる」
とは言えない。
ここは分ける。
研究は魔法のレシピではない。
補助輪の設計を考えるための地図である。
12. 最後：成長すると、仕事が減るとは限らない
1年目の最初。
「論点が思いつきません」
数か月後。
「仮説が3つできました」
さらに後。
「検証するためにログを追加します」
年末。
「仮説が12個あります。でも次の意思決定を変えない7個は捨てます」
ここまで来たら、かなり別人である。
ただしご褒美は暇ではない。
おめでとうございます。以前は見えなかった問題が見えるようになりました。
新しいタスクが解放されました。
計測。 実装。 テスト。 観測。 分析。 再仮説。
ウィィィィィン……。
そして最後に身につけるのは、何でも調べる能力ではない。
「今は何を調べないか」を決める能力である。
参考文献
- Kuang, L., et al. “Presenting domain information or self-exploration to foster hypothesis generation in simulation-based inquiry learning.” Journal of Research in Science Teaching. https://doi.org/10.1002/tea.21865
- Chen, O., Retnowati, E., Chan, B. K. Y., & Kalyuga, S. “The effect of worked examples on learning solution steps and knowledge transfer.” Educational Psychology, 2023. https://doi.org/10.1080/01443410.2023.2273762
- Kuang, L., et al. “Effects of providing partial hypotheses as a support for simulation-based inquiry learning.” Journal of Computer Assisted Learning, 2020. https://doi.org/10.1111/jcal.12415
- “Effects of self-explaining feedback on learning from problem-solving errors.” Contemporary Educational Psychology, 2024. https://doi.org/10.1016/j.cedpsych.2024.102326
- Janssen, N., & Lazonder, A. W. “Meta-analysis of Interventions for Monitoring Accuracy in Problem Solving.” Educational Psychology Review, 2024. https://doi.org/10.1007/s10648-024-09936-4
- “Value of Information Analysis for Research Decisions—An Introduction.” Value in Health, 2020. https://doi.org/10.1016/j.jval.2020.01.001
- Zeitlhofer, I., & Zumbach, J. “Sequencing problem solving and worked examples: effects on performance, cognitive load, and judgments of learning.” International Journal of Educational Research, 2026. https://doi.org/10.1016/j.ijer.2026.103039
