フレームワーク活用ガイドひとことで言うと#
PMF（プロダクトマーケットフィット）を「運」や「センス」ではなく、実験→計測→学習の反復ループで再現可能にする仕組み。Lean Startupの思想とRahul Vohraが体系化したPMFスコアリングを組み合わせ、いまPMFにどれだけ近いかを定量的に追いかけながら改善を回す。
押さえておきたい用語#
- PMF（Product-Market Fit）
- プロダクトが市場のニーズにぴたりとハマっている状態のこと。「このプロダクトがなくなったら非常に困る」とユーザーの40%以上が回答する水準が目安とされる。
- PMFスコア
- 「このプロダクトが使えなくなったらどう感じますか？」という質問に対し、「非常に困る」と答えた割合を指す。Rahul Vohraが提唱した指標で、40%を超えるとPMF達成の兆候とされる。
- BML（Build-Measure-Learn）
- 構築→計測→学習のサイクル。Lean Startupの中核概念で、PMFエンジンではこのループを1〜2週間単位で高速に回す。
- Sean Ellis Test（ショーン・エリス テスト）
- PMFスコアを計測するためのアンケート手法。たった1問の質問でプロダクトの市場適合度を測定する実用的なフレームワーク。
- ICP（Ideal Customer Profile）
- 理想的な顧客像。PMFエンジンでは「誰にとってのPMFか」を絞り込むためにICPの定義から始める。
PMFエンジンの全体像#
こんな悩みに効く#
- PMFを目指しているが、何をどの順番で試せばいいかわからない
- ユーザーの声は集めているのに、プロダクト改善につながっていない
- 「PMFしたかどうか」を感覚ではなく数字で判断したい
- 実験を回しているつもりだが、毎回やりっぱなしで学びが蓄積しない
基本の使い方#
PMFは万人に対して達成するものではない。まず「誰にとってのPMFか」を明確にする。
- 既存ユーザーの中から熱狂的なファンを5〜10人ピックアップする
- 共通点を抽出する（業種、役職、課題、利用頻度など）
- 「この人たちの課題を100%解決する」とターゲットを絞り込む
Rahul Vohraのアプローチでは、Sean Ellis Testで「非常に困る」と回答したユーザーのプロフィールを分析してICPを特定する。
ICPが定まったら、「PMFスコアを上げるために何を変えるか」を1つだけ選ぶ。
- PMFスコアが低い理由を分析する（「やや困る」と回答した人の自由記述が宝の山）
- 「この1点を改善すれば"非常に困る"に変わるはず」という仮説を立てる
- 実験の成功基準を事前に決める（例: PMFスコアが22% → 30%に上がる）
- 検証に必要な最小限のプロダクト変更を設計する
仮説を検証できる最小のスコープで実装し、リリースする。
- 完璧に作り込まず、仮説を検証できるレベルで出す
- 対象はICPに該当するユーザーセグメントに限定する
- 期間は1〜2週間を1スプリントとする
- 実験ログ（何を・なぜ・どう変えたか）を必ず残す
実験の前後でPMFスコアを比較する。
- Sean Ellis Testを対象セグメントに実施する（最低40サンプル）
- PMFスコアに加え、リテンション率やNPSなどの補助指標も記録する
- 数字だけでなく自由記述のフィードバックも収集する
- 前回スプリントの数値と並べて推移を確認する
計測結果をもとに、3つの判断のうち1つを選ぶ。
- 続行: 仮説が正しかった → さらに深掘りして次の実験へ
- 改善: 方向性は合っているが効果が不十分 → 実験の変数を調整
- ピボット: 仮説が外れた → ICPの再定義または仮説の根本見直し
学習内容はチーム全員がアクセスできる場所（Notionやスプレッドシート）に蓄積し、同じ失敗を繰り返さない仕組みを作る。
具体例#
月間アクティブユーザー8,000人の料理レシピアプリ。ダウンロード数は伸びているが、7日後リテンション率が**18%**と低迷していた。
ICP分析: Sean Ellis Testを実施したところ、「非常に困る」と回答した22%のユーザーの共通点は「30代・共働き・平日の夕食に悩む層」だった。一方、「困らない」と回答した層は「趣味で休日に凝った料理をする人」が多かった。
仮説: 「15分以内で作れるレシピ」のフィルタリングと、買い物リスト自動生成機能を追加すれば、ICP層の満足度が上がるはず。
実験（2週間）: 既存レシピ3,000件のうち「15分以内」タグが付いた420件を優先表示するUIに変更。買い物リスト機能はモック段階で「欲しいですか？」のアンケートだけ設置。
結果: PMFスコアは**22% → 31%**に上昇。買い物リスト機能への要望は対象ユーザーの74%が「ぜひ欲しい」と回答。次のスプリントで買い物リスト機能のMVPを実装する判断に至った。
従業員50名のSaaS企業。ARR（年間経常収益）は1.8億円だが、直近3ヶ月で大口顧客3社が解約し、チャーンレートが月次**4.2%**に悪化していた。
スプリント1（ICP再定義）: 解約企業と継続企業を比較分析。継続率が高いのは「営業チーム10〜30名の製造業」で、解約が集中していたのは「営業チーム50名超のIT企業」だった。後者は自社開発ツールに移行する傾向があった。
スプリント2（仮説と実験）: ICP層である製造業の営業マネージャー15名にヒアリング。「日報入力が面倒」が最大の不満で、フリーテキスト入力の代わりに選択式＋音声入力のプロトタイプを2週間で構築し、5社に限定導入。
スプリント3（計測と学習）: 限定導入した5社のPMFスコアは52%、導入前の全体平均28%から大幅に改善。日報入力率も**35% → 82%**に跳ね上がった。
この3スプリント・6週間でICPの明確化と改善方向の確定まで到達し、翌四半期のチャーンレートは**4.2% → 1.8%**に改善している。
創業120年、客室12室の温泉旅館。コロナ後にじゃらん・楽天トラベル経由の予約が全体の85%を占めるようになり、手数料負担が年間約340万円に膨らんでいた。自社サイトでの直接予約を増やしたいが、何をすればいいかわからない状態。
ICP特定: 過去2年のリピーター62組を分析。直接電話で予約してくる層は「50〜60代・夫婦・年2回以上利用」で、共通して「女将との会話」「季節の料理」を目当てにしていた。
スプリント1: 自社サイトに「女将の季節だより」ブログと、電話予約と同額の「常連プラン」を追加。2週間でリピーター62組にメールを送付。
スプリント2: 開封率68%、うちサイト訪問が41組、直接予約が12組。簡易アンケートで「この予約方法がなくなったら困る」は45%。早くもPMFの兆しが見えた。
OTAの手数料率15%に対し、直接予約の決済手数料は3.6%。12組の予約だけで月約8万円のコスト削減。「デジタルの仕組み×アナログの人間関係」が、この旅館にとってのPMFだった。
やりがちな失敗パターン#
- 全ユーザーに対してPMFを測ろうとする — ICPを絞らずに全体平均を取ると、熱狂的なファンの声がノイズに埋もれる。まず「誰のためのプロダクトか」を決めてからスコアを測ること
- 実験の変数を一度に複数変える — UIも価格も機能も同時に変えると、何が効いたかわからない。1スプリント1仮説を徹底する
- PMFスコアだけを追いかける — 数字が40%を超えても、リテンション率やNPSが低ければ見かけだけのPMF。複数指標を組み合わせて判断する
- 学習を記録しない — 実験結果を口頭で共有して終わりにすると、メンバーが入れ替わったときに同じ失敗を繰り返す。実験ログは資産として残す
まとめ#
PMFエンジンは、ICP定義→仮説設計→実験→計測→学習のループを1〜2週間単位で回し、PMF達成を再現可能なプロセスに変えるフレームワーク。Sean Ellis Testの**40%**という明確な基準があるから、感覚ではなくデータで進捗を追える。大事なのは1回の実験で正解を出すことではなく、学習の速度を上げること。ループを止めずに回し続けた先に、PMFは待っている。