会員ビジネスを、
知識の地図として見る。

バリューチェーンマップとは

一般的なバリューチェーンは、企業活動の中で価値が生まれ、次の工程へ渡っていく流れを表します。このマップが扱うのは、その流れの中で使われる知識の構造です。

会員ビジネスに関わる概念を、次の8段階に沿って整理しています。

ただし、一つの概念が、一つの段階だけに属するとは限りません。例えば、クレジットカードは課金の手段ですが、会員化、本人認証、不正対策、継続、返金処理など、複数の場面に関係します。

この地図では、それぞれの概念について、名称や解説だけではなく、「何と、どのようにつながるのか」という関係まで記録しています。

会員ビジネスという知識体系を、用語の一覧ではなく、関係の集合として表現した地図です。

そして、この構造を可視化したことで、データが捉えているものだけでなく、捉えきれていないものも見えてきました。

この地図は、
「関係」を編集して作られています。

この業界で使われている言葉を、私とAIの共同編集で収集しました。しかし、用語を集めるだけでは地図にはなりません。

必要だったのは、一つひとつの概念について、何を意味するのか。何と区別するのか。どの概念に含まれるのか。何と、どのようにつながるのか。を、一つずつ定義することでした。

この作業を進めると、単純な分類では収まりきらない概念が次々と現れます。一つの概念を整理すると、別の概念との境界が曖昧になる。分類を変えると、別の場所で整合しなくなる。関係を増やすほど、概念は複数の領域にまたがり、データモデルそのものも複雑になります。

知識を構造化するとは、言葉を並べることではありませんでした。

概念同士の関係を編集し続けることでした。

一つの論理モデルだけでは、
この業界を説明しきれませんでした。

このプロジェクトを始めたとき、AIと一緒なら、人間が長い時間をかけて築いてきた知識も、一つの論理的な構造として整理できるのではないかと思っていました。

概念を定義し、分類し、関係を記録し、データモデルとして表現する。そうすれば、会員ビジネス全体を一つの知識体系として説明できる。そう考え、分類方法、知識レイヤー、親子関係、関連概念の持たせ方を何度も見直しました。

その結果、1,177の概念と5,951本の関係を、一つの地図として描くところまでは到達できました。同じ概念が、立場によって異なる役割を持つこと。分類上は離れていても、関係としては強く結び付くこと。一つの整理方法では整合しても、別の観点では異なる構造が現れること。そうした特徴も、地図として可視化できました。

しかし、それでも一つのモデルだけでは説明しきれない部分が残りました。それがAIの限界なのか。今回採用したデータモデルの限界なのか。それとも会員ビジネスという知識体系そのものの性質なのか。現時点では結論は出ていません。

ただ、一つだけ確かだったことがあります。

構造を描けたからこそ、構造だけでは表現できないものがあることも見えるようになりました。

この地図は、その境界を知るための地図でもあります。

構造が見えるほど、
空白も見えてくる。

概念を追加し、関係を定義していくと、多くの概念は既存の知識構造との結び付きを持つようになりました。新しい領域が生まれるだけではなく、既存の領域の中で関係が増え、知識構造全体の輪郭が少しずつ明確になっていきます。

この振る舞いは、ネットワーク科学で知られている、既存の構造へ新しい要素が組み込まれていく現象とも共通する部分があります。本プロジェクトでは、新しい理論を提案することが目的ではありません。会員ビジネスの概念データを構造化した結果として、このような傾向が観察されたことを記録しています。

重要なのは、構造がまとまることは、すべてが均一になることではないという点です。関係が密集する領域がはっきりするほど、概念や関係が少ない領域も、空白として浮かび上がります。

密な中心と空白は、同じ構造の表と裏です。

そして、構造が描けたからこそ、データ上では小さく見えるのに、私には現場で大きく感じられる概念にも気付くことができました。

地図を見て、
最後に気付いたこと。

分類やモデリングを何度も繰り返し、1,177の概念と5,951本の関係から、一つの地図ができました。しかし、その地図を見たとき、私は強い違和感を覚えました。

この地図には、日本の現場で働いている力学が足りない。

この地図を構成する概念の多くは、Google、Salesforce、Stripe、HubSpotなど、世界的な企業やサービスによって広まり、AIが学習しやすい知識です。公式ドキュメント、技術記事、導入事例、論文。情報量が多い概念ほど、知識空間の中でも強い存在感を持ちます。

しかし、日本の現場では、それとは別の力学が働いています。例えば、集金袋や月謝袋。世界全体から見れば、小さな概念かもしれません。それでも、日本の学校、習い事、地域団体、各種会員組織では、お金を集め、記録し、確認し、家庭と運営者をつなぐ仕組みとして、長く使われてきました。現場では、非常に大きな存在感を持っています。

反対に、世界で大きな存在感を持つ概念でも、日本の会員ビジネスの現場では、同じ重さでは働かないものがあります。

私がこの地図から感じたのは、概念の大小ではありません。どの世界で、その概念が重力を持っているのか。その違いでした。

AIと私の共同編集で最後に気付いたのは、新しい知識ではありません。

AIが描いた知識の地図と、日本の現場で私が感じてきた力学との間にある「差」でした。

その差は、地図を描き終えて初めて見えるようになりました。

ファーストインプレッションとは

このプロジェクトでいうファーストインプレッションは、単なる第一印象ではありません。概念を収集し、関係を定義し、何度もモデリングを繰り返したあとに、完成した地図から私が受け取った違和感と存在感です。

重要なのは、モデルを作る前の直感ではありません。モデルを作り、地図として可視化したあとに、そこから何が欠けているかを感じ取ったことです。

地図は、登録された概念と関係に基づく構造として成立していました。それでも、日本の現場で私が感じてきた重さとは違いました。集金袋や月謝袋のように、現場では強い存在感を持つのに、知識データの中では小さく見える概念がある。その差が、地図を見たことで初めて明確になりました。

このファーストインプレッションは、統計的な正解ではありません。人間一般の感覚でもありません。

私が日本の会員ビジネスの現場を見てきた中で受け取った、概念の存在感です。

AIとデータが示した世界に、私が現場で見てきた力学を重ねて読む。この視点によって、この地図が何を捉え、何を捉えきれていないのかが見えてきました。