マーケティングサイクル

この章で解く問題

マーケティングの実務には PDCA、OODA、AARRR、RACE、Build-Measure-Learn、Adaptive Marketing など複数のループモデルが流通している。だが現場では次の状態が頻発する。

施策単位の PDCA が回るが、KPI と ICP は古いまま据え置かれる
A/B テストや入札最適化は走るが、そもそもその指標が事業にどう繋がるかを誰も問わない
顧客の声は集まるが、社内仮説（ICP）の上書きには使われない
本番反映で達成感を得るが、結果が次サイクルの前提を更新しない
AI が出した提案を採用しても、誰が何を判断したのかが消える

これらはすべて、ループ自体は回っていても 前提の組み替えが起きていない という同じ構造を持つ。既存の汎用ループ（PDCA / OODA / Double-Loop）はループ速度を上げることに最適化されており、前提再構築の段を独立に持たない。Adaptive Marketing 系は戦術最適化に強いが、戦略レイヤーを射程に入れない。

マーケティングサイクルは、この穴を埋めるための構造として設計されている。具体的には次の 3 つを構造的に組み込む。

Customer Sync の独立化: 内部仮説（ICP）と外部実態（顧客の声）を別々に取り込む
再構築段の独立化: 既成 KPI・聖域・「ねばならない」を再構築する段を独立に持つ
起動・実装すると学ぶの分離: 本番反映と書き戻しを別段として明示する

本章はこの 5 段の定義、各段の責務、ITTO、成立条件、他ループとの位置取りを扱う。理論的背景は §2.11、既存学派との詳細比較は §2.10、フレームワークカタログは §2.12 にまとめる。先に全体像を把握したい場合は §2.1 のこの導入と §2.2〜§2.7 を読み、必要になってから §2.10 以降に進むとよい。

マーケティングサイクルの全体像

マーケティングサイクル は、観測・データ収集 → 理解・分析する → 再構築 → 起動・実装する → 学ぶからなる CMO Marketing OS Playbook の 5 段プロセス群である。すべての知識エリアはこの 5 段の上で動き、すべての process はいずれかの段に属する。

Marketing OS（/services/marketing）は、このマーケティングサイクルを skill / agent / workspace / 診断として実装した参照実装である。本書では固有名を マーケティングサイクル、説明語を 5 段プロセス群 とする。

観測・データ収集 ─→ 理解・分析する ─→ 再構築 ─→ 起動・実装する ─→ 学ぶ ─┐
   ↑                                                    │
   └────────────────────────────────────────────────────┘
              （学ぶの終端は次サイクルの観測・データ収集の起点）

段	動詞	性格	役割
観測・データ収集	観測・データ収集	入力	4 つの観測対象（Team / Customer / Market / Performance）から認識・実態を取り込む
理解・分析する	理解・分析する	出力	視点を切り替えて選択肢と判断材料を出す
再構築	再構築する	認知の再構築	既成 KPI・聖域・「ねばならない」を機械的に列挙し、前提を組み替える余白を作る
起動・実装する	起動・実装する	実行・本番反映	セグメント × チャネル × コンテンツに実装し、計測同時着地で本番反映する
学ぶ	学ぶ	還流	結果を ICP / ポジショニング / プレイブックに書き戻し、次サイクルの観測・データ収集の入力に変える

5 段はそれぞれ独立した責務をもつ。いずれかが欠落すれば、サイクルは閉じた最適化に逃げ込む（詳細は §2.8）。

観測・データ収集

原則

マーケはチームの頭の中だけでは動かない。4 つの独立した観測対象を継続的に取り込み続けることが、すべての判断の起点になる。サイロの中で持っている情報は、組織にとって存在しないのと同じである。

観測・データ収集の 4 つの観測対象

観測対象	内容	主なソース
Team Sync（内部認識）	メンバー間の言葉・前提・存在意義・優先順位	サーベイ・対話・各メンバーの独立記述
Customer Sync（顧客同期）	顧客の生の声・行動・反応・JTBD・離脱理由・刺さった言葉	営業ログ / サポート問い合わせ / レビュー / SNS 言及 / サイト行動 / 購買履歴 / 解約理由 / インタビュー
Market Sync（市場・競合同期）	競合の動き / プラットフォーム仕様 / 業界トレンド	外部揮発情報、競合 SERP、広告ライブラリ
Performance Sync（自社実績同期）	過去の成功 / 失敗 / 現状数値 / ベースライン	解析ツール / 広告管理画面 / 売上 / 解約レポート

Customer Sync を独立源として置く理由

顧客情報を「ICP」（内部仮説）と「実績データ」（メトリクス）だけに吸収すると、構造的に 「ICP 仮説 ≠ 実際の顧客」のズレを検出できない。Customer Sync を独立源として置くことで、次の 3 つが構造的に成立する:

仮説（ICP）と実態（Customer Sync）のズレが自動的に再構築段の入力になる
顧客の生の言葉が KPI ノイズに埋もれずに残る
「自社の最適は誰の最適か」が常に問い直される構造が組み込まれる

これがマーケ OS と汎用組織学習ループ（OODA / PDCA）を分かつ最大の構造的違いである（詳細は §2.8）。

観測・データ収集の投入物・手法と道具・産出物（ITTO）

投入物（Inputs）: チーム内独立記述 / 営業・サポート接点ログ / 解約・レビュー / 競合 SERP / 売上・実績数値
手法と道具（Tools & Techniques）: 4 つの観測対象インタビュー、Voice of Customer 構造化、競合スタック調査、ベースライン記録
産出物（Outputs）: 4 つの観測対象レポート、ICP 仮説 vs 実態差分、Performance ベースライン、不一致リスト（再構築入力候補）

成立条件

チーム内で「マーケティング」が指す範囲が一致している
各メンバーが自分の役割を職能ではなく事業課題への寄与で語れる
Customer Sync が独立した記録として残っている（実績メトリクスに埋もれていない）
直近の顧客接点ログが構造化された記憶として残っている
担当者の頭の中だけにある情報がない（属人化が解除されている）

失敗モード

観測・データ収集丸投げ: 「とにかくいい感じで」と AI に投げる。AI は平均的な回答しか返せない
Customer Sync の不在: ICP 仮説と実績データだけで観測・データ収集を済ませ、顧客の生の声を構造的に取り込まない。「ICP ≠ 実態」を検出できなくなる
観測・データ収集汚染: 検証されていない仮説を事実として書く。以降すべての出力が歪む

理解・分析する

原則

データそのものは理解・分析ではない。「何を理解しているか／していないか」「どの視点で何を理解・分析するか」を意識的に切り替えなければ、観測・データ収集で集めたシグナルは雑音のまま終わる。漠然とした問いには漠然とした答えしか返らない。

理解・分析するの 4 視点

視点	立ち位置	何を出すか
CEO	上から	経営インパクト・戦略整合・投資判断
Consultant	外から	第三者の率直な評価・ゼロベース提案
Gemba（現場）	下から	実行可能性・現場の暗黙知・実装制約
Customer	受け手	顧客の言葉・購買決定要因・離脱理由

良い理解・分析の構造

良い理解・分析は以下の 5 要素を明示してから出す:

誰の視点で（CEO / Consultant / Gemba / Customer）
何を（評価 / 制作 / 分析 / 比較 / 予測）
どの深さで（案出し 3 つ / 完成品 / レビュー付き / A/B パターン）
何を判断基準に（ICE / ROI / ブランド整合 / CVR 予測）
どの形式で（表 / チェックリスト / コード / 原稿）

理解・分析のサブタイプ

サブタイプ	何をするか
Design	ゼロから設計（戦略 / ICP 仮説 / LP 構成案 / キーワード戦略）
Review	既存成果物を評価（コピー / LP CVR / 広告整合 / 経営インパクト）
Analytics	データから理解を更新する

投入物・手法と道具・産出物（ITTO）

投入物（Inputs）: 観測・データ収集段の 4 つの観測対象レポート、ICP 仮説、Positioning ステートメント
手法と道具（Tools & Techniques）: 4 視点切替、JTBD 抽出、ギャップ分析、ICE / RICE 評価
産出物（Outputs）: 選択肢リスト、判断材料、JTBD 言語化、Positioning ギャップ仕様

失敗モード

理解・分析するの過剰: 1 つのプロンプトで 10 個聞く。どれも中途半端になる。1 サイクル 1 目的
理解・分析する量産: 観測・データ収集段の不一致を再構築に渡さず、理解・分析する段で「正解の戦略」を量産する。"より洗練された無意味さ" を再生産する

再構築

原則

マーケ組織の最大のボトルネックは、引き継いだ KPI・看板施策・「ねばならない」が思考を縛ること。これらを意識的に再構築しない限り、前提の組み替えは起きない。

再構築は本番反映ではない。本番反映は起動・実装するの責務である。再構築は認知・前提・組織心理の再構築である。

再構築の対象

引き継いだ KPI（P0〜P3 整合性で篩にかけ、P3 × Low Sensitivity を撤退候補とする）
走っている施策（感応度 High / Mid / Low で篩にかけ、Low を撤退候補とする）
聖域（過去の意思決定 / 看板施策 / 既存 ICP 像 / 慣習チャネル）
観測・データ収集段の Customer Sync が示す実態と既存 ICP 仮説のズレ — 仮説の方を再構築候補とする
個人が抱えている負荷

投入物・手法と道具・産出物（ITTO）

投入物（Inputs）: 観測・データ収集段の不一致リスト、現行 KPI、現行施策、現行 ICP 仮説
手法と道具（Tools & Techniques）: 機械的列挙（聖域 / 「ねばならない」/ 引き継ぎ KPI）、P0–P3 篩、感応度 High/Mid/Low 篩、ゼロベース問い直し
産出物（Outputs）: 再構築決定リスト、残す KPI / 施策 / 仮説、前提を組み替える余白

成立条件

「現状の KPI に縛られない場合、別の指標になりうるか」が議論された
「聖域として触れていなかった前提」が機械的に列挙された
P3 × Low（経営に紐付かず施策にも反応しない指標）がゼロになっている
既存 ICP 仮説 vs Customer Sync 実態のズレが再構築候補に含まれた
「ねばならない」と「やりたい」が区別されている
捨てた後に「最後まで残る一本」が言語化されている

重要な制約

再構築は人間にしか引き受けられない判断である。AI は「聖域」「前提」「ねばならない」を機械的に列挙できるが、実際に再構築の決断は人間に残る。組織政治を超えて「これは違う」と言うのは AI の役割ではない。

失敗モード

再構築不在: 「現状の KPI を疑う」プロセスを飛ばして起動・実装する段に進む。既成の失敗パターンを再生産する
再構築の儀式化: 「とりあえず再構築した」と言うだけで、引き継ぎ KPI も看板施策も実際は残る。再構築したのは言葉だけ
「強み信仰」での施策増殖: 再構築で篩にかけずに起動・実装する段で施策を増やし続ける。「何かやらなきゃ」と「上手く行かなそう」の挟撃に対する防衛反応

起動・実装する

原則

自社プロダクトの実力に適合しない目標は、いくら立派でも機能しない。自分たちのプロダクトに何ができるかを正確に理解した上で、適した目標とステップに再構成し、本番環境で動く形に落として、計測可能な状態で稼働させる。

マーケティングとは最適化である。起動・実装するはこの定義を段階として動詞化したものである。正解は一つではない。

起動・実装するの責務

選ぶ: 複数案の中から自社の文脈に最も合うものを選択する
削る: AI が出しがちな冗長な要素・汎用的な装飾を削る
足す: AI が持ちえない現場の暗黙知・1 次情報を足す
本番反映する: 本番環境に反映する
計測する: 既存値と差分が測れる状態を作る

本番反映前チェック

本番反映の前に以下 7 項目を満たす。これは重い承認プロセスではなく、本番反映・計測・責任の所在を同時に成立させるための軽量な確認手順である。

確認項目	確認すること
オーナー	結果に責任を負う個人が 1 名決まっているか。チーム名だけで済ませていないか
範囲	何を出すか / 出さないか、対象セグメント、対象チャネル、対象期間が明確か
予算	媒体費・制作費・工数・外注費の上限が決まっているか。超過時の判断者がいるか
リスク	ブランド・法務・顧客体験・計測・オペレーション上のリスクを列挙したか
計測	反映前の既存値、判定指標、観測期間、計測方法、成功 / 撤退条件が決まっているか
承認	ブランド・法務・予算・実装の承認が必要な場合、誰がいつ承認したか残っているか
ロールバック	何が起きたら止めるか、止める権限者、元に戻す方法が決まっているか

このうち オーナー / 計測 / ロールバック は状況によらず省略不可である。他 4 項目は規模・成熟度・速度・リスクに応じてテーラリングできる（詳細は ../cross-cutting/tailoring.md）。

複数人・複数日・外部依存・承認・高リスクを含む施策では、本番反映前チェックに加えて実行管理成果物（実行計画 / ステークホルダーマップ / リスク登録簿 / 変更履歴 / リソース計画）を併用する。詳細は ../knowledge-areas/integration-strategy/ を参照。

投入物・手法と道具・産出物（ITTO）

投入物（Inputs）: 理解・分析する段の選択肢、再構築段の残す KPI / 施策、自社実力・リソース・制約
手法と道具（Tools & Techniques）: 本番反映前チェック、計測タグ実装、A/B 設計、既存値の記録
産出物（Outputs）: 本番反映、計測同時着地、反映前の既存値の記録、承認ログ

進行不可（No-Go）条件

以下のいずれかに該当する場合、起動・実装する未成立として扱う。例外的に本番反映する場合も例外理由を残す:

オーナー不在
範囲不明
計測不在
リスク未確認
承認不在（承認が必要な施策の場合）
ロールバック不在

本番反映前チェックを通っていない本番反映は、実行作業としては完了していても学ぶ段で比較・責任・再現ができない。「やった」ではなく「組織学習に接続されていない実行」として扱う。

失敗モード

起動・実装する偏重（本番反映の欠落）: レビューレポートを読んで満足する。本番反映がなければ何も変わらない
計測の取りこぼし: 本番反映を急ぎ、計測タグ・既存値の記録を省略する。学ぶ段で比較対象を失う

学ぶ

原則

本番反映した結果は、書き戻されて初めて次サイクルの前提になる。書き戻されない学びは個人の頭の中にだけ残り、組織知にならない。学ぶは単なる「振り返り」ではなく、次サイクルの観測・データ収集の入力を能動的に作る段階である。

4 軸での整理

本番反映後の結果を以下 4 軸で整理する:

Funnel Conversion: ファネル段階ごとの転換率変化
Segment Response: セグメント別の反応差
Attribution: チャネル・接点の寄与
Unit Economics Update: LTV / CAC / Payback の更新

Evidence Level（知見の格上げ基準）

学ぶ段で扱う情報は、検証度に応じて E0〜E3 に分類する:

Level	定義	profile 反映	例
E0: Hypothesis	未検証の仮説・解釈・アイデア	不可	「この訴求は刺さるはず」
E1: Observation	単発の観測。顧客の声、1 施策の結果、少数サンプル	不可	インタビュー 1 件、広告 1 本の反応
E2: Repeated Signal	複数接点・複数施策・十分な期間で同じ傾向が再現	承認後に可	複数商談で同じ反論、2 週間以上の広告傾向
E3: Validated Learning	数値・定性・顧客行動が揃い、反証条件も確認した検証済み知見	可	ICP の更新、Positioning の修正、真の ROAS 係数

E0 / E1 は次サイクルの前提を汚染するため profile に書かない。E2 は承認後に反映、E3 は検証済み知見として反映できる。Evidence Level は反証が出た場合に下げられる。

AI 採否ログ

AI が出した提案のうち何を採用し何を捨てたか、なぜかを学ぶ段で必ず残す。これは「AI が言ったから」を判断根拠にしないための構造的歯止めである。詳細は ../foundations/principles.md の Principle 4「AI Decision Accountability」を参照。

投入物・手法と道具・産出物（ITTO）

投入物（Inputs）: 起動・実装する段のベースライン、本番反映後の数値・定性、AI 出力ログ
手法と道具（Tools & Techniques）: 4 軸整理、Evidence Level 判定、書き戻し、採否ログ
産出物（Outputs）: 検証済み知見、profile 更新、次サイクルの観測・データ収集の入力、AI 採否ログ

成立条件

結果の数字と定性が両方残っている
「うまくいった理由 / うまくいかなかった理由」が検証済みの言葉で書かれている
Customer Sync 側に新しい知見が書き戻されている（数値メトリクスだけで終わっていない）
次サイクルの観測・データ収集に渡す引き継ぎ事項が明文化されている
AI 出力の採否ログが残っている

失敗モード

学ぶの断絶: 本番反映した施策の結果を書き戻さない。次サイクルが毎回ゼロから始まる
profile 汚染: E0 / E1 を profile に直書きする。以降すべての判断が歪む

サイクル間遷移と Canonical Flow

サイクル間遷移

学ぶの終端は次サイクルの観測・データ収集の起点になる。具体的には:

検証済み知見（E3） → profile に反映 → 次サイクルの観測・データ収集の 4 つの観測対象の前提を更新
残課題・新仮説 → 次サイクルの観測・データ収集に引き継ぎ事項として明示
AI 採否ログ → 次サイクル再構築で「採用したが効かなかった AI 提案」を再構築候補に

「学ぶから観測・データ収集に渡る引き継ぎ事項が空白」であれば、サイクルは閉じている。

Canonical Flow（推奨実行順）

初回プロジェクトの典型的な進行:

workspace 立ち上げ — 対象事業 / プロダクトのスコープ確定
観測・データ収集 / Team Sync — 組織情報・ブランド・workspace 固有情報の独立記述と合成
観測・データ収集 / Customer Sync — 顧客接点ログの構造化
観測・データ収集 / Market Sync — 競合・プラットフォーム・市場の揮発情報取得
理解・分析する — 視点切替で選択肢を出す
再構築 — 既成 KPI / 聖域 / 「ねばならない」を機械的に列挙して篩
起動・実装する — 本番反映前チェックの後に本番反映、計測同時着地
学ぶ — 結果を 4 軸で整理、Evidence Level 判定、書き戻し、次サイクルの観測・データ収集に渡す

途中で不足が見つかれば前段に戻る。/next skill は現在地と次の一歩を提示する。

マーケ OS と汎用組織学習ループの構造的差異

マーケティングサイクルは OODA / PDCA / Double-Loop Learning のリブランドではない。次の 3 つの構造的差異が、マーケ OS を成立させている。

Customer Sync の独立化

汎用ループは内部の意思決定サイクルを回すためのものである。マーケティングがこれらと違うのは、意思決定の前提として「顧客との継続的な同期」を構造に埋めなければ機能しないことである。Customer Sync を 4 つの観測対象の一つとして独立に置くことで、ICP 仮説と顧客実態のズレが構造的に再構築入力になる。

再構築段の独立化

PDCA / OODA は「ループを速く回す」ことに最適化されており、既成枠の組み替えを独立の段として持たない。再構築を独立段として死守することで、閉じた最適化（既存 Adaptive Marketing / Real-time Marketing 系統の戦術最適化高速化）と分離する。

起動・実装すると学ぶの分離

汎用ループの "C/Check" や "D/Decide" は実行と学習の境界が曖昧になりやすい。起動・実装すると学ぶ段を明示的に分離することで、「本番反映した = 学習した」という誤認を構造的に防ぐ。書き戻しが起きない本番反映は学習に接続されていないものとして扱う。

開かれた最適化と閉じた最適化

マーケティングサイクルが目指すのは「開かれた最適化」である:

閉じた最適化 — 自部署で観測できる特定指標（CPA / CVR / CTR / PV 等）だけをループに入れる戦術最適化。前提（KPI・ICP・施策ラインナップ）は固定で、運用パラメータだけが動く。機能不全のマーケ組織はほぼ例外なくここに逃げ込んでいる
開かれた最適化 — 顧客・市場・現場・経営・実績の全階層の声を入力にし、前提自体（KPI・ICP・施策・聖域）を最適化対象に含める。観測・データ収集の 4 つの観測対象 + 再構築で前提を組み替える + 学ぶ段で結果を前提に書き戻す、というマーケティングサイクルの構造そのもの

5 段はこの開かれた最適化を組織が継続できる形に動詞化したものである。

既存の学派・伝統との関係

マーケティング実務で参照される主要ループ・プロセスモデルを、年代と主目的で並べる。

モデル	出典・主提唱者	年代	主目的	マーケティングサイクルとの位置取り
PDCA（Plan–Do–Check–Act）	Shewhart → Deming	1939 / 1950s	製造工程の品質管理	5 段の起動・実装する / 学ぶ段を細分化したものに相当。前提の再構築は含まれない
OODA（Observe–Orient–Decide–Act）	John Boyd	1976	軍事・対敵意思決定の高速化	観測・データ収集 + 理解・分析する + 起動・実装する段に圧縮されたモデル。再構築 / 学ぶが独立せず、書き戻しが構造化されない
Double-Loop Learning	Argyris & Schön	1974	組織が前提を更新する条件	5 段の再構築に対応する概念的基盤。プロセス段としては実装されていない
Experiential Learning Cycle	David Kolb	1984	個人学習の循環構造	学ぶ段の理論的下敷き。組織レベルへの拡張は別途必要
Lean Startup / Build–Measure–Learn	Eric Ries	2011	プロダクト仮説検証	5 段の起動・実装する / 学ぶ段を素早く回すモデル。再構築段は明示されない
AARRR（Acquisition–Activation–Retention–Referral–Revenue）	Dave McClure	2007	需要・ライフサイクル分析	プロセス軸ではなくファネル軸。マーケティングサイクルの起動・実装する / 学ぶ内の指標フレーム
RACE Planning（Reach–Act–Convert–Engage）	Dave Chaffey / Smart Insights	2010	デジタルマーケ計画	起動・実装する段のチャネル設計フレーム。再構築は射程外
Marketing Funnel	E. St. Elmo Lewis（AIDA, 1898）→各種	1898〜	認知から購買への線形	マーケティングサイクルの起動・実装する / 学ぶ段で使うファネル指標。プロセス自体ではない
Kotler の 5 段マーケティングプロセス	Philip Kotler	1967〜	戦略策定の標準手順（R, STP, MM, I, C）	マーケティングサイクルが再構築と Customer Sync を独立化した上位互換と位置づけられる
Growth Loops	Reforge / Brian Balfour	2018 頃	自己拡張型成長メカニズム	起動・実装する内のチャネル / プロダクト連携の設計手法。サイクル全体の前提組み替えは扱わない
Flywheel	HubSpot / Brian Halligan	2018	顧客起点の循環的成長	マーケティングサイクルの「学ぶ → 観測・データ収集」遷移に近いが、再構築段を持たない
Agile Marketing / Scrum	2010s	2010s	短いイテレーションでの実装	起動・実装する段の運用形態の一つ。戦略レイヤーは別途必要
Adaptive Marketing	Forrester	2010s	リアルタイム最適化	5 段の最適化レイヤー（起動・実装する）に含まれる。戦略レイヤーは射程外（`principles.md` Principle 2）
Marketing 5.0 / 6.0	Philip Kotler 他	2021 / 2024	AI / 没入型メディア統合	マーケティングサイクルと相補的。Marketing OS は Kotler 6.0 の "AI 協働実装形" の一形態と読める
Theory of Change	Carol Weiss 他（プログラム評価）	1990s〜	介入から成果までの因果連鎖	13 計測・MarTech の KPI 設計（補題 E）の基礎概念

このうち PDCA / OODA / Double-Loop の構造的差異は §2.8 で詳述する。本節は landscape 全体の地図を提供することを目的とし、各モデルを否定しない。マーケティングサイクルが他と異なるのは、Customer Sync と再構築を独立段として強制する点である。

理論的背景

この節は補足である。先に §2.12 フレームワークカタログや §2.13 運用補題を見ても構わない。

組織学習論

Cyert & March（1963）"A Behavioral Theory of the Firm": 組織はルーティンを更新することで学習する。CMO Marketing OS Playbook の学ぶ段の理論的基礎
Argyris & Schön（1974, 1978）: Single-loop（行動修正）/ Double-loop（前提修正）の区別。再構築段はマーケティングに Double-loop を組み込むための装置である
Kolb（1984）"Experiential Learning": Concrete Experience → Reflective Observation → Abstract Conceptualization → Active Experimentation の循環。学ぶ段の 4 軸整理（Funnel / Segment / Attribution / Unit Economics）はこの「振り返り → 概念化」段の具体化
Senge（1990）"The Fifth Discipline": 学習する組織の 5 規律（システム思考・自己マスタリー・メンタルモデル・共有ビジョン・チーム学習）。CMO Marketing OS Playbook は文化論ではなく Customer Sync / 再構築 / 学ぶの記録として運用に落とす
Nonaka & Takeuchi（1995）"The Knowledge-Creating Company": SECI モデル（Socialization / Externalization / Combination / Internalization）。観測・データ収集 → 理解・分析する → 起動・実装する → 学ぶの流れに対応し、Evidence Level（E0〜E3）は暗黙知から形式知への昇格度を表す

市場志向研究

Kohli & Jaworski（1990）"Market Orientation": 市場情報の生成（intelligence generation）/ 共有（dissemination）/ 応答（responsiveness）の 3 要素。マーケティングサイクルの観測・データ収集 → 理解・分析する → 起動・実装する段にほぼ対応する
Slater & Narver（1995）"Market Orientation and the Learning Organization": 市場志向と学習志向の統合。CMO Marketing OS Playbook が両者を構造化して 5 段に埋め込む
George Day（1994）"The Capabilities of Market-Driven Organizations": 市場連動を組織能力として扱う視点。14 章組織・能力の理論的下敷き

プロダクト開発・適応論

Boyd（1976）"OODA Loop": 高速意思決定の概念的祖。5 段は OODA を否定しない（principles.md Principle 2 の最適化レイヤーで OODA は有効）
Ries（2011）"The Lean Startup": Build–Measure–Learn / Pivot。起動・実装する / 学ぶのループ運用に影響。再構築は明示しないが Pivot 概念は近接する
March（1991）"Exploration and Exploitation in Organizational Learning": 探索と活用のトレードオフ。第 2 原則（戦略 vs 最適化レイヤー分離）の理論基盤

経験的検証と注意点

市場志向・学習志向と業績の関係は数多くの実証研究で確認されている（Kirca et al. 2005 のメタ分析など）。ただし因果方向は単純ではない。学習する組織だから業績が良いのか、業績が良いから学習投資できるのかは分離が難しい。したがって、CMO Marketing OS Playbook は「学習組織は業績の十分条件」とは置かない。継続的なマーケティング改善のための必要条件として扱う。

引用文献の詳細は ../appendices/references.md §E.5 を参照。

主要フレームワーク・手法カタログ

各フレームワークは「どの段で使うか」「何を出すか」を併記する。すべてを使う必要はない。文脈に応じて選ぶ（テーラリングは ../cross-cutting/tailoring.md）。

観測・データ収集段で使うフレームワーク

フレームワーク	出典	何を出すか
Voice of Customer（VoC）構造化	各種品質工学・UX 研究	顧客の生の声をテーマ・頻度で整理
Jobs To Be Done（JTBD）インタビュー	Christensen / Klement	顧客が雇う仕事の言語化
N1 分析	西口一希	1 人の顧客から仮説を抽出
5W2H ヒアリング	古典的調査手法	接点の事実を構造化
Net Promoter Score（NPS）コメント分析	Reichheld	推奨意向と理由の対応付け
競合 SERP / 広告ライブラリ調査	デジタル時代の常套	競合の言語・チャネル戦略の観察
顧客離脱分析（Churn Reason Codes）	SaaS 業界標準	解約・離脱の構造化

理解・分析する段で使うフレームワーク

フレームワーク	出典	何を出すか
4 視点切替（CEO / Consultant / Gemba / Customer）	Marketing OS 固有	立ち位置を変えた多面評価
JTBD / Outcome-Driven Innovation	Tony Ulwick	達成すべき成果と評価軸の特定
STP（Segmentation–Targeting–Positioning）	Kotler	ターゲットとポジション選択
ICE / RICE スコアリング	Sean Ellis / Intercom	施策の優先度評価
Strategy Map / Balanced Scorecard	Kaplan & Norton	戦略仮説の可視化
Scenario Planning	Royal Dutch Shell 系譜	将来分岐のストレステスト

再構築段で使うフレームワーク

フレームワーク	出典	何を出すか
Stop-doing リスト	Jim Collins	止める活動の明示
Premortem	Gary Klein	失敗を仮想体験して前提を疑う
Zero-Based Strategy	Bain / BCG	ゼロから組み直すという思考実験
OKR の四半期再設定	Doerr	KPI 自体の組み替え機会
Blue Ocean / Eliminate-Reduce-Raise-Create	Kim & Mauborgne	業界慣習の機械的列挙
Sacred Cow Hunt	組織開発系	聖域の発見と命名

起動・実装する段で使うフレームワーク

フレームワーク	出典	何を出すか
4P / 7P Marketing Mix	McCarthy / Booms & Bitner	実行要素の網羅
AARRR Pirate Metrics	McClure	需要ファネル設計
RACE Planning	Chaffey / Smart Insights	デジタルチャネル運用設計
Growth Loops	Reforge	自己拡張型施策の設計
A/B Testing / Multi-Armed Bandit	統計実験設計	仮説検証
Agile / Scrum / Kanban	Schwaber & Sutherland 他	短期イテレーション運用
本番反映前チェックの省略不可項目	CMO Marketing OS Playbook 固有	本番反映の必要条件（オーナー / 計測 / ロールバック）

学ぶ段で使うフレームワーク

フレームワーク	出典	何を出すか
After-Action Review（AAR）	US Army	結果と意図の差分整理
Retrospective（5 Whys / Start-Stop-Continue）	Agile 系	原因追求と次サイクル入力
Marketing Mix Modeling（MMM）	経済計量モデル	チャネル寄与の長期推定
Incrementality Testing（Geo / Holdout）	デジタル測定の最新	真の因果効果の推定
Attribution Modeling（Last-touch / Multi-touch / Data-driven）	各種	接点寄与の配分
Cohort Analysis	SaaS 業界	時間断面での挙動差分
Evidence Level（E0〜E3）	CMO Marketing OS Playbook 固有	知見の検証度分類

これらの選択は L3 タクティカル・プレイブックで状況依存に決まる。CMO Marketing OS Playbook は「どれを使え」とは指定せず、選択そのものが再構築 / 理解・分析する段の判断対象であるとする。

運用補題

各補題は「言い換え + 違反時に起きる失敗 + 検出指標」で構成する。

補題 2-A: 観測・データ収集の 4 観測対象は独立した記録として保たないと意味を失う

Team / Customer / Market / Performance の 4 つを同じドキュメントに混在させると、「ICP 仮説と顧客実態のズレ」が構造的に見えなくなる。

違反時の失敗: 実績メトリクスに顧客の声が吸収され、ICP が更新されない
検出指標: Customer Sync 専用の記録が独立に存在するか / 直近 1 サイクルで Customer Sync 起点の再構築候補が出ているか

第 4 原則（顧客同期の独立化）の運用補題。

補題 2-B: 理解・分析するは 1 サイクル 1 目的で運用しないと品質が劣化する

1 つのプロンプト / 1 つのセッションで 5 種類の問いを混ぜると、AI も人間も平均的な回答しか出せない。

違反時の失敗: 戦略 / 制作 / 評価 / 比較が混じり、どれも中途半端
検出指標: 理解・分析する産出物の冒頭に「誰の視点で・何を・どの深さで・何を基準に・どの形式で」が明示されているか（§2.3.3）

補題 2-C: 再構築は人間にしか引き受けられない

AI は聖域・「ねばならない」を機械的に列挙できる。しかし実際に再構築の決断は組織内の政治的・心理的負担を伴い、AI の射程外である。

違反時の失敗: AI が「やめましょう」と言った施策を AI 出力ログだけで止め、責任主体不在のまま戦略が動く
検出指標: 再構築段の再構築決定リストに、判断者の個人名が記載されているか

第 3 原則（既成枠の再構築）・第 6 原則（AI 判断責任）の運用補題。

補題 2-D: オーナー / 計測 / ロールバックの同時成立が本番反映の必要条件

7 項目のうち他はテーラリング可能だが、この 3 つを欠いた本番反映は学ぶ段で比較・責任・再現ができない。

違反時の失敗: 「やった」が記録されるが「何が起きたか」が再現できない
検出指標: 本番反映ログにこの 3 項目が全部埋まっている割合（省略不可項目の完備率）

第 5 原則（本番反映 ≠ 学習）の運用補題。

補題 2-E: Evidence Level の昇格は反証条件を併記したときのみ可能

E2 → E3 への昇格には「どういう観測が出れば仮説が崩れるか」を併記する。これがないと、後で反例が出ても格下げできない。

違反時の失敗: E3 として profile に書かれた知見が実は単なる確信であり、新事実と矛盾しても更新されない
検出指標: profile 上の E3 知見に反証条件が明記されているか

第 5 原則・第 7 原則（語の規律）の運用補題。

補題 2-F: 学ぶの書き戻し先と次サイクルの観測・データ収集の起点は構造的に一致しなければならない

学ぶの産出物（検証済み知見・残課題・AI 採否ログ）がどこに書かれるかと、次サイクルの観測・データ収集の 4 観測対象がどこを読むかは、同じ場所でなければサイクルは閉じない。

違反時の失敗: 学ぶの議事録は残るが、次サイクルの観測・データ収集は古い profile を読む。引き継ぎ事項が空白になる
検出指標: 次サイクルの観測・データ収集の入力に、前サイクル学ぶの引き継ぎ事項が含まれているか

第 1 原則（組織学習）の運用補題。

補題 2-G: 5 段は厳密 sequential ではない。前段に遡及して再開できる

起動・実装する中に Customer Sync の新事実が見つかった場合、即座に観測・データ収集に戻ってよい。「順番通りでないと壊れる」は誤解である。

違反時の失敗: 「起動・実装する中だから観測・データ収集に戻れない」と判断し、明らかなズレを放置して本番反映する
検出指標: サイクル内で前段に戻った回数 / 戻り判断の記録があるか

第 3 原則（既成枠の再構築）の運用補題。

事例

成功例: Domino's Pizza Turnaround（2009〜）

2008 年時点で Domino's は「ピザ業界最下位の味」と評され、株価も低迷していた。同社は 顧客の生の批判映像をテレビ CM で流すという異例の Customer Sync 公開を行い、新レシピへの全面切り替え（再構築）と本番反映（起動・実装する）、結果の継続計測（学ぶ）を一周させた。結果として 10 年で株価は約 30 倍に伸びた。

観測・データ収集 / Customer Sync: 顧客の批判（"段ボールの味"）を生のまま受け止めた
再構築: 創業以来のレシピを再構築した（強い聖域）
起動・実装する: "Pizza Turnaround" キャンペーンで新レシピを本番反映、計測同時着地
学ぶ: 売上 / NPS / 指名検索の全方位指標で書き戻し

マーケティングサイクル的に読めば「Customer Sync → 再構築 → 起動・実装する → 学ぶ」が一周した最も明快な公開事例である。

失敗例: Kodak（〜2012）

Kodak はデジタルカメラを早期に内部発明していた（1975 年）。Customer Sync・Market Sync は「フィルム需要が縮小しデジタルに置換される」を継続的に示していた。しかしフィルム事業の収益構造を再構築する再構築が起きなかったため、デジタルへの本番反映は遅れ続け、2012 年に破綻した。

観測・データ収集: 観測自体は出来ていた（社内研究所が早期検知）
再構築不在: フィルムを聖域として再構築できなかった
起動・実装するの歪み: デジタル投資は行ったが、フィルム保護を優先した中途半端な本番反映
学ぶの断絶: 観測結果が前提の組み替えに繋がらなかった

マーケティングサイクルで読むと、観測・データ収集と再構築の間が切れた典型例である。「観測できていれば学べる」が誤りであることを示す。

失敗例: New Coke（1985）

Coca-Cola は 20 万人規模の味覚テストで「新フォーミュラは旧来品より好まれる」を確認し本番反映した。しかし「ブランド資産は味だけでなく文化的アイデンティティに紐づく」という Customer Sync 上の事実を取り込まなかったため、発売 3 ヶ月で旧フォーミュラ復活に追い込まれた。

観測・データ収集偏向: 量的調査（味覚テスト）だけを Customer Sync として扱った
再構築過剰: 再構築するべきでないブランド資産まで再構築した
学ぶ速度: 結果として「発売 → 撤回」のサイクルは速かった（3 ヶ月）。サイクル速度自体は救いになった

Customer Sync の独立化は量的調査だけでは成立しないことの例。N=20 万でもサンプリングが偏れば観測・データ収集汚染と同じ結果になる。

成功例: Netflix の DVD → ストリーミング転換（2007〜）

Netflix は DVD 郵送サービスでピーク時に大きな収益を持っていたが、Customer Sync（視聴行動の即時化志向）と Market Sync（帯域コスト低下）の両方を取り込んだうえで、ストリーミングへの戦略転換を再構築として明示した。後の Qwikster 騒動（DVD と Streaming の分社失敗）も含め、起動・実装する / 学ぶ段を高速に回したことで挽回した。

観測・データ収集: 視聴行動・帯域コスト・コンテンツライセンス条件の継続観測
再構築: DVD 中心モデルを段階的に再構築する宣言
起動・実装する: ストリーミング・自社制作（House of Cards, 2013〜）の本番反映
学ぶ: Qwikster 失敗（2011）を即座に書き戻し、分社案を撤回

再構築の「実行」は失敗を含む。重要なのは学ぶ速度であることを示す事例。

事例の扱いに関する注意

事例は「マーケティングサイクルが正しい」ことを証明するものではない。マーケティングサイクルの欠落が観測されるパターンを示すに留まる。逆に、マーケティングサイクルを使っていない組織が成功する例もある（例: 創業者の直感が市場と偶然一致した初期 Apple）。CMO Marketing OS Playbook は確率的に組織学習を継続するための設計指針であり、決定論ではない。

事例の追加・更新は ../../case/ と ../appendices/references.md を参照。

段	skill
観測・データ収集	`/listen team-org` / `/listen team-brand` / `/listen team-workspace` / `/listen customer` / `/listen market`
理解・分析する	`/insight ceo` / `/insight consultant` / `/insight gemba` / `/insight customer` / `/brand`
再構築	`/release`
起動・実装する	（skill なし。`knowledge/base/` のプレイブックを参照したインライン実行）
学ぶ	`/learn`
Meta	`/next` / `/next --verbose` / `/workspace`

アンチパターン

マーケティングサイクル全体に発生する典型的な失敗パターン:

観測・データ収集丸投げ（補題 2-A 違反）: 「とにかくいい感じで」と AI に投げる。平均的な回答しか返らない
Customer Sync の不在（補題 2-A 違反）: 顧客の生の声を構造的に取り込まない。ICP ≠ 実態を検出できない
理解・分析するの過剰（補題 2-B 違反）: 1 プロンプトで 10 個聞く。すべて中途半端になる
理解・分析する量産（補題 2-B 違反）: 再構築を飛ばして理解・分析する段で "正解の戦略" を量産する。"より洗練された無意味さ" を再生産する
再構築不在（補題 2-C 違反）: 既成 KPI を疑わずに起動・実装する段に進む。既成の失敗パターンを再生産する
再構築の儀式化（補題 2-C 違反）: 「再構築した」と言うだけで実際は残る
再構築の AI 委譲（補題 2-C 違反）: AI 出力だけで再構築を決定し、判断主体が消える
起動・実装する偏重（補題 2-D 違反）: レビューレポートで満足する。本番反映しない限り何も変わらない
計測の取りこぼし（補題 2-D 違反）: 本番反映を急ぎ計測同時着地を省略する
省略不可項目の欠落（補題 2-D 違反）: オーナー / 計測 / ロールバックのどれかを欠いて本番反映する
反証条件なき E3 昇格（補題 2-E 違反）: 「これは検証済み」と宣言するだけで反証条件が書かれていない
学ぶの断絶（補題 2-F 違反）: 結果を書き戻さない。次サイクルが毎回ゼロから始まる
書き戻し先の不一致（補題 2-F 違反）: 学ぶは議事録に残るが、次サイクルの観測・データ収集は古い profile を読む
profile 汚染（補題 2-E 違反）: 未検証の E0 / E1 を profile に直書きする
遡及禁止の誤解（補題 2-G 違反）: 起動・実装する中に新事実が出ても「順番」を理由に観測・データ収集に戻らない
「AI が言ったから」病: AI 出力を判断根拠にする。責任の所在が組織から消える（詳細は principles.md Principle 6）

今後の拡張論点

2.7 Canonical Flow は 02 章に残すか 00 Introduction に移すか。00 が読み物、02 が定義書という分担なら 00 に簡易版、02 に詳細版を置く案もある
2.8 開かれた最適化 vs 閉じた最適化 は 02 章で論じるか、01 Principles の Principle 2 と統合するか
2.9 12 KA カバレッジ は本章に置くか、04 Vocabulary または appendix B Matrix に移すか
起動・実装するの skill 不在 をどう扱うか。起動・実装するは「プレイブック参照のインライン実行」となっており、他段と非対称。これを構造として記述するか、将来 /activate skill を立てる前提で空欄を残すか
Evidence Level (E0〜E3) は本章で一次定義した。13 計測・MarTech や 17 AI in Marketing でも参照されるが、定義は本章のみとする運用でよいか
§2.10 既存学派カタログ の網羅範囲: Growth Loops / Flywheel / Theory of Change まで含めたが、もっと業界寄り（Demand Generation Funnel / Frank Cespedes の Aligning Strategy and Sales 等）を入れるか
§2.11 理論的背景 と 01 章 §1.5 の重複: 同じ研究者（Cyert & March, Argyris, Senge 等）を両方で扱っている。01 章は principle 寄り、02 章は process 寄りで分担としたが、引用文献の一次配置を appendix references に集約すべきか
§2.12 フレームワークカタログ の所在: 各 KA 章の §X.5 と本章 §2.12 で重複しうる。本章は段ごとの代表、KA 章は領域ごとの詳細という分担でよいか
§2.13 運用補題 の番号付け: 01 章は補題 A〜I、本章は補題 2-A〜2-G とした。章番号プレフィックスを付ける運用で他章も統一するか
§2.14 事例 の扱い: 公開事例（Domino's, Kodak, Netflix, New Coke）は説明上有用だが、出典確認の負荷が高い。自社事例（knowledge/marketing/case/）に主軸を移すか
§2.15 関連 skill の起動・実装する欄 の表記: 「skill なし」を明示するか、空欄にするか

マーケティングサイクル

この章で解く問題

マーケティングサイクルの全体像

観測・データ収集

原則

観測・データ収集の 4 つの観測対象

Customer Sync を独立源として置く理由

観測・データ収集の投入物・手法と道具・産出物（ITTO）

成立条件

失敗モード

理解・分析する

原則

理解・分析するの 4 視点

良い理解・分析の構造

理解・分析のサブタイプ

投入物・手法と道具・産出物（ITTO）

失敗モード

再構築

原則

再構築の対象

投入物・手法と道具・産出物（ITTO）

成立条件

重要な制約

失敗モード

起動・実装する

原則

起動・実装するの責務

本番反映前チェック

投入物・手法と道具・産出物（ITTO）

進行不可（No-Go）条件

失敗モード

学ぶ

原則

4 軸での整理

Evidence Level（知見の格上げ基準）

AI 採否ログ

投入物・手法と道具・産出物（ITTO）

成立条件

失敗モード

サイクル間遷移と Canonical Flow

サイクル間遷移

Canonical Flow（推奨実行順）

マーケ OS と汎用組織学習ループの構造的差異

Customer Sync の独立化

再構築段の独立化

起動・実装すると 学ぶの分離

開かれた最適化と閉じた最適化

関連知識エリアとの接続

マーケティングサイクル × 12 KA マトリクス

観測・データ収集段のカバレッジチェック

既存の学派・伝統との関係

理論的背景

組織学習論

市場志向研究

プロダクト開発・適応論

経験的検証と注意点

主要フレームワーク・手法カタログ

観測・データ収集段で使うフレームワーク

理解・分析する段で使うフレームワーク

再構築段で使うフレームワーク

起動・実装する段で使うフレームワーク

学ぶ段で使うフレームワーク

運用補題

補題 2-A: 観測・データ収集の 4 観測対象は独立した記録として保たないと意味を失う

補題 2-B: 理解・分析するは 1 サイクル 1 目的で運用しないと品質が劣化する

補題 2-C: 再構築は人間にしか引き受けられない

補題 2-D: オーナー / 計測 / ロールバックの同時成立が本番反映の必要条件

補題 2-E: Evidence Level の昇格は反証条件を併記したときのみ可能

補題 2-F: 学ぶの書き戻し先と次サイクルの観測・データ収集の起点は構造的に一致しなければならない

補題 2-G: 5 段は厳密 sequential ではない。前段に遡及して再開できる

事例

成功例: Domino's Pizza Turnaround（2009〜）

失敗例: Kodak（〜2012）

失敗例: New Coke（1985）

成功例: Netflix の DVD → ストリーミング転換（2007〜）

事例の扱いに関する注意

関連 skill / agent

アンチパターン

今後の拡張論点

起動・実装すると学ぶの分離