market-sizing-analysis

Visión general de la skill market-sizing-analysis

Qué hace la skill market-sizing-analysis

La skill market-sizing-analysis ayuda a un agente de IA a generar estimaciones estructuradas de TAM, SAM y SOM para oportunidades de startups y productos. Está pensada para trabajos de evaluación de oportunidad de mercado en los que necesitas algo más que una respuesta vaga a “¿qué tan grande es este mercado?”: necesitas un enfoque de sizing defendible, supuestos explícitos y una metodología que founders, operadores o inversores puedan revisar.

Quién debería usar market-sizing-analysis

Esta market-sizing-analysis skill encaja especialmente bien para:

• founders que están validando un mercado nuevo
• operadores de startups que preparan materiales para fundraising
• consultores que necesitan un análisis de oportunidad rápido pero estructurado
• analistas que quieren un flujo repetible de market sizing para Data Analysis

Si necesitas un primer modelo de mercado con una lógica clara, es una opción sólida. Si necesitas research auditado o previsiones para industrias muy reguladas, debería servir como marco inicial, no como fuente final de verdad.

El verdadero trabajo a resolver

La mayoría de los usuarios no solo quieren definiciones de TAM/SAM/SOM. Lo que realmente necesitan es convertir una idea aproximada como “software de IA para retailers mid-market” en:

• un mercado objetivo acotado
• supuestos por segmento
• uno o varios métodos de sizing
• una lógica realista de cuota alcanzable a 3-5 años
• una narrativa apta para planificación o pitch

Ahí es donde market-sizing-analysis resulta más útil que un prompt genérico.

Diferencias clave frente a un prompting convencional

El principal valor de market-sizing-analysis es que empuja al agente a trabajar con tres enfoques complementarios:

• sizing top-down a partir de informes sectoriales
• sizing bottom-up a partir de número de clientes y pricing
• sizing por value theory a partir de la disposición a pagar

Esto importa porque el market sizing falla cuando el modelo depende de una sola lente. Esta skill aporta una estructura más orientada a la toma de decisiones y fomenta la validación cruzada, en lugar de presentar una única cifra impresionante pero frágil.

Qué conviene evaluar antes de instalarla

La gran pregunta de adopción no es “¿puede calcular TAM?”, sino “¿va a reducir las conjeturas?”. En esta skill, la respuesta suele ser sí si puedes aportar:

• un producto o servicio definido
• características del cliente objetivo
• geografía
• pricing aproximado o valor del contrato
• horizonte temporal y restricciones de go-to-market

Sin esos inputs, el resultado se vuelve genérico muy rápido.

Cómo usar la skill market-sizing-analysis

Contexto de instalación de market-sizing-analysis

El fragmento del repositorio no muestra un comando de instalación integrado dentro de SKILL.md, así que lo habitual es añadir el repositorio padre de skills y luego invocar la skill por nombre en el entorno de tu agente. Si tu setup admite instalaciones de tipo Skills, el patrón más común es:

npx skills add https://github.com/wshobson/agents --skill market-sizing-analysis

Después de instalarla, comprueba que tu agente puede ver la skill dentro de la ruta del plugin startup-business-analyst.

Lee primero estos archivos

Para un uso práctico de market-sizing-analysis, empieza por:

• plugins/startup-business-analyst/skills/market-sizing-analysis/SKILL.md
• plugins/startup-business-analyst/skills/market-sizing-analysis/examples/saas-market-sizing.md
• plugins/startup-business-analyst/skills/market-sizing-analysis/references/data-sources.md

Este orden de lectura funciona bien:

1. SKILL.md para entender el flujo de trabajo y las opciones metodológicas
2. examples/saas-market-sizing.md para ver la forma que tiene una buena salida
3. references/data-sources.md para identificar de dónde deberían salir los supuestos

Qué input necesita la skill para funcionar bien

Para sacar buen partido a market-sizing-analysis, dale al agente un brief operativo compacto:

• descripción del producto
• tipo de comprador
• industria o caso de uso
• geografía
• modelo de pricing
• horizonte temporal
• competidores conocidos
• restricciones sobre lo que el producto realmente puede atender hoy

Un input débil sería: “Size the market for AI legal software.”

Un input más sólido sería: “Size the 3-5 year market for AI contract review software for U.S. mid-market legal teams at companies with 200-5000 employees. Assume annual pricing of $18k-$60k depending on seat count and a direct sales motion.”

Cómo convertir una idea vaga en un prompt completo

Un buen prompt de invocación para market-sizing-analysis for Data Analysis debería pedir en una sola solicitud el método, los supuestos y el formato de salida. Por ejemplo:

“Use the market-sizing-analysis skill to estimate TAM, SAM, and SOM for an AI-powered email marketing platform for North American e-commerce companies with $1M+ revenue. Use bottom-up as the primary method, top-down as a cross-check, and state all assumptions. Include segment counts, ACV ranges, 3-5 year obtainable share logic, and a short risk section on uncertainty in the source data.”

Esto funciona mejor que “estimate the market size” porque reduce la ambigüedad sobre:

• el segmento objetivo
• la metodología preferida
• el formato de salida
• el nivel de confianza y las salvedades

Elige primero la metodología adecuada

No recurras por defecto al top-down solo porque parezca más rápido. Esta skill resulta más creíble cuando ajustas el método al mercado:

• Usa bottom-up cuando conozcas segmentos de clientes, pricing o número de seats.
• Usa top-down cuando el mercado ya tenga estimaciones de categoría publicadas.
• Usa value theory cuando el pricing dependa del valor económico generado y no del pricing estándar de la categoría.

En trabajo de startup, bottom-up suele ser el mejor método principal porque es más fácil de defender en un board deck o en un pitch.

Flujo de trabajo recomendado en la práctica

Un buen flujo de trabajo con market-sizing-analysis se parece a esto:

1. Define con precisión la oferta y el comprador.
2. Acota la geografía y las restricciones de segmento.
3. Elige un método principal de sizing.
4. Si la incertidumbre es alta, pide al agente los supuestos antes de cerrar cifras finales.
5. Haz una validación cruzada con un segundo método.
6. Ajusta SAM y SOM según el alcance del producto, la capacidad de GTM y la competencia.
7. Lleva el resultado a un memo, una slide de pitch o un documento de planificación.

Esta secuencia evita el fallo típico en el que el TAM es enorme pero no guarda relación con el negocio que realmente puedes construir.

Usa el archivo de ejemplo como referencia de calidad

examples/saas-market-sizing.md es especialmente útil porque muestra qué significa que una salida esté “lo bastante completa”:

• criterios de segmentación claros
• lógica bottom-up basada en recuentos
• supuestos de ACV explícitos
• fórmulas
• planteamiento realista sobre la cuota alcanzable

Si tu resultado no incluye esos elementos, pídele al agente que lo revise en lugar de aceptar una respuesta puramente narrativa.

Fuentes de datos que mejoran materialmente los resultados

El archivo references/data-sources.md es una de las partes más sólidas de esta skill. Orienta al usuario hacia:

• firmas analistas premium como Gartner, Forrester e IDC
• fuentes más accesibles como Statista
• herramientas para startups y mercado privado como CB Insights y PitchBook
• fuentes estratégicas más amplias como los insights de McKinsey

Para un uso práctico, combina una fuente de mercado publicada con una fuente de validación basada en recuentos. Por ejemplo:

• una estimación de categoría publicada en Statista
• una comprobación del número de compradores a partir del Census, conteos del ecosistema de plataformas o filtros de LinkedIn

Eso suele ser más fiable que citar un único informe sectorial.

Qué debería incluir una buena salida

Una salida de alta calidad de la market-sizing-analysis guide debería incluir:

• definiciones de TAM, SAM y SOM aplicadas a tu caso
• fórmulas o lógica de cálculo
• supuestos por segmento
• horizonte temporal
• supuestos de pricing
• incertidumbres clave
• justificación de la cuota alcanzable

Si la salida te da cifras de mercado limpias sin mostrar cómo se construyeron, pide un recálculo con los supuestos expuestos.

Restricciones y tradeoffs habituales

Esta skill es útil, pero no elimina las limitaciones básicas del market sizing:

• los datos de fuentes públicas pueden usar definiciones de categoría que no encajan con tu producto
• el número de clientes puede estar desactualizado o ser inconsistente entre fuentes
• el sizing basado en valor puede volverse especulativo muy rápido
• las estimaciones de SOM suelen depender más del realismo del GTM que de las matemáticas del mercado

Úsala para estructurar el criterio, no para fabricar una precisión falsa.

Preguntas frecuentes sobre la skill market-sizing-analysis

¿market-sizing-analysis es buena para principiantes?

Sí, sobre todo si entiendes mejor tu producto y tu cliente que los métodos formales de market sizing. La skill ofrece un marco más fácil de seguir que empezar desde un prompt en blanco. Aun así, los principiantes deben revisar los supuestos con cuidado, porque una mala definición del alcance lleva a cifras erróneas.

¿Cuándo no encaja bien market-sizing-analysis?

market-sizing-analysis encaja mal cuando:

• necesitas investigación de mercado auditada
• el mercado está demasiado poco definido como para describir un comprador
• el pricing es desconocido e imposible de estimar
• el problema real es validar demanda, no dimensionar mercado

También es una opción floja para categorías muy técnicas donde los datos públicos por segmento son extremadamente escasos y se necesitan expertos de dominio.

¿En qué se diferencia de un prompt normal de IA?

Un prompt normal puede generar un lenguaje plausible sobre TAM/SAM/SOM, pero saltarse lo difícil: segmentación, elección metodológica y supuestos defendibles. La market-sizing-analysis skill es mejor cuando buscas un flujo de trabajo repetible, no una respuesta aislada.

¿Puedo usar market-sizing-analysis para investor decks?

Sí, pero no metas la primera salida en un pitch deck sin tocarla. Usa la skill para construir un modelo trazable; luego refuerza las fuentes, simplifica la narrativa y asegúrate de que el SAM y el SOM reflejan tu alcance real de lanzamiento y tu capacidad de GTM.

¿Funciona solo para SaaS?

No. El ejemplo incluido está orientado a SaaS, pero el marco también puede funcionar para servicios, marketplaces, fintech, healthtech y otras categorías de startups. Funciona mejor allí donde puedas estimar número de clientes, niveles de gasto o valor económico generado.

Cómo mejorar la skill market-sizing-analysis

Da definiciones de mercado más acotadas

La forma más rápida de mejorar la salida de market-sizing-analysis es acotar la definición del mercado. Especifica:

• comprador exacto
• tamaño de empresa o perfil de usuario
• geografía
• modelo de despliegue
• alcance actual del producto

“Healthcare AI” es demasiado amplio. “AI prior-authorization automation for U.S. regional health insurers” es mucho más utilizable.

Aporta supuestos de pricing y packaging

El sizing bottom-up gana mucha fuerza cuando proporcionas uno de estos elementos:

• annual contract value
• rango de suscripción mensual
• pricing por seat
• comisión por transacción
• tamaño medio del deal

Sin pricing, el modelo a menudo tiene que inventarse proxies débiles.

Pide validaciones cruzadas, no solo una cifra

Un prompt sólido pide al agente que genere:

• método principal
• método secundario de validación
• explicación de cualquier diferencia entre ambos

Eso mejora la confianza. Las diferencias grandes entre estimaciones top-down y bottom-up suelen ser la señal más útil, porque revelan problemas de definición de categoría o supuestos de pricing poco realistas.

Obliga al agente a separar la lógica de TAM, SAM y SOM

Un fallo habitual es que el modelo aplique simplemente recortes porcentuales sin explicar por qué. Para mejorar resultados, pide una lógica diferenciada:

• TAM basado en el gasto potencial total
• SAM basado en las restricciones actuales de producto y geografía
• SOM basado en la capacidad realista de adquisición y la competencia

Esto hace que la market-sizing-analysis guide sea más útil a nivel operativo.

Pide notas sobre calidad de fuentes e incertidumbre

Indica al agente que etiquete los supuestos como:

• sourced
• inferred
• placeholder

Pídele también una nota de confianza para cada input principal. Esto es especialmente útil si estás usando la skill en trabajo estratégico de early stage, donde parte de las cifras inevitablemente será orientativa.

Itera después del primer borrador

No trates la primera ejecución como resultado final. Un buen ciclo de revisión sería:

1. corregir errores sobre comprador y geografía
2. sustituir supuestos débiles por inputs reales
3. afinar el pricing
4. cuestionar el realismo del SOM
5. volver a ejecutar con una validación cruzada adicional de fuentes

Eso normalmente mejora más la calidad de la salida que añadir más texto.

Usa la estructura del ejemplo para tu propio sector

Si tu primer resultado sale desordenado, dile al agente que replique la estructura de examples/saas-market-sizing.md:

• tabla de segmentos
• sección de fórmulas
• walkthrough de cálculo
• resumen de conclusiones

Ese archivo es un modelo de formato útil incluso cuando tu mercado no es SaaS.

Vigila estos fallos habituales

Los principales problemas de calidad en market-sizing-analysis son:

• inflación de categoría en el TAM
• recuentos de segmentos vagos
• supuestos de pricing sin base
• SOM apoyado en expectativas, no en capacidad real de GTM
• mezclar número de usuarios, número de empresas e ingresos sin una lógica de conversión clara

Si detectas cualquiera de estos puntos, pide que se reconstruya la línea exacta de razonamiento.

Mejora las salidas para flujos de Data Analysis

Para market-sizing-analysis for Data Analysis, pide al agente que devuelva los supuestos en un formato estructurado:

• segmento
• recuento
• métrica de pricing
• supuesto de ingresos anuales
• fuente
• confianza

Eso facilita mucho mover el resultado a hojas de cálculo, notebooks, herramientas de BI o modelos de forecasting posteriores.