market-sizing

市场规模测算技能概览

market-sizing 能做什么

market-sizing 技能可以帮助你用自上而下和自下而上的方法，为产品、公司或品类估算 TAM、SAM 和 SOM。它适用于你需要为市场机会、投资人材料、上线计划或市场进入决策给出有说服力答案的场景。这个 market-sizing 技能面向 Market Research 工作流，目标不只是得出一个数字，而是把背后的推导逻辑讲清楚。

谁应该使用它

如果你需要一个快速但结构化的初步市场估算，并且希望结果比泛泛的 prompt 更容易站得住脚，就用 market-sizing。它适合已经有市场定义，或者至少能提供市场定义的创始人、分析师、产品团队和研究人员。如果你只是想要一个纯引用型的检索引擎，或者不提供约束条件就直接生成一份完全像顾问报告那样的成品，它就不太适合。

它的不同之处

market-sizing 技能强调“两次校验”的做法：先从市场顶部估算，再结合客户数量、价格和使用假设从底部验证。这样更容易发现被放大的假设、模糊的细分边界，以及地理范围或渠道范围不匹配的问题。它的核心价值在于提升决策质量：帮助你把可触达需求和整个行业热度区分开来。

如何使用 market-sizing 技能

安装并触发该技能

先在你的 skills 环境里走 market-sizing install 流程，然后用一个明确的测算请求来调用它，而不是只丢一个模糊主题。高质量请求通常会写清市场、地域、客户类型和时间范围。示例：Estimate TAM/SAM/SOM for AI note-taking software sold to US SMB healthcare clinics in 2025.

给技能提供合适的输入

如果你能提供以下任意内容，这个技能的效果会更好：已有研究、竞品定价、客户数量、采用率假设、细分定义，或者诸如地区和行业这样的约束条件。如果你手头只有原始笔记，可以先让技能把市场定义标准化，再进行规模测算。更好的输入示例是：Use this list of competitors and clinic counts to size the US outpatient scheduling software market for 2026.

按正确顺序阅读 repo

先看 SKILL.md，因为里面包含了需要验证的测算流程和假设。然后再检查 pm-market-research/skills/market-sizing/ 下后续新增的支持文件，尤其是那些定义约束、模板或计算逻辑的内容。如果 repo 还比较精简，就把 SKILL.md 当作主要操作指南，并补充你自己的外部数据。

分层推进测算

建议按顺序提出需求：先定义市场边界，再做自上而下估算，然后构建自下而上的交叉验证，最后把差异收敛成 TAM、SAM 和 SOM。这一点很重要，因为很多糟糕的市场规模输出，问题都出在一上来就直接抛出一个头条数字。想要更好的结果，最好明确要求给出假设、公式和敏感性范围，这样答案才便于审计。

market-sizing 技能 FAQ

market-sizing 适合 Market Research 吗？

适合。对于需要结构化测算模型和清晰假设链的 Market Research 场景，它是一个很好的选择。它不能替代一手研究，但可以很快把二手研究整理成可用的估算结果。

这和普通 prompt 有什么不同？

普通 prompt 也许能给出一个数字，但 market-sizing 技能提供的是可重复的测算流程：先定义范围，再从两个方向估算，最后验证可服务的那部分市场。这样能降低把 TAM、SAM、SOM 搞混，或者高估 SOM 的概率，也让输出更容易复核和更新。

我不需要是专家也能用吗？

可以，但你需要先把市场问题说清楚。只要能用一句话讲明产品、客户和地域，初学者也可以使用这个技能。如果这些输入本身就含糊，输出也会跟着含糊。

什么情况下不该用？

如果你只是想要一个快速观点、品牌叙事，或者一个笼统的行业概览，就不要用 market-sizing。如果你需要的是高度引用化、且带有特定司法管辖区要求的财务分析，但又不打算提供数据或接受基于假设的估算，它也不是合适的选择。

如何改进 market-sizing 技能

收紧市场定义

最大的质量提升，往往来自在计算前先缩小范围。明确谁在买、卖的是什么、卖到哪里，以及排除了什么。例如，B2B payroll software for Canadian companies with 20-200 employees 远比 payroll market 更有用。

提供模型可以检验的数字

如果你有客户数量、价格区间、转化假设或可比营收数据，就一并提供。这样 market-sizing 技能才能把自上而下和自下而上的路径拿来对照，而不是凭空编造不受支持的假设。如果你不知道具体数字，就让它给你一个区间和背后的理由。

不要只要点估计，还要敏感性分析

最有价值的输出通常会包含基准情景，以及高、低两种情景。这能帮你看出到底是哪个假设在驱动结果，以及在保守假设下机会是否仍然值得做。第一次测算后，还可以让技能按你偏好的采用率、定价或地理筛选条件重新计算。