market-sizing-analysis

market-sizing-analysis 技能總覽

market-sizing-analysis 技能能做什麼

market-sizing-analysis 技能可協助 AI 代理為新創與產品機會產出結構化的 TAM、SAM 與 SOM 估算。它適合用在市場機會評估情境：當你需要的不只是鬆散地回答一句「這個市場有多大？」，而是需要一套可辯護的市場規模推估方法、明確假設，以及能讓創辦人、營運團隊或投資人檢視的方法論時，這個技能就特別有用。

誰適合使用 market-sizing-analysis

這個 market-sizing-analysis skill 特別適合：

• 正在驗證新市場的創辦人
• 準備募資資料的新創營運團隊
• 需要快速但有結構地做機會分析的顧問
• 想為 Data Analysis 建立可重複使用市場規模流程的分析師

如果你需要一個邏輯清楚的第一版市場模型，它會很適合。若你需要的是經過稽核的研究結果，或高度受監管產業的正式預測，它應該被視為起始框架，而不是最後的權威依據。

真正要完成的工作是什麼

多數使用者真正需要的，並不只是 TAM／SAM／SOM 的定義。他們通常是想把像「給中型零售商用的 AI 軟體」這種粗略想法，轉成：

• 範圍清楚的目標市場
• 分群層級的假設
• 一種或多種市場規模推估方法
• 現實可行的 3–5 年可取得市占邏輯
• 適合拿去做規劃或簡報的敘事

這也是 market-sizing-analysis 比一般通用 prompt 更實用的地方。

相較一般 prompting 的關鍵差異

market-sizing-analysis 的主要價值，在於它會把代理往三種互補方法引導：

• 依產業報告進行 top-down 推估
• 依客戶數量與定價進行 bottom-up 推估
• 依支付意願進行 value-theory 推估

這點很重要，因為市場規模分析最常失敗的原因，就是模型只依賴單一視角。這個技能會給使用者更接近決策需求的架構，也鼓勵交叉驗證，而不是只丟出一個看似漂亮、其實很脆弱的單一數字。

安裝前最該先確認的是什麼

最大的採用問題通常不是「它能不能算 TAM？」，而是「它能不能降低猜測成分？」對這個技能來說，如果你能提供以下資訊，答案通常是可以：

• 明確定義的產品或服務
• 目標客戶特徵
• 地理區域
• 大致定價或合約價值
• 時程與 go-to-market 限制

缺少這些輸入時，輸出會很快變得空泛而通用。

如何使用 market-sizing-analysis 技能

market-sizing-analysis 的安裝情境

從這份 repository 節錄來看，SKILL.md 裡沒有直接列出內建安裝指令，因此多數使用者會先加入上層 skills repository，再在代理環境中以技能名稱呼叫。如果你的環境支援 Skills 風格安裝，常見做法是：

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

安裝後，請確認你的代理能在 startup-business-analyst plugin 路徑下看到這個技能。

先讀這些檔案

如果要實際上手 market-sizing-analysis，建議先看：

• 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

這樣的閱讀順序很實用：

1. 先看 SKILL.md，掌握工作流程與方法選擇
2. 再看 examples/saas-market-sizing.md，理解高品質輸出的樣子
3. 最後看 references/data-sources.md，確認假設應該從哪些來源取得

要讓技能發揮效果，需要哪些輸入

想讓 market-sizing-analysis 用得好，請提供代理一份精簡但可操作的 brief：

• 產品描述
• 買方類型
• 產業或使用情境
• 地理區域
• 定價模式
• 時間範圍
• 已知競品
• 產品目前實際可服務範圍的限制

弱的輸入像是：「Size the market for AI legal software.」

更好的輸入則像是：「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.」

如何把粗略想法變成完整 prompt

一個好的 market-sizing-analysis for Data Analysis 呼叫方式，應該在單一請求裡同時要求方法、假設與輸出格式。例如：

“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.”

這會比單純說「estimate the market size」好得多，因為它能降低以下模糊地帶：

• 目標分群
• 偏好的方法論
• 輸出格式
• 信心程度與必要保留

先選對方法，再開始估算

不要因為 top-down 看起來比較快，就把它當預設。這個技能最有說服力的前提，是方法要跟市場特性匹配：

• 當你知道客戶分群、定價或 seat counts 時，使用 bottom-up。
• 當市場已有公開類別估值或報告時，使用 top-down。
• 當定價更取決於創造出的經濟價值，而不是標準類別定價時，使用 value theory。

對多數新創情境來說，bottom-up 往往最適合作為主要方法，因為在董事會 deck 或募資 pitch 中更容易自圓其說。

實務上建議的 market-sizing-analysis 工作流程

一個好的 market-sizing-analysis 實作流程大致如下：

1. 定義清楚具體提供的產品與買方。
2. 收斂地理範圍與分群限制。
3. 選定主要的市場規模方法。
4. 如果不確定性高，先請代理列出假設，再進入最終數字。
5. 用第二種方法做交叉驗證。
6. 依產品範圍、 GTM 能力與競爭狀況調整 SAM 與 SOM。
7. 將結果整理成 memo、pitch slide 或規劃文件。

這個順序可以避免常見失誤：TAM 看起來很大，卻跟你實際能打造的業務沒有太大關聯。

把範例檔當成品質基準

examples/saas-market-sizing.md 特別值得參考，因為它清楚示範了什麼叫做「完整到足夠可用」：

• 清楚的分群條件
• 以數量為基礎的 bottom-up 邏輯
• 明確的 ACV 假設
• 公式
• 合理的可取得性 framing

如果你的輸出缺少這些元素，建議要求代理修訂，而不是直接接受只有敘述、沒有推算骨架的答案。

哪些資料來源能實質提升結果品質

references/data-sources.md 是這個技能最有價值的部分之一。它會引導使用者參考：

• Gartner、Forrester、IDC 等付費分析機構
• Statista 這類相對易取得的來源
• CB Insights、PitchBook 這類新創與私募市場工具
• McKinsey insights 這類較宏觀的策略來源

實務上，建議至少結合一個已發布的市場來源，加上一個以數量為基礎的驗證來源。例如：

• 來自 Statista 的公開市場類別估算
• 來自 Census、平台生態系數量或 LinkedIn 篩選結果的買方數量驗證

通常這會比只引用單一產業報告可靠得多。

好的輸出應該包含什麼

高品質的 market-sizing-analysis guide 輸出，應至少包含：

• 套用到你案例中的 TAM、SAM、SOM 定義
• 公式或計算邏輯
• 分群假設
• 時間範圍
• 定價假設
• 關鍵不確定性
• 為什麼這樣的市占可取得的理由

如果輸出只給你整齊漂亮的市場數字，卻沒說明它是怎麼算出來的，請要求重新計算，並把假設攤開。

常見限制與取捨

這個技能很實用，但它並不能消除市場規模分析本身的核心限制：

• 公開資料來源採用的類別定義，可能和你的產品不一致
• 客戶數量資料可能過時，或不同來源彼此不一致
• value-based sizing 很容易快速滑向過度推測
• SOM 估算往往更取決於 GTM 現實，而不是市場數學本身

請把它拿來結構化判斷，而不是製造虛假的精確度。

market-sizing-analysis 技能 FAQ

market-sizing-analysis 適合新手嗎？

適合，尤其是當你對產品與客戶的理解，比你對正式市場規模方法的理解還更清楚時。這個技能提供了一個比從空白 prompt 開始更容易遵循的框架。不過新手仍然需要仔細檢查假設，因為一開始範圍定義錯了，後面的數字通常也不會對。

什麼情況下 market-sizing-analysis 不適合？

在以下情況下，market-sizing-analysis 不是理想選擇：

• 你需要經過稽核的市場研究
• 市場本身太模糊，連買方都無法描述
• 定價未知，而且根本無法合理估計
• 真正的問題其實是需求驗證，而不是市場規模估算

對於某些高度技術性的類別，如果公開分群資料極少、必須倚賴領域專家，這個技能也會顯得不夠有力。

它和一般 AI prompt 有什麼不同？

一般 prompt 可能能產出看似合理的 TAM／SAM／SOM 用語，但會略過真正困難的部分：分群、方法選擇，以及可辯護的假設。當你要的是可重複套用的工作流程，而不是一次性的回答時，market-sizing-analysis skill 會更合適。

可以把 market-sizing-analysis 用在投資人簡報嗎？

可以，但不要把第一版輸出原封不動放進 pitch deck。比較好的做法是：先用這個技能做出可追溯的模型，再把資料來源補強、敘事收斂，並確認 SAM 與 SOM 真的反映你的實際上市範圍與 GTM 能力。

它只適用於 SaaS 嗎？

不是。雖然附帶的例子偏向 SaaS，但這套框架也可以用在 services、marketplaces、fintech、healthtech 和其他新創類別。只要你能估出客戶數、支出水位，或所創造的經濟價值，它就能發揮作用。

如何改進 market-sizing-analysis 技能的輸出

把市場定義收得更窄

提升 market-sizing-analysis 輸出品質最快的方法，就是把市場定義縮小。請明確寫出：

• 精準買方
• 公司規模或使用者輪廓
• 地理區域
• 部署模式
• 目前產品範圍

像「Healthcare AI」就太寬泛；而「AI prior-authorization automation for U.S. regional health insurers」就實用得多。

提供定價與包裝假設

當你提供以下任一項時，bottom-up 規模估算會顯著更強：

• annual contract value
• monthly subscription range
• seat-based pricing
• transaction take rate
• average deal size

沒有定價資訊時，模型通常只能自行補上品質不高的代理變數。

不要只要一個數字，要要求交叉驗證

一個好的 prompt 會要求代理同時產出：

• 主要方法
• 次要驗證方法
• 兩者若有落差，應解釋差異原因

這會更容易建立信任。top-down 與 bottom-up 估計之間若差距很大，往往反而是最有價值的訊號，因為它可能揭露了類別定義錯位，或定價假設過於樂觀。

強制代理分開處理 TAM、SAM 與 SOM 的邏輯

常見失敗模式之一，是模型只是把數字按比例往下砍，卻沒有說明為什麼。要改善結果，可以明確要求：

• TAM 依整體潛在支出推算
• SAM 依目前產品範圍與地理限制推算
• SOM 依現實可行的獲客能力與競爭狀況推算

這會讓 market-sizing-analysis guide 在實務上更可操作。

要求標註來源品質與不確定性

你可以要求代理把假設標記為：

• sourced
• inferred
• placeholder

也請它對每個主要輸入補上信心註記。若你是在早期策略階段使用這個技能，很多數字本來就只能是方向性估算，這樣做會特別有幫助。

第一稿之後一定要迭代

不要把第一次跑出的結果當作定稿。一個實用的修訂循環通常是：

1. 修正買方與地理範圍錯誤
2. 用真實輸入替換薄弱假設
3. 收緊定價
4. 質疑 SOM 是否過於樂觀
5. 再加入一個資料來源做交叉驗證後重跑

通常這樣比一味加更多敘述文字，更能提升輸出品質。

用範例結構套到你自己的領域

如果第一版結果很凌亂，可以要求代理比照 examples/saas-market-sizing.md 的結構輸出：

• segment table
• formula section
• calculation walkthrough
• takeaway summary

即使你的市場不是 SaaS，這個檔案仍然是很好的格式範本。

注意這些常見失敗模式

market-sizing-analysis 最常見的品質問題包括：

• TAM 類別膨脹
• 分群數量模糊
• 缺乏根據的定價假設
• SOM 建立在期待而非 GTM 能力上
• 混用 user counts、company counts 與 revenue，卻沒有清楚的轉換邏輯

只要出現上述任一情況，就應要求代理重建其精確推論鏈。

針對 Data Analysis 工作流程優化輸出

若要把 market-sizing-analysis for Data Analysis 用在分析流程裡，請要求代理用結構化格式回傳假設：

• segment
• count
• pricing metric
• annual revenue assumption
• source
• confidence

這樣會更容易把結果接到 spreadsheets、notebooks、BI tools 或後續 forecasting models。