結論
イノベーター理論とは、新しい製品や考え方を取り入れる早さで人を5つの層(イノベーター2.5%・アーリーアダプター13.5%・アーリーマジョリティ34%・レイトマジョリティ34%・ラガード16%)に分ける考え方です。社会学者エベレット・M・ロジャーズが『Diffusion of Innovations(イノベーションの普及)』で広めました。割合は調査で測った値ではなく、正規分布を平均と標準偏差で区切った「定義」です。
この記事でわかること
- 5つの層の割合が平均±標準偏差から来ることを SciPy で検算した結果
- キャズム(16%の先の溝)とイノベーター理論の関係
- 普及のS字曲線(Bass モデル)の計算と、IT 製品・社内ツールでの使い方
この記事で実際に動かしたもの:正規分布の区切りの計算、分布の形を変えたシミュレーション、Bass モデルの計算と当てはめ(すべて Python・SciPy、データは架空)。
flowchart TD
A["イノベーター 2.5%"] --> B["アーリーアダプター 13.5%"]
B --> K{{"キャズム:16%の先の溝"}}
K --> C["アーリーマジョリティ 34%"]
C --> D["レイトマジョリティ 34%"]
D --> E["ラガード 16%"]
よく調べられることの答えを先にまとめます。
| 知りたいこと | 答え | 詳しい節 |
|---|---|---|
| イノベーター理論とは | 取り入れる早さで人を5つの層に分ける普及の考え方 | イノベーター理論とは |
| 提唱者 | エベレット・M・ロジャーズ(初版は1962年) | イノベーター理論とは |
| 5つの層の割合 | 2.5%・13.5%・34%・34%・16% | 5つの層と割合 |
| 割合の根拠 | 正規分布を平均と標準偏差で区切った値(計算では2.28%・13.59%・34.13%…) | 割合はどこから来たか |
| アーリーアダプターとは | 早い時期に取り入れ、周りに広める13.5%の層 | 5つの層と割合 |
| キャズムとは | アーリーアダプターとアーリーマジョリティの間にあるとされる溝(ムーアの考え方) | キャズムとは |
| 16%の意味 | イノベーターとアーリーアダプターを足した割合。平均−1標準偏差より前の人 | 普及率16%の意味 |
| 普及のS字曲線 | 釣り鐘型の分布を累計にした形。Bass モデルで計算できる | S字曲線とBassモデル |
| 使い方 | 層ごとに伝える中身を変え、最初の16%で使い方の型を作る | 社内ツールの導入での使い方 |
確認環境:Ubuntu 24.04.5 LTS の上で、Python 3.13.18・NumPy 2.5.3・SciPy 1.18.1 を使い、正規分布の区切り(scipy.stats.norm)、分布の形を変えた10,000人分のシミュレーション、Bass モデルの閉じた式と微分方程式の数値解(solve_ivp)の一致、早い時期のデータからの当てはめ(curve_fit)を実際に計算しました。データはすべて乱数で作った架空のものです。5つの層の区切り方は、ロジャーズが共著者として書いたアイオワ州立大学の報告書(Beal・Rogers、1960年)の原文で確かめました。ロジャーズの著書(第5版、2003年)は出版社の書誌情報、キャズムはムーアの著書の出版社の紹介文と本人のサイト、Bass モデルは原論文(1969年)の書誌情報と要旨の範囲で確かめています。書籍の本文そのものは読んでいないため、本文の頁を根拠にした記述はしていません。図は mermaid 11.16.0 で描画を確かめています(確認日 2026年11月16日)。
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「イノベーター理論とは|5つの層の割合の根拠とキャズムをPythonで検算」
イノベーター理論とは(意味と提唱者)
この節では、イノベーター理論が何を説明する考え方で、誰がいつ示したのかが分かります。
イノベーター理論は、新しいもの(製品・サービス・技術・やり方)が社会に広がるとき、人によって取り入れる時期が違うことに注目し、その早さで人を5つの層に分ける考え方です。英語では diffusion of innovations(イノベーションの普及)の理論の一部で、日本では「イノベーター理論」「普及理論」と呼ばれることが多い言葉です。
- 提唱者:アメリカの社会学者エベレット・M・ロジャーズ(Everett M. Rogers)。
- 著書:『Diffusion of Innovations』。初版は1962年で、第5版(Free Press、2003年)が出ています。邦訳は『イノベーションの普及』(三藤利雄 訳)。
- もとになった研究:農家が新しい農法をいつ取り入れたかの調査です。ロジャーズが共著者の報告書『The Adoption of Two Farm Practices in a Central Iowa Community』(1960年)にも、同じ5つの層と割合が載っています。
出版社の紹介文は、新しいものは最初は不確かで危なそうに見えるため、人はすでに取り入れた身近な人に意見を求める、と説明しています。「広がり方は、ものの良さだけでなく、人から人への伝わり方で決まる」というのが理論の芯です。
イノベーター理論が答えること
どんな順番で人に広がるか
各層はどんな理由で取り入れるか
累計でどんな曲線になるか(S字)
答えないこと
ある製品が必ず広がるかどうか
ある人がずっと同じ層にいるか
実際の市場の正確な割合
イノベーター理論の5つの層と割合(一覧表)
この節では、5つの層の名前・割合・特徴が一覧で分かります。
早い順に、イノベーター(2.5%)・アーリーアダプター(13.5%)・アーリーマジョリティ(34%)・レイトマジョリティ(34%)・ラガード(16%)です。前の2つ(合わせて16%)を「初期市場」、真ん中の2つ(合わせて68%)を「メインストリーム市場」と呼ぶことがあります。
| 層(英語) | 割合 | 取り入れる理由の傾向 | 響きやすい伝え方 |
|---|---|---|---|
| イノベーター(Innovators:革新者) | 2.5% | 新しさそのものに価値を感じる。うまくいかない危うさも受け入れる | 技術の新しさ・まだ誰も試していないこと |
| アーリーアダプター(Early Adopters:初期導入者) | 13.5% | 自分の目的に役立つかを見て早めに取り入れ、周りに伝える | 何がどう良くなるか・先に使う意味 |
| アーリーマジョリティ(Early Majority:前期多数派) | 34% | 慎重だが、身近な人が使い始めると続く | 使っている人の声・導入の手順の分かりやすさ |
| レイトマジョリティ(Late Majority:後期多数派) | 34% | 多くの人が使い、当たり前になってから取り入れる | 使っている人の多さ・手間の少なさ・支えの体制 |
| ラガード(Laggards:遅滞者) | 16% | いまのやり方を大事にする。最後まで取り入れない人もいる | いまのやり方を残したまま移れる道 |
上の「傾向」は一般的な説明の範囲です。報告書(1960年)では、5つの層はある1つの農法を取り入れた時期で分けています。つまり「その人の性格の分類」ではなく、ある1つの新しいものに対する立ち位置です。スマホの新機能ではイノベーターの人が、別の分野ではレイトマジョリティということは普通にあります。
116%:初期市場
イノベーターとアーリーアダプター。新しさや目的への効き目で動く。
268%:多数派
アーリーマジョリティとレイトマジョリティ。周りの様子と手間の少なさで動く。
316%:ラガード
いまのやり方に理由がある層。取り入れない選択も含めて理解する。
5つの層の割合はどこから来たか(正規分布を Python で検算)
この節では、2.5%・13.5%・34%・34%・16% という数字が何から決まったのかを、実際の計算で確かめます。
取り入れた時期の分布を正規分布(釣り鐘型)とみなし、平均から標準偏差(ばらつきの大きさ)1つ分・2つ分の位置で区切った値です。報告書(Beal・Rogers、1960年)の13ページには、農家を「平均からの標準偏差を使う方法」で5つの層に分けた、と書かれています。
The farmers were divided into five adopter categories, by using the technique of standard deviations from the mean.
区切りは次のとおりです(平均を0、標準偏差を1としたときの位置)。
- イノベーター:平均−2標準偏差より前
- アーリーアダプター:平均−2〜−1標準偏差
- アーリーマジョリティ:平均−1標準偏差〜平均
- レイトマジョリティ:平均〜平均+1標準偏差
- ラガード:平均+1標準偏差より後
SciPy で正規分布の面積を計算しました。200人の組織に当てはめた人数も添えています。
import numpy as np
from scipy.stats import norm
names = ["イノベーター", "アーリーアダプター", "アーリーマジョリティ",
"レイトマジョリティ", "ラガード"]
edges = [-np.inf, -2, -1, 0, 1, np.inf] # 平均からの標準偏差の数
total = 0.0
for name, a, b in zip(names, edges[:-1], edges[1:]):
share = norm.cdf(b) - norm.cdf(a)
total += share
print(f"{name: <10} {share*100:6.2f}% 累計 {total*100:6.2f}% 200人なら {share*200:5.1f}人")
print("2.5%と97.5%の区切り(標準偏差の数):", norm.ppf([0.025, 0.975]).round(3))
イノベーター 2.28% 累計 2.28% 200人なら 4.6人
アーリーアダプター 13.59% 累計 15.87% 200人なら 27.2人
アーリーマジョリティ 34.13% 累計 50.00% 200人なら 68.3人
レイトマジョリティ 34.13% 累計 84.13% 200人なら 68.3人
ラガード 15.87% 累計 100.00% 200人なら 31.7人
2.5%と97.5%の区切り(標準偏差の数): [-1.96 1.96]
計算すると、イノベーターは2.28%、アーリーアダプターは13.59%でした。よく見る2.5%と13.5%は丸めた値で、2つを足した16%(計算では15.87%)はきれいに合います。もう1つの注意は、ちょうど2.5%で区切る位置は「−2標準偏差」ではなく「−1.96標準偏差」になることです。統計の95%区間(±1.96)と混ぜて覚えると、ずれが生まれます。
割合は「測った値」ではない:分布の形で変わる
この節では、5つの層の割合がいつでも成り立つわけではない理由を、シミュレーションで確かめます。
割合が2.5%・13.5%…になるのは、取り入れた時期が左右対称の正規分布のときだけです。同じ「平均と標準偏差で区切る」やり方でも、分布の形が違えば各層の割合は変わります。10,000人分の「導入までの月数」を乱数で作り、区切ってみました。
import numpy as np
rng = np.random.default_rng(533)
def split(x):
m, s = x.mean(), x.std()
layer = np.digitize(x, [m - 2*s, m - s, m, m + s])
return [float(round(np.mean(layer == i) * 100, 2)) for i in range(5)]
normal = rng.normal(24, 6, 10_000) # 導入までの月数(架空)
skewed = rng.lognormal(np.log(18), 0.6, 10_000) # 右に裾が長い形(架空)
print("左右対称:", split(normal))
print("右に長い:", split(skewed))
左右対称: [2.32, 13.53, 34.2, 33.73, 16.22]
右に長い: [0.0, 6.91, 55.0, 25.28, 12.81]
| 層 | 理論(正規分布) | 左右対称の架空データ | 右に長い架空データ |
|---|---|---|---|
| イノベーター | 2.28% | 2.32% | 0.00% |
| アーリーアダプター | 13.59% | 13.53% | 6.91% |
| アーリーマジョリティ | 34.13% | 34.20% | 55.00% |
| レイトマジョリティ | 34.13% | 33.73% | 25.28% |
| ラガード | 15.87% | 16.22% | 12.81% |
右に裾が長い形(最初に多くの人が取り入れ、遅い人がぽつぽつ続く形)では、平均−2標準偏差が0より小さくなり、イノベーターが0人になりました。「どの市場でもイノベーターは2.5%いる」という読み方は誤りで、2.5%は「正規分布とみなして区切ればそうなる」という定義です。手元のデータで層を分けたいときは、平均と標準偏差で区切るか、早い順の割合(上位2.5%など)で区切るかを先に決め、どちらを使ったかを書き添えます。
普及率16%の意味(16%の理論)
この節では、イノベーター理論でよく言われる「16%」が何を指し、どう使うのかが分かります。
16%は、イノベーター(2.5%)とアーリーアダプター(13.5%)を足した割合で、正規分布では「平均−1標準偏差より前に取り入れた人」にあたります。この16%を超えると、多数派のアーリーマジョリティに広がり始める節目として語られ、「16%の理論」と呼ばれることもあります。
200人の組織に当てはめると、16%は約32人です(上の計算では4.6人+27.2人=31.8人)。社内に新しいツールを入れる場合なら、最初の30人前後が自分から使い、周りに使い方を伝えられる状態が1つの目安になります。
16%の読み方
次の層(34%)は「周りが使っているか」「手間が少ないか」で動く
キャズムとは(イノベーター理論との関係)
この節では、キャズムの意味と、イノベーター理論とどうつながるのかが分かります。
キャズム(chasm:深い溝)とは、アーリーアダプターとアーリーマジョリティの間にあるとされる、越えにくい溝のことです。経営コンサルタントのジェフリー・A・ムーアが著書『Crossing the Chasm』で示した考え方で、第3版(2014年)が出ています。邦訳は『キャズム Ver.2 増補改訂版』(川又政治 訳、翔泳社、2014年)です。
出版社の紹介文は、キャズムを「先見性のあるアーリーアダプターの層」と「大きな主流市場(mainstream market)」の間にある溝と説明しています。副題は「Marketing and Selling Disruptive Products to Mainstream Customers」で、主にこれまでのやり方を大きく変える製品を主流の顧客に広げる話です。
| イノベーター理論(ロジャーズ) | キャズム(ムーア) | |
|---|---|---|
| 見ているもの | 新しいものが社会に広がる過程全体 | 初期市場から主流市場へ移る境目 |
| 層の区切り | 5つの層は連続して並ぶ | アーリーアダプターとアーリーマジョリティの間に溝がある |
| 主な関心 | 伝わり方・取り入れる理由・速さ | 主流市場に広げるための売り方・届け方 |
| 主な対象 | 農法・医療・教育・技術など幅広い | 主にハイテク製品・やり方を大きく変える製品 |
溝ができる理由としてよく説明されるのは、求めるものの違いです。アーリーアダプターは「先に使って得をしたい」、アーリーマジョリティは「周りが使っていて、手間が少ないものを使いたい」。同じ説明では両方に届かないため、16%の先で広がりが止まりやすい、という見方です。
初期市場
イノベーター+アーリーアダプター。新しさと目的への効き目を見る。
合わせて16%
キャズム
求めるものが変わる境目。初期の成功の理由が、次の層には効かない。
16%の先
主流市場
アーリーマジョリティ+レイトマジョリティ。使っている人の声と手間の少なさを見る。
合わせて68%
普及のS字曲線と Bass モデル(Python で計算)
この節では、普及が「S字」になる理由と、それを式で計算する方法が分かります。
取り入れる人の数は時間とともに釣り鐘型に増えて減り、それを累計するとS字の曲線になります。報告書(1960年)の9ページにも、新しい農法の導入は時間に対して釣り鐘型になり、累計で描くと「S」字になる、と書かれています。
この曲線を式で表したものの代表が、フランク・M・バスの Bass モデル(Management Science 15巻5号、1969年)です。原論文の要旨では、初めて買う時期が「それまでに買った人の数」と関係するとし、その理由として革新的な行動と模倣的な行動を挙げています。式では次の2つの係数を使います。
- p(革新係数):周りに関係なく自分から取り入れる強さ
- q(模倣係数):すでに使っている人の多さに引っぱられる強さ
まだ取り入れていない人のうち、その時点で取り入れる人の割合は p + q × F(t)(F(t) は累計の普及率)です。これを解くと F(t) = (1 − e^(−(p+q)t)) ÷ (1 + (q/p) e^(−(p+q)t)) になります。例として p=0.03、q=0.38 と置いて計算しました(値は説明用に置いたもので、特定の製品の値ではありません)。
import numpy as np
from scipy.integrate import solve_ivp
p, q = 0.03, 0.38 # 例として置いた値(革新係数 p・模倣係数 q)
def F(t): # 累計の普及率(閉じた式)
e = np.exp(-(p + q) * t)
return (1 - e) / (1 + (q / p) * e)
def t_at(level): # 累計が level に届く時点
return -np.log((1 - level) / (1 + (q / p) * level)) / (p + q)
sol = solve_ivp(lambda t, y: [(p + q * y[0]) * (1 - y[0])], [0, 30], [0.0],
t_eval=np.linspace(0, 30, 301), rtol=1e-10, atol=1e-12)
print("微分方程式と閉じた式の差の最大:", f"{np.max(np.abs(sol.y[0] - F(sol.t))):.1e}")
for level in [0.025, 0.16, 0.50, 0.84, 0.975]:
print(f"累計 {level*100:5.1f}% に届く時点: {t_at(level):5.2f} 期")
t_peak = np.log(q / p) / (p + q)
print(f"新規が最も多い時点: {t_peak:.2f} 期(そのときの累計 {F(t_peak)*100:.1f}%)")
微分方程式と閉じた式の差の最大: 4.1e-10
累計 2.5% に届く時点: 0.73 期
累計 16.0% に届く時点: 3.13 期
累計 50.0% に届く時点: 6.55 期
累計 84.0% に届く時点: 10.46 期
累計 97.5% に届く時点: 15.32 期
新規が最も多い時点: 6.19 期(そのときの累計 46.1%)
微分方程式を数値で解いた結果と式の値の差は 4.1e-10 で、式が正しいことを確かめられました。各期の値をグラフにすると次の形です(棒が各期の新規、線が累計)。
%%{init: {"xyChart": {"width": 500, "height": 340}}}%%
xychart-beta
title "累計の普及率(線)と各期の新規の割合(棒)"
x-axis "期" [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16]
y-axis "割合(%)" 0 --> 100
bar [3.6, 4.9, 6.5, 8.3, 9.8, 10.8, 11.0, 10.3, 8.9, 7.2, 5.5, 4.1, 2.9, 2.0, 1.4, 0.9]
line [3.6, 8.5, 15.1, 23.3, 33.1, 43.9, 54.9, 65.2, 74.1, 81.3, 86.8, 90.9, 93.8, 95.8, 97.2, 98.1]
p と q を変えると、16%・50%・84% に届く時点がどう動くかも計算しました。
| p(革新)・q(模倣) | 16%に届く | 50%に届く | 84%に届く | 新規の山 |
|---|---|---|---|---|
| 0.03・0.38(基準) | 3.13期 | 6.55期 | 10.46期 | 6.19期 |
| 0.01・0.38(自分から使う人が少ない) | 5.47期 | 9.46期 | 13.66期 | 9.33期 |
| 0.03・0.20(口コミが弱い) | 3.91期 | 9.39期 | 16.17期 | 8.25期 |
| 0.03・0.60(口コミが強い) | 2.55期 | 4.91期 | 7.48期 | 4.76期 |
| 0.10・0.10(口コミに頼らない) | 1.61期 | 5.49期 | 12.21期 | 山なし(最初が最多) |
口コミ(q)が弱いと、16%までは大きく変わらないのに、50%・84%に届くのが大きく遅れます。初期市場の広がりは良くても多数派で止まりやすい、というキャズムの見方は、q が小さいときの曲線の形と重なります。また q が p 以下だと山ができず、釣り鐘型にならない(最初が最も多い)ことも式から分かります。
早い時期のデータで先を読む難しさ(当てはめを実測)
この節では、普及の途中のデータから「最終的に何人になるか」を推定するとき、どれだけぶれるのかが分かります。
正解を全体1,000人・p=0.03・q=0.38 として各期の新規の人数を乱数で作り、最初の何期分のデータで Bass モデルを当てはめるかを変えて推定しました。
import numpy as np
from scipy.optimize import curve_fit
def F(t, p, q):
e = np.exp(-(p + q) * t)
return (1 - e) / (1 + (q / p) * e)
def new_users(t, m, p, q): # 各期の新規の人数
return m * (F(t, p, q) - F(t - 1, p, q))
rng = np.random.default_rng(533)
t = np.arange(1, 21)
obs = rng.poisson(new_users(t, 1000, 0.03, 0.38)) # 正解は m=1000, p=0.03, q=0.38
for k in [5, 7, 10, 20]:
(m, p, q), _ = curve_fit(new_users, t[:k], obs[:k], p0=[500, 0.05, 0.3],
bounds=([1, 1e-4, 1e-4], [1e5, 1, 2]), maxfev=20000)
print(f"最初の{k:2d}期で推定: 全体 m={m:8.0f} p={p:.3f} q={q:.3f}")
最初の 5期で推定: 全体 m= 100000 p=0.000 q=0.236
最初の 7期で推定: 全体 m= 1423 p=0.024 q=0.285
最初の10期で推定: 全体 m= 932 p=0.028 q=0.412
最初の20期で推定: 全体 m= 959 p=0.030 q=0.390
最初の5期(累計がまだ3割ほど)では、全体の人数が設定した上限(100,000)に張りつき、意味のある推定になりませんでした。7期でも1,423人と4割ほど多めです。新規の山(6.19期)を過ぎた10期以降で、正解の1,000人に近づきました。普及の山を越える前のデータで「最終的にこれだけ広がる」と言い切るのは危ういことが、数字で分かります。途中のうちは、推定の幅と、どの期までのデータかを一緒に示します。数字で効果を見るときの指標の作り方は、関連記事「生成AI導入の効果測定KPI|開発チーム向け指標一覧と計算式・集計コード」で扱っています。
ロジャーズの理論のほかの柱:5つの属性と5つの段階
この節では、5つの層のほかに、ロジャーズの普及の理論で知られている考え方が分かります。
広がる速さは、人の層だけでなく「その新しいものの性質」と「一人ひとりが決めるまでの段階」でも変わる、というのがロジャーズの理論のもう2つの柱です。第5版をもとにした一般的な説明では、次のように整理されています。
| 広がりやすさに効く性質 | 意味 | IT ツールで確かめる問い |
|---|---|---|
| 相対的な有利さ | いまのやり方より良いと感じられるか | 何分・何手順へるのか、数字で言えるか |
| 両立性(適合性) | いまの価値観・やり方・道具になじむか | いまのアカウント・ファイル・手順のまま使えるか |
| 複雑さ | 分かりやすく、覚えやすいか | 最初の1回を10分で終えられるか |
| 試しやすさ | 小さく試せるか | 1チーム・1業務だけで始められるか |
| 見えやすさ | 効き目が周りから見えるか | 使った結果を他の人が目にする場があるか |
一人ひとりが取り入れるまでの段階は、知識(知る)→説得(関心を持ち、良し悪しを考える)→決定(使うか決める)→実行(使い始める)→確認(続けるか確かめる)の5つとして説明されます。「知っているのに使わない人」は、知識の段階ではなく説得や実行の段階で止まっていることが多く、案内を増やすより、試す場や手順書が効く場面があります。
IT 製品・社内ツールの導入での使い方
この節では、イノベーター理論を、新しい IT ツールを社内やチームに広げるときにどう使うかが分かります。
使い方の芯は、「全員に同じ説明をしない」ことと、「最初の16%で使い方の型を作り、それを次の34%に渡す」ことです。200人の組織に新しいツールを入れる場合(架空の例)で、順番にまとめます。
小さく試せる形にする
1チーム・1業務から始められるようにし、試す人がすぐ戻れる道(元のやり方)も残す。試しやすさの性質を先に満たす。
最初の5人前後に声をかける
新しいものを自分から触る人(イノベーター、約2.5%)。不具合や分かりにくさを見つけてもらう段階。
約30人で使い方の型を作る
自分の業務に役立つかで動く人(アーリーアダプター)。「この作業で何分へった」という使い方の例と手順書を一緒に作る。
型と使っている人の声で多数派に渡す
アーリーマジョリティには、新しさではなく「同じチームの誰がどう使っているか」と「最初の1回の手順」を伝える。
当たり前にして、残る理由を聞く
レイトマジョリティには「みんなが使っている」「質問先がある」を示す。最後まで使わない人には、いまのやり方を続ける理由を聞き、移れる道があるかを考える。
小さく始めて広げる進め方は、新しいソフトウェアの機能を一部の人にだけ先に出すやり方と考え方が近く、関連記事「フィーチャーフラグとは:4種類の使い分けと実装コード・管理台帳テンプレート」で扱っています。最初に試す形の作り方は、関連記事「MVPとは|PoC・プロトタイプとの違いと作り方」も参考になります。
層ごとの伝え方(判断表)
この節では、いまどの層に向けて伝えるべきかと、何を伝えるとよいかを判断表で選べます。
| いまの状況 | 向ける層 | 伝える中身 | 見る数字の例 |
|---|---|---|---|
| 出したばかり・使う人がほぼいない | イノベーター | 新しさ・試す場・意見の送り先 | 試した人数・寄せられた意見の数 |
| 試す人はいるが、業務に定着しない | アーリーアダプター | 業務での効き目を数字で・使い方の例 | 続けて使う人の割合・へった作業時間 |
| 累計が16%前後で伸びが止まった | アーリーマジョリティ | 同じ立場の人の声・最初の1回の手順・質問先 | 新しく使い始めた人の数の推移 |
| 半分を超えた | レイトマジョリティ | 使っている人の多さ・手間の少なさ・支えの体制 | 問い合わせの件数・手順書の閲覧数 |
| 8割を超えたが残る人がいる | ラガード | いまのやり方を残したまま移れる道 | 使わない理由の内訳 |
誰のどんな「片づけたい用事」に効くかを先に言葉にしておくと、層ごとの伝え方を作りやすくなります。その考え方は関連記事「ジョブ理論(JTBD)とは|ペルソナとの違い」で扱っています。ほかの分析の枠組みと組み合わせるときは、関連記事「ビジネスフレームワーク一覧30選|3C・SWOT・4Pの使い分け目的別早見表」で目的別に選べます。
- 1いま累計で何%か数えている対象の人数を決め、使い始めた人を数える。層の判断はそこから
- 2層ごとに伝える中身を分けている新しさの説明は初期の16%向け。多数派には手順と周りの声
- 3割合を「測った値」として使っていない2.5%・13.5%は区切りの定義。実際の割合は対象ごとに違う
- 4途中のデータで最終の数を言い切っていない山を越える前の推定は大きくぶれた(5期では推定にならなかった)
よくある誤解とつまずき(イノベーター理論・キャズム)
この節では、イノベーター理論を使うときに起きやすい誤解と、計算でつまずきやすい点が分かります。
| 誤解・つまずき | 実際 | 確かめた方法 |
|---|---|---|
| 2.5%・13.5%は調査で測った割合 | 平均と標準偏差で区切った定義 | 報告書(1960年)13ページの原文 |
| どの市場にもイノベーターが2.5%いる | 分布が右に長い形では0%になった | 10,000人のシミュレーション |
| 2.5%の区切りは平均−2標準偏差 | −2標準偏差は2.28%。ちょうど2.5%は−1.96 | norm.cdf・norm.ppf |
| 層はその人の性格で決まる | ある1つの新しいものを取り入れた時期で決まる | 報告書は農法ごとに分類 |
| 16%を超えれば自然に広がる | 口コミが弱いと50%・84%への到達が大きく遅れた | Bass モデルで q を変えて計算 |
| キャズムはロジャーズが言った | キャズムはムーアの考え方 | ムーアの著書の出版社の紹介文 |
| ラガードは遅れた人 | いまのやり方に理由がある。取り入れない判断にも意味がある | 理論の一般的な説明の範囲 |
計算で実際に出たエラーも載せます。Bass モデルを当てはめるとき、範囲(bounds)を付けずに最初の5期だけで推定すると、次のエラーで止まりました。
RuntimeError: Optimal parameters not found: Number of calls to function has reached maxfev = 2000.
データが少なすぎて答えが定まらないときに出ます。範囲を付けるか、データの期数を増やします(範囲を付けても、上の実測のとおり上限に張りつくことがあります)。また、式に p=0 を入れると q / p で割り算ができず、次のエラーになりました。
ZeroDivisionError: float division by zero
Bass モデルは p が0より大きいこと(最初に自分から取り入れる人がいること)を前提にした式です。
イノベーター理論のよくある質問
この節では、イノベーター理論とキャズムについてよく調べられる疑問に短く答えます。
Q. イノベーター理論を簡単に言うと?
A. 新しいものは、取り入れる早さの違う5つの層の人に、順番に広がっていく、という考え方です。
Q. 提唱者は誰で、いつの理論ですか?
A. 社会学者エベレット・M・ロジャーズです。著書『Diffusion of Innovations』の初版は1962年で、第5版は2003年に出ています。
Q. 5つの層の割合はなぜ2.5%・13.5%・34%・34%・16%なのですか?
A. 取り入れた時期を正規分布とみなし、平均から標準偏差1つ分・2つ分の位置で区切ったからです。計算では2.28%・13.59%・34.13%・34.13%・15.87%になります。
Q. アーリーアダプターとは何ですか?
A. 早い時期(2番目)に取り入れる13.5%の層です。自分の目的に役立つかを見て取り入れ、周りに伝える役目を持つと説明されます。
Q. キャズムとは何ですか?
A. アーリーアダプターとアーリーマジョリティの間にあるとされる溝です。ジェフリー・A・ムーアが著書『Crossing the Chasm』で示しました。
Q. 1962年の理論はいまでも使えますか?
A. 第5版(2003年)は出版社の紹介文でインターネットが普及の仕方に与える影響も扱うとされ、考え方そのものは IT 製品の導入でも使われています。割合を「定義」として扱えば、伝え方を層ごとに分ける道具として使えます。
Q. 自分のデータで層を分けられますか?
A. 分けられます。取り入れた時期のデータから平均と標準偏差を求めて区切るか、早い順の割合で区切ります。分布が左右対称でないと割合は2.5%などにならないので、どちらで区切ったかを書き添えます。
Q. Bass モデルの p と q は何ですか?
A. p は周りに関係なく自分から取り入れる強さ(革新係数)、q はすでに使っている人に引っぱられる強さ(模倣係数)です。q が大きいほどS字が急になります。
まとめ
この節では、イノベーター理論の要点を5つにまとめます。
- イノベーター理論は、新しいものを取り入れる早さで人を5つの層に分ける、ロジャーズの普及の考え方。
- 割合(2.5%・13.5%・34%・34%・16%)は、正規分布を平均±標準偏差で区切った定義。計算では2.28%・13.59%で、分布の形が違えば変わる。
- 16%は初期市場(イノベーター+アーリーアダプター)の合計で、平均−1標準偏差の位置。
- キャズムはムーアの考え方で、16%の先、アーリーアダプターとアーリーマジョリティの間の溝。求めるものの違いから生まれる。
- 使い方は、層ごとに伝える中身を変え、最初の16%で使い方の型を作ること。Bass モデルで見ると、口コミが弱いと多数派への広がりが大きく遅れ、山を越える前の推定は大きくぶれた。
参考・出典
この節では、この記事で確かめた資料の一覧が分かります(確認日 2026年11月16日)。
- Beal, G. M. & Rogers, E. M.「The Adoption of Two Farm Practices in a Central Iowa Community」Iowa State University, Special Report No. 26(1960年):publications.iowa.gov(9ページ:釣り鐘型とS字、13ページ:標準偏差による5つの層と割合)
- Simon & Schuster「Diffusion of Innovations, 5th Edition(Everett M. Rogers)」書誌情報と紹介文:simonandschuster.com
- Geoffrey A. Moore「Books by Geoffrey Moore」(Crossing the Chasm 第3版):geoffreyamoore.com
- Barnes & Noble「Crossing the Chasm, 3rd Edition」出版社の紹介文:barnesandnoble.com
- 紀伊國屋書店「キャズム Ver.2(ジェフリー・A・ムーア、川又政治 訳、翔泳社)」書誌情報:kinokuniya.co.jp
- Bass, F. M.「A New Product Growth for Model Consumer Durables」Management Science 15(5), 215-227(1969年)書誌情報と要旨:ideas.repec.org(DOI 10.1287/mnsc.15.5.215)
- SciPy 1.18.1・NumPy 2.5.3(
scipy.stats.norm・scipy.integrate.solve_ivp・scipy.optimize.curve_fit)で計算
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「イノベーター理論とは|5つの層の割合の根拠とキャズムをPythonで検算」
株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。
WE ARE HIRING
RJCで一緒に開発しながら、
成長を楽しみませんか?
RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!
- 127日年間休日
- 12時間平均残業時間
- 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!
ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。